CN110046593A - 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 - Google Patents
基于分段改进s变换和随机森林的复合电能质量扰动识别方法 Download PDFInfo
- Publication number
- CN110046593A CN110046593A CN201910325436.0A CN201910325436A CN110046593A CN 110046593 A CN110046593 A CN 110046593A CN 201910325436 A CN201910325436 A CN 201910325436A CN 110046593 A CN110046593 A CN 110046593A
- Authority
- CN
- China
- Prior art keywords
- transformation
- gini
- feature
- electric energy
- random forest
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
基于分段改进S变换和随机森林的复合电能质量扰动识别方法,首先,基于扰动信号特征对改进S变换频域进行分段,并在每一段指定不同的窗宽调节因子值;然后,根据不同频段的频率分布特点提取扰动信号特征,再利用提取的扰动信号特征,构建基于CART算法的RF分类器,对待测信号进行分类。本发明一种基于分段改进S变换和随机森林的复合电能质量扰动识别方法,该方法对多数单一电能质量扰动信号和常见的双重复合电能质量扰动信号分类精度更高,噪声鲁棒性更好,所构建的分类器泛化误差更低。
Description
技术领域
本发明涉及电能质量分析领域,具体是一种基于分段改进S变换和随机森林的复合电能质量扰动识别方法。
背景技术
S变换是一种广泛用于电能质量扰动(power quality disturbance,PQD)信号检测与分类的时频分析工具。它继承和发展了小波变换和短时傅里叶变换的理论,采用高斯窗函数且窗宽与频率的倒数成正比,免去了窗函数的选择和改善了窗宽固定的缺陷,且其提取的特征量对噪声不敏感,具有一定的抗噪能力。近年来众多学者纷纷采用S变换并结合其他分析工具应用于PQD的分析,产生了大量研究成果。但其不同频域的分辨率相对固定,若需要用于对噪声情况复杂的复合PQD信号进行检测和分类,还需要有针对性的分析和改进。
随机森林(RF)是将bagging集成学习理论与随机子空间方法相结合的一种基于决策树(decision tree,DT)的机器学习算法。其模型包含多个由bagging方法训练得到的DT,当输入待分类样本时,最终的分类结果由所有单个决策树的输出结果投票决定。相比于DT分类器,RF分类器的运算量没有显著增加,但由于在分类器构建的过程中加入了随机抽样,RF算法的过拟合风险被降低。同时,泛化性能增强,分类精度更高,特别是在对高特征维数的样本处理上,其性能优势更为明显。生成RF时,子DT不进行剪枝而是任其生长,而充分利用S变换时倾向于使用较多的特征量,同时考虑到使用了随机子空间方法来生成子D,那么对子DT来说必然存在特征冗余,影响分类计算速度和分类精度。传统的节点分裂算法分类回归树(classification and regression tree,CART)算法缺乏一个清晰的离散特征和连续特征处理逻辑,显而易见的是PQD信号特征集中必然同时存在离散和连续特征,如不加改进直接应用,必然与问题实际情况不符,不能达到理想的分类效果。
发明内容
为解决现有技术中基于S变换和随机森林的方法用于复合电能质量扰动识别时,分类精度不够高,噪声鲁棒性不够强的问题。本发明提供一种基于分段改进S变换和随机森林的复合电能质量扰动识别方法,该方法对多数单一电能质量扰动信号和常见的双重复合电能质量扰动信号分类精度更高,噪声鲁棒性更好,所构建的分类器泛化误差更低。
本发明采取的技术方案为:
基于分段改进S变换和随机森林的复合电能质量扰动识别方法,首先,基于扰动信号特征对改进S变换频域进行分段,并在每一段指定不同的窗宽调节因子值;然后,根据不同频段的频率分布特点提取扰动信号特征,再利用提取的扰动信号特征,构建基于CART算法的RF分类器,对待测信号进行分类。
使用Gini指数下降,替代分类回归树CART算法中的Gini指数,用于随机森林RF分类器的构建,并能在此过程中自动剔除Gini指数下降为0的特征。
Gini指数反映了从数据集S中随机抽取两样本,其类别不一致的概率,因此其值越小,则数据集S的纯度越高。
根据Gini指数的定义,Ginidec(S)值越大则表明分裂时使用的特征在分类过程中起到的作用越大,反之若某特征的Ginidec值为0,则表示该特征在节点分裂的分类过程中未起作用,这样的冗余特征若不剔除,则有可能在下次节点分裂时被作为噪声数据用于分类,影响分类精度。
剔除Ginidec(S)值为0的特征,除了能提高整体分类精度之外,由于执行剔除操作之后,下个节点分裂时的子特征集维数有所减少,能起到一定的简化树结构的作用,同时变相加快了决策树生成速度和分类速度。
RF分类器构建过程中,能够自动分辨输入特征是否为离散特征,并采取不同的处理策略。
使用了阈值法来识别某特征是否为离散特征,即设定一个取值类型可能性阈值,如Nu=10即,遍历并判断每个特征的取值类型情况,如果总取值类型大于预设阈值Nu=10,则将其视为连续特征,否则即视为离散特征。由于连续值的取值总种数理论上为无限,而离散值的取值总种数一般为一个较小的有限值,因此结合实际情况,当样本数量较大,远大于取值阈值Nu时,且能确定离散值取值种数的大致范围时,该方法的表现良好。
①连续的情况:当识别特征为连续特征时,会使用Matlab的单维寻优函数fminbnd计算特征的Ginidec最值,该方法使用了基于黄金分割法和二次插值法的单维寻优方法来进行单维寻优,由于为Matlab软件自带,能直接输出优化最值与其对应的自变量,且运算速度较快。
②离散的情况:当识别特征为离散特征时,会根据具体取值类型进行遍历计算,以确定Ginidec的最值,与进行连续单维寻优相比,这种处理方法更符合特征的取值特征和物理特性。
基于分段改进S变换和随机森林的复合电能质量扰动识别方法,包括以下步骤:
步骤1:使用已知类别的电能质量扰动信号训练集,根据预先划分的频率区间,整定分段改进S变换的窗宽调节因子值,得到分段改进S变换处理训练集;
步骤2:根据步骤1中分段改进S变换处理训练集,根据不同频段的频率分布特点提取扰动信号特征;
步骤3:基于CART算法规则,构建RF分类器。
步骤4:将步骤2中训练集的扰动信号特征,输入已经构建好的RF分类器,即可获得测试集各待测信号所含的电能质量扰动类型。
所述步骤2中,信号分段改进S变换的计算公式如下:
其中涉及的S变换的原始形式,及其离散形式分别如式(2)和(3)所示
式(2)中:τ和t为时间,f为频率,h(·)为连续时间序列,e为自然对数底数。
式(3)中,H(·)为离散时间序列,n/(NT)、jT、m分别为f、τ、t对应的离散形式,T为采样周期,N为总采样点数,j和n分别控制时域和频域采样点。
式(1)中,g1,g2,g3分别为低,中,高频段的调节因子,nmax为人为设置的最大采样频率点,默认值为奈奎斯特频率对应的采样点,其他各变量的含义与(3)式对应相同。
所述步骤3包括以下步骤:
步骤3.1:在每个节点计算Gini指数下降,作为节点分裂指标,并记录其值为零的特征;
步骤3.2:根据阈值Nu判断该特征的连续性,预设值为10;
步骤3.3:使用简单遍历法处理离散特征;
步骤3.4:使用单维寻优处理连续特征;
步骤3.5:基于本节点的最优特征值进行节点分裂;
步骤3.6:判断流程是否已经满足停止建树条件,若是则输出本决策树,否则调到步骤3.7;
步骤3.7:将本节点特征中Gini指数下降值为零的特征剔除,并返回步骤3.1。
步骤3均在MATLAB环境下进行编写,并且除了步骤3.4的处理连续特征步骤,使用了该环境自带的fminbnd函数进行实现之外,各主要功能步骤均使用了自编源代码进行仿真。
fminbnd函数使用了基于黄金分割法和二次插值法的单维寻优方法来进行单维寻优,能直接输出寻优结果,且速度较快,能基本满足运算需求。自编源代码能够根据实际问题和需求灵活进行调整和改进,确保方法的可塑性。
所述步骤3.1中,Gini指数下降Ginidec的计算方法如下:
Ginidec(S)=Gini(S)-Ginispilt(S) (6)
Gini指数反映了从数据集S中随机抽取两样本,其类别不一致的概率,因此其值越小,则数据集S的纯度越高。
其中,Gini(S)表示数据集S的Gini指数、Pi为类别Ci在样本集S中出现的概率。Ginispilt(S)表示进行节点分裂后S的Gini指数、S1和S2为数据集S被划分后得到的两个子集,Gini(S1)、Gini(S2)分别表示分裂后S1和S2的Gini指数,计算方法同(2)。Ginidec(S)表示数据集S的Gini指数下降。
步骤3的RF分类器构建过程中,DT的建树停止条件为:①本节点所有样本都属于同一类;②本节点仅剩一个样本;③本节点某类样本数量显著高于其他类。
应用条件①停止分裂时,满足了任务客观要求,即已将不同的样本分开,而相同的样本归为一类。应用条件②停止分裂时,由于仅剩一个样本,无法继续分裂,故停止分裂。应用条件③停止分裂时,能防止决策树过度生长发生过拟合现象,同时加速生长。
本发明一种基于分段改进S变换和随机森林的复合电能质量扰动识别方法,技术效果如下:
1:通过使用分段改进S变换替代传统S变换,提高了方法的噪声鲁棒性和信号分辨能力。2:使用了改进分类指标的CART算法而能够自动剔除冗余特征,节省了算力并提高了分类精度。
3:RF分类器构建过程中加入了离散值处理环节后,能够更好地匹配实际问题,提高分类精度。
附图说明
图1为本发明RF分类器训练流程图。
图2为本发明RF分类器子树生成流程图。
图3为本发明待测信号使用分类流程图。
具体实施方式
基于分段改进S变换和随机森林的复合电能质量扰动识别方法,首先,基于扰动信号特征对改进S变换频域进行分段,并在每一段指定不同的窗宽调节因子值;然后,根据不同频段的频率分布特点提取扰动信号特征,再利用提取的扰动信号特征,构建基于分类回归树(classification and regression tree)CART算法的随机森林(random forest)RF分类器,对待测信号进行分类。
使用Gini指数下降,替代分类回归树CART算法中的Gini指数,用于随机森林RF分类器的构建,并能在此过程中自动剔除Gini指数下降为0的冗余特征。
RF分类器构建过程中,能够自动分辨输入特征是否为离散特征,并采取不同的处理策略。
RF分类器构建过程中,处理连续特征时使用的fminbnd函数为matlab中自带的一单维寻优函数。
基于分段改进S变换和随机森林的复合电能质量扰动识别方法,包括以下步骤,参考图1和图3:图1为训练并生成RF分类器过程,包括步骤如下:
步骤1:使用已知类别的电能质量扰动信号训练集,根据预先划分的频率区间,整定分段改进S变换的窗宽调节因子值,得到分段改进S变换处理训练集。
例如:针对100Hz,650Hz,3200Hz的分段点,分别针对小于上述频率的区间,将窗宽调节因子分别整定为0.0098,14和0.255。
步骤2-3:使用上述分段改进S变换处理训练集,并有针对性的提取信号特征;
步骤4:使用训练集的信号特征,基于改进后的CART分裂规则构建RF分类器。
图3为分类过程,其中,步骤3-1、步骤3-2与图1中的步骤2、步骤3作用相同。步骤3-3:将处理好的测试集特征数据,输入已经训练好的RF分类器,即可获得测试集各信号所含的电能质量扰动类型。
图2为图1的步骤4,构建RF分类器的过程中,基于改进的CART算法生成决策树的具体过程,包括步骤如下:
其中:步骤2-1、步骤2-5、步骤2-6、步骤2-7为常规基于CART算法RF建树流程,和现有技术相同。
步骤2-2:在每个节点计算Gini指数下降作为节点分裂指标,并记录其值为零的特征;
步骤2-3:根据阈值Nu判断该特征的连续性,预设值为10;
步骤2-4:使用简单遍历法处理离散特征;
步骤2-5:使用单维寻优处理连续特征;
步骤2-6:基于本节点的最优特征值进行节点分裂;
步骤2-7:判断流程是否已经满足停止建树条件,若是则输出本决策树,否则调到步骤2-8;步骤2-8:将本节点特征中Gini指数下降值为零的特征剔除并返回步骤2-2。
图2所有步骤均在MATLAB环境下进行编写,并且除了步骤2-5的单维寻优步骤,使用了该环境自带的fminbnd函数进行实现之外,各主要功能步骤均使用了自编源代码进行仿真。
信号分段改进S变换的计算公式如下:
式中:H(·)为离散时间序列,n/(NT)、jT、m分别为频率f、时间τ、时间t对应的离散形式,T为采样周期,N为总采样点数,j和n分别控制时域和频域采样点,e为自然对数底数,g1,g2,g3分别为低,中,高频段的调节因子,nmax为人为设置的最大采样频率点,默认值为奈奎斯特频率对应的采样点。
Gini指数和Gini指数下降Ginidec的计算方法如下:
Ginidec(S)=Gini(S)-Ginispilt(S) (6)
其中,Gini(S)表示数据集S的Gini指数、Pi为类别Ci在样本集S中出现的概率。Ginispilt(S)表示进行节点分裂后S的Gini指数、S1和S2为数据集S被划分后得到的两个子集,Gini(S1)、Gini(S2)分别表示分裂后S1和S2的Gini指数,计算方法同(2)。Ginidec(S)表示数据集S的Gini指数下降。
RF分类器构建过程中,DT的建树停止条件为:①本节点所有样本都属于同一类;②本节点仅剩一个样本;③本节点某类样本数量显著高于其他类。
实际情况下,使用不同信噪比的,包含电压暂降(C1)、电压暂升(C2)、电压中断(C3)、闪变(C4)、电压缺口(C5)、电压尖峰(C6)、谐波(C7)、暂态暂态震荡(C8)、暂态脉冲(C9)、谐波+暂降(C10)、谐波+暂升(C11),谐波+中断(C12)、谐波+闪变(C13)、暂降+震荡(C14)、暂升+震荡(C15)、中断+震荡(C16)、闪变+震荡(C17)、谐波+震荡(C18)等18类扰动信号的数据集共36000组,按比例分配60%作训练集,另40%做测试集,使用6.4kHz采样频率,10周期样本长度,以及预设的频率分段和窗宽调节因子进行测试。每类扰动在不同信噪比环境下的分类精度如表1所示,从表1可看出,本发明提出的方法在50-20dB信噪比下的分类精度表现皆比较优异,即便是在20dB环境下也能保持95%左右的综合分类精度。
本发明涉及的方法与其他方法在相同条件下的对比结果如表2所示,其中,RF-CART和RF-C4.5分别代表基于CART和C4.5的RF分类方法,DT-CART和DT-C4.5分别代表基于CART和C4.5的DT分类方法,而PNN和KNN分别代表概率神经网络和k-最邻近方法,从表2可看出,在50-20dB信噪比的噪声环境下,本发明提出的方法所得到的分类精度均高于表中所示的其他方法,同时,当信噪比下降时,该方法的分类精度下降更少,表现出了良好的噪声鲁棒性。表3对比了本发明提出的方法与同样基于随机森林方法的RF-CART和RF-C4.5的泛化误差估计,即OOB误差的情况,可以看出,在50-20dB信噪比的噪声环境下,本发明提出的方法的OOB误差均更小,这表明了在面对新样本时,该方法的适应能力更强,分类效果也更好。
表1电能质量扰动分类结果表
表2扰动分类精度对比表
表3 OOB误差对比表
Claims (9)
1.基于分段改进S变换和随机森林的复合电能质量扰动识别方法,其特征在于:首先,基于扰动信号特征对改进S变换频域进行分段,并在每一段指定不同的窗宽调节因子值;然后,根据不同频段的频率分布特点提取扰动信号特征,再利用提取的扰动信号特征,构建基于CART算法的RF分类器,对待测信号进行分类。
2.根据权利要求1所述基于分段改进S变换和随机森林的复合电能质量扰动识别方法,其特征在于:使用Gini指数下降,替代分类回归树CART算法中的Gini指数,用于随机森林RF分类器的构建,并能在此过程中自动剔除Gini指数下降为0的特征。
3.根据权利要求1所述基于分段改进S变换和随机森林的复合电能质量扰动识别方法,其特征在于:RF分类器构建过程中,能够自动分辨输入特征是否为离散特征,并采取不同的处理策略:
连续的情况:当识别特征为连续特征时,会使用Matlab的单维寻优函数fminbnd计算特征的Ginidec最值,该方法使用了基于黄金分割法和二次插值法的单维寻优方法来进行单维寻优,由于为Matlab软件自带,能直接输出优化最值与其对应的自变量,且运算速度较快;
离散的情况:当识别特征为离散特征时,会根据具体取值类型进行遍历计算,以确定Ginidec的最值,与进行连续单维寻优相比。
4.基于分段改进S变换和随机森林的复合电能质量扰动识别方法,包括以下步骤:
步骤1:使用已知类别的电能质量扰动信号训练集,根据预先划分的频率区间,整定分段改进S变换的窗宽调节因子值,得到分段改进S变换处理训练集;
步骤2:根据步骤1中分段改进S变换处理训练集,根据不同频段的频率分布特点提取扰动信号特征;
步骤3:基于CART算法规则,构建RF分类器;
步骤4:将步骤2中训练集的扰动信号特征,输入已经构建好的RF分类器,即可获得测试集各待测信号所含的电能质量扰动类型。
5.根据权利要求4所述基于分段改进S变换和随机森林的复合电能质量扰动识别方法,其特征在于:所述步骤2中,信号分段改进S变换的计算公式如下:
其中涉及的S变换的原始形式,及其离散形式分别如式(2)和(3)所示:
式(2)中:τ和t为时间,f为频率,h(·)为连续时间序列,e为自然对数底数;
式(3)中,H(·)为离散时间序列,n/(NT)、jT、m分别为f、τ、t对应的离散形式,T为采样周期,N为总采样点数,j和n分别控制时域和频域采样点;
式(1)中,g1,g2,g3分别为低,中,高频段的调节因子,nmax为人为设置的最大采样频率点,默认值为奈奎斯特频率对应的采样点,其他各变量的含义与(3)式对应相同。
6.根据权利要求4所述基于分段改进S变换和随机森林的复合电能质量扰动识别方法,其特征在于:所述步骤3包括以下步骤:
步骤3.1:在每个节点计算Gini指数下降,作为节点分裂指标,并记录其值为零的特征;
步骤3.2:根据阈值Nu判断该特征的连续性,预设值为10;
步骤3.3:使用简单遍历法处理离散特征;
步骤3.4:使用单维寻优处理连续特征;
步骤3.5:基于本节点的最优特征值进行节点分裂;
步骤3.6:判断流程是否已经满足停止建树条件,若是则输出本决策树,否则调到步骤3.7;
步骤3.7:将本节点特征中Gini指数下降值为零的特征剔除,并返回步骤3.1。
7.根据权利要求4所述基于分段改进S变换和随机森林的复合电能质量扰动识别方法,其特征在于:步骤3均在MATLAB环境下进行编写,并且除了步骤3.4的处理连续特征步骤,使用了该环境自带的fminbnd函数进行实现之外,各主要功能步骤均使用了自编源代码进行仿真。
8.根据权利要求6所述基于分段改进S变换和随机森林的复合电能质量扰动识别方法,其特征在于:所述步骤3.1中,Gini指数下降Ginidec的计算方法如下:
Ginidec(S)=Gini(S)-Ginispilt(S) (6)
Gini指数反映了从数据集S中随机抽取两样本,其类别不一致的概率,因此其值越小,则数据集S的纯度越高;
其中,Gini(S)表示数据集S的Gini指数、Pi为类别Ci在样本集S中出现的概率;Ginispilt(S)表示进行节点分裂后S的Gini指数、S1和S2为数据集S被划分后得到的两个子集,Gini(S1)、Gini(S2)分别表示分裂后S1和S2的Gini指数,计算方法同(2);Ginidec(S)表示数据集S的Gini指数下降。
9.根据权利要求4所述基于分段改进S变换和随机森林的复合电能质量扰动识别方法,其特征在于:步骤3的RF分类器构建过程中,DT的建树停止条件为:①本节点所有样本都属于同一类;②本节点仅剩一个样本;③本节点某类样本数量显著高于其他类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325436.0A CN110046593B (zh) | 2019-04-22 | 2019-04-22 | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325436.0A CN110046593B (zh) | 2019-04-22 | 2019-04-22 | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046593A true CN110046593A (zh) | 2019-07-23 |
CN110046593B CN110046593B (zh) | 2023-08-01 |
Family
ID=67278516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325436.0A Active CN110046593B (zh) | 2019-04-22 | 2019-04-22 | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046593B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965464A (zh) * | 2020-08-25 | 2020-11-20 | 杭州电力设备制造有限公司 | 一种基于监测数据分析的电能质量预警系统 |
CN112364941A (zh) * | 2020-12-07 | 2021-02-12 | 西安德纳检验检测有限公司 | 一种新能源场站频率特性检测方法、装置和系统 |
CN112966434A (zh) * | 2021-02-26 | 2021-06-15 | 西安理工大学 | 基于滑动窗口的随机森林突发性故障预警方法 |
CN113591728A (zh) * | 2021-08-03 | 2021-11-02 | 天津大学 | 基于集成深度学习的电能质量扰动分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090281981A1 (en) * | 2008-05-06 | 2009-11-12 | Chen Barry Y | Discriminant Forest Classification Method and System |
CN104459397A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 采用自适应多分辨率广义s变换的电能质量扰动识别方法 |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
CN108267657A (zh) * | 2018-02-02 | 2018-07-10 | 哈尔滨工业大学 | 一种基于s变换的电能质量扰动检测方法及系统 |
-
2019
- 2019-04-22 CN CN201910325436.0A patent/CN110046593B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090281981A1 (en) * | 2008-05-06 | 2009-11-12 | Chen Barry Y | Discriminant Forest Classification Method and System |
CN104459397A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 采用自适应多分辨率广义s变换的电能质量扰动识别方法 |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
CN108267657A (zh) * | 2018-02-02 | 2018-07-10 | 哈尔滨工业大学 | 一种基于s变换的电能质量扰动检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
周祖宁: ""基于S变换的电能质量扰动识别算法研究"", 《中国优秀硕士学位论文全文数据库》 * |
黄南天等: "复杂噪声环境下电能质量复合扰动特征选择", 《仪器仪表学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965464A (zh) * | 2020-08-25 | 2020-11-20 | 杭州电力设备制造有限公司 | 一种基于监测数据分析的电能质量预警系统 |
CN112364941A (zh) * | 2020-12-07 | 2021-02-12 | 西安德纳检验检测有限公司 | 一种新能源场站频率特性检测方法、装置和系统 |
CN112364941B (zh) * | 2020-12-07 | 2021-11-12 | 西安德纳检验检测有限公司 | 一种新能源场站频率特性检测方法、装置和系统 |
CN112966434A (zh) * | 2021-02-26 | 2021-06-15 | 西安理工大学 | 基于滑动窗口的随机森林突发性故障预警方法 |
CN112966434B (zh) * | 2021-02-26 | 2023-06-23 | 四化信息科技(深圳)有限公司 | 基于滑动窗口的随机森林突发性故障预警方法 |
CN113591728A (zh) * | 2021-08-03 | 2021-11-02 | 天津大学 | 基于集成深度学习的电能质量扰动分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110046593B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046593A (zh) | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
Goel et al. | Fuzzy classification of pre-harvest tomatoes for ripeness estimation–An approach based on automatic rule learning using decision tree | |
Tichý | JUICE, software for vegetation classification | |
CN107682109B (zh) | 一种适用于无人机通信系统的干扰信号分类识别方法 | |
CN109359693A (zh) | 一种电能质量扰动分类方法 | |
Gagne et al. | Classification of convective areas using decision trees | |
CN109948726A (zh) | 一种基于深度森林的电能质量扰动分类方法 | |
CN111506637A (zh) | 一种基于kpi指标的多维异常检测方法、装置及存储介质 | |
CN111860624A (zh) | 一种基于决策树的电网故障信息分类方法 | |
CN106874943A (zh) | 业务对象分类方法和系统 | |
CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN103942415B (zh) | 一种流式细胞仪数据自动分析方法 | |
CN113256409A (zh) | 基于机器学习的银行零售客户流失预测方法 | |
Fadchar et al. | A non-destructive approach of young coconut maturity detection using acoustic vibration and neural network | |
CN116861303A (zh) | 一种变电站数字孪生多源信息融合诊断方法 | |
Liewlom | Class-Association-Rules Pruning by the Profitability-of-Interestingness Measure: Case Study of an Imbalanced Class Ratio in a Breast Cancer Dataset | |
Syaliman | Enhance the Accuracy of K-Nearest Neighbor (K-Nn) for Unbalanced Class Data Using Synthetic Minority Oversampling Technique (Smote) and Gain Ratio (Gr) | |
CN104468276B (zh) | 基于随机抽样多分类器的网络流量识别方法 | |
CN109858541A (zh) | 一种基于数据集成的特异数据自适应检测方法 | |
Liwag et al. | Single shot multi-box detector with multi task convolutional network for carabao mango detection and classification using tensorflow | |
Yao | Feature selection based on SVM for credit scoring | |
CN109543711A (zh) | 一种基于id3算法的决策树生成方法 | |
CN114826764B (zh) | 一种基于集成学习的边缘计算网络攻击识别方法及系统 | |
Yildirim et al. | Classification of mushroom data set by ensemble methods |
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 |