《表6 仿真数据的识别结果》
为验证所提方法的性能,将所提方法与已有的低维特征结合浅层分类器的识别方法进行对比。按照文献[9]中提取特征量的方法提取过电压信号在时域和时频域上的特征。在时域中,提取三相电压有效值、绝对平均值和崤度;在时频域中,对得到的特征原子谱分相进行奇异值分解(SVD),构造奇异谱最大奇异值、均值、脉冲因子、熵和标准差。将时域和时频域特征按相拼接得到1×24的低维特征后,结合多级支持向量机(SVM)和极限学习机(ELM)进行识别。同时,为了证明相对于浅层学习CNN对高维数据具有自主学习和类型识别的优势,将三相特征原子谱按相展开成1×2 025的形式直接送入SVM和ELM进行识别,得到识别结果见表6。
图表编号 | XD00100969400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.31 |
作者 | 廖宇飞、杨耿杰、高伟、郭谋发、陈永往 |
绘制单位 | 福州大学电气工程与自动化学院、国网福建省电力有限公司福州供电公司、福州大学电气工程与自动化学院、福州大学电气工程与自动化学院、福州大学电气工程与自动化学院、国网福建省电力有限公司晋江供电有限公司 |
更多格式 | 高清、无水印(增值服务) |