基于案例推理和SVM-KNN的電能質量擾動分類方法研究.pdf

1、隨著電氣工程和工業(yè)自動化的不斷發(fā)展，電能質量日益成為現(xiàn)代企業(yè)不可忽視的因素，由電能質量引起的各類產品及工程問題，嚴重制約了企業(yè)的發(fā)展并造成諸多損失。引起電能質量問題的原因有很多，諸如電力電子設備的廣泛應用，使得各種波動性、沖擊性、非線性負載嚴重污染了現(xiàn)代電力系統(tǒng)。因此為了提高對用戶的供電可靠性，實現(xiàn)企業(yè)用戶與電網公司的和諧、可持續(xù)化發(fā)展，必須有效解決電能質量相關問題。治理電能質量的前提，就是對各類電能質量擾動問題加以正確的分類分析、深入

2、研究電能質量現(xiàn)象下的電磁干擾原因，從而制定出相應的解決方案和措施，因此，正確、有效地對電能質量問題進行分類整理，是解決各類電能質量擾動問題的必要前提，更是研究電能質量相關課題的工作基礎。
　　本文所做的工作主要是針對電能質量擾動信號的準確分類問題，將案例推理的思想引入到擾動信號的分類中，提出了一種基于案例推理（Case-Based Reasoning，CBR）和支持向量機（Support Vector Machine，SVM）的電

3、能質量擾動分類方法。首先通過原子分解法對電能質量擾動信號進行分解，提取特征向量，并以此建立電能質量擾動信號案例庫；在進行分類時借助SVM-KNN（KNearest Neighbour，KNN）算法對案例庫進行檢索，找出最相似源案例；通過修改或重用最相似案例的結果來確定擾動信號分類結果。算例表明該方法構造的分類器結合了案例推理和支持向量機在模式分類中各自的優(yōu)點，結構簡單，訓練樣本少，識別準確率高，分類速度快，能夠有效的識別種常見的六種電能