CN107462785A - 基于ga‑svm的电能质量多扰动信号分类识别方法 - Google Patents
基于ga‑svm的电能质量多扰动信号分类识别方法 Download PDFInfo
- Publication number
- CN107462785A CN107462785A CN201710448207.9A CN201710448207A CN107462785A CN 107462785 A CN107462785 A CN 107462785A CN 201710448207 A CN201710448207 A CN 201710448207A CN 107462785 A CN107462785 A CN 107462785A
- Authority
- CN
- China
- Prior art keywords
- signal
- svm
- amplitude
- standard deviation
- carried out
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GA‑SVM的电能质量多扰动信号分类识别方法,首先采用基于改进的EEMD的HHT方法对各种电能质量复合扰动进行特征提取,即根据EEMD算法的特性,添加绝对值相等的正负高斯白噪声来降低噪声残余;利用概率统计的参数自适应特性对EEMD算法的参数选择过程进行了优化;提出自适应阈值去噪的方法对IMF信号进行去噪处理,降低了各个IMF分量中噪声的影响;其次运用GA算法实现SVM参数的最优化;选取支持向量机(SVM)分类器作为电能质量多扰动信号的分类工具;同时,针对传统SVM存在的经验参数选取等缺点,提出了利用GA的全局寻优特性优化SVM参数的选取过程,大大节省了依靠经验和反复试验来设置参数的时间并提高了参数的准确性和实用性。
Description
技术领域
本发明涉及电力系统中电能质量分析技术领域,尤其涉及一种基于GA-SVM的电能质量多扰动信号分类识别方法。
背景技术
目前电网发展的重要目标和方向之一就是保障供电的电能质量和对不同的电力用户按照使用的需求提供相应的服务;因此,实现对电能质量检测系统的建立健全、准确对电能质量进行评价、对电网电能质量中出现的扰动及时准确的识别分类是近几年学者研究的热点问题。
由于电能质量扰动类型较多,且扰动信号本身是随机突然发生的,因此很难对其进行特征提取和分类识别;而在复合扰动形成的过程中,各个单一扰动信号的特征值互相叠加影响,其识别分类的难度呈几何增长;目前对电能质量多扰动信号研究的难点是对随机非平稳扰动信号的检测识别分类,在研究过程中,随着暂态扰动对现代生产生活带来的危害越来越大,对暂态扰动信号的分类识别研究已成为热点;在电能质量多扰动信号识别分类研究的过程中,最重要的环节有两个,一个是要找出有效的提取扰动特征的方法,另一个是要设计出准确率和分类速度较高的分类识别系统;也就是说对电能质量多扰动信号分类识别问题的研究可以分为两个部分,第一个部分是特征提取,第二部分是扰动信号分类。
目前电能质量多扰动信号特征提取困难,且提取的特征量容易失效以及容易出现模态混叠等问题,提取的特征值不够准确;另外目前对电能质量复合扰动进行分类的方法主要有:神经网络、决策树和支持向量机等;神经网络分类器具有简单的结构和很强的求解能力,但是训练时间长,且容易出现过学习等问题;决策树分类器是模拟人类的思维构建分类规则,虽然分类速度很快,但在分类过程中建立规则比较复杂,会出现错误累积的误差,并且对于多种类分类模型很难处理;因此急需研究一种新的电能质量多扰动信号分类识别方法来解决上述问题。
发明内容
本发明的目的是提供一种基于GA-SVM的电能质量多扰动信号分类识别方法,能够有效的提取电能质量多扰动信号的扰动特征,并显著提高电能质量多扰动信号分类的准确率和分类速度。
发明采用的技术方案为:一种基于GA-SVM的电能质量多扰动信号分类识别方法,包括如下步骤:
步骤A:利用电压传感器采集电网中的电压信号,并对采集到的电压信号进行特征提取,具体包括步骤A1-A4;
步骤A1:利用电压传感器采集电网中的电压信号,然后利用信号调理电路对采集到的信号进行滤波和整形处理;
步骤A2:将滤波和整形处理处理后的信号传递到数据采集卡中,然后利用数据采集卡的模数转换功能将模拟信号转换为计算机能够处理的数字信号;
步骤A3:对模数转换后得到的数字信号进行信号去噪处理,然后对去噪后的信号进行改进的EEMD分解,并对分解后的信号进行Hilbert变换得到时频特性曲线和时幅特性曲线,具体包括步骤A3.1-A3.9:
步骤A3.1:设置期望的相对偏差,计算原始信号幅值标准差,对原始信号进行EMD分解求得高频成分,并计算高频成分幅值标准差;
步骤A3.2:计算高频成分幅值标准差和原始信号幅值标准差比值β;
步骤A3.3:计算需要添加的高斯白噪声幅值标准差和原始信号幅值标准差的比值α=β/4;
步骤A3.4:根据公式计算集成平均次数N的值;
步骤A3.5:重复N次向信号中添加绝对值相等的随机正负高斯白噪声,并进行EMD分解,得到各阶IMF分量;
步骤A3.6:选择需要去噪的IMF分量,确定需要去噪的IMF分量的个数m,对选择的m个IMF分量中包含的噪声能量进行估计并计算出去噪选用的自适应阈值;
步骤A3.7:对选择需要去噪的各个IMF分量进行硬阈值去噪;
步骤A3.8:求取各个IMF分量的集合平均值,作为最后的EEMD分解结果;
步骤A3.9:对分解后的信号进行Hilbert变换得到时频特性曲线和时幅特性曲线;
步骤A4:根据步骤A3得到的时频特性曲线和时幅特性曲线分别提取每个扰动信号的特征量,具体特征量如下:
T1:时间-瞬时频率包络线平均值;
T2:时间-瞬时频率包络线标准差;
T3:时间-瞬时幅值包络线平均值;
T4:时间-瞬时幅值包络线标准差;
T5:幅值因数;
步骤B:根据步骤A4提取到的特征量建立基于GA-SVM的分类识别模型,具体包括步骤B1-B2:
步骤B1:将步骤A4提取到的特征量归集为样本数据;
步骤B2:将样本数据数据输入到GA-SVM模型中利用GA进行SVM的参数选优,并对样本数据进行分类,具体包括步骤B2.1-B2.7;
步骤B2.1:设定SVM的核函数,并分别设定SVM的惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt的取值范围;
步骤B2.2:确定适应度函数;
步骤B2.3:根据B2.1中定义的惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt的取值范围,产生它们的初始种群,并对初始种群进行编码;
步骤B2.4:在GA中对初始种群中的每个个体进行自适应度计算,若每个个体的自适应度满足误差要求,则进入步骤B2.7;
步骤B2.5:若不满足,对种群进行遗传操作,根据遗传概率选择对种群进行选择、交叉和变异操作,以形成新的参数族群;
步骤B2.6:对新的族群重复步骤B2.4,若每个个体的自适应度满足误差要求,则进入步骤B2.7;若不满足,则重复步骤B2.3~B2.6;
步骤B2.7:将GA的输出的最优惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt输入到SVM中,构成最优差参数的SVM分类器,对输入的样本数据进行训练和分类;对样本数据进行分类时首先根据T1判断信号中是否含有谐波分量;然后根据T2和T4判断该信号是否有频率和幅值的大幅度变化,以确定信号是否含有电压波动类型的扰动;再通过T3与额定值的比较判断扰动信号是否含有暂升、暂降或暂态脉冲;最后运用T5来判断含有的是电压暂升还是暂态脉冲。
本发明的主要优点如下:
(1)本发明采用基于改进的EEMD的HHT方法对各种电能质量复合扰动进行特征提取,即根据EEMD算法的特性,添加绝对值相等的正负高斯白噪声来降低噪声残余,并利用概率统计的参数自适应特性对EEMD算法的参数选择过程进行了优化;由于实际电网中的噪声较多,这些噪声会随着EEMD分解到各个本征模态函数IMF中,为了降低各个IMF分量中噪声的影响,利用自适应阈值去噪的方法对IMF信号进行去噪处理。
(2)本发明运用GA算法实现SVM参数的最优化;在分类方法选取时,通过对样本数量、适应性能和准确率等性能指标的综合考虑,选取支持向量机(SVM)分类器作为电能质量多扰动信号的分类工具;同时,针对传统SVM存在的经验参数选取等缺点,提出了利用遗传算法(GA)的全局寻优特性优化SVM的惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt等参数的选取过程,使SVM分类器达到最优分类的结果,大大节省了依靠经验和反复试验来设置参数的时间并提高了参数的准确性和实用性。
附图说明
图1为本发明的流程图;
图2为本发明所述的改进的EEMD算法的流程图;
图3为本发明所述的SVM分类器的二维空间的最优分类线示意图;
图4为本发明所述的GA-SVM分类器模型的流程图;
图5为本发明所述的GA算法的适应度曲线示意图;
图6为本发明所述的无噪声的分类结果示意图;
图7为本发明所述的含噪信号的分类结果示意图;
图8为本发明所述的随机样本的分类结果示意图。
具体实施方式
下面结合附图和实施例对本发明的具体方案进行进一步的说明,如图1所示,一种基于GA-SVM的电能质量多扰动信号分类识别方法,具体包括如下步骤:
步骤A:利用电压传感器采集电网中的电压信号,并利用改进的EEMD-HHT方法对采集到的电压信号进行特征提取,具体包括步骤A1-A4。
步骤A1:利用电压传感器采集电网中的电压信号,然后利用信号调理电路对采集到的信号进行滤波和整形处理;利用电压传感器采集电网中的电压信号以及利用信号调理电路对采集到的信号进行滤波和整形处理均属于现有技术,在此不再进行过多说明。
步骤A2:将滤波和整形处理后的信号传递到数据采集卡中,然后利用数据采集卡的模数转换功能将模拟信号转换为计算机能够处理的数字信号。
在步骤A1和步骤A2中,由于电能质量复合扰动信号具有随机性,在实际中不易获取;所以本施例中采用PXI6259采集卡所具有的模拟输出功能来产生扰动信号,对数据采集卡的控制利用DAQ助手来完成。
DAQ助手是NI公司提供的一种快速VI,使用起来非常简单、方便,只需要对其进行简单的配置就能正常工作,可用其来实现一些简单的采集系统;用这种方式来模拟产生复合扰动信号极其方便,又很节约时间,由于是模拟输出,使其非常接近于真实的扰动信号,可以通过传感器、数据采集卡等直接进行采集,又由于输出的是标准的信号,也可以省略传感器直接将其输入采集卡输入口进行采集,这样可以用来对系统进行调试。
另外由于电能质量多扰动信号存在的类型较多,本实施例主要针对10种电力系统常见复合扰动信号进行研究分析,具体包括:电压暂升和谐波,电压暂升和电压波动,电压暂降和谐波,电压暂降和电压波动,脉冲暂态和谐波,脉冲暂态和电压波动,电压暂升、谐波和电压波动,电压暂降、谐波和电压波动,脉冲暂态、谐波和电压波动,电压暂升、脉冲暂态、谐波和电压波动,如表1所示,这10种常见扰动分别用R1~R10表示。
表1常见电力系统复合扰动信号
利用MATLAB仿真产生上述10种无噪声电能质量复合扰动信号;由于SVM(支持向量机分类器)的训练精度和训练时间都与样本容量成正比关系,经对比分析,选择每类信号有160(80个作为训练样本,另外80个是测试样本)个样本来保证训练的精度和合理的训练时间,共计1600个样本。
步骤A3:对模数转换后得到的数字信号进行信号去噪处理,然后对去噪后的信号进行改进的EEMD分解,并对分解后的信号进行Hilbert变换得到时频特性曲线和时幅特性曲线。
HHT(希尔伯特黄变换)是1998年由NASA的Norden E Huang等提出的一种主要用于非平稳、非线性信号的时频分析方法;HHT方法主要包括两部分,第一部分是以EMD(经验模态分解)为基础,将非平稳信号经过循环迭代的方法按照频率由高到低的顺序分解为一系列IMF(本征模态函数)分量,第二部分是以Hilbert(希尔伯特变换)为基础,将第一步分解得到的IMF分量利用希尔伯特变换分别求取每个模态的时频曲线和时幅曲线;其本质,就是根据频率这一特征尺度,将非平稳信号分解为多个单频的本征模态分量,然后通过对各个模态的分析反应信号本身的特征;但是HHT算法存在三次样条插值法拟合过程中的参数选取困难、终止条件不完善、端点效应和模态混叠现象等主要问题。
为了解决EMD方法存在的问题,学者们进行了大量的探索,EEMD(聚类经验模态分解)算法的提出则解决了EMD算法存在的核心问题——模态混叠;
EEMD分解的具体步骤为:
1)向原始信号x(t)中加入一组随机白噪声w(t),得到新的信号X(t):
X(t)=x(t)+w(t) (1)
2)将得到的新信号X(t)作为原始信号进行EMD分解,得到各阶IMF分量和一个余量。
3)再次向原始信号x(t)中添加随机白噪声wi(t),重复步骤1)和2),得到:
4)将每次的筛选得到的IMF做平均值处理,得到结果:
5)原始信号x(t)经过分解后可以表示为每个IMF分量和余量的和:
本实施例对EEMD算法进行改进一:基于白噪声特性降低白噪声余量。
虽然理论上EEMD算法中添加的随机高斯白噪声在进行多次集成平均后能够被抵消到忽略影响甚至被消除,但是实际分解过程中残留的噪声对IMF分量影响仍然不可忽视,为了让添加的白噪声达到更好的消除效果,分别在步骤1)中向原始信号中添加正负两组白噪声+k·w(t)、-k·w(t),k为比例系数,且两组噪声的绝对值相等;得到如下信号:
对式6的两个信号进行EMD分解并得到各阶IMF分量和余量;然后在步骤3)中重复向原始信号中添加绝对值相同的正负白噪声,并进行EMD分解,第i次加入并分解后得到:
经过集成平均得到每个IMF分量的集成均值为:
最终原始信号可表示为:
通过上述对EEMD算法的改进,降低了残余噪声对分级而结果的影响,使分解得到的IMF分量更加准确有效,特别提高了对原始信号内高频成分的适应性。
本实施例对EEMD算法的改进二:优化EEMD算法参数选取过程;
EEMD分解过程中需要设置添加白噪声的幅值和集成的平均次数N两个参数;当添加波动性大(即幅值大)的噪声时,虽然可以将原始信号的高频部分准确的映射到其相应的时间尺度上并准确的分离出来,但是却破坏了低频部分的极值点分布情况,导致低频部分信号分解出现模态混叠现象;当添加波动性小(即幅值小)的噪声时,虽然能有利的改变低频部分的极值点分布情况并避免低频部分出现模态混叠的现象,但是对高频部分模态混叠现象却无法有效抑制。
对于集成的平均次数N的选取,根据集成的平均次数N、添加的白噪声幅值标准差与原始信号本身幅值标准差的比值α以及期望信号分解所出现的最大相对误差ε之间的关系:
在公式10中可以看出,当向信号中加入相同幅度的白噪声时,最终分解结果的误差和集成的平均次数成反比的关系,也就是集成平均次数越大,分解后重构的误差就越小;而相对误差ε一般是人为设定的,因此只需要确定添加的白噪声幅值标准差与原始信号本身幅值标准差的比值α或者集成的平均次数N中的其中一个就能确定另外一个的值。
由于添加的高斯白噪声满足概率分布是正态函数n(t)~N(μ,σ2);根据正态函数的概率分布得到下面的关系:
其中σ为添加的白噪声幅值标准差;由于EMD分解的过程相当于按频率高低层层滤波的过程,所以可以将得到的第一个IMF分量作为原始信号的中包含的高频信号成分并将这个成分的幅值标准差记为σh;根据式11,分析可知当取σ=σh/3时,白噪声幅值的绝对值小于σh的概率接近100%,满足大多数分解情况下的误差要求;因此,σ值的最佳取值范围为:
0<σ≤σh/3 (12)
如果将原始信号的幅值标准差记为σ0,将高频成分的幅值标准差和原始信号的幅值标准差比值记为β,即
β=σh/σ0 (13)
再根据α的定义,可得:
0<α≤β/3 (14)
根据α的取值范围,经过多次试验选取,当α取值β/4时,分解的结果相对比较理想;至此,已经得到了ε和α的值,根据公式10,就可以计算出N的取值;由于这种方法,是根据信号本身的幅值标准差来选择分解所需设置的白噪声的幅值和集成的平均次数N两个参数,所以对要分解的信号适用性较高。
对IMF分量的去噪处理;
通过以上两种方法对EEMD分解过程进行改进后,虽然能够很大程度的降低EEMD分解得到的IMF分量中的白噪声成分,但是由于电网本身结构复杂,污染源不仅数量多而且污染种类和污染程度各不相同,所以实际的IMF信号中噪声含有量仍不可忽略;为了保证整个HHT方法结果的准确性,必须要考虑EEMD分解后IMF分量中噪声对Hilbert变换结果的影响,以避免信号中的原始扰动信号被破坏。
由于添加的白噪声整体均值趋于零,所以理论上在经过足够多次添加白噪声并集合平均后,用EEMD方法分解得到的IMF分量中的噪声含量应该是无限接近于0值的;但是在实际的仿真试验中,发现随着添加噪声次数的增大(即EEMD前两个步骤循环次数增大),程序运行时间几乎呈几何比例的增长;所以不可能选择太大的循环次数,这就造成了添加的白噪声不能够尽数消除的现象;而又由于EEMD分解得到的IMF分量是按照频率由高到低的顺序排列的,所以分解得到的前几层IMF分量含有的噪声含量较大,并且随着频率的减低,IMF中噪声的含量逐渐降低;为了将噪声信号从IMF分量信号中分离出去,需要对它们进行阈值去噪处理,以保证扰动特性量提取的准确性;根据本行业的公知常识,噪声主要存在于前面几层IMF分量中,所以工作的重点就是对前面的几层IMF分量进行去噪处理;以IMF1为例,由于在IMF1中噪声的含量比较高,甚至掩盖了其中有用的细节信号信息,且高斯噪声具有近似于零均值的正态分布的特性;将IMF1分量函数信号记为c1,则提取方法表述如下:
其中σ1为噪声标准差:
式中HH表示IMF1分量信号函数中各点的幅值系数。根据式15,可以计算出IMF1中含有噪声的能量值:
这里的M为信号的长度;由于IMF分量中的噪声能量是递减的,经过验证,第i个IMF分量中噪声的能量估计公式为:
公式中参数p和β1的值与筛选次数有关,在实施例中取值分别为p=2.01,β1=0.719;参数m为需要去噪的IMF分量的个数。
第i个IMF分量的白噪声自适应阈值求取公式为:
C为阈值系数,σi为第i个IMF分量中含有的噪声的幅值标准差,此值为未知量,需要根据下式进行估计:
对于阈值系数C的选取,由于C的值一定是随着各个IMF分量中白噪声含量的减少而减小的,所以规定:每一层分量的阈值系数C为前一层的一半,即:
Ci+1=Ci/2,i=2,3,…,m
整理以上公式,可以得到自适应阈值T的表达式为:
由于电能质量扰动信号的一些细节特征往往包含在一些波峰和脉冲处,所以在对IMF分量信号进行阈值去噪时,需要比较完整地保留这些细节特征量,所以实施例选择使用硬阈值去噪的处理方法,硬阈值去噪处理的公式为:
去噪后,重构信号的表达式为:
结合前面提到的两种优化EEMD分解过程的方法和分解后对IMF信号进行去噪处理的方法,得到了一种基于新的EEMD的HHT去噪分解方法,如图2所示,具体步骤如下:
步骤A3.1:设置期望的相对偏差,计算原始信号幅值标准差,对原始信号进行EMD分解求得高频成分,并计算高频成分幅值标准差;由于任何分解都存在误差,所以要根据实际情况找到一个能够接受的分解误差最大值,就是期望的相对偏差,实际分解过程的偏差必须小于期望的相对偏差;
步骤A3.2:计算高频成分幅值标准差和原始信号幅值标准差比值β;
步骤A3.3:计算需要添加的高斯白噪声幅值标准差和原始信号幅值标准差的比值α=β/4;
步骤A3.4:根据公式计算集成平均次数N的值;
步骤A3.5:重复N次向信号中添加绝对值相等的随机正负高斯白噪声,并进行EMD分解,得到各阶IMF分量;
步骤A3.6:选择需要去噪的IMF分量,确定需要去噪的IMF分量的个数m,对选择的IMF分量中包含的噪声能量进行估计并计算出去噪选用的自适应阈值;
步骤A3.7:对选择需要去噪的各个IMF分量进行硬阈值去噪;
步骤A3.8:求取各个IMF分量的集合平均值,作为最后的EEMD分解结果;
步骤A3.9:对分解后的信号进行Hilbert变换得到时频特性曲线和时幅特性曲线;
步骤A4:根据步骤A3得到的时频特性曲线和时幅特性曲线分别提取每个扰动信号的特征量,具体特征量如下:
T1:时间-瞬时频率包络线平均值;
T2:时间-瞬时频率包络线标准差;
T3:时间-瞬时幅值包络线平均值;
T4:时间-瞬时幅值包络线标准差;
T5:幅值因数;
为了更好的提取信号的扰动特征,引入瞬时频率和瞬时幅值对扰动进行分析;首先对得到的IMF分量进行Hilbert变换:
对变换后的信号进行反变换,即
式25和26中x(t)为IMF分量,由式25和26可得到其解析信号:
式中α(t)为瞬时振幅,φ(t)为相位。变换可得:
瞬时频率为:
由上述Hilbert变化的原理可知,对EEMD分解得到的IMF分量进行Hilbert变换后,可以准确的求出IMF分量信号中含有的波形的幅值、相位和瞬时频率特性。
步骤B:根据步骤A4提取到的特征量建立基于GA-SVM的分类识别模型,具体包括步骤B1-B2:
步骤B1:将步骤A4提取到的特征量归集为样本数据;
步骤B2:将样本数据数据输入到GA-SVM中利用GA进行SVM的参数选优,并对样本数据进行分类,具体包括步骤B2.1-B2.7;
步骤B2.1:设定SVM的核函数,并分别设定惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt的取值范围;
步骤B2.2:确定适应度函数;
步骤B2.3:根据B2.1中定义的惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt的取值范围,产生它们的初始种群,并对初始种群进行编码;
步骤B2.3:根据B2.1中定义的惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt的取值范围,产生它们的初始种群,并对初始种群进行编码;
步骤B2.4:在GA中对初始种群中的每个个体进行自适应度计算,若每个个体的自适应度满足误差要求,则进入步骤B2.7;
步骤B2.5:若不满足,对种群进行遗传操作,根据遗传概率选择对种群进行选择、交叉和变异操作,以形成新的参数族群;
步骤B2.6:对新的族群重复步骤B2.4,若每个个体的自适应度满足误差要求,则进入步骤B2.7;若不满足,则重复步骤B2.3~B2.6;
步骤B2.7:将GA的输出的最优惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt输入到SVM中,构成最优差参数的SVM分类器,对样本数据进行训练和分类;对样本数据进行分类时首先根据T1判断信号中是否含有谐波分量;然后根据T2和T4判断该信号是否有频率和幅值的大幅度变化,以确定信号是否含有电压波动类型的扰动;再通过T3与额定值的比较可以判断扰动信号是否含有暂升、暂降或暂态脉冲;最后运用T5来判断含有电压暂升还是暂态脉冲。
SVM(支持向量机方法)是从线性可分情况下的最优分类面发展而来的,其本身为比较成熟的现有技术,基本思想可用图3的两维情况说明;需找一个超平面H来对样本进行分割,将样本集分为两类,成为正负样本集;要求分类间隔最大,即正负样本集中离分割超平面最近点与超平面的距离最大且相等;在分割定义超平面两侧定义超平面H1、H2,两个超平面分别通过正样本和负样本中离分割招平面最近的样本点,定义超平面H1、H2上的样本点为支持向量。
由于支持向量机的本质就是通过用內积函数定义的非线性变换将输入空间变换到一个高维空间,在这个高维空间内进行內积运算,而这样的內积运算可以用原空间中的函数实现,根据泛函有关理论,只要有一种核函数,满足Mercer条件,他就对应某一变化空间中的內积;因此,为了实现非线性变换后的线性拟合,核函数的选择和参数的确定是运用SVM时的一部重要工作;本实施例采用LIBSVM软件包建立模型,LIBSVM工具箱提供3种常用的核函数:Sigmoid核函数,径向基RBF核函数和多项式核函数,其中RBF核函数是比较常用的一种,本实施例将选用RBF核函数;确定核函数后还要确定惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt。
SVM模型应用中,不同的惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt等参数会带来不同的分类结果,传统方法一般是根据经验通过反复试验来选取合适的参数,这工作量太大且不能确定一组全局最优的参数组合,对于没有经验的使用者选择最优参数更是难上加难,这将给SVM模型预测带来局限性。
本实施例所建立的GA-SVM模型将通过GA(遗传算法)来进行参数寻优。
GA是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法;SVM模型将以GA算法的适应度为最优参数寻优的判断依据。
为了实现电能质量多扰动的分类识别,我们首先将样本数据的输入进行归一化处理;然后利用GA产生初始种群作为SVM参数,运用该参数进行SVM模型的训练和测试,返回一系列的测试误差参数,比较获得相应最佳的适应度;通过遗传、交叉、变异等操作,产生下一代种群参数再利用新一代种群参数重复上述操作,直到达到预设值的遗产代数,即可得到最优参数组和相应的分类结果。
本实施例SVM核函数选择为径向基RBF函数,其主要流程如下:
1)设定惩罚系数0.0001≤Ct≤500,不敏感系数0≤εt≤0.08,径向基函数宽度0.01≤σt≤5。
2)确定适应度函数;本实施例选择相对均方误差为作为适应度函数,公式如式30所示;其中,N1为训练集的样本数,ai和fi分别为实际值和测试值;
3)根据(1)中定义的参数Ct、εt和σt的取值范围,产生它们的初始种群,并对初始种群进行编码;
4)对种群中的每个个体进行自适应度计算,若MAPE满足误差要求,则结束。
5)若不满足,对种群进行遗传操作,根据遗传概率选择对种群进行选择、交叉和变异等操作,以形成新的参数族群。
6)对新的族群重复步骤(4),若满足结束条件,则结束。若不满足,则重复步骤(3)~(6)。
7)将GA的输出结果输入到SVM中,构成最优差参数的SVM分类器,对样本进行训练和分类。
根据以上步骤,GA-SVM的分类器模型如图4所示。
SVM对一个含扰动的信号进行分类时,首先根据T1判断信号中是否含有谐波分量;然后根据T2和T4判断该信号是否有频率和幅值的大幅度变化,以确定信号是否含有电压波动类型的扰动;再通过T3与额定值的比较可以判断扰动信号是否含有暂升、暂降或暂态脉冲;最后运用T5来判断含有的是电压暂升还是暂态脉冲;由此,该方法是根据分层的结构对复杂扰动一步步完成特征量的识别,达到分类的目的。
进行分类时,T1-T5的具体意义如下:
T1:时间-瞬时频率包络线平均值;用于找到IMF中信号的频率;
T2:时间-瞬时频率包络线标准差;偏离平均值的平均值,可以得到信号是否有频率的大幅变化;
T3:时间-瞬时幅值包络线平均值;和标准值相比,得到是否有电压的变化;
T4:时间-瞬时幅值包络线标准差;信号是否有幅值大幅变化;
T5:幅值因数;幅值和有效值比值;
例如一个多扰动信号中含有电压暂升、暂态脉冲、3次谐波和电压波动,那么分解后,IMF1中含有脉冲扰动,IMF2中含有3次谐波,IMF3中含有电压暂升和电压波动,分别提取各个IMF的5个特征量。
IMF1中:T1略大于0,确定不是谐波扰动,T2可以看到频率有突变效果,T3略大于0且接近于0,所以不属于电压类型波动,T4显示幅值有大幅变化,最后由于T5值较大,判断为暂态脉冲。
IMF2中:因为是谐波分量,所以T1为定值基波3倍,T2-T4数值与标准值相等,没有实际意义。
其他IMF分量采用上述分类方法均可进行有效分类。
通过matlab平台建立该分类识别系统,仿真产生10种无噪声电能质量复合扰动信号,根据现有技术的结论,支持向量机的训练精度和训练时间都与样本容量成正比关系,经对比分析,选择每类信号有160(80个作为训练样本,另外80个是测试样本)个样本来保证训练的精度和合理的训练时间,共计1600个样本;将全部的样本通过EEMD和Hilbert变换,得到每个有效IMF分量的时间-幅值-频率特性曲线;对这些曲线进行特征提取,将提取到的特征量输入到GA-SVM分类器中进行训练。
通过GA算法对SVM进行优化,其中GA算法参数设置为:种群数量为20,最大遗传代数设定为100;同时在SVM中选用RBF核函数,其中惩罚系数Ct和核函数的宽度系数σt需要优化,因此设置交叉检验参数v为5,ggap为0.9,ggap为代沟,代表子代和父代之间的关系,0.9表示有10%的父代进入子代,如果取值1,则子代完全取代父代;惩罚系数Ct∈[0.01,100],核函数的宽度系数σt∈[0.01,100];实验产生的GA适应度曲线和分类结果如图5和图6所示。
由图5可以看出经过10次迭代,适应度已经达到了96%,之后平均适应度维持在96%左右,最佳适应度为100%;遗传算法寻优取得的最佳参数Ct=48.6546,不敏感系数εt=2.8549,核函数的宽度系数σt=0.1067.图6中各种扰动信号的分类准确率如表1所示。
由于实际电能质量扰动信号中都带有各式各样的噪声,所以在仿真信号上叠加40db和80db的高斯噪声,来验证该分类方法的抗噪能力;仿真步骤同无噪声的情况,仿真分类结果如图7所示,分类准确率如表2所示。
表2分类准确率及其对比
如表1所示,在无噪声的情况下,该分类系统的平均分类准确率为98.88%,在添加噪声的情况下平均分类准确率为99.12%,对比可知该方法具有较高的抗噪性能,在有噪声和无噪声的情况下分类准确率始终保持在99%左右。
为了验证该方法的实用性,我们用Matlab软件产生随机的这10种多扰动信号;每种信号包含80个信号样本,每个信号样本都是随机的,将这些样本信号输入到我们建立的分类识别系统中,分类结果如图8所示;分析图8分类识别的平均准确率为98.125%,略低于同类仿真样本的98.88%;这说明复杂环境中的多扰动信号对分类的准确性有一定的影响,但是影响较小,该方法在实际电能质量的分类识别中具有较好的适应性。
综上所述,本实施例提出了一种基于GA-SVM的电能质量多扰动的分类识别方法;通过遗传算法来实现支持向量机分类方法的参数最优化设置,大大节省了依靠经验和反复试验来设置参数的时间并提高了参数的实用性;再对实际电网中最为常见的10种复合扰动信号进行分类识别仿真过程中,建立GA-SVM分类器模型,利用基于改进的EEMD的HHT方法对扰动信号进行时间-频率-幅值的特征进行提取,从而产生训练和检测样本;运用训练样本对分类器进行训练,运用检测样本对分类器的分类准确率进行检测;仿真结果表明该方法的同种检测样本的分类准确性高达99%左右,且具有较好的抗噪声性能,对随机扰动信号的检测准确率达到98%,对复杂环境中的多扰动信号的分类识别具有较好的实用性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (1)
1.一种基于GA-SVM的电能质量多扰动信号分类识别方法,其特征在于,包括如下步骤:
步骤A:利用电压传感器采集电网中的电压信号,并对采集到的电压信号进行特征提取,具体包括步骤A1-A4;
步骤A1:利用电压传感器采集电网中的电压信号,然后利用信号调理电路对采集到的信号进行滤波和整形处理;
步骤A2:将滤波和整形处理处理后的信号传递到数据采集卡中,然后利用数据采集卡的模数转换功能将模拟信号转换为计算机能够处理的数字信号;
步骤A3:对模数转换后得到的数字信号进行信号去噪处理,然后对去噪后的信号进行改进的EEMD分解,并对分解后的信号进行Hilbert变换得到时频特性曲线和时幅特性曲线,具体包括步骤A3.1-A3.9:
步骤A3.1:设置期望的相对偏差,计算原始信号幅值标准差,对原始信号进行EMD分解求得高频成分,并计算高频成分幅值标准差;
步骤A3.2:计算高频成分幅值标准差和原始信号幅值标准差比值β;
步骤A3.3:计算需要添加的高斯白噪声幅值标准差和原始信号幅值标准差的比值α=β/4;
步骤A3.4:根据公式计算集成平均次数N的值;
步骤A3.5:重复N次向信号中添加绝对值相等的随机正负高斯白噪声,并进行EMD分解,得到各阶IMF分量;
步骤A3.6:选择需要去噪的IMF分量,确定需要去噪的IMF分量的个数m,对选择的m个IMF分量中包含的噪声能量进行估计并计算出去噪选用的自适应阈值;
步骤A3.7:对选择需要去噪的各个IMF分量进行硬阈值去噪;
步骤A3.8:求取各个IMF分量的集合平均值,作为最后的EEMD分解结果;
步骤A3.9:对分解后的信号进行Hilbert变换得到时频特性曲线和时幅特性曲线;
步骤A4:根据步骤A3得到的时频特性曲线和时幅特性曲线分别提取每个扰动信号的特征量,具体特征量如下:
T1:时间-瞬时频率包络线平均值;
T2:时间-瞬时频率包络线标准差;
T3:时间-瞬时幅值包络线平均值;
T4:时间-瞬时幅值包络线标准差;
T5:幅值因数;
步骤B:根据步骤A4提取到的特征量建立基于GA-SVM的分类识别模型,具体包括步骤B1-B2:
步骤B1:将步骤A4提取到的特征量归集为样本数据;
步骤B2:将样本数据数据输入到GA-SVM模型中利用GA进行SVM的参数选优,并对样本数据进行分类,具体包括步骤B2.1-B2.7;
步骤B2.1:设定SVM的核函数,并分别设定SVM的惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt的取值范围;
步骤B2.2:确定适应度函数;
步骤B2.3:根据B2.1中定义的惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt的取值范围,产生它们的初始种群,并对初始种群进行编码;
步骤B2.4:在GA中对初始种群中的每个个体进行自适应度计算,若每个个体的自适应度满足误差要求,则进入步骤B2.7;
步骤B2.5:若不满足,对种群进行遗传操作,根据遗传概率选择对种群进行选择、交叉和变异操作,以形成新的参数族群;
步骤B2.6:对新的族群重复步骤B2.4,若每个个体的自适应度满足误差要求,则进入步骤B2.7;若不满足,则重复步骤B2.3~B2.6;
步骤B2.7:将GA的输出的最优惩罚系数Ct、不敏感系数εt和核函数的宽度系数σt输入到SVM中,构成最优差参数的SVM分类器,对输入的样本数据进行训练和分类;对样本数据进行分类时首先根据T1判断信号中是否含有谐波分量;然后根据T2和T4判断该信号是否有频率和幅值的大幅度变化,以确定信号是否含有电压波动类型的扰动;再通过T3与额定值的比较可以判断扰动信号是否含有暂升、暂降或暂态脉冲;最后运用T5来判断含有的是电压暂升还是暂态脉冲。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710448207.9A CN107462785B (zh) | 2017-06-14 | 2017-06-14 | 基于ga-svm的电能质量多扰动信号分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710448207.9A CN107462785B (zh) | 2017-06-14 | 2017-06-14 | 基于ga-svm的电能质量多扰动信号分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107462785A true CN107462785A (zh) | 2017-12-12 |
CN107462785B CN107462785B (zh) | 2019-08-06 |
Family
ID=60543768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710448207.9A Expired - Fee Related CN107462785B (zh) | 2017-06-14 | 2017-06-14 | 基于ga-svm的电能质量多扰动信号分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107462785B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288039A (zh) * | 2018-01-25 | 2018-07-17 | 浙江群力电气有限公司 | 电压暂升和暂降的电能质量扰动识别方法、装置及设备 |
CN108664923A (zh) * | 2018-05-10 | 2018-10-16 | 长沙理工大学 | 基于lmd与机器学习分类的电压扰动信号分类方法及系统 |
CN108957175A (zh) * | 2018-06-15 | 2018-12-07 | 西安理工大学 | 基于改进的hht算法的电能质量扰动识别方法 |
CN109635430A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 电网输电线路暂态信号监测方法和系统 |
CN109948516A (zh) * | 2019-03-18 | 2019-06-28 | 湖南大学 | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 |
CN110133383A (zh) * | 2019-04-15 | 2019-08-16 | 中国科学院上海光学精密机械研究所 | 基于噪声关联的噪声敏感系数测量方法 |
CN111145044A (zh) * | 2020-01-09 | 2020-05-12 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
CN111478328A (zh) * | 2020-05-19 | 2020-07-31 | 南京工程学院 | 一种高压岸电谐波预测方法 |
CN112103939A (zh) * | 2019-06-18 | 2020-12-18 | 上海电机学院 | 一种电力系统稳定性分析方法及装置 |
CN113361427A (zh) * | 2021-06-11 | 2021-09-07 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
CN113822235A (zh) * | 2021-11-22 | 2021-12-21 | 中南大学 | 基于排列熵准测的ceemd去噪重构信号方法及装置 |
CN114264724A (zh) * | 2021-12-23 | 2022-04-01 | 大连海洋大学 | 基于ceemdan联合小波包阈值的超声信号处理方法 |
CN114676736A (zh) * | 2022-05-13 | 2022-06-28 | 浙江工业大学 | 一种滚压工件表面质量预测方法 |
US11879869B2 (en) | 2022-05-13 | 2024-01-23 | Zhejiang University Of Technology | Method for predicting surface quality of burnishing workpiece |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063626A (zh) * | 2010-12-29 | 2011-05-18 | 吉林大学 | 一种电能质量扰动模式判别方法 |
CN102982347A (zh) * | 2012-12-12 | 2013-03-20 | 江西省电力科学研究院 | 一种基于kl距离的电能质量扰动分类方法 |
CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
CN104318336A (zh) * | 2014-11-17 | 2015-01-28 | 国家电网公司 | 一种微电网与大电网信息交互方法及装置 |
CN105447464A (zh) * | 2015-11-23 | 2016-03-30 | 广东工业大学 | 一种基于pso的电能质量扰动识别与分类方法 |
US20160113539A1 (en) * | 2014-10-26 | 2016-04-28 | Tata Consultancy Services Limited | Determining cognitive load of a subject from electroencephalography (eeg) signals |
-
2017
- 2017-06-14 CN CN201710448207.9A patent/CN107462785B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063626A (zh) * | 2010-12-29 | 2011-05-18 | 吉林大学 | 一种电能质量扰动模式判别方法 |
CN102982347A (zh) * | 2012-12-12 | 2013-03-20 | 江西省电力科学研究院 | 一种基于kl距离的电能质量扰动分类方法 |
CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
US20160113539A1 (en) * | 2014-10-26 | 2016-04-28 | Tata Consultancy Services Limited | Determining cognitive load of a subject from electroencephalography (eeg) signals |
CN104318336A (zh) * | 2014-11-17 | 2015-01-28 | 国家电网公司 | 一种微电网与大电网信息交互方法及装置 |
CN105447464A (zh) * | 2015-11-23 | 2016-03-30 | 广东工业大学 | 一种基于pso的电能质量扰动识别与分类方法 |
Non-Patent Citations (5)
Title |
---|
LI JIA 等: "Research on GA-SVM tool wear monitoring method using HHT characteristics of drilling noise signals", 《2011 INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS, COMMUNICATIONS AND NETWORKS (CECNET)》 * |
于志勇 等: "基于GA和ELM的电能质量扰动识别特征选择方法", 《电测与仪表》 * |
叶航超 等: "基于GA-SVM的电力系统可靠性基础数据挖掘", 《华东电力》 * |
叶航超: "支持向量机在电力系统可靠性分析中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张杨: "混合电能质量扰动信号识别算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288039A (zh) * | 2018-01-25 | 2018-07-17 | 浙江群力电气有限公司 | 电压暂升和暂降的电能质量扰动识别方法、装置及设备 |
CN108664923A (zh) * | 2018-05-10 | 2018-10-16 | 长沙理工大学 | 基于lmd与机器学习分类的电压扰动信号分类方法及系统 |
CN108957175A (zh) * | 2018-06-15 | 2018-12-07 | 西安理工大学 | 基于改进的hht算法的电能质量扰动识别方法 |
CN109635430A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 电网输电线路暂态信号监测方法和系统 |
CN109635430B (zh) * | 2018-12-12 | 2023-10-03 | 中国科学院深圳先进技术研究院 | 电网输电线路暂态信号监测方法和系统 |
CN109948516A (zh) * | 2019-03-18 | 2019-06-28 | 湖南大学 | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 |
CN109948516B (zh) * | 2019-03-18 | 2022-12-02 | 湖南大学 | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 |
CN110133383A (zh) * | 2019-04-15 | 2019-08-16 | 中国科学院上海光学精密机械研究所 | 基于噪声关联的噪声敏感系数测量方法 |
CN110133383B (zh) * | 2019-04-15 | 2022-04-05 | 中国科学院上海光学精密机械研究所 | 基于噪声关联的噪声敏感系数测量方法 |
CN112103939B (zh) * | 2019-06-18 | 2024-01-26 | 上海电机学院 | 一种电力系统稳定性分析方法及装置 |
CN112103939A (zh) * | 2019-06-18 | 2020-12-18 | 上海电机学院 | 一种电力系统稳定性分析方法及装置 |
CN111145044A (zh) * | 2020-01-09 | 2020-05-12 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
CN111478328A (zh) * | 2020-05-19 | 2020-07-31 | 南京工程学院 | 一种高压岸电谐波预测方法 |
CN113361427B (zh) * | 2021-06-11 | 2024-03-15 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
CN113361427A (zh) * | 2021-06-11 | 2021-09-07 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
CN113822235A (zh) * | 2021-11-22 | 2021-12-21 | 中南大学 | 基于排列熵准测的ceemd去噪重构信号方法及装置 |
CN113822235B (zh) * | 2021-11-22 | 2022-02-18 | 中南大学 | 基于排列熵准测的ceemd去噪重构信号方法及装置 |
CN114264724A (zh) * | 2021-12-23 | 2022-04-01 | 大连海洋大学 | 基于ceemdan联合小波包阈值的超声信号处理方法 |
CN114676736B (zh) * | 2022-05-13 | 2022-08-26 | 浙江工业大学 | 一种滚压工件表面质量预测方法 |
CN114676736A (zh) * | 2022-05-13 | 2022-06-28 | 浙江工业大学 | 一种滚压工件表面质量预测方法 |
US11879869B2 (en) | 2022-05-13 | 2024-01-23 | Zhejiang University Of Technology | Method for predicting surface quality of burnishing workpiece |
Also Published As
Publication number | Publication date |
---|---|
CN107462785B (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107462785B (zh) | 基于ga-svm的电能质量多扰动信号分类识别方法 | |
CN109271975B (zh) | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 | |
CN109271926B (zh) | 基于gru深度卷积网络的智能辐射源识别方法 | |
CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
CN109740154A (zh) | 一种基于多任务学习的在线评论细粒度情感分析方法 | |
CN111862093A (zh) | 一种基于图像识别的腐蚀等级信息处理方法及系统 | |
CN110147760B (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
CN112000084B (zh) | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 | |
CN104951787A (zh) | 一种src框架下判别字典学习的电能质量扰动识别方法 | |
CN108052863A (zh) | 基于最大方差展开法的电能质量扰动识别方法 | |
CN111105035A (zh) | 基于稀疏学习与遗传算法相结合的神经网络剪枝方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN113532829A (zh) | 基于改进的rcmde往复压缩机故障诊断方法 | |
CN107688863A (zh) | 自适应迭代加强的短期风速高精度组合预测方法 | |
CN114548586A (zh) | 一种基于混合模型的短期电力负荷预测方法及系统 | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN111681132A (zh) | 适用于海量类别不平衡负荷数据的典型用电模式提取方法 | |
Suntoro et al. | Software defect prediction using AWEIG+ ADACOST Bayesian algorithm for handling high dimensional data and class imbalance problem | |
Zhang et al. | Wood board image processing based on dual-tree complex wavelet feature selection and compressed sensing | |
CN114066214A (zh) | 一种基于多融合卷积神经网络的电能质量分析方法 | |
Hapsari et al. | Fractional gradient descent optimizer for linear classifier support vector machine | |
CN117312902A (zh) | 一种基于小波变化和卷积神经网络的电网电能质量在线状态估计方法 | |
Lin et al. | Multiple classification of plant leaves based on gabor transform and lbp operator | |
CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190806 |
|
CF01 | Termination of patent right due to non-payment of annual fee |