基于分段改进S变换的复合电能质量扰动识别

针对存在多种单一电能质量扰动的复合扰动分类识别问题,提出了一种基于分段改进S变换和RBF神经网络相结合的复合电能质量扰动识别新方法.首先对离散S变换进行了分段改进,将时域分辨率和频域分辨率进行分段处理,通过分析改进S变换得到的模时频矩阵,绘制了能够反映扰动信号不同突变参数的特性曲线.其次利用统计方法优化计算提取了10种用于模式识别的特征量,并用局部逼近的RBF神经网络设计了分类器对提取的特征样本进行训练和分类,最后在不同噪声环境下对5种单一扰动及谐波+电压暂降、电压暂降+闪变等6类复合电能质量扰动的分类识别进行了仿真验证.仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于普通改进S变...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 47; no. 9; pp. 64 - 71
Main Authors 杨剑锋, 姜爽, 石戈戈
Format Journal Article
LanguageChinese
Published 兰州交通大学光电技术与智能控制教育部重点实验室,甘肃兰州730070%兰州交通大学自动化与电气工程学院 甘肃兰州730070 01.05.2019
兰州交通大学自动化与电气工程学院 甘肃兰州730070
Subjects
复合扰动
RBF神经网络
特征提取
分段改进S变换
时频特性
Online AccessGet full text
ISSN1674-3415
DOI10.7667/PSPC180587

Cover

More Information
Summary:针对存在多种单一电能质量扰动的复合扰动分类识别问题,提出了一种基于分段改进S变换和RBF神经网络相结合的复合电能质量扰动识别新方法.首先对离散S变换进行了分段改进,将时域分辨率和频域分辨率进行分段处理,通过分析改进S变换得到的模时频矩阵,绘制了能够反映扰动信号不同突变参数的特性曲线.其次利用统计方法优化计算提取了10种用于模式识别的特征量,并用局部逼近的RBF神经网络设计了分类器对提取的特征样本进行训练和分类,最后在不同噪声环境下对5种单一扰动及谐波+电压暂降、电压暂降+闪变等6类复合电能质量扰动的分类识别进行了仿真验证.仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于普通改进S变换+全局逼近网络的方法,且鲁棒性强,能准确识别多种单一扰动及两种扰动同时存在的复合电能质量扰动.
ISSN:1674-3415
DOI:10.7667/PSPC180587