CN112036318B - 电压暂降源同质集成辨识方法 - Google Patents
电压暂降源同质集成辨识方法 Download PDFInfo
- Publication number
- CN112036318B CN112036318B CN202010900765.6A CN202010900765A CN112036318B CN 112036318 B CN112036318 B CN 112036318B CN 202010900765 A CN202010900765 A CN 202010900765A CN 112036318 B CN112036318 B CN 112036318B
- Authority
- CN
- China
- Prior art keywords
- voltage sag
- sag source
- voltage
- svm
- adopting
- 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.)
- Active
Links
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电压暂降源同质辨识方法,对电压暂降源原始波形进行标幺化处理,并对标幺化处理后的三相电压的波形的暂降幅值进行计算,选取其中暂降幅值最小值作为暂降最严重相,然后提取暂降最严重相的8维时域统计特征构成数据集,可以简化特征提取工作量,提高电压暂降源的识别效率,同时采用AdaBoost算法对单一基础学习器支持向量机SVM进行集成,并用数据集的训练集进行训练后获得SVM‑AdaBoost电压暂降源集成学习识别模型,采用集成的思想避免了现有技术的算法对模型不断优化迭代导致的识别原理复杂、步骤繁多等问题,缩短了电压暂降源识别耗时,显著提升电压暂降源的识别准确率,弥补了单一基础学习器的不足。
Description
技术领域
本发明涉及电压暂降源识别技术,特别涉及一种电压暂降源同质集成辨识方法。
背景技术
电压暂降是电力系统正常运行不可避免的事件,引起频繁性、随机性和不确定性,给工业用户带来了严重影响,系统短路故障、变压器激磁、大型电机启动是导致电压暂降的主要原因,也是典型的电压暂降源,其中,系统短路故障又可细分为单相短路故障、两相短路故障、相间短路故障和三相短路故障,各类电压暂降源的准确辨识,对治理电压暂降问题具有重要意义。
目前,国内外研究主要通过信号处理的方法来解决电压暂降源辨识问题,其主要环节包括:特征提取和模式识别,特征提取方法较多,有S变换、小波变换、希尔伯特黄变换等;模式识别分为波形匹配和分类器识别,上述方法虽在一定程度上解决了电压暂降源辨识问题,但普遍采用单一分类器,导致其辨识准确率不高,为提升辨识精度,又引入各种优化算法,极大地增加辨识方法的复杂性,因此,在保证电压暂降源辨识精度的同时,又尽可能简化模型复杂度、加快辨识效率是电压暂降源识别领域亟待解决的问题。
发明内容
鉴以此,本发明提出电压暂降源同质集成辨识方法,采用集成学习AdaBoost算法对基础学习期SVM进行集成优化,可以显著提升电压暂降源的辨识准确率,弥补单一基础学习器的不足。
本发明的技术方案是这样实现的:
电压暂降源同质集成辨识方法,包括以下步骤:
步骤S1、对电压暂降原始波形进行标幺化处理;
步骤S2、计算标幺化处理后的A、B、C三相电压的波形的暂降幅值,选取暂降幅值最小值所在相为暂降最严重相;
步骤S3、提取暂降最严重相的标幺化后的波形的8维时域统计特征构成数据集,并将数据集分成训练集和验证集;
步骤S4、调整单一基础学习器支持向量机SVM的模型参数;
步骤S5、采用AdaBoost算法对单一基础学习器支持向量机SVM进行集成,采用训练集进行训练,并采用验证集进行验证,获得SVM-AdaBoost电压暂降源集成学习识别模型。
步骤S6、输入实测电压暂降数据到SVM-AdaBoost电压暂降源集成学习识别模型中,由SVM-AdaBoost电压暂降源集成学习识别模型进行识别并输出暂降源标签。
优选的,所述步骤S1的具体步骤为:以正常电压峰值为基准值,将电压波形标幺化处理至[-1,1]区间。
优选的,所述步骤S3的8维时域统计特征分别为:均值FMean、方差FStd、有效值FRms、斜度FSkew、峭度FKur、峰值系数FCrest、波形系数FFfa和对数能量FLe。
优选的,所述步骤S3中的数据集包含8维时域特征向量F0以及1维暂降源标签,所述8维时域特征向量F0=[FMean,FStd,FRms,FSkew,FKur,FCrest,FFfa,FLe]。
优选的,所述步骤S4的模型参数包括核函数t、核函数t的参数系数g、惩罚因子系数c以及交叉验证数v,所述核函数t选取常用的高斯核函数,参数系数g=1/A,A为电压暂降源识别目标数。
优选的,所述惩罚因子系数c以及交叉验证数v采用控制变量法逐一确定。
优选的,所述步骤S5的具体步骤为:
步骤S51、初始化训练集数据的分布权重D1(i),D1(i)=1/m,其中m为训练集的样本数;
步骤S52、确定SVM-AdaBoost电压暂降源集成学习识别模型的参数,并进行训练获得弱学习器;
步骤S53、对弱学习器进行预测,获得第k个弱分类器的分类预测结果gk以及误差ek,误差ek的表达式为:D1(i)为训练数据的分布权重;
步骤S54、根据误差ek计算序列权重ak,ak的表达式为:
步骤S55、调整分布权重,并重复步骤S52-步骤S54直至误差达到预定的阈值,分布权重的调整采用如下表达式实现:其中Bk为归一化因子,x(i)为训练集数据,i=0,1,2,…,m;yk为期望输出;
步骤S56、强学习器输出最终结果:对每一个弱学习器的分类预测结果gk进行加权获得最终结果h(i),其中K为弱学习器个数;
步骤S57、采用验证集对强学习器进行验证,并获得SVM-AdaBoost电压暂降源集成学习识别模型。
与现有技术相比,本发明的有益效果是:
本发明提供了一种电压暂降源同质集成辨识方法,对电压暂降原始波形进行标幺化处理后,提取最严重相的8个时域统计特征,可以简化特征提取工作量,也无需与外部数据相关联,简单高效,提高电压暂降源的识别效率,同时使用AdaBoost算法对单一基础学习器支持向量机SVM进行集成,可以显著提升电压暂降源的识别准确率,弥补单一基础学习器的不足,避免了现有技术中采用的算法对模型不断优化迭代导致的识别原理复杂、步骤繁多等问题,缩短了电压暂降源识别耗时。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的电压暂降源同质集成辨识方法的流程图;
图2为本发明的电压暂降源同质集成辨识方法的单一基础学习器支持向量机SVM不同惩罚因子系数时的识别准确率;
图3为本发明的电压暂降源同质集成辨识方法的AdaBoost算法的集成原理图;
图4为不同数量基础学习期SVM时的模型精度。
具体实施方式
为了更好理解本发明技术内容,下面提供一具体实施例,并结合附图对本发明做进一步的说明。
本发明的一种电压暂降源同质集成辨识方法是对6种典型电压暂降源进行识别,6种典型电压暂降源分别为单相接地故障、两相接地故障、相间故障、三相故障、变压器激磁、电机启动。
参见图1,本发明提供的电压暂降源同质集成辨识方法,包括以下步骤:
步骤S1、对电压暂降原始波形进行标幺化处理;
所述步骤S1的具体步骤为:以正常电压峰值为基准值,将电压波形标幺化处理至[-1,1]区间。
步骤S2、计算标幺化处理后的A、B、C三相电压的波形的暂降幅值,选取暂降幅值最小值所在相为暂降最严重相;
步骤S3、提取暂降最严重相的标幺化后的波形的8维时域统计特征构成数据集,并将数据集分成训练集和验证集;
所述步骤S3的8维时域统计特征分别为:均值FMean、方差FStd、有效值FRms、斜度FSkew、峭度FKur、峰值系数FCrest、波形系数FFfa和对数能量FLe,数据集包含8维时域特征向量F0以及1维暂降源标签,所述8维时域特征向量F0=[FMean,FStd,FRms,FSkew,FKur,FCrest,FFfa,FLe],1维暂降源标签即为6种典型电压暂降源。
其中均值FMean是指发生电压暂降时,均值表征电压幅值的平均值,单相接地故障、两相接地故障、相间故障、三相故障引起的电压暂降其均值较接近暂降的残余电压,而变压器激磁和电机启动引起的暂降均值会较大程度偏离暂降的残余电压。
方差FStd:表征暂降期间电压幅值偏离其均值的程度。单相接地故障、两相接地故障、相间故障、三相故障引起的电压暂降其方差较低,而变压器激磁和电机启动引起的暂降方差会明显更高。
有效值FRms:单相接地故障、两相接地故障、相间故障、三相故障引起的电压暂降其有效值范围较广,在0p.u.~0.9p.u.范围内;而变压器激磁和电机启动引起的电压暂降有效值不会低于0.7p.u.。
斜度FSkew:四种故障引起的电压暂降有效值在暂降期间变化不大,斜度较低;而变压器激磁和电机启动两种原因导致的电压暂降为缓慢恢复型,波形斜度明显。
峭度FKur:表示电压信号在暂降发生时的频率变化,变压器激磁引起的电压暂降波形的偶次谐波有明显增加。
峰值系数FCrest:反映暂降的渐变过程,对突变信号具有良好的检测能力。四种故障导致的电压暂降,其发生时刻和恢复时刻均有明显的突变;而变压器激磁和电机启动导致的暂降在恢复时刻没有明显突变。
波形系数FFfa:表示暂降波形变化的平坦程度,对矩形暂降和非矩形暂降有良好的区分效果。
对数能量FLe:定义时间序列的对数能量计算。。
步骤S4、调整单一基础学习器支持向量机SVM的模型参数;
所述步骤S4的模型参数包括核函数t、核函数t的参数系数g、惩罚因子系数c以及交叉验证数v,所述核函数t选取常用的高斯核函数,参数系数g=1/A,A为电压暂降源识别目标数。
由上可知本发明针对的电压暂降源为6种典型的电压暂降源,因此,A=6,g=1/6,惩罚因子系数c=10n,n的取值范围一般为[-4,4];若c选取过大容易过拟合,选取过小容易欠拟合,交叉验证数v可以有效降低模型选择中的方差,提升模型识别准确率,通常取值为5或10,本发明的惩罚因子系数c以及交叉验证数v采用控制变量法逐一确定,当交叉验证数v保持不变时,不同惩罚因子系数c时的识别准确率如图2所示,当交叉验证数v=2或5或10时,SVM的识别准确率都在n=0(即c=100=1)时达到峰值,识别效果最好,因此,基础学习器SVM的最佳惩罚因子系数c取为1,同时由图2还可得知,当c=1时,交叉验证数v取10时的识别准确率最高。
因此,本发明中单一基础学习器支持向量机SVM的最佳参数设置为:核函数t为高斯核函数、核函数的参数系数g=1/6、惩罚因子系数c=1、交叉验证数v=10。
步骤S5、采用AdaBoost算法对单一基础学习器支持向量机SVM进行集成,采用训练集进行训练,并采用验证集进行验证,获得SVM-AdaBoost电压暂降源集成学习识别模型。
AdaBoost学习算法首先对训练集采用初始权重,通过训练得到一个弱学习器,再根据弱学习器的学习误差对训练样本权重进行更新,增大弱学习器学习中误差较高样本的权重,从而这些样本在下一次训练时能够得到重视,重复以上过程直到弱分类器达到设定的阈值,最后结合多个弱分类器的结果得到最终结果,并得到强学习器SVM-AdaBoost电压暂降源集成学习识别模型,其原理如图3所示,具体步骤为:
步骤S51、初始化训练集数据的分布权重D1(i),D1(i)=1/m,其中m为训练集的样本数;
步骤S52、确定SVM-AdaBoost电压暂降源集成学习识别模型的参数,并进行训练获得弱学习器;
步骤S53、对弱学习器进行预测,获得第k个弱分类器的分类预测结果gk以及误差ek,误差ek的表达式为:D1(i)为训练数据的分布权重;
步骤S54、根据误差ek计算序列权重ak,ak的表达式为:
步骤S55、调整分布权重,并重复步骤S52-步骤S54直至误差达到预定的阈值,分布权重的调整采用如下表达式实现:其中Bk为归一化因子,x(i)为训练集数据,i=0,1,2,…,m;yk为期望输出;
步骤S56、强学习器输出最终结果:对每一个弱学习器的分类预测结果gk进行加权获得最终结果h(i),其中K为弱学习器个数;
步骤S57、采用验证集对强学习器进行验证,并获得SVM-AdaBoost电压暂降源集成学习识别模型。
具体的,SVM-AdaBoost电压暂降源集成学习识别模型的参数主要是基础学习器SVM的数量N,N对最终预测结果影响颇大,应在具体训练过程中选取效果最佳的,SVM数量不同时的识别结果如图4所示,随着SVM的数量增加,最大错分率逐渐下降并趋近稳定,说明基础学习器SVM越多,分类准确率越高;但训练时间与基础学习器数量成正比,因此数量需尽可能小,从图中可知,基础学习器SVM个数为6时,效果最佳,在满足分类精度的前提下尽量缩短模型训练时间,因此本发明对于8中典型电压暂降源来说,提出的SVM-AdaBoost电压暂降源集成识别模型,其最佳参数为:基础学习器SVM个数6;单一基础学习器支持向量机SVM的核函数为高斯核函数、核函数的参数系数1/6、惩罚因子系数1、交叉验证数10。
步骤S6、输入实测电压暂降数据到SVM-AdaBoost电压暂降源集成学习识别模型中,由SVM-AdaBoost电压暂降源集成学习识别模型进行识别并输出暂降源标签。
本发明使用AdaBoost算法对基础学习器SVM集成优化后,构建SVM-AdaBoost电压暂降源集成学习识别模型,可以显著提升电压暂降源的识别准确率,弥补单一基础学习器的不足,同时本采取集成思想提高电压暂降源识别准确率,避免了现有技术中采用EM算法、遗传算法等算法对模型不断优化迭代导致的识别原理复杂、步骤繁多等问题,缩短了电压暂降源识别耗时;在特征提取方面,仅提取暂降最严重相的8个时域统计参数构建特征向量,简化了特征提取工作量,也无需与外部数据相关联,简单高效,提高了电压暂降源的识别效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.电压暂降源同质集成辨识方法,其特征在于,包括以下步骤:
步骤S1、对电压暂降原始波形进行标幺化处理;
步骤S2、计算标幺化处理后的A、B、C三相电压的波形的暂降幅值,选取暂降幅值最小值所在相为暂降最严重相;
步骤S3、提取暂降最严重相的标幺化后的波形的8维时域统计特征构成数据集,并将数据集分成训练集和验证集;
步骤S4、调整单一基础学习器支持向量机SVM的模型参数;
步骤S5、采用AdaBoost算法对单一基础学习器支持向量机SVM进行集成,采用训练集进行训练,并采用验证集进行验证,获得SVM-AdaBoost电压暂降源集成学习识别模型;
步骤S51、初始化训练集数据的分布权重D1(i),D1(i)=1/m,其中m为训练集的样本数;
步骤S52、确定SVM-AdaBoost电压暂降源集成学习识别模型的参数,并进行训练获得弱学习器;
步骤S53、对弱学习器进行预测,获得第k个弱分类器的分类预测结果gk以及误差ek,误差ek的表达式为:D1(i)为训练数据的分布权重;
步骤S54、根据误差ek计算序列权重ak,ak的表达式为:
步骤S55、调整分布权重,并重复步骤S52-步骤S54直至误差达到预定的阈值,分布权重的调整采用如下表达式实现:其中Bk为归一化因子,x(i)为训练集数据,i=0,1,2,…,m;yk为期望输出;
步骤S56、强学习器输出最终结果:对每一个弱学习器的分类预测结果gk进行加权获得最终结果h(i),其中K为弱学习器个数;
步骤S57、采用验证集对强学习器进行验证,并获得SVM-AdaBoost电压暂降源集成学习识别模型;
步骤S6、输入实测电压暂降数据到SVM-AdaBoost电压暂降源集成学习识别模型中,由SVM-AdaBoost电压暂降源集成学习识别模型进行识别并输出暂降源标签。
2.根据权利要求1所述的电压暂降源同质集成辨识方法,其特征在于,所述步骤S1的具体步骤为:以正常电压峰值为基准值,将电压波形标幺化处理至[-1,1]区间。
3.根据权利要求1所述的电压暂降源同质集成辨识方法,其特征在于,所述步骤S3的8维时域统计特征分别为:均值FMean、方差FStd、有效值FRms、斜度FSkew、峭度FKur、峰值系数FCrest、波形系数FFfa和对数能量FLe。
4.根据权利要求3所述的电压暂降源同质集成辨识方法,其特征在于,所述步骤S3中的数据集包含8维时域特征向量F0以及1维暂降源标签,所述8维时域特征向量F0=[FMean,FStd,FRms,FSkew,FKur,FCrest,FFfa,FLe]。
5.根据权利要求1所述的电压暂降源同质集成辨识方法,其特征在于,所述步骤S4的模型参数包括核函数t、核函数t的参数系数g、惩罚因子系数c以及交叉验证数v,所述核函数t选取常用的高斯核函数,参数系数g=1/A,A为电压暂降源识别目标数。
6.根据权利要求5所述的电压暂降源同质集成辨识方法,其特征在于,所述惩罚因子系数c以及交叉验证数v采用控制变量法逐一确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010900765.6A CN112036318B (zh) | 2020-09-01 | 2020-09-01 | 电压暂降源同质集成辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010900765.6A CN112036318B (zh) | 2020-09-01 | 2020-09-01 | 电压暂降源同质集成辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036318A CN112036318A (zh) | 2020-12-04 |
CN112036318B true CN112036318B (zh) | 2023-10-20 |
Family
ID=73586902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010900765.6A Active CN112036318B (zh) | 2020-09-01 | 2020-09-01 | 电压暂降源同质集成辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036318B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784792B (zh) * | 2021-01-29 | 2023-02-07 | 海南电网有限责任公司电力科学研究院 | 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 |
CN114254712A (zh) * | 2021-12-30 | 2022-03-29 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于Adaboost-BP的电压暂降类型辨识方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784276A (zh) * | 2019-01-16 | 2019-05-21 | 东南大学 | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 |
CN109828184A (zh) * | 2019-01-18 | 2019-05-31 | 东南大学 | 一种基于互近似熵的电压暂降源识别方法 |
CN111476173A (zh) * | 2020-04-09 | 2020-07-31 | 南京工程学院 | 一种基于bas-svm的配电网电压暂降源识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
-
2020
- 2020-09-01 CN CN202010900765.6A patent/CN112036318B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784276A (zh) * | 2019-01-16 | 2019-05-21 | 东南大学 | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 |
CN109828184A (zh) * | 2019-01-18 | 2019-05-31 | 东南大学 | 一种基于互近似熵的电压暂降源识别方法 |
CN111476173A (zh) * | 2020-04-09 | 2020-07-31 | 南京工程学院 | 一种基于bas-svm的配电网电压暂降源识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112036318A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036318B (zh) | 电压暂降源同质集成辨识方法 | |
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 | |
CN110069886A (zh) | 基于vmd和cnn的电缆早期故障识别与分类方法 | |
CN111476173B (zh) | 一种基于bas-svm的配电网电压暂降源识别方法 | |
CN110147760B (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
CN113094993B (zh) | 基于自编码神经网络的调制信号去噪方法 | |
CN109409024B (zh) | 基于一维深度残差网络的光伏组件电压电流特性建模方法 | |
CN109599872B (zh) | 基于堆栈降噪自动编码器的电力系统概率潮流计算方法 | |
CN102982347B (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
CN111368259B (zh) | 一种配网电压数据缺失填补方法及相关装置 | |
CN109934303A (zh) | 一种非入侵式家用电器负荷识别方法、装置及存储介质 | |
CN111625399A (zh) | 一种计量数据恢复方法及系统 | |
CN113378652A (zh) | 一种基于ewt-mpe-pso-bp的扰动分类方法 | |
CN113743504A (zh) | 一种电压暂降源识别模型构建方法、装置、终端及介质 | |
CN111506868A (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN110826498A (zh) | 基于hht的暂态电能质量检测方法 | |
CN110490215B (zh) | 一种风电场-电网相互作用的模态识别方法及系统 | |
CN117151488A (zh) | 一种寒潮大风天气样本扩充方法、系统、存储介质及设备 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN115983095A (zh) | 一种基于聚类算法、神经网络和遗传算法的光伏发电预测方法 | |
CN114462447A (zh) | 电压暂降的识别方法、装置、计算机设备、存储介质 | |
CN112766537B (zh) | 一种短期电负荷预测方法 | |
CN115374823A (zh) | 一种基于tlbo算法的电能质量扰动分类方法及系统 | |
Tao et al. | Modulation classification based on multifractal features |
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 |