|
|
- 2020
基于优化极限学习机的电压暂降源识别方法Keywords: 电压暂降,S变换,特征提取,遗传算法,极限学习机,voltage sag,S-transform,feature extraction,genetic algorithm (GA),extreme learning machine (ELM) Abstract: 准确识别电压暂降源对暂降责任分摊和治理决策至关重要。文中提出一种基于优化极限学习机的电压暂降源识别方法。通过直接提取电压暂降波形的时域特征和经S变换提取能量熵和奇异熵2种时频域特征，构建基于时域和时频域的特征向量，弥补现有方法仅采用时频变换提取特征，可能丢失仅存在于时域内的重要信息而影响识别精度的不足。针对极限学习机输入权值和隐含层偏置随机产生的不足，采用遗传算法对其进行优化，构建优化极限学习机模型，解决利用模式识别存在模型复杂和耗时较长，难以实现快速识别的问题。应用仿真数据和实测数据验证了所提特征向量和优化极限学习机模型的有效性；并与其他方法相比，证明所提模型简单、训练和分类识别速度快，识别精度更高，适用于边缘计算，可实现电压暂降源的快速准确识别
|
