文献类型：期刊文章

作　　者：陈晓华[1,2] 王志平[1] 吴杰康[2] 陈盛语[2] 许海文[2] 孙中海[2] 杨国荣[2] 江剑民[2] 陈锦涛[2]

CHEN Xiaohua;WANG Zhiping;WU Jiekang;CHEN Shengyu;XU Haiwen;SUN Zhonghai;YANG Guorong;JIANG Jianmin;CHEN Jintao(School of Electrical Engineering&Intelligentization,Dongguan University of Technology,Dongguan,Guangdong 523808,China;School of Automation,Guangdong University of Technology,Guangzhou,Guangdong 510006,China)

机构地区：[1]东莞理工学院电子工程与智能化学院,广东东莞523808 [2]广东工业大学自动化学院,广东广州510006

出　　处：《广东电力》

基　　金：广东省基础与应用基础研究基金项目(2019B1515120076)。

年　　份：2023

卷　　号：36

期　　号：1

起止页码：59-67

语　　种：中文

收录情况：IC、JST、RCCSE、UPD、ZGKJHX、普通刊

摘　　要：针对支持向量机(support vector machine,SVM)的惩罚因子、核函数参数选择困难和天鹰优化(aquila optimizer,AO)算法在寻优时容易陷入局部最优解的问题,利用改进的天鹰优化(improved aquila optimizer,IAO)算法对SVM的惩罚因子和核函数参数进行寻优,构建IAO-SVM分类器,利用变分模态分解(variational mode decomposition,VMD)提取电压暂降源信号三相电压的特征向量,并进行归一化处理之后输入到构造好的IAO-SVM分类器中对样本进行训练与识别,并与K近邻、极限学习机、SVM和AO-SVM这4种分类器进行对比。仿真结果表明,在对8种电压暂降源信号分别加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪声情况下,IAO-SVM分类器识别的准确率分别为99.5%、94%、99.25%、100%、99.25%、98.5%和97.25%,其识别准确率最高,验证了在对信号加入不同的高斯白噪声时,IAO-SVM分类器均具有较高的识别准确率和抗噪声能力,有助于解决电压暂降源的分类问题。

关 键 词：变分模态分解  改进天鹰优化算法  支持向量机  电压暂降源识别  奇异值熵  近似熵

分 类 号：TM712.2]