SVM和神经网络在电能质量扰动分类应用中的对比
提出了一种电能质量动态扰动特征向量的提取方法。分析比较了多种分类器对电能质量动态扰动的分类能力。首先采用小波包分解算法对电能质量信号某一频段内的信息进行精细分解从而提取出特征向量，然后针对该特征向量构造了相应的BP神经网络、学习向量量化(Learningvector quantization，LVQ)神经网络、自组织特征映射(Self-organizing map，SOM)神经网络及支持向量机(Support vector machine，SVM)分类器，并模拟实际电网中的复杂扰动信号提取其特征向量集，对多种分类器的分类能力进行对比。仿真结果表明，在较复杂的电能质量扰动情况中，支持向量机分类器仍能实现对信号的精确分类，对电能质量监测具有很好的应用价值。
电能质量 神经网络 支持向量机 动态扰动 分类应用
秦业 袁海斌 袁海文 崔勇 王秋生
北京航空航天大学自动化科学与电气工程学院,北京,100191
国内会议
南京
中文
74-78
2011-08-01（万方平台首次上网日期，不代表论文的发表时间）