10.3969/j.issn.1009-0134.2023.01.025
基于不完全S变换和改进SVM的电能质量分类方法
随着社会的高速发展,各式各样的负载接入电网,单一扰动形式的电能质量问题,已被多扰动复合类型的电能质量问题取代.这无疑增加了电能质量问题特征提取与分类精度提升的难度.针对此问题,提出了基于不完全S变换和改进SVM的特征提取与分类方法.首先利用不完全S变换处理电能质量信号,对矩阵求模后从模矩阵中选取特征向量,组建特征矩阵,并利用递归特征消除选取重要特征.利用改进天牛须搜索算法(CBAS)优化支持向量机(SVM)的两个重要参数惩罚因子c和核函数参数g,将所选特征及优化后的SVM构建扰动分类器.根据实验表明,该方法准确率高,运行时间短,能够识别多种复合信号在内的扰动类型.根据对比,的分类效果明显优于随机森林(RF)、粒子群优化支持向量机(PSO-SVM)等常用方法.在不同信噪比条件下,具有良好的鲁棒性及抗噪能力,对电能质量扰动分类的研究具有重要意义.
电能质量、扰动分类、不完全S变换、天牛须算法、支持向量机
45
TM712(输配电工程、电力网及电力系统)
国家自然科学基金5207070110
2023-02-10(万方平台首次上网日期,不代表论文的发表时间)
共5页
115-119