Detection and Classification of Power Quality Disturbances Using Sparse Signal Decomposition on Hybrid Dictionaries
Notice bibliographique
Résumé
Several methods have been proposed for detection and classification of power quality (PQ) disturbances using wavelet, Hilbert transform, Gabor transform, Gabor-Wigner transform, S transform, and Hilbert-Haung transform. This paper presents a new method for detection and classification of single and combined PQ disturbances using a sparse signal decomposition (SSD) on overcomplete hybrid dictionary (OHD) matrix. The method first decomposes a PQ signal into detail and approximation signals using the proposed SSD technique with an OHD matrix containing impulse and sinusoidal elementary waveforms. The output detail signal adequately captures morphological features of transients (impulsive and oscillatory) and waveform distortions (harmonics and notching). Whereas the approximation signal contains PQ features of fundamental, flicker, dc-offset, and short- and long-duration variations (sags, swells, and interruptions). Thus, the required PQ features are extracted from the detail and approximation signals. Then, a hierarchical decision-tree algorithm is used for classification of single and combined PQ disturbances. The proposed method is tested using both synthetic and microgrid simulated PQ disturbances. Results demonstrate the accuracy and robustness of the method in detection and classification of single and combined PQ disturbances under noiseless and noisy conditions. The method can be easily expanded for compressed sensing based PQ monitoring networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».