《表A1电压暂降类别:基于深度置信网络的电压暂降特征提取及源辨识方法》
使用PCA算法将使用S变换后提取的430组六维特征向量:矩形系数、三角形相似度、电压有效值、峭度、电压暂降最大幅值、波形总畸变率,降至二维时如图5所示。可以看出5类投影分布过于集中,根本无法区分。若只将这些数据划分为短路故障电压暂降、变压器投切电压暂降、电动机启动电压暂降这三大类,且将图中的虚线框中的特征集中区放大坐标尺进行观察,由图看出S变换方法提取的特征在仅划分为3类时,效果仍然不够理想:这些特征值分布较为集中,每类之间的距离较DBN方法相比大大缩小,边界模糊不易判定。像短路故障与变压器投切的特征向量二维投影有一部分是重合的,并且3种投影点除了集中的部分以外,还有很多毫无规律的投影分散地分布在周围,容易发生过拟合现象。这使得分类的难度大大增加,正确率严重受到影响。
图表编号 | XD00116488900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.25 |
作者 | 李丹奇、梅飞、张宸宇、沙浩源、郑建勇、李陶然 |
绘制单位 | 东南大学电气工程学院、河海大学能源与电气学院、国网江苏省电力有限公司电力科学研究院、东南大学电气工程学院、东南大学电气工程学院、东南大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |