目录
1 概述
ML(机器学习)和DWT(离散小波变换)是两种常用的电能质量分类方法。
ML是一种基于数据的方法,通过训练算法来识别和分类电能质量问题。它可以使用各种算法,如决策树、支持向量机、神经网络等,来学习和预测电能质量问题。ML方法可以根据已有的电能质量数据集进行训练,从而能够根据输入的电能质量特征进行分类。
DWT是一种信号处理技术,通过将信号分解为不同频率的子信号来分析和处理电能质量问题。DWT可以将电能质量信号转换为时频域表示,从而提取出不同频率成分的特征。这些特征可以用于电能质量分类,例如检测电压波形畸变、频率变化等问题。
ML和DWT可以结合使用,以提高电能质量分类的准确性和可靠性。例如,可以使用DWT将电能质量信号转换为时频域表示,然后使用ML方法对提取的特征进行分类。这样可以综合利用DWT的信号处理能力和ML的学习和预测能力,从而实现更准确的电能质量分类。
2 结果
clc
clear
n=250;
%--------------------------------------------------------------------------------------------------------
%% 数学模型的生成
%--------------------------------------------------------------------------------------------------------
for i=1:n
warning off;
%% 正常的50 Hz 正弦波
t=[0 :0.0001:0.4];
k=rand(1,1)*range([1 1.5])+min([1 1.5]);
y=k*(sin((2*pi*50)*t));
figure(1)
subplot(2,1,1);
plot(t,y)
title('Pure 50 Hz Sine wave')
xlabel ('Time (sec)');
ylabel ('Amplitude');
hold on
Pure_Sinal=[t,y]';
%% SAG
%alpha ranges 0.1 to 0.9
t=[0 :0.0001:0.4];
alpha=rand(1,1)*range([0.1 0.8])+min([0.1 0.8]);
t1=0.05;
t2=0.15;
k=rand(1,1)*range([1 1.5])+min([1 1.5]);
y=k*(1-alpha*((heaviside(t-t1)-heaviside(t-t2)))).*sin((2*pi*50)*t);
subplot(2,1,2);