基于自适应不完全S变换与LOO-KELM算法的复合电能质量扰动识别
针对电能质量复合扰动识别中特征提取效率低、分类器识别能力与学习速度无法同步提高的问题,提出一种基于自适应窗不完全S变换与留一交叉验证优化的核极限学习机(LOO-KELM)算法的复合电能质量扰动识别方法.首先根据选定的主频率点自适应调节S变换窗宽系数,提取具有高时频分辨率的59种电能质量(PQ)特征,再通过留一交叉验证寻找最小预测残差平方和,实现核极限学习机的输出权重优化,最后根据提取PQ特征集与优化后的核极限学习机实现复合扰动的识别与分类.仿真和实测结果表明,所提方法对不同噪声下的16类混合电能质量扰动均具有较高的分类精度,相较于现有复合电能质量识别方法,分类精度更高且训练时间更短.
电能质量;复合扰动识别;自适应窗不完全S变换;核极限学习机;留一交叉验证
42
TM71(输配电工程、电力网及电力系统)
国家自然科学基金;长沙市重点研发计划项目;国家重点实验室开放基金
2022-01-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
199-205