電工電氣雜志社

基于DWT-PCA-LIBSVM的電能質量擾動分類方法

來源：電工電氣發布時間：2023-04-01 08:01 瀏覽次數：308

基于DWT-PCA-LIBSVM的電能質量擾動分類方法

李家俊¹，吳建軍¹，陳武²，鐘建偉²

(1 國網湖北省電力有限公司恩施供電公司，湖北恩施 445000；

2 湖北民族大學智能科學與工程學院，湖北恩施 445000)

摘要：針對傳統電能質量擾動分類方法中特征混疊和分類精確度低等問題，提出一種基于 DWTPCA-LIBSVM 的擾動分類方法。對于常見的 9 種電能質量擾動信號，利用離散小波變換 (DWT) 提取不同擾動信號的特征向量，并將其按比例劃分成訓練集和測試集；采用主成分分析 (PCA) 方法將訓練集和測試集數據降維處理；基于 LIBSVM 工具箱構建電能質量擾動分類模型進行分類識別。仿真實驗結果表明：該方法能有效識別典型的 9 種電能質量擾動信號(包括兩種復合擾動)，驗證了該方法對電能質量擾動信號分類的有效性。

關鍵詞： 電能質量；離散小波變換；主成分分析；支持向量機

中圖分類號：TM60 文獻標識碼：A 文章編號：1007-3175(2023)03-0020-05

Power Quality Disturbance Classification Based on DWT-PCA-LIBSVM

LI Jia-jun¹, WU Jian-jun¹, CHEN Wu², ZHONG Jian-wei²

（1 Enshi Power Supply Company, State Grid Hubei Electric Power Co., Ltd, Enshi 445000, China;

2 College of Intelligent Systems Science and Engineering, Hubei Minzu University, Enshi 445000, China）

Abstract: The traditional power quality disturbance classification has disadvantages of overlapping characteristics and low classification accuracy, so a new disturbance classification method based on DWT-PCA-LIBSVM is proposed. The paper adopts Discrete Wavelet Transform (DWT) to extract feature vectors of nine common power quality disturbance signals, and divides them into training sets and testing sets in proportion. Then, Principal Component Analysis (PCA) is used to reduce data dimension of training sets and testing sets, and power quality disturbance classification model is built to classify and recognize signals based on LIBSVM toolbox. The simulation results show that this method can efficiently identify nine typical power quality disturbance signals (including two composite disturbances), and verify its effectiveness of classification.

Key words: power quality; discrete wavelet transform; principal component analysis; support vector machine

參考文獻

[1] 汪飛，全曉慶，任林濤. 電能質量擾動檢測與識別方法研究綜述[J] . 中國電機工程學報，2021，41(12)：4104-4120．

[2] 黃建明，瞿合祚，李曉明. 基于短時傅里葉變換及其譜峭度的電能質量混合擾動分類[J] . 電網技術，2016，40(10)：3184-3191.

[3] 布左拉·達吾提，帕孜來·馬合木提，董永昌，葛震君. 一種改進 EMD-SVD 算法的暫態電能質量擾動信號消噪研究[J] . 電測與儀表，2021，58(12)：69-75.

[4] 尹柏強，陳奇彬，李兵，佐磊. 基于改進 Kaiser 窗快速 S 變換和 LightGBM 的電能質量擾動識別與分類新方法[J] . 中國電機工程學報，2021，41(24)：8372-8383.

[5] ANGRISANI L, DAPONTE P, APUZZO M D, TESTA A.A measurement method based on thewavelet transform for power qualityanalysis[J].IEEE Transactions Power Delivery，1998，13(4)：990-998.

[6] 武晨晨，苗霽，祝佳楠，張文惠. 遺傳算法優化 BP 神經網絡的電能質量預測預警研究[J] . 電工電氣，2021(9)：18-22.

[7] 李祖明，呂干云，陳諾，裴哲遠，丁雨昊，龔彧. 基于混沌集成決策樹的電能質量復合擾動識別[J] .電力系統保護與控制，2021，49(21)：18-27.

[8] 翁國慶，朱雙雙，閆翠萍，黃飛騰，舒俊鵬. 基于模糊專家系統的電能質量治理決策支持系統[J] .浙江工業大學學報，2019，47(2)：210-218.

[9] 李波，曹敏，李仕林，李春陽. 基于 WT 和 GA-SVM 的電能質量擾動識別方法[J] . 電力電子技術，2020，54(3)：52-55.

[10] 莊夏. 基于 DWT 和 RNN 的無刷直流電動機軸承故障檢測方法[J]. 微特電機，2017，45(6)：17-21.

[11] 任軒，汪慶年，尚寶，姜宏偉，常樂. 基于混合神經網絡的短期電力負荷預測方法[J] . 電子測量技術，2022，45(14)：71-77.

[12] 黃南天，徐殿國，劉曉勝. 基于 S 變換與 SVM 的電能質量復合擾動識別[J] . 電工技術學報，2011，26(10)：23-30.

[13] CHEN Tian, JU Sihang, REN Fuji, FAN Mingyan,GU Yu.EEG emotion recognition model based on the LIBSVM classifier[J].Measurement，2020，164(5)：108047.

[14] 鄭煒，林瑞全，王俊，李振嘉. 基于 GAF 與卷積神經網絡的電能質量擾動分類[J] . 電力系統保護與控制，2021，49(11)：97-104.

返回索引列表

Article retrieval

文章檢索

基于DWT-PCA-LIBSVM的電能質量擾動分類方法