基于小波系数KPCA和PNN的电能质量扰动分类.pdf

《基于小波系数KPCA和PNN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22卷第2期电力系统及其自动化学报V01．22No．22O1O年4月ProceedingsoftheCSU—EPSAApr．2010基于小波系数KPCA和PNN的电能质量扰动分类何朝辉，黄纯，刘斌，程扬军(湖南大学电气与信息工程学院，长沙410082)摘要：针对电能质量扰动分类，提出基于小波系数特征的核主成分分析(KPCA)和概率神经网络(PNN)的分类新方法。对正常信号和六种常见电能质量扰动(电压暂降、暂升、短时中断、谐波、电压波动和振荡暂态)进行小波变换和多尺度分析，提取各类扰动在多个尺度上小波系数作为特征向量；利用KPCA进行主成分提取，降低了小波系数特征向量

2、维数，再输入PNN进行分类。仿真表明，该方法分类速度和准确率良好。关键词：电能质量扰动；分类；核主成分分析；概率神经网络；小波变换中图分类号：TM71文献标志码：A文章编号：1003—8930(2O10)02—007606PowerQualityDisturbancesClassificationBasedonKernelPrincipalComponentAnalysisofWaveletCoefficientsandPrObabiIisticNeuralNetworksHEZhao—hui，HUANGChun，LIUBin，CHENGYang—jun(Colleg

3、eofElectricalandInformationEngineering，HunanUniversity，Changsha410082，China)Abstract：Inordertoclassifypowerqualitydisturbancesaccurately，anewmethodclassifyingpowerqualitydisturbanceswaspresentedinthispaper，basedonkernelprincipalcomponentanalysis(KPCA)ofwaveletcoeffi—cientsfeature，andpro

4、babilisticneuralnetworks(PNN)．Normalsignalandsixpowerqualitydisturbances(voltagesag，voltageswell，voltageinterruption，harmonics，voltageflickerandoscillationtransient)wereap—pliedtowavelettransformandmulti—solutionanalysisandeachdisturbancewaveletcoefficientsonmultisolu—tionwereextracteda

5、sfeaturevectors．Thenkernelprincipalcomponentanalysiswasappliedtoextractprinci—palcomponentandreducewaveletcoefficientsfeaturevectorsdimension．AtlasttheywereputintoPNNtoclassify．Simulationresultsshowthatthismethodhasfavorableclassificationspeedandprecision．Keywords：powerqualitydisturbanc

6、es；classification；kernelprincipalcomponentanalysis(KPCA)；probabi—listicneuralnetworks(PNN)：wavelettransform电能质量扰动分类识别主要有提取扰动特征取扰动在各尺度上的能量特征，再输入BP神经网和分类两个相继的过程。目前，提取扰动特征向量络进行分类，取得了较好的效果。方法有傅里叶变换[1]、S变换和小波变换_3等。近年来，随着支持向量机SVM(support其中小波变换具有时域和频域局部化的特点，克服vectormachine)研究的展开，关于核方法_ll_的研了傅里

7、叶变换和短时傅里叶变换方法的缺点，特别究逐渐受到重视。核方法将原始空间的数据映射到适合于突变信号和不平稳信号的分析，因而在电能特征空间，使分类问题转化到特征空间进行，选用质量扰动分析中得到广泛的应用。分类的方法有：适当的映射函数，输入空间线性不可分问题在特征人工神经网络l4、模糊分类[7]、专家系统l8]和支空间将转化为线性可分问题。Scholkopf等人将核持向量机等。如文献[53提出了利用小波变换提函数应用于主成分分析PCA(principalcomponent收稿日期：20081222；修回日期：2009—02—16第2期何朝辉等：基于小波系数