Detection and Classification of Power Quality Disturbances Using Sparse Signal Decomposition on Hybrid Dictionaries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle