钱伟进;来文豪; 

随着新能源广泛接入，电力系统电能质量问题凸显。为实现精准的电能质量扰动辨识，本研究将核映射机制引入改进的多层极限学习机(multi-layer extreme learning machines, ML-ELM),并用鹦鹉优化算法(parrot optimizer, PO)这一新型启发式优化算法进行参数优化。研究首先依据IEEE标准，在MATLAB环境中构建典型扰动信号，采集相关数据；其次通过随机邻域嵌入(stochastic neighbor embedding, SNE)对原始数据进行降维，在降低维度的同时保留有效关键特征；最后用PO优化多层核极限学习机(multi-layer kernel extreme learning machine, ML-KELM)参数，以精准辨识扰动并探究不同降维维度下的辨识性能。该方法对电压暂降、谐波畸变、电压闪变等常见单一扰动类型的识别准确率均不低于94.49%,较传统ML-ELM方法提高约10%。结果证实其可用于精准辨识，且鲁棒性和适应性较强，为电能质量扰动辨识提供了有效技术支持。 

2026年01期 v.23;No.107 50-59页 [查看摘要][在线阅读][下载 1294K]