SwePub
Sök i LIBRIS databas

  Utökad sökning

onr:"swepub:oai:research.chalmers.se:de2626d8-67af-44d9-8de7-878a1a417d2d"
 

Sökning: onr:"swepub:oai:research.chalmers.se:de2626d8-67af-44d9-8de7-878a1a417d2d" > Support Vector Mach...

Support Vector Machine for Classification of Voltage Disturbances

Axelberg, Peter G.V. 1959 (författare)
Chalmers tekniska högskola,Chalmers University of Technology
Gu, Irene Yu-Hua, 1953 (författare)
Chalmers tekniska högskola,Chalmers University of Technology
Bollen, Math H.J. (författare)
 (creator_code:org_t)
2007
2007
Engelska.
Ingår i: accepted for publication in IEEE Transactions on Power Delivery. ; 22:3, s. 1297-1303, July, 2007
  • Tidskriftsartikel (refereegranskat)
Abstract Ämnesord
Stäng  
  • The Support Vector Machine (SVM) is a powerful method for statistical classification of data used in a number of different applications. However, the usefulness of the method in a commercial available system is very much dependent on whether the SVM classifier can be pre-trained from a factory since it is not realistic that the SVM classifier must be trained by the customers themselves before it can be used. We first propose a novel SVM classification system for voltage disturbances. Our aim also includes investigating the performance of the proposed SVM classifier when the voltage disturbance data used for training and testing are originated from different sources. The data used in the experiments were originated from both real disturbances recorded in two different power networks and from synthetic data. The experimental results have shown excellent accuracy in classification when training data were originated from one power network and unseen testing data from another. High accuracy was also achieved when the SVM classifier was trained on data from a real power network and test data originated from synthetic data. Slightly less accuracy was achieved when the SVM classifier was trained on synthetic data and test data were originated from the power network.

Ämnesord

NATURVETENSKAP  -- Data- och informationsvetenskap -- Datorteknik (hsv//swe)
NATURAL SCIENCES  -- Computer and Information Sciences -- Computer Engineering (hsv//eng)
TEKNIK OCH TEKNOLOGIER  -- Elektroteknik och elektronik -- Signalbehandling (hsv//swe)
ENGINEERING AND TECHNOLOGY  -- Electrical Engineering, Electronic Engineering, Information Engineering -- Signal Processing (hsv//eng)
TEKNIK OCH TEKNOLOGIER  -- Elektroteknik och elektronik -- Annan elektroteknik och elektronik (hsv//swe)
ENGINEERING AND TECHNOLOGY  -- Electrical Engineering, Electronic Engineering, Information Engineering -- Other Electrical Engineering, Electronic Engineering, Information Engineering (hsv//eng)

Nyckelord

Power quality
statistical learning theory
Support Vector Machines
voltage event.
voltage disturbance classification

Publikations- och innehållstyp

art (ämneskategori)
ref (ämneskategori)

Hitta via bibliotek

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...
Axelberg, Peter ...
Gu, Irene Yu-Hua ...
Bollen, Math H.J ...
Om ämnet
NATURVETENSKAP
NATURVETENSKAP
och Data och informa ...
och Datorteknik
TEKNIK OCH TEKNOLOGIER
TEKNIK OCH TEKNO ...
och Elektroteknik oc ...
och Signalbehandling
TEKNIK OCH TEKNOLOGIER
TEKNIK OCH TEKNO ...
och Elektroteknik oc ...
och Annan elektrotek ...
Artiklar i publikationen
Av lärosätet
Chalmers tekniska högskola

Sök utanför SwePub

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy