电工电气杂志社

基于DWT-PCA-LIBSVM的电能质量扰动分类方法

来源：电工电气发布时间：2023-04-01 08:01 浏览次数：263

基于DWT-PCA-LIBSVM的电能质量扰动分类方法

李家俊¹，吴建军¹，陈武²，钟建伟²

(1 国网湖北省电力有限公司恩施供电公司，湖北恩施 445000；

2 湖北民族大学智能科学与工程学院，湖北恩施 445000)

摘要：针对传统电能质量扰动分类方法中特征混叠和分类精确度低等问题，提出一种基于 DWTPCA-LIBSVM 的扰动分类方法。对于常见的 9 种电能质量扰动信号，利用离散小波变换 (DWT) 提取不同扰动信号的特征向量，并将其按比例划分成训练集和测试集；采用主成分分析 (PCA) 方法将训练集和测试集数据降维处理；基于 LIBSVM 工具箱构建电能质量扰动分类模型进行分类识别。仿真实验结果表明：该方法能有效识别典型的 9 种电能质量扰动信号(包括两种复合扰动)，验证了该方法对电能质量扰动信号分类的有效性。

关键词： 电能质量；离散小波变换；主成分分析；支持向量机

中图分类号：TM60 文献标识码：A 文章编号：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

参考文献

[1] 汪飞，全晓庆，任林涛. 电能质量扰动检测与识别方法研究综述[J] . 中国电机工程学报，2021，41(12)：4104-4120．

[2] 黄建明，瞿合祚，李晓明. 基于短时傅里叶变换及其谱峭度的电能质量混合扰动分类[J] . 电网技术，2016，40(10)：3184-3191.

[3] 布左拉·达吾提，帕孜来·马合木提，董永昌，葛震君. 一种改进 EMD-SVD 算法的暂态电能质量扰动信号消噪研究[J] . 电测与仪表，2021，58(12)：69-75.

[4] 尹柏强，陈奇彬，李兵，佐磊. 基于改进 Kaiser 窗快速 S 变换和 LightGBM 的电能质量扰动识别与分类新方法[J] . 中国电机工程学报，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，苗霁，祝佳楠，张文惠. 遗传算法优化 BP 神经网络的电能质量预测预警研究[J] . 电工电气，2021(9)：18-22.

[7] 李祖明，吕干云，陈诺，裴哲远，丁雨昊，龚彧. 基于混沌集成决策树的电能质量复合扰动识别[J] .电力系统保护与控制，2021，49(21)：18-27.

[8] 翁国庆，朱双双，闫翠萍，黄飞腾，舒俊鹏. 基于模糊专家系统的电能质量治理决策支持系统[J] .浙江工业大学学报，2019，47(2)：210-218.

[9] 李波，曹敏，李仕林，李春阳. 基于 WT 和 GA-SVM 的电能质量扰动识别方法[J] . 电力电子技术，2020，54(3)：52-55.

[10] 庄夏. 基于 DWT 和 RNN 的无刷直流电动机轴承故障检测方法[J]. 微特电机，2017，45(6)：17-21.

[11] 任轩，汪庆年，尚宝，姜宏伟，常乐. 基于混合神经网络的短期电力负荷预测方法[J] . 电子测量技术，2022，45(14)：71-77.

[12] 黄南天，徐殿国，刘晓胜. 基于 S 变换与 SVM 的电能质量复合扰动识别[J] . 电工技术学报，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] 郑炜，林瑞全，王俊，李振嘉. 基于 GAF 与卷积神经网络的电能质量扰动分类[J] . 电力系统保护与控制，2021，49(11)：97-104.

返回索引列表

Article retrieval

文章检索

基于DWT-PCA-LIBSVM的电能质量扰动分类方法