提出一种基于小波变换(wavelet transform,WT)与局部密度聚类(local density clustering,LDC)算法的电能质量扰动源辨识方法。通过小波变换提取电能质量扰动特征量,采用多级局部密度聚类搭建分类模型进行电能质量扰动源分类辨识。首先...提出一种基于小波变换(wavelet transform,WT)与局部密度聚类(local density clustering,LDC)算法的电能质量扰动源辨识方法。通过小波变换提取电能质量扰动特征量,采用多级局部密度聚类搭建分类模型进行电能质量扰动源分类辨识。首先对电能质量扰动的时序信号进行小波分解,将其分解为低频与高频信号;接着结合各个信号在小波能量谱上的差异度来提取电能质量扰动特征量;然后将其作为样本进行LDC聚类分析,搭建电能质量扰动分类模型;最后采用搭建的分类模型进行电能质量扰动源分类辨识。在算例实验中,选用8种常见的电能质量扰动以及对应2种复合扰动源进行分类检验,该方法对上述电能质量问题能进行有效分类,且多级LDC具有较低的运算复杂度和较高的辨识度。展开更多
文摘提出一种基于小波变换(wavelet transform,WT)与局部密度聚类(local density clustering,LDC)算法的电能质量扰动源辨识方法。通过小波变换提取电能质量扰动特征量,采用多级局部密度聚类搭建分类模型进行电能质量扰动源分类辨识。首先对电能质量扰动的时序信号进行小波分解,将其分解为低频与高频信号;接着结合各个信号在小波能量谱上的差异度来提取电能质量扰动特征量;然后将其作为样本进行LDC聚类分析,搭建电能质量扰动分类模型;最后采用搭建的分类模型进行电能质量扰动源分类辨识。在算例实验中,选用8种常见的电能质量扰动以及对应2种复合扰动源进行分类检验,该方法对上述电能质量问题能进行有效分类,且多级LDC具有较低的运算复杂度和较高的辨识度。
