基于分段改进S变换和随机森林的复合电能质量扰动识别方法

摘要：

各类分布式设备和智能设备接入电力系统,使得电力系统对电能的波动越来越敏感,这导致对电能质量扰动(PQD)的识别和处理变得越来越重要.通过将分段改进S变换(SMST)和随机森林(RF)算法相结合,提出了一种用于复杂噪声环境下PQD识别的新方法.首先,基于检测误差和峰度对SMST的不同频段进行分别调参,并使用SMST提取待检测信号的75种时频特征,构成原始特征集.然后,改进分类回归树(CART)的节点分裂过程,加入了离散值处理策略并使用Gini指数的下降作为新的节点分裂规则.同时,在下次节点分裂前,将基尼指数下降值为零的特征从特征集中删除.最后,使用改进的CART算法构建了RF分类器并对复合PQD信号进行分类.实验证明,在不同的信噪比条件下,新方法均能有效识别多数单一PQD信号和常见的双重复合PQD信号.虽然新方法在运行效率方面仍有一定的改进空间,但其在不同层面上的改进均能有效提升PQD识别精度,且平均分类精度明显高于各类传统PQD识别方法.

关键词：电能质量、扰动分类、分段改进S变换、Gini指数下降、随机森林

所属期刊栏目：48

资助基金：国家自然科学基金项目资助61603212;51407104

在线出版日期：2020-05-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：19-28