基于小波和改进神经树的电能质量扰动分类.pdf

《基于小波和改进神经树的电能质量扰动分类.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第42卷第24期电力系统保护与控制Vo1．42NO．242014年12月16日PowerSystemProtectionandControlDec．16．2014基于小波和改进神经树的电能质量扰动分类吴兆刚，李唐兵，姚建刚，龚文龙，陈强(1．湖南大学电气与信息工程学院，湖南长沙410082；2．江西省电力科学研究院，江西南昌3300963．湖南湖大华龙电气与信息技术有限公司，湖南长沙410082)摘要：准确地识别和分类电能质量扰动对分析和综合治理电能质量问题具有重要意义。提出了一种基于小波和改进神经树

2、的电能质量扰动分类方法。该方法利用小波分解扰动信号到各个频带，在基频频带、谐波频带和高频带上分别计算其能量值和小波系数熵作为特征值，另计算基波频带扰动过程的均方根作为特征的补充，融合能量值、熵和均方根值作为扰动判断的特征向量，规范化后输入到改进神经树分类器进行训练和分类。改进神经树分类器是由神经网络和决策树及其分类规则构成。仿真表明，该方法提取特征值的计算量小且融合后的特征向量能够很好地体现不同扰动信号之间的差异信息，构造的改进神经树分类器结合了神经网络和决策树在模式分类中各自的优点，结构简单且表现出

3、良好的收敛性、全局最优性和泛化性，分类准确率较高，能够有效地识别七种常见的电能质量扰动。关键词：电能质量；扰动分类；小波变换；特征向量；改进神经树PowerqualitydisturbanceelassiticationbasedonawaveletandimprovedneuraltreeWUZhao—gang，LITang—bing~，YAOJian·gang，GONGWen-long，CHENQiang(1．CollegeofElectricalandInformationEngineering

4、，HunanUniversity，Changsha410082，China；2．JiangxiElectricPowerResearchInstitute，Nanchang330096，China；3．HunanHDHLElectrical&InformmionTechnologyCo．，Ltd．，Changsha410082，China)Abstract：Preciseidentificationandclassificationforpowerqualitydisturbancesissignif

5、icantlyimpo~anttoanalyzeandcomprehensivelycopewithpowerqualityproblems．Basedonwaveletandimprovedneuraltreetechniques，anewclassificationmethodologyforpowerqualitydisturbancesisproposed．Inthemethod，thedisturbancesignalisdecomposedintodifferent~equencyband

6、s，whilstenergyvaluesandwaveletcoeficiententropiesofthebase，harmonicandhighfrequencybandsarecalculatedaseigenvaluesrespectively．Therootmeanproducedinthedisturbanceprocessofthebasewavebandiscalculatedasasupplement，whichisthencombinedwiththeenergyvaluesand

7、waveletcoeficiententropiesaseigenvectorsforjudgingthedisturbances．Thereaftertheeigenvectorsarenormalizedandinputintotheimprovedneuraltreeclassifier，composedofneuralnetwork，decisiontreesandclassificationrules，fortrainingandclassifying．Simulationresultsde

8、monstratethemethodhasasmallamountofcalculationtoextracteigenvaluesandtheobtainedeigenvectorsCanadequatelyreflectthediferenceinformationfordifferentdisturbancesignals．Theimprovedneuraltreeclassifiercombinesrespectivesuperioritieso