一种基于EMD域高阶统计量的机器学习电能质量扰动分类方法
信号处理
2019-08-16 v2
摘要
本文旨在提出一种基于经验模态分解（EMD）与近邻（-NN）分类器的电能质量（PQ）扰动模式识别新方法。由于EMD将信号分解为与原信号等长的本征模态函数（IMF），其保留了傅里叶域或小波系数中隐藏的信息。在该方法中，电力信号被分解至EMD域的IMF。因原信号存在非线性和噪声，难以用二阶统计量分析。因此，利用分解后前三个IMF的高阶统计量（HOS）如方差、偏度和峰度构建有效特征集。该特征向量被输入-NN、概率神经网络（PNN）和径向基函数（RBF）等不同分类器。所有分类器中，-NN在训练与测试中均表现出更高的分类准确率和鲁棒性以检测PQ扰动事件。仿真结果表明，所提基于HOS-EMD的方法结合-NN分类器在干净与噪声环境下，就分类准确率和计算效率而言均优于其他现有先进方法。
引用
@article{arxiv.1904.02836,
title = {A Machine Learning Based Classification Approach for Power Quality Disturbances Exploiting Higher Order Statistics in the EMD Domain},
author = {Faeza Hafiz and Celia Shahnaz},
journal= {arXiv preprint arXiv:1904.02836},
year = {2019}
}
备注
8 pages, 13 figures