暂态电能质量扰动

暂态电能质量扰动（共7篇）

暂态电能质量扰动 篇1

0 引言

近几年电网成分有了新的变化。一方面,在电源侧,电网中间歇性能源装机容量增加,使得电网中的电源出力会有一定的波动性;另一方面,在负荷侧,非线性负荷的接入,这都导致电网的电能质量下降,尤其是暂态电能质量。暂态电能质量问题一般持续时间较短,发生的随机性较大,但因此产生的后果往往比较严重,且其常为复合扰动,这都导致识别困难。为改善暂态电能质量,需对暂态电能质量进行监测和分析,而对暂态电能质量扰动类型进行有效的识别是其重要前提条件[1]。

暂态扰动从性质上可分为基波电压幅值扰动和加性扰动两类[2]。基波幅值扰动包括电压暂升、暂降、中断,加性扰动有暂态振荡、暂态脉冲,其中,振荡频谱特性较明显,而脉冲暂态频谱特性不明显[3]。

暂态扰动信号的分类识别的关键是对其特征参数的提取。目前特征提取方法有:傅里叶变换、小波变换[4]、S变换[5]、HHT变换[6]等。其中,HHT变换吸取了小波变换多分辨率的优势,克服了小波变换中选取小波基的困难,从信号本身的尺度特征[7]出发对信号进行分解,也具有良好的局部适应性。用于分类的方法有神经网络[8]、决策树[9]、支持向量机[10]、专家系统[11]及贝叶斯分类器[12]等。这些方法可靠性高,但特征提取和添加分类器的过程十分复杂,因此寻找简单易行的方法进行识别是非常有必要的。

FCM聚类算法是Bezde[13]在1974年提出的一种聚类分析算法,作为早期硬C均值聚类方法的一种改进,已成功应用到模式识别、图像处理、模糊控制和基因识别等多个领域。

本文将模糊C均值聚类(FCM)应用于暂态电能质量扰动类型识别中,利用EEMD和奇异值分解方法得到信号的有效特征向量,作为FCM的输入,实现扰动类型的识别。

1 EEMD方法和奇异值分解

1.1 EEMD方法

经验模态分解(EMD)[14]是一种自适应时间–频率信号分析方法,已被各领域学者成功用于处理各种问题。但是仍存在一些问题没有解决。其中比较严重的问题为易产生模态混叠[6],具体表现在:(1)一个单独的IMF中含有全异尺度;(2)相同尺度出现在不同的IMF中。

集合经验模态分解(EEMD)则是针对EMD的模态混叠问题由Huang等提出的一种信号处理的新方法,在EMD筛分过程中给信号x(t) 添加一个高斯白噪声信号w(t) ,不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去,解决模态混叠问题。它不需要预先设定基函数,不仅适用于平稳信号,也适用于非平稳信号[15]。

EEMD[16]的具体分解步骤如下:

1) 对EMD试验总次数M和白噪声幅值系数进行初始化,进行EMD实验的第一次迭代。

2) 执行第g次EMD试验。

(1) 信号x(t) 叠加一组高斯白噪声信号wg(t ) ,获得一个总体信号:

(2) 对Xg(t ) 进行EMD分解,得到对应的IMF分量:

而IMF分量总个数:

式中:N为输入信号的采样点数;fix代表向0 靠拢取整。

(3) 判断如果g<M,则g=g+1,返回步骤2)重复执行;否则程序转向执行步骤3)。

3) 由于高斯白噪声频谱有零均值原理,可消除高斯白噪声作为时域分布参考结构带来的影响,将M次EMD试验得到的IMF分量和剩余分量进行均值计算。

式中:即为EEMD得到的第j个IMF分量;而为EEMD分解得到的剩余分量。

1.2 奇异值分解

奇异值分解(SVD)是线性代数学中一类重要的矩阵分解,在信号处理、统计学等领域都有重要的应用。其可将包含样本特征信息的矩阵分解到不同的子空间中,是一种能够在扰动和噪声下保持信号特征相对稳定的特征量提取方法[17]。

一个mn阶实矩阵A的奇异值分解定义为

式中:U与V分别为m´m阶和n´n阶正交阵;矩阵:,T0diag[1,2,,M],其中,对角元素(12M0 )称为矩阵A的奇异值。

2 模糊C均值聚类(FCM)算法

模糊C均值方法是一种非监督动态聚类方法,它是通过优化目标函数得到每个样本点对所有类中心的隶属度,从而决定样本点的类属以达到自动对样本数据进行分类的目的[18]。假定是要将样本空间分为c类,定义样本点xi属于第j(1 ≤ j ≤ c)类的程度为uij(0 ≤uij≤1),如果认为某一类样本是样本集合x上的一个模糊子集,它们所对应的隶属度矩阵就是一个模糊隶属度矩阵,用Uuij表示,元素uij代表第i个样本属于第j类的模糊隶属度。隶属度矩阵U具有如下性质:

模糊C均值算法就是在以上三式的约束条件下对目标函数Jfcm进行优化,即

式中:m为模糊加权指数,要求m>1;cj是所要划分的c类中第j类的中心,d2ij(xi, cj)=‖xi-cj‖是样本点xi到聚类中心cj的欧氏距离。FCM算法是采用迭代的方法来使目标函数最小化,其迭代过程如下:

1) 设定聚类类别数c,模糊加权数m,迭代停止阈值 ,迭代次数k=0 以及算法最大的迭代次数kmax,按约束条件来初始化隶属度矩阵Uk;

2) 根据矩阵计算聚类中心[19]

3) 根据聚类中心cj更新隶属度矩阵U( k 1),即

4) 根据设定好的迭代停止阈值 ε , 若,停止迭代;否则要置k=k+1 并返回步骤2);

5) 得到样本信号的一个最优的模糊隶属度矩阵Uuij和聚类中心Ccj。

3 暂态电能质量扰动识别

3.1 暂态电能质量扰动信号模型

暂态电能质量扰动类型总体来说有单一扰动和复合扰动两类。根据文献[20]指出的复合扰动的组合原则,本论文建立了9 类典型的暂态电能质量扰动信号模型,分别为电压暂降、电压暂升、电压中断、暂态脉冲、暂态振荡、暂态脉冲和暂降的复合扰动、暂态脉冲和暂升的复合扰动、暂态振荡和暂降的复合扰动以及暂态振荡与暂升的复合扰动,其参数设置依照IEEE1159 标准设定。

本文是采用Matlab生成扰动样本信号,设定采样频率为3 200 Hz,电压的基波频率为50 Hz,扰动信号长度为25 个周波。

3.2 暂态电能质量扰动识别过程

EEMD方法可对信号进行分解,得到各IMF分量,每个IMF分量只包含单一的模态,这些分量从高频到低频排成一系列。而矩阵的奇异值对于矩阵元素的扰动变化是不敏感的,具有相对稳定性,并可降低其维数。本文采用EEMD和SVD结合的方法提取特征量,用于扰动信号的分类识别。

1) F1、F2:EEMD方法分解得到的前两个固有模态分量组成的矩阵的奇异值。

2) F3、F4、F5:EEMD分解得到的前三个IMF分量组成的矩阵的奇异值。

3) F6:电压扰动信号幅值的平均值。

4)F7:电压扰动信号幅值最大值与额定值的比。

5)F8:电压扰动信号幅值最小值与额定值的比。

基于模糊C均值聚类思想,在对各类仿真信号进行特征量提取后,分层分模块进行FCM聚类,得到各模块的聚类中心和聚类隶属度。让待测信号的特征量与对应模块的聚类中心进行欧几里得距离判定,距离值小的代表待测信号属于该聚类中心对应的信号扰动类型,即判断出待测信号所属类别。

识别流程如图1 所示。其中识别流程分为三层:第一层判断出信号是否包含暂态振荡扰动,暂态振荡的高频扰动明显,因此选择EEMD分解得到的高频分量IMF2、IMF3 的奇异值F1、F2 作为有效特征向量,以此作为FCM的输入,将信号聚类为含暂态振荡和不含暂态振荡两大类,得到两类的聚类中心。

第二层是在判断出信号中不含暂态振荡的基础上,判断信号中是否包含暂态脉冲。由于暂态脉冲虽与暂态振荡同属于加性扰动类中,但其频率扰动特性不明显,单以高频分量为特征不能将其与幅值扰动识别开,选择再添加幅值作为特征,因其对平均幅值的影响也不大,故易于与暂降、暂升、中断区别开。选择有效特征向量F1、F2、F6 作为FCM的输入,将信号聚类为含暂态脉冲和不含暂态脉冲两大类。

第三层有三个模块组成,一个模块是在第一层判断出信号中含有暂态振荡的基础上,以特征向量F3、F4、F5 作为FCM的输入,将信号聚类为单一的暂态振荡、暂态振荡和电压暂降的复合扰动、暂态振荡和电压暂升的复合扰动三大类;一个模块是在第二层判断出信号中含有暂态脉冲的基础上,以特征向量F3、F4、F5 作为FCM的输入,将信号聚类为单一的暂态脉冲、暂态脉冲和电压暂降的复合扰动、暂态脉冲和电压暂升的复合扰动三大类;还有一个模块是在第二层判断出信号中不含有暂态脉冲的基础上,表明信号中只含幅值扰动,以特征向量F7、F8 作为FCM的输入,将信号聚类为电压暂降、暂升、中断三大类。

4 仿真分析

4.1 函数模块实现

在Matlab平台下,对本文9 类典型暂态电能质量扰动信号进行仿真,实现图1 中各模块功能。

1) 第一函数模块

该模块识别出信号中是否包含暂态振荡。

在Matlab中生成13 个仿真信号,其中两个电压暂降信号、两个电压暂升信号、两个电压中断信号、一个暂态脉冲信号、一个暂态脉冲和电压暂降的复合扰动信号、一个暂态脉冲和电压暂升的复合扰动信号、两个暂态振荡信号、一个暂态振荡和电压暂降的复合扰动信号以及一个暂态振荡和电压暂升的复合扰动信号。仿真信号的参数随机设置。

基于EEMD方法和SVD方法,得到各个信号的有效特征量F1、F2,组成特征量矩阵T1。

将特征量矩阵T1输入FCM中,得到其隶属度矩阵U1为

聚类中心Center1,

则可知含暂态振荡扰动的信号类型的聚类中心为669.523 282.947,不含暂态振荡的信号类型的聚类中心为165.239 93.265。

2)第二函数模块

在确定信号中含暂态振荡后,该模块识别信号是单一的暂态振荡,还是暂态振荡和电压暂降的复合扰动,亦或是暂态振荡和电压暂升的复合扰动。

在Matlab中生成9个仿真信号,其中三个暂态振荡扰动信号,三个暂态振荡和电压暂降的复合扰动信号以及三个暂态振荡和电压暂升的复合扰动信号。仿真信号的参数随机设置。

同理于第一函数模块,得到单一的暂态振荡信号的聚类中心为5 643.015 0 629.435 2 275.972 5,暂态振荡和电压暂降的复合扰动信号类型的聚类中w心为 4 317.041 5 686.506 9 252.241 8 ,暂态振荡和电压暂升的复合扰动信号类型的聚类中心为6 887.670 4 576.410 4 295.572 4 。

3) 第三函数模块

在确定信号中不含暂态振荡的基础上,识别出信号是否包含暂态脉冲扰动。

在Matlab中生成12 个仿真信号,其中三个电压暂降信号、两个电压暂升信号、三个电压中断信号、两个暂态脉冲信号、一个暂态脉冲和电压暂降的复合扰动信号、一个暂态脉冲和电压暂升的复合扰动信号。仿真信号的参数随机设置。

同理于第一函数模块,得到含暂态脉冲扰动的信号类型的聚类中心为323.2210 181.286 6 217.917 9,不含暂态脉冲的信号类型的聚类中心为97.4831 62.2131 186.834 5 。

4) 第四函数模块

确定信号中含暂态脉冲扰动后,该模块识别信号是单一的暂态脉冲,还是暂态脉冲和电压暂降的复合扰动,亦或是暂态脉冲和电压暂升的复合扰动。

在Matlab中生成9 个仿真信号,其中三个暂态脉冲扰动信号,三个暂态脉冲和电压暂降的复合扰动信号以及三个暂态脉冲和电压暂升的复合扰动信号。仿真信号的参数随机设置。

同理于第一函数模块,得到单一暂态脉冲信号的聚类中心为5 483.203 5 378.365 8 205.720 0,暂态脉冲和电压暂降的复合扰动信号类型的聚类中心为4 207.236 9 347.8912 225.9931 ,暂态脉冲和电压暂升的复合扰动信号类型的聚类中心为6 456.915 9 349.947 7 187.864 3 。

5) 第五函数模块

在确定信号中不含暂态脉冲和暂态振荡的基础上,该模块识别电压暂降、电压暂升、电压中断。

在Matlab中生成10 个仿真信号,其中三个电压暂降扰动信号,三个电压暂升扰动信号以及四个电压中断扰动信号。仿真信号的参数随机设置。

同理于第一函数模块,得到电压暂降信号类型的聚类中心为1.027 9 0.494 9,电压暂升信号类型的聚类中心为1.304 0 0.993 4,电压中断信号类型的聚类中心为1.144 7 0.020 3。

4.2 扰动识别仿真分析

为了验证该分层识别系统的可行性,对18 组未知样本信号进行上述处理。下述各表中加粗部分为每个样本的最小欧氏距离,得到对应样本的分类。

1) 按照处理流程,对18 组待测样本进行特征量F1、F2提取,与第一函数模块的聚类中心进行欧几里得距离判定,得到结果如表1 所示。

2) 对1)步中测得的含暂态振荡的待测样本进行特征量F3、F4、F5的提取,与第二函数模块的聚类中心进行距离判定,得到结果如表2 所示。

3) 将1)步中测得的不含暂态振荡的待测样本进行特征量F1、F2、F6 的提取,与第三函数模块的聚类中心进行距离判定,得到结果如表3 所示。

4) 将3)步中测得的含暂态脉冲的待测样本进行特征量F3、F4、F5 的提取,与第四函数模块的聚类中心进行距离判定,得到结果如表4 所示。

5) 将3)步中测得的不含暂态脉冲的待测样本进行特征量F7、F8 的提取,与第五函数模块的聚类中心进行欧几里得距离判定,得到结果如表5 所示。

5 结论

本文根据模糊C均值聚类思想,结合EEMD和SVD方法提取特征量,构建了暂态电能质量扰动的分层识别系统。该系统成功将FCM应用到暂态电能质量扰动识别中,克服了以往分类器过程过于复杂、识别速度缓慢的缺点,使得识别系统原理清晰,识别速度快,准确率高。

实际电网中出现的暂态电能质量构成复杂,常伴有噪声等因素,利用本文提出的EEMD和SVD方法可以有效提取出实际信号中的扰动特征成分,使得该系统能更好地适用于实际暂态电能质量扰动信号的识别。

摘要：提出一种应用模糊C均值聚类(FCM)对暂态电能质量扰动进行识别的新方法。该识别方法分层实现,第一层判断信号中是否包含暂态振荡扰动,第二层判断是否包含暂态脉冲扰动,第三层判断是否包含幅值扰动及综合判断出各种复合扰动的类型。通过与集合经验模态分解(EEMD)和奇异值分解方法的结合,分层提取出有效特征量,并将其作为FCM的输入,得到聚类中心和隶属度矩阵。最后通过计算待测样本与已知样本的聚类中心的欧氏距离实现扰动类型识别。通过仿真分析,该分层识别方法准确可行。

关键词：模糊C均值聚类算法,暂态识别,集合经验模态分解,奇异值分解,分层识别

暂态电能质量扰动 篇2

由于风能被人们越来越广泛的利用, 风电并网时对电网带来了很多暂态电能质量问题,如电压暂升、电压暂降、电压中断、脉冲暂态、振荡暂态等。 为保证风能并网设备正常、可靠地运行,减小对电网电能质量的影响,必须采取措施改善风能并网时的电能质量,也就是对这些扰动信号进行实时、有效地检测和定位[1,2]。

目前傅里叶变换广泛地运用于电能质量分析中, 但它不能反映信号的局部化性质,对暂态扰动也就不能正确的检测和定位。 而小波变换具有多分辨率分析的能力,可以对信号在不同尺度上进行分解。 文献[3] 对暂态电能质量扰动信号的奇异性,采用了多分率检测方法,试验表明该方法对信号初始突变点可以精确定位。 文献[4]基于Mallat算法,提出了一种改进的去噪方法,通过调整小波系数的阈值估计,使阈值函数值介于软阀值和硬阈值之间, 实现了小波阈值去噪。 文献[5]提出基于提升复小波的暂态电能质量扰动的检测与定位,仿真结果表明了幅值信息可以估计扰动信号的幅值,相位信息可定位扰动。 本文利用小波变换模极大值对暂态电能质量扰动信号进行检测和定位,从db4小波分解的图形中可以看出扰动信号扰动的起始时刻。

1风电并网暂态电能质量问题

因风能具有波动、间歇和随机等性质,加上变流装置的广泛使用,大规模风电并网会引起电网电能质量问题,其中引起的暂时电能质量问题主要有电压波动和电磁暂态。

风电并网时引起电压波动的原因主要有:(1)变压器或电容器投切时, 因其具有调节不平滑的特点, 会导致短时电压波动;(2)风电机组突然启动,引起电压凹陷;(3)风速变化很大时,不稳定的功率注入电网中会造成功率失衡[6]。

导致电磁暂态的主要原因有:(1)电力系统遭受了雷电波,会产生冲击电磁暂态;(2)风电的电压脉动以及设备发生了故障;(3)电力系统的开关操作。

2小波变换的基本理论

小波变换的定义:设 ψ(t)为一平方可积函数,即 ψ (t)∈L2(R),如果 ψ(t)的傅里叶变换满足容许性条件:

则称 ψ(t)为小波母函数,将小波母函数 ψ(t)进行伸缩和平移后得到:

式中,a为伸缩因子;b为平移因子。

在任意L2(R)空间中,函数f(t)在小波基中展开后为函数f(t)的连续小波变换,表达式为:

式中,WTf(a,b)为小波变换的系数。 函数经过了小波变换后,存在a,b两个参数,也就是二维的时间-尺度相平面。

因连续小波计算量很大, 在实际运用中很不方便, 通常将小波变换离散化,也就是对伸缩因子和平移因子进行离散。 设a=a0m,b=nb0ma0m,m,n∈Z,带入式(2)可得:

一般取a-2j,j为整数,在这种二进离散情况下,采用基于多分辨分析的快速小波算法———Mallat算法,利用低通滤波器hn和高通滤波器gn将分析的信号持续分解为平滑部分cj,n和细节部分dj,n[7],计算公式如下:

式中,cj-1,m为重构上一层的低频部分。 整个信号的波形特点由小波系数的平滑部分cj,n决定, 而信号的局部特征则由细节部分dj,n刻画。 平滑部分代表着信号的基波和低频部分,而细节部分表示的是信号的高频部分和信号突变点[7,8]。

3小波变换的模极大值与信号的突变点

信号突变点的特征和小波变换所选取的尺度共同决定了小波变换系数数值的大小,小波变换的系数提供了信号的局部化性质。 因此,可通过小波变换的局部极大值来描述信号的突变点。

在某一尺度下,已知(a0,b0), 如果在b0的某一领域任意点b,存在|WTf(a0,b)|≤|WTf(a0,b0)|, 则称为小波变换的模极大值。

小波变换模极大值和信号突变点之间的关系可通过Lipschitz指数来确定[9]。 设x(t)∈L2(R),对任意t∈ Bt0,存在常数K,使得|x(t)-x(t0)|≤K|t-t0|α,则称函数x(t)在t0处有Lipschitz指数。

由上述可知,函数的粗糙程度随着 α 的不同而发生变化,α 越小,函数在该点的奇异性就越大,反之,奇异性越小。 因此,信号的突变点可以体现在信号小波变换后的模极大值点上,即能够利用小波变换来分析暂态电能质量扰动信号的局部奇异性,来实现暂态电能质量的检测和定位[10]。

设小波分解的高频系数和低频系数分别表示为CDn(n=1,2,….,6) 和CAn(n=1,2,…,6),小波重构的高频系数和低频系数分别为Dn和An, 其中n代表分解层数。 模极大值检测过程如下:

(1)选用db4小波。

(2)用小波对采样序列进行分解,得到CD1和CD2。

(3)mean为CD1和CD2的平均值。

(4)求出CD1和CD2的最大模,记为max。

4风电并网暂态电能质量扰动信号的Matlab仿真

本文分析的风电并网暂态电能质量扰动信号主要包括电压暂升、电压暂降、电压中断、电压振荡。

4.1电压暂升

电压暂升是指电压有效值上升到1.1~1.8p.u,持续时间在0.5周波到1min的电能信号[11]。 设电压幅值为1,基波频率为50Hz,采样点为200,电压暂降、电压中断、电压振荡的波形图也以上述标准为参考,则其表达式为:

式中,t1<64或t1>130,64≤t2≤130。 采用db4小波对该暂升信号进行小波分解, 分解到第三层, 在Matlab中进行仿真,仿真结果如图1所示。

4.2电压暂降

电压暂降指电压有效值下降到0.01~0.9p.u,持续时间在0.5周波到1min的电压信号,其表达式为:

式中,t1<64或t1>130,64≤t2≤130。 图2为该信号在Matlab中的仿真。

4.3电压中断

电压中断指电压有效值降到0.1倍额定电压以下, 持续时间在0.5周波到1min的短时间电压信号, 其表达式为:

式中,t1<64或t1>130,64≤t2≤130。 运用db4小波对该信号进行分解,仿真图形如图3所示。

4.4电压振荡

电压振荡是指电压在稳定条件下发生了突变,不是基频率,且极性或正或负,其表达式为:

式中,t1<74或t1>127,74≤t2≤127。 图4是该信号运用db4小波分解到第三层的仿真图形。

5结语

针对风电并网暂态电能质量扰动问题,本文提出了基于小波变换模极大值对突变点检测的方法,在Matlab中对电压暂升、 暂降、 中断及振荡扰动信号进行了仿真, 并运用db4小波对扰动信号分解到第三层。 仿真结果表明,小波变换对风电并网暂态电能质量扰动信号可以正确检测和定位。

参考文献

[1]曲正伟,王婷婷,郗宏伟,等.基于提升db4复小波暂态电能质量扰动检测与分类[J].电测与仪表,2014(8):26-31

[2]吕广强,赵剑锋,程明,等.配电网动态电能质量问题及其解决方案[J].高电压技术,2007,33(1):53-56

[3]A.M.Gaouda,M.M.A.Salama,M.R.Sultan,et a1.Power Quality Detection and Classification Using WAVELETMultiresolution Signal Decomposition[J].IEEE Transacti ons on Power Delivery,1999,14(4):1469-1476

[4]何慧,顾洁.电能质量信号的小波阈值去噪[J].电力系统及其自动化学报,2010,22(2):103-108

[5]李涛,夏浪,张宇,等.基于提升复小波的暂态电能质量扰动的检测与定位[J].中国电机工程学报,2011(25):66-72

[6]Janik P A,Tadeusz L.Automated classification of power quality disturbances using SVM and RBF networks[J].IEEE Trans.on Power Delivery,2006,21(3):1663-1669

[7]刘育田,胥海纶.基于小波变换模极大值的电能质量奇异性检测[J].信息与电子工程,2013(2):123-126,131

[8]王安,粟时平,邓奇峰,等.基于小波变换的暂态电能质量扰动检测与定位研究[J].电气技术,2012(4):21-25

[9]赵晨雪,陶顺,肖湘宁.基于电能质量检测系统电压暂降信息的故障定位估计方法[J].电网技术,2016(2):642-648

[10]Nermeen T,Marija I.ANNs based on subtractive cluster feature for classifying[C].Power Quality.Power Sympo-sium,2008:1-7

暂态电能质量扰动 篇3

电能质量扰动检测是治理和改善电能质量的基础和前提,但电力系统的现场检测信号容易受到来自系统内外的各种背景噪声或干扰的影响,对现场信号的准确检测带来极大的困难,因此对检测信号的消噪处理十分重要。

数学形态学是一种非线性数学方法,现已广泛应用于电能质量信号检测等领域。数学形态学构成的形态滤波器提供了一种非常有效的非线性滤波技术,该滤波器较线性滤波器具有诸多的优越性,可以更好地保留信号的有用信息[1,2]。文献[3]采用一类多结构元素并行复合形态滤波器来滤除白噪声和脉冲噪声,但该滤波器结构复杂,计算量大。李天云等[4]对该并行复合形态滤波器做了部分改进,但性能提升有限。针对电力监测信号中可能存在的各种干扰或背景噪声,陈平等[5]定量分析了影响滤波器性能的各种因素。文献[6]采用LMS算法构造了一种自适应形态滤波器,但该滤波器仍然是一种单结构形态滤波器,信号中含有多种噪声时,滤波器性能受结构元素选取影响较大。

本文基于数学形态学基本原理和模糊控制原理,构造一种双结构元素并行的模糊自适应形态学滤波器,并通过采用双结构元素,利用模糊自适应调节器调节权值,使其能够同时滤除多种噪声,并较好地保持原信号的基本特征,对于滤波后的信号通过S变换检测电能质量扰动的发生和终止时刻。

1 基于数学形态学的信号消噪

1.1 数学形态学基本原理和形态学滤波器的构建

数学形态学的基本思想是在考察信号时设计一种收集信号信息的结构元素,在信号中不断地移动结构元素,便可提取有用的信息做特征分析和描述,达到提取信号、保持细节和抑制噪声的目的[7,8]。

数学形态学的基本运算包括膨胀、腐蚀、开、闭运算等。基于开、闭运算可以构建以下滤波算法:

交替滤波器

混合滤波器

交替混合滤波器

式(1)~(4)中:为开运算;·为闭运算;oc为先开后闭的交替滤波运算;co为先闭后开的交替滤波运算;hf为混合滤波运算;ah为交替混合滤波运算。

形态滤波器的输出既取决于变换的形式,又取决于结构元素的尺寸和形状,一般只有与结构元素的尺寸和形状相匹配的信号才能被保持。通常情况下,滤除白噪声使用半圆结构元素,滤除脉冲噪声采用三角结构元素,滤除高频噪声采用余弦结构元素[9],单一结构元素下的滤波器只能对一种噪声滤波较明显,需要同时滤除多种噪声时效果不佳。

1.2 模糊自适应形态学滤波器

为充分利用各结构元素下滤波器的优点,我们以交替混合滤波器为基础,结合模糊自适应的方法[10,11,12],提出一种双结构模糊自适应形态滤波器。滤波器算法结构框图如图1所示。

本滤波器采用两种结构元素并行,g1为三角结构元素,g2为半圆结构元素。结合模糊自适应的方法对于两种结构元素下的交替混合滤波器分别加设了模糊自适应调节器,形成一种基于模糊自适应调节器的双结构加权交替混合滤波器。

其中,输入信号为f(n)=s(n)+r(n),s(n)为无噪声的理想信号,实际运算中可取s(n)为f(n+1),r(n)为噪声信号(包括白噪声与正、负脉冲噪声),令

式中:a1,a2,a3,a4为权值,利用模糊自适应调节器对其进行整定,以达到最佳权值。

在模糊调节器中,选取信号s(n)与f1及f2的偏差量e和偏差变化率ec为模糊自适应调节器的输入语言变量,选取权值A1,A2,A3,A4为输出语言变量。定义模糊自适应调节器的输入、输出量的模糊子集均为{NB,NM,NS,ZE,PS,PM,PB},论域及模糊集合隶属度函数如图2所示。

根据开—闭、闭—开滤波器的特点,可以建立如表1的控制规则表。

通过模糊规则对各输出变量进行判定,并利用重心法对其进行解模糊处理。

1.3 模糊权值形态学滤波器仿真分析

有某工频正弦电压信号,电压幅值为1 V,采样率为每周波200个点,信号长度为1 024个点。整个信号长度内叠加随机白噪声,并在100点和600点处加入幅值为1.3 V的脉冲噪声。半圆结构元素长度为18,幅值为0.8,三角结构元素长度为11,幅值为0.1。模糊调节器的e和ec的量化因子为30,输出a1,a2,a3,a4的量化因子为20。以下采用本文设计的滤波器对上述电压信号进行滤波,并与传统形态滤波器滤波效果进行比较分析,如图3所示。

通过仿真发现传统单结构(半圆)元素形态滤波器对含有噪声的信号进行滤波后的信号波形明显不光滑,当信号中同时含有白噪声和脉冲噪声时,半圆结构元素滤波器对脉冲噪声滤波效果不佳,难以达到实际需要,而本文设计的双结构元素模糊自适应形态学滤波器同时对两种噪声信号具有很好的滤除作用,去噪后的信号波形较为平滑,比较而言,本文提出的改进型滤波器较传统形态滤波器具有更好的滤波效果。

2 基于S变换幅值包络线的扰动检测

S变换是一种加时窗傅式变换时频可逆分析方法。它是以Morlet小波为基本小波的连续小波变换的延伸,继承和发展了连续小波变换和短窗傅式变换的局部化思想,但它又不是严格意义上的小波变换。S变换集中了短时傅式变换和小波变换的优点,其结果更加直观和易于理解[13,14]。

信号x(t)的S变换的离散形式可表示为:

式中

对采集的N个离散信号点x[k](k=0,1,…,N-1)进行离散S变换,变换结果为n+1行m列的复时频矩阵,记作S矩阵,其列对应采样时间,行对应频率,某一时间和频率处S变换的幅值就是S矩阵相应元素的模值[15,16,17]。S矩阵中各个元素的模值恰好反映了信号在相应时刻和频率处的幅值,通过求取S矩阵各列最大模值,可得信号S变换的幅值包络线,从而可以用于暂态电压扰动的检测中,并能直观地判断出幅值变化的大小。

3 仿真实验分析

通过对实际电网工业实验及部分实验室实验得到的大量噪声数据分析,电力线上的噪声主要为随机噪声,突发性脉冲噪声等。电力数据采集信号一般为工频50 Hz正弦信号,暂态电能质量扰动主要包括电压骤升,电压骤降,电压中断等电磁扰动现象。本文主要针对上述噪声进行滤波,并利用S变换包络线方法对滤波后的电压信号取其幅值包络线,检测电压波动的起止时间和幅值变化特征。

图4(a)、图5(a)、图6(a)为幅值为1 V并叠加随机白噪声和突发性脉冲噪声的工频电压信号,同时还分别伴有电压骤升、电压中断、电压骤降电磁扰动现象的波形图。该信号采样率为每周波200个点,信号长度为2 048个点,电压波动持续时间为两个周期,整个信号长度内叠加随机白噪声,其中在200点、800点和1 600点处加入幅值为1.3 V的脉冲噪声。图4(b)、图5(b)、图6(b)为电压信号经本文滤波器滤波后信号波形图,图4(c)、图5(c)、图6(c)为滤波后的信号幅值包络线,用于观测扰动起止时间和幅值变化特征。以下对噪声背景下含电压骤升,电压中断,电压骤降暂态电磁扰动的电压信号进行分析。

通过图4~图6仿真波形可以看出,本文设计的双结构模糊自适应形态滤波器滤波效果较好,结合S变换幅值包络线的方法,较准确地检测出了电能质量扰动起止时间及幅值变化,由此看出本文提出的方法具有较好的检测效果。

4 结论

本文构造了一种基于数学形态学与模糊控制基本原理的双结构自适应形态学滤波器。该滤波器采用两种结构元素并行,利用模糊自适应调节器调节权值,能够滤除多种噪声,且计算简单快速,较好地解决了电能质量扰动中难以同时滤除随机噪声和脉冲噪声的困难。本文还结合了S变换幅值包络线的方法,用以准确检测扰动发生和终止时间,并能观测出幅值变化特征。最后针对噪声背景下含电压骤升、电压中断、电压骤降电磁暂态现象的电压信号,利用该方法进行了实验分析,从结果中可以看出该方法具有准确、有效的优点,为暂态电能质量扰动检测提供了新的方法和思路。

摘要：提出一种基于模糊自适应形态学滤波器与S变换结合的暂态电能质量扰动检测方法。该方法根据数学形态学理论和模糊控制原理构造一种模糊自适应形态学滤波器,对扰动波形进行预处理,以滤除信号中的随机、脉冲等多种噪声,可较好地保留信号的基本特征,对于滤波后的信号波形,利用S变换幅值包络线对暂态电能质量扰动起止时间进行检测。最后通过对噪声背景下含电压骤升、电压中断和电压骤降电磁暂态现象的电压信号进行仿真验证,结果表明该方法具有计算简单、快速和准确的特性和优点。

电能质量复合扰动分类识别 篇4

现代电力系统中, 电力电子设备的应用越来越广泛, 各种非线性、冲击性、波动性负载大量增加, 使电力系统所遭受的电能质量污染也日趋严重。信息科技的发展也对电能质量及供电可靠性提出更高的要求。对电能质量进行监测和分析是发现电力质量问题并进行治理和改善的前提条件, 而如何从海量的电能质量扰动信号中自动提取特征并进行准确分类识别则是电能质量监测分析系统首先要解决的问题。电能质量扰动的分类识别属于模式识别范畴, 由于电能质量扰动类别众多, 而且各个扰动本身具有很大的不规则性, 因此电能质量扰动识别的难度比较大。

扰动分类识别包括特征提取以及分类识别2个过程。特征提取主要是从原始波形进行变换和重构, 并从中提取有效的分类特征。小波变换[1,2,3,4,5,6]是最常用的特征提取方法, 小波系数峰值个数[3]、多分辨率分析所得的各频段能量[4]、细节和概貌系数[5]均可以作为分类特性。傅里叶变换[3]、dq 变换[7]、S 变换[8,9,10]、Walsh 变换[10]等都可用于扰动特征提取。分类器的构造有模糊专家系统[3]、人工神经网络[4,6,7]、动态时间扭曲[11]、规则推理[12]、隐式马尔科夫模型[13]、支持向量机[10]等。

目前所进行的研究, 基本都是针对单个扰动的识别问题。但在实际中, 往往是多种扰动可能同时发生, 本文称这种情况为复合扰动。如何同时识别出复合扰动中各个扰动的存在, 对于这个问题的研究目前还处于起步阶段。为解决电能质量复合扰动的识别问题, 现提出电能质量扰动识别动态分类树的方案。

首先, 基于 S 变换[14]和支持向量机 (SVM) [15]构造电能质量扰动静态分类树。用 S 变换对扰动信号学习样本进行变换, 从变换结果中选取合适的特征量, 然后, 构造支持向量机分类树, 对支持向量机分类树中的每一个支持向量机进行学习, 学习好的支持向量机分类树即可以对常规的电压突降 (voltage sag) 、电压突升 (voltage swell) 、电压中断 (interruption) 、暂态振荡 (oscillatory transients) 、电压尖峰 (spike) 、电压缺口 (notch) 和谐波 (harmonics) 等7种电能质量扰动进行分类识别。然后对该静态分类树进行动态拓展, 形成动态分类树, 以适应新的扰动和复合扰动。算例结果表明了该方案对电能质量复合扰动分类识别的可行性。

1 静态分类树的构建

1.1 支持向量机基本原理

SVM 通过在原空间或经投影后在高维空间中构造最优分类面, 将给定的属于2个类别的训练样本分开, 构造超平面的依据是2类样本离超平面的距离最大化。

首先, 介绍线性可分情况下 SVM 的原理。

设线性可分集 (xi, yi) , 1≤i≤N, xi∈Rd, yi∈{-1, 1}是类别编号, d 维空间中线性判别函数的一般形式为 g (x) =w·x+b, 相应的分类面方程为 w·x+b=0。

将 g (x) 进行归一化, 使所有 xi都满足|g (x) |≥1, 即离分类面最近的样本|g (x) |=1, 这样分类间隔就等于2/‖w‖。求解最优分类面就等效于最小化‖w‖, 目标函数为

$\begin{array}{l}\min \Phi (\mathit{w})=\frac{1}{2}\parallel \mathit{w}\parallel {}^2(1)\\ \text{s}.\text{t}.y{}_i[\mathit{w}{}_i\cdot \mathit{x}+b]\ge 1i=1,\cdots ,{\rm N}\end{array}$

采用 Lagrange 乘子法, 引入乘子 α={α1, …, αN}, 可将以上问题转换成二次规划问题, 可求得最优分类面, 其中 w=${\displaystyle \sum _i}$αiyixi, xi 是位于分类间隔面上的样本, 这些训练样本称为支持向量, 分类函数为

$f(\mathit{x})=\text{s}\text{i}\text{g}\text{n}\left({\displaystyle \sum _i\alpha }{}_{i}y{}_i\mathit{x}{}_i\cdot \mathit{x}+b\right)(2)$

对于线性不可分情况, SVM 一方面引入松弛变量和惩罚因子, 使目标函数变为

$\Phi (\mathit{w},\mathit{\xi })=\frac{1}{2}\parallel \mathit{w}\parallel {}^2+C\left({\displaystyle \sum _{i=1}^{{\rm N}}\xi }{}_i\right)(3)$

另一方面, SVM 通过非线性变换将输入空间变换到高维空间, 然后在新空间中求解最优分类面, 线性可分情况下的点积运算变为 Φ (x) ·Φ (y) =K (x·y) , K (x·y) 为核函数, 这样最终得到的分类函数为

$f(\mathit{x})=\text{s}\text{i}\text{g}\text{n}\left[{\displaystyle \sum _i\alpha }{}_{i}y{}_i{\rm K}(\mathit{x},\mathit{x}{}_i)+b\right](4)$

1.2 静态分类树的构建

SVM 只能解决两值分类问题, 要将其推广到多分类问题, 需要构造 SVM 分类器。目前, 常见构造方法的基本思想是通过组合多个2类分类器构造多分类器。这类方法目前主要有2种分支算法:1对多算法和1对1算法。1对多算法对于 N 类问题构造 N 个2类分类器, 第 i 个 SVM 用第 i 类中的训练样本作为正的训练样本, 而将其他的样本作为负的训练样本, 最后的输出是2类分类器输出为最大的那一类。其缺点是训练样本数大, 训练困难, 推广误差无界。1对1算法在 N 类训练样本中构造所有可能的2类分类器, 每类仅仅在 N 类中的2类训练样本上训练, 结果共构造 N (N-1) /2个分类器, 使用投票法决定样本所属的类。其缺点是推广误差无界, 分类器数目随类数急剧增加等。同时, 这2类算法还会出现拒绝分类区的缺陷, 即会出现无法分类的模式。

另一类方法就是构造多层分类树。分类树中的每个节点都是完成一个预定义的分类子任务的2类分类器。这类方法分类器的结构清晰, 可根据样本特征向量的特征定义子任务, 推广误差只取决于类和节点上的类间间隙。同时, 算法所需的基本2类分类器数目小于前面所述的几种算法, 而且也不需要计算庞大的拓展优化问题, 算法的速度也比较快。可见, 只要能合理定义分类子任务的层次, 多层分类树算法同前面介绍的几种算法相比具有明显的优势。本文提出来的电能质量扰动分类树就是多层次 SVM 分类树, 其整体结构和各个树节点见图1。

静态分类树的基本思想就是首先将要待分类的电能质量扰动集合根据所选取特征的相似性通过 SVM 分成2个集合, 以此类推, 不断细分, 直至所有分类完毕, 如图1所示, 通过6个 SVM 构造了 SVM 分类树。其中, 各 SVM 所选取的特征向量是:SVM1、SVM2、SVM3、SVM6 选取的特征量为 S 变换输出结果矩阵中与额定频率对应的行向量;SVM4 选

取的特征量为 S 变换输出结果矩阵中各频率对应的行向量平均值组成的向量;SVM5选取的特征量为 S 变换输出结果矩阵和无电能质量扰动信号 S 变换的输出结果矩阵相减得到的矩阵, 取各列向量标准偏差组成的向量。

2 基于核聚类方法的动态分类树

由于实际情况中的电能质量扰动的不规则性和复杂多样性, 特别是多种扰动同时存在的情况, 因此采用根据样本数据事先训练好的分类器进行实际分类, 效果并不一定理想。为解决这个问题, 现提出电能质量扰动动态分类树的概念, 拟在这个问题上有所突破。该分类器具有很好的自适应性, 能随着学习样本的不断增多, 不断进行学习, 拓展分类树, 从而大幅提高分类器对实际扰动的分类精度和适应各种新扰动的能力。

该分类方案的基本思想是先形成上节构建的静态分类树, 在监测过程中当监测到的扰动达到一定数目后对每一类扰动用基于 Mercer 核的聚类方法进行聚类分析, 如果有新的子类产生, 说明其中有新的扰动或复合扰动存在, 从而以该扰动节点为子树的根节点动态形成子树。该子树包含的扰动类别除了原有类别外, 还包括新发现的扰动类型。这样考虑的原因是因为复合扰动的类型众多, 且不规则度更大, 不可能通过事先构建静态分类树解决, 只能通过构建动态识别的方案, 在识别过程动态发现新的扰动并动态扩展分类器, 对于这个新发现的扰动可以通过人机互动确定其具体类型, 并给其命名。

这里进行聚类分析所选取的特征量为 S 变换输出结果矩阵中各频率对应行向量的平均值和标准偏差组成的向量。

2.1 基于 Mercer 核的聚类方法

基于 Mercer 核的聚类方法[16]是 Mark Girolami 在2002年提出的一种基于统计学习理论的无监督学习方法。其基本思想类似于 SVM, 同样通过利用 Mercer 核函数, 先将输入空间中的样本映射到高维特征空间之后, 再在高维空间中进行聚类。这种方法在性能上明显优越于传统的 C 均值方法或模糊 C 均值方法, 由于向高维空间进行非线性映射对特征的分辨和凸显作用, 核聚类方法实现了更为准确的聚类。在核 C 均值聚类算法中, 假设输入空间样本为 xk∈RL (k=1, …, l) , 被某非线性映射 Φ 映射到某一高维特征空间 H 得到 Φ (xk) , 则输入空间的点积在特征空间可用 Mercer 核表示 K (xi, xj) =Φ (xi) ·Φ (xj) 。 对应所有样本组成核函数矩阵 KL×L, 其中 Ki, j=K (xi, xj) , 则高维特征空间中的距离可定义为

dh (xi, xj) =[K (xi, xi) -2 K (xi, xj) +

K (xj, xj) ]1/2 (5)

聚类准则为最小化目标函数:

$\begin{array}{l}J={\displaystyle \sum _{i=1}^C{\displaystyle \sum _{\begin{array}{l}j=1\\ \mathit{x}\in U{}_i\end{array}}[}}{\rm K}(\mathit{x}{}_j,\mathit{x}{}_i)-\frac{2}{{\rm N}}{\displaystyle \sum _{k=1}^{{\rm N}{}_i}{\rm K}}(\mathit{x}{}_j,\mathit{x}{}_k)+\\ \frac{1}{{\rm N}{}_i^2}{\displaystyle \sum _{k,p=1}^{{\rm N}{}_i}{\rm K}}(\mathit{x}{}_k,\mathit{x}{}_p)2〗(6)\end{array}$

其中, C 是聚类的个数, Ni 是第 Ci 类样本个数, 该类中心的模为

$\parallel \mathit{W}{}_i\parallel {}^2=\frac{1}{{\rm N}{}_i^2}{\displaystyle \sum _{k,p=1}^{{\rm N}{}_i}{\rm K}}(\mathit{x}{}_k,\mathit{x}{}_p)(7)$

2.2 动态分类树的构建

设有 N (N>2) 类分类问题, 则基于核聚类的多层次 SVM 分类树算法有3个基本步骤。

a. 将 N 类的所有原型样本 (xλ, yλ) , λ=1, …, M, yλ=1, …, N, 通过2个聚类中心的核 C 均值聚类方法分为2个子类 P1和 P2。具体方法:设对 N 类 M 个样本的核 C 均值聚类的直接结果为2个聚类 C1和 C2, 类别 i 的定义为 Ψi={ (xλ, yλ) |λ=1, …, M, yλ=i}, 类 i 和聚类 j 中成员的相对频率是:pij=|Ψi∩Cj|/|Cj|, 则对应于聚类 C1和 C2, 子类 P1和 P2可以通过式 (8) 分配。

$\begin{array}{l}\Psi {}_i=\{(\mathit{x}{}_{\lambda },y{}_{\lambda })|\lambda =1,\cdots ,{\rm M},y{}_{\lambda }=\\ \arg \max \{p{}_{i1},p{}_{i2}\}\}j=1,2(8)\end{array}$

b. 通过对每个子类重复应用步骤 a, 直到每个子类中都只包含一个单独的类。通过人机交互, 如果有新类的产生, 则对其进行命名。

c. 根据步骤 a、b 中预分类的结果, 定义分类子任务, 建立多层 SVM 分类树。树中的每一个节点对应一个2类 SVM 分类器。

3 算法步骤

综上分析, 本文提出的电能质量复合扰动分类算法步骤如下:

a. 构建图1所示的静态分类树;

b. 在监测过程中当监测到的扰动达到一定数目后对静态分类树中识别出的每一类扰动用2.1节所述基于 Mercer 核的聚类方法进行聚类分析, 如果有新子类产生, 说明其中有新扰动或复合扰动存在;

c. 以该节点为子树的根节点采用2.2节的算法扩展子树, 该子树包含的扰动类别除了原有类别外, 还包括新发现的复合扰动类型;

d. 对于这个新发现的扰动可以通过人机互动确定其具体类型, 并给其命名。

4 算例分析

为验证该方案的有效性, 本节进行算例分析。各类电能质量扰动采用文献[10]类似的方法随机生成。在这里要说明的是, 如果要采用实际算测进行分析, 则各种类型的扰动要齐全, 而且还要有一定的数量, 实现比较困难, 所以目前国内外文献中的普遍做法都是采用仿真算例进行分析。仿真计算得到的算例方便快捷, 符合标准对各种扰动的定义, 通过随机生成的方法还可以使扰动的变化分布均匀。

随机生成2类常见的复合扰动:谐波和暂态振荡组成的复合扰动以及谐波和电压跌落组成的复合扰动。对这2类复合扰动各抽取一个样本, 其 S 变换结果分别如图2、图3所示 (图中, A 为幅值, n 为采样点个数) 。图中的电压数值经过标么化处理, S 变换结果也为标么值。

由图2 (b) 可见, 对谐波和暂态振荡复合扰动的 S 变换清晰地分离出复合扰动中各个扰动的特征。尖峰标明了暂态振荡过程的存在, 图的右边3条平直的山脊标明扰动中存在的3个谐波分量。由图3 (b) 可见, 对谐波和电压跌落复合扰动的 S 变换清晰地表明了复合扰动的特征。变换结果显示了3条有凹陷的山脊, 这清晰地表明了谐波和电压跌落同时发生。因此, S 变换对复合扰动也有很好的特征提取能力, 加上基于 Mercer 核的聚类方法向高维空间进行非线性映射对特征的分辨和凸显作用, 进一步提升了分类性能。

对上节中生成的训练样本及测试样本和本节生成的复合扰动样本一起进行聚类分析, 动态扩展后的 SVM 分类树如图4所示, 其中2个椭圆圈内的部分即为新生成的子树部分。谐波和电压跌落复合扰动通过原来的静态 SVM 分类树进行分类都被识别为电压跌落, 通过聚类分析, 正确识别出{电压跌落}和{电压跌落+谐波}2大类不同类型的扰动。与此类似, 谐波和暂态振荡复合扰动通过原来的静态 SVM 分类树进行分类都被识别为谐波, 通过聚类分析, 正确识别出{谐波}和{谐波+暂态振荡}2大类不同类型的扰动。经过该动态分类树对测试样本的分类识别, 均正确加以识别。

5 结论

本文结合了 S 变换和支持向量机构造了电能质量复合扰动的动态分类树方案, 算例结果表明了该方案的可行性。进一步的工作为将其应用于实际的电能质量监测分析, 在实际的环境中测试该方案的分类性能。同时, 需要进一步研究在低信噪比情况下提高分类的准确性。

电能质量复合扰动分类的研究进展 篇5

随着智能电网的发展,电力电子设备的广泛应用,电力系统的电能质量扰动问题越来越受到人们重视[1]。电能质量扰动分类问题是一个十分复杂的问题,由于实际电能质量扰动种类繁多,且扰动的信号差异不是十分明显,还存在着多种扰动复合的现象,为了避免人工从海量的监测数据中进行扰动分类,自动识别方法成为电能质量扰动研究中的重点内容。国内外许多学者对电能质量扰动的研究投入了极大热情,期刊论文不断增长[2]。目前,对于该问题大多集中于单一扰动的研究,已经形成了较为成熟的研究思路和实验方法。在国内外公开发表的大部分期刊论文中,基本上采用不同特征提取方法与分类器相结合的手段解决单一扰动分类问题。采用的思路主要包括从基于时域、频域和变换域进行特征分析,利用分类器进行特征量分类[3]。电能质量检测方法根据其分析角度的不同大致可以分为五类[4,5]:时域分析、频域分析、时频域分析、数理统计和人工智能。常用的分类器构造方法包括专家系统[6]、人工神经网络[7]、支持向量机[8]、模糊分类[9]、模板匹配[10]和其他方法[11]等。

实际电力系统中,电能质量扰动信号往往不是理想的单一扰动,而是以复合扰动形式存在。传统的模式识别框架下,各种扰动类别之间基本上是互斥和独立的,由于特征量的相互重叠和交叉,会给检测和分类带来极大的困难,如特征失效、分类精度下降、分类标签骤增、分类评价错误等。目前,国内外关于复合扰动分类研究的文章还不多,大多是做出了一些有益的探索。本文主要通过分析电能质量复合扰动信号的特点,对其分类问题的研究现状进行综述,最后提出相应的研究展望。

1 电能质量复合扰动信号的特点分析

复合扰动定义为:包含两种(含两种)以上单一扰动的电能质量扰动形式。复合扰动的组合形式可以根据表1[12]和表2[13]中的划分形式进行考校:(1)按表1所示分属暂态、稳态的情况除外,同一参数不可能同时发生两种不同方式的突变;(2)不同参数可以同时发生突变;(3)加性扰动的存在不受参数变化的限制。较为常见的复合扰动信号包括谐波与各种暂态扰动的复合、两种暂态扰动的复合、各种稳态扰动的复合等,且都有着各自的特点。

以谐波+电压波动+电压骤降+振荡暂态为例说明复合扰动的特性,如图1所示。扰动参数设定:基波幅值为100,二次谐波,谐波幅值a1=9,a2=4,频率倍数m1=7,m2=11,初始相角;电压波动幅度γ=0.1,频率相对系数μ=0.22;电压骤降变化幅度γ=0.5,扰动发生和结束时刻t1=120 ms,t2=185 ms;振荡暂态振荡最大幅度λ=0.4,衰减系数c=5,波动频率相对系数μ=11,突变发生和结束时刻t1=85 ms,t2=135 ms;采样频率为6.4 k Hz,信号长度为20个周期。从图1中可以看出,不同扰动的相互影响十分明显,如谐波和振荡暂态、电压骤降和电压波动,使时频域的特征发生改变。

通过上面分析可知,电能质量复合扰动信号中,各种单一扰动之间存在着相互干扰,在时频域下的特征变得复杂多样。另外,随着电能质量复合扰动中信号种类的增加,其特征区别的明显程度逐渐降低,甚至完全消失和失效。

2 电能质量复合扰动的分类研究方法

目前对于电能质量复合扰动分类问题的研究主要采用传统解决单一扰动识别的方法来考虑复合扰动。在这些研究中,一般均突出解决电能质量扰动识别问题的有效方法,归结为特征提取与分类策略的组合,且大多是针对规定好的单一扰动进行研究,对于电能质量识别问题的归类并没有做出讨论,也使得研究方法和评价体系的发展受到了阻碍和局限。随着模式识别领域的不断发展,大量的研究成果为解决电能质量问题提供了参考依据,我国学者周雒维等将电能质量复合扰动分类问题归结为多标签分类问题[14],这个概念最早出现于文本分类、生物学分类、医学诊断中,并且经过不断发展,形成一套成熟的理论体系和研究方法[15,16]。

可以将解决单一扰动识别的方法称之为单标签分类方法,即一个分类对象对应一个标签,这样会导致标签非常之多;将利用分类对象同时属于多个标签的方法称之为多标签分类方法。

2.1 单标签分类方法

该类方法的核心是直接利用传统的解决单一扰动识别的方法进行电能质量复合扰动的分类。该类方法的基本思路是:采用信号处理或数理统计理论提取电能质量复合扰动的某些特征(如:利用S变换[17]和小波变换[18,19]),根据这些特征对应不同的电能质量扰动类型进行单独或分层的分类,同时采用人工智能的相关分类方法(如:利用神经网络[20]和支持向量机[21])。将其分为五类:直接分类;S变换+分类器;小波变换+神经网络;支持向量机和其它方法,其中第三类方法最为普遍。

(1)直接分类

文献[13]从电量参数的角度将电能质量扰动划分为3类,在时域中构造了3个物理意义明确、不受其他扰动影响的特征量。该方法可以估计下跌与谐波、波动与谐波、谐波与振荡暂态、下跌与切痕等简单电能质量复合扰动的主要参数。文献[22]在分析电能质量扰动信号的时域特征的基础上,提取了4个用于分类单一或电能质量复合扰动的特征量,并利用阈值选择进行了分类研究。此方法对稳态多扰动的识别率较高,对电压脉冲、瞬时高频振荡等持续时间很短的扰动不敏感,识别率较低,且复合扰动仅是两种单一扰动的叠加。文献[23]在分析电能质量扰动Clarke变换和Park变换特性的基础,提取扰动的4个特征量,并利用这些特征量对5种单一扰动和6种复合扰动进行分类。该分类方法主要根据时间和4个特征量判断电能质量复合扰动中相关单一扰动是否存在,再根据单一扰动的特性进行分类,其复合扰动仅是两种单一扰动的叠加。

(2)S变换+分类器

文献[24]采用S变换提取扰动信号的特征信息,利用Mercer核的聚类方法进行聚类分析,构建动态的支持向量机分类决策树,实现分类标签的自动增长和扰动类型的自动识别。文献[25]提出一种基于S变换支持向量回归(Support Vector Regression,SVR)方法进行单一和复合扰动的预测。其思路是首先利用S变换提取复合扰动的特征,再用SVR预测复合扰动的种类,论文分类的三种主要类型包括:与基本成分相关的扰动,如电压暂升、暂降、中断;其他扰动,如谐波、电压切痕、暂态等;早期故障等。文献[26]提出一种S变换与神经网络相结合的复合扰动分类方法。该方法利用S变换提供独立的频率分辨率,同时能定位信号的实部和虚部的频谱,将扰动信号的时频域特征分别输入到前馈神经网络和概率神经网络中进行分类。文中对电压暂降与谐波的复合扰动以及电压暂升与谐波的复合扰动进行了识别,但效果均不及单一扰动的识别好。文献[27]利用S变换对暂态多扰动信号进行时频分析,提取扰动信号的特征量,生成用于对暂态多扰动信号进行分类的决策树分类辨识方法,以此来实现对暂态多扰动信号的分类辨识。文献[28]提出了一种基于S变换、加窗插值快速傅里叶变换和概率神经网络的电能质量扰动检测和分类方法。该方法应用S变换和加窗插值快速傅里叶变换对电能质量多扰动信号进行时频分析,获取信号特征量,输入到概率神经网络用于复合扰动的分类。

(3)小波变换+神经网络

文献[29]提出一种识别电能质量复合扰动的新方法。该方法首先对滤波后的信号进行小波变换,利用Teaser能量算子判断信号是否发生了频率波动、电压暂降、电压暂升或电压中断等扰动,采用Prony算法分析去除低频分量后的其他分量,判断信号是否包含有谐波、间谐波或振荡暂态等扰动,最后对高频分量进行扰动起止时刻与加窗扰动能量计算,判断信号是否发生了脉冲暂态扰动或电压缺口扰动。文献[30]利用小波变换与神经网络对电压暂降与谐波、电压暂升与谐波两种复合信号进行了分类研究,分类方法采用标准熵和多层神经网络感知器结合的方法。文献[31]提出一种自适应结构神经网络进行复合扰动分类方法。首先利用小波变换提取电压暂升、暂降、中断、脉冲、谐波及闪变的特征,并利用幅值检测器、暂态检测器与神经网络对多种扰动进行了分类。文献[32]利用离散小波变换提取扰动信号的多种特征,采用主成分分析法对信号最有特征进行选择,再将最优特征输入至小波神经网络,对8类单一扰动及8类复合扰动进行了分类识别。文献[33]提出一种利用多神经网络的改进复合扰动分类器。首先通过小波变换获得小波系数,再利用主成分分析方法降低输入空间的维数,最后利用多个不同结构的神经网络进行复合扰动分类。文献[34]提出一种基于小波变换和概率神经网络的复合扰动分类系统。小波变换用于提取特征向量,特征向量由小波系数在每层上被划分为5个等长的二进制目标文件组成,然后输入概率神经网络进行分类。文献[35]提出一种结合小波变换和动态结构神经网络的复合扰动分类方法。该方法利用小波变换提出扰动波形,输入动态结构神经网络进行扰动分类,可以估算扰动信号的幅值,识别在电能质量中同时存在的暂态和稳态复合扰动。文献[36]在实际测量系统中实现了文献[35]中小波变换和结构动态测量结合的分类方法,进行了复合扰动(如单干扰,双干扰和多干扰)的多种电能质量扰动的神经网络集成,并开发了相关程序。

(4)支持向量机

文献[37]提出一种小波多分类支持向量机的集成模型,其主要思路是结合线性支持向量机与扰动-正常(Disturbances-versus-normal)方法,形成一种新的支持向量机分类方法,用于电能质量复合扰动的分类和识别,并与基于小波的多层感知神经网络进行比较。文献[38]针对支持向量机的两分类问题,提出基于一对一(One-versus-one)方法的支持向量机方法,用于解决复合扰动的分类问题,并与神经网络方法进行了仿真对比。但是这两种方法没有考虑多标签分类中各单类别之间的相关性[39]。文献[40]提出利用独立分量分析和支持向量机结合的一种嵌入式电能质量监视系统,该系统能够分类多重的电能质量扰动。文献[41]尝试利用高斯核优化特征向量以改善支持向量机的整体性能,并用于电能质量扰动的分类。其思路是利用小波变换提取扰动信号特征,再利用模糊离散调和搜索(Fuzzified discrete harmony search)选择最优分类特征,最后利用支持向量机进行分类。文献[42]采用多类分类支持向量机(Ohio State University_SVM,OSU_SVM)进行电能质量扰动的分类识别,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到OSU_SVM进行电能质量扰动多类分类。

(5)其它方法

除了利用S变换、小波变换、神经网络和支持向量机进行电能质量复合扰动的分类外,还有一些其它方法。如:文献[43]利用一种非监督学习方法-独立分量分析法对复合扰动进行了分解,并利用高阶累量和人工神经网络进行了电能质量复合扰动的识别。文献[44]提出了一种基于动态时间规整算法(Dynamic time warping)的电能质量复合扰动分类方法。该方法利用矢量量化和快速匹配技术加速分类过程,利用Walsh变换和快速傅里叶变换提取特征,并与传统神经网络和模糊逻辑分类器进行仿真结果比较。文献[45]将独立分量分析方法应用于从电能质量复合扰动中的分类单一扰动。文献[46]采用解调概念分离不同单一和电能质量复合扰动,利用幅值调制、频率调制和MUSIC谐波分析构造知识基,利用模糊乘积聚合推理准则(Fuzzy product aggregation reasoning rule)分类电能质量复合扰动。文献[47]基于专门神经网络(Specialized neural networks)提出一种自动分类系统用于电能质量复合扰动分类。这里的专门神经网络是指:利用陷波滤波器处理采集的扰动电压信号,将滤波后的信号进行预处理,最后进行神经网络的分类。文献[48]提出了一种新的电能质量分层分类识别新方法。该方法通过dq变换、广义形态滤波、傅里叶变换提取出扰动的幅值、时间、频域奇异熵等特征并对其进行分类,依据各层分类结果对信号的扰动类型进行综合识别。文献[49]提出了一种基于聚类经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)电能质量扰动检测方法。该方法采用EEMD对扰动信号进行分解,对电压骤升、电压骤降、电压中断、暂态振荡、暂态脉冲以及复合扰动进行了分析,通过瞬时频率准确定位扰动时刻,利用瞬时幅值对扰动进行定量描述。

2.2 多标签分类方法

电能质量扰动识别问题是一个典型的模式识别问题,许多学者发现电能质量复合扰动识别问题呈现出了一种极为特殊的性质,而这种性质在文本识别、语音识别、医学诊断场景下已经被人们所关注,问题中的单个对象可以同时属于多个类别,这就打破的传统的模式识别规则,这类问题被命名为多标签分类问题[50]。文献[14]指出,电能质量扰动分类是一个多标签问题,而用于解决多标签问题的策略包括直接分类法、两类分类法、排位分类法。

前面提及的方法大多为直接分类法,这一类方法的最大问题是随着复合扰动种类的增加,分类标签就会几何倍数的增长,分类器复杂度和计算量将不能被接受。文献[37]实质为两类分类法,其策略则是将复合扰动分类问题分解为多个2分类问题,进而通过每个分类器输出的组合达到识别复合扰动的目的,这类方法的问题在于没有考虑标签之间的相关性。第三种排位分类法源自于医学、图像等分类的方式,这类方法的优势在于可以充分考虑标签之间的相关性,并且使得输出结果更富有实际意义。文献[14,51]在这方面做出了尝试,分别提出了多标签分类排位分类算法k-邻近贝叶斯多标签分类法和基于C聚类排位的RBF多标签神经网络分类法,并将多标签分类器的评价标准引入到电能质量复合扰动分类中,实验结果证实了方法的适用性和有效性。此外,还有一些近似为多标签分类的方法,如文献[52]通过对电能质量信号的时频域特性进行分析,获得各种单一扰动的相互关系,利用组合方法提取一组有效的特征量,输入到自行构造的自动识别系统进行分类,取得了不错的效果,可以看作是多标签分类的另一种策略。

解决多标签分类问题的关键在于有效利用标签之间的相关性,根据对相关性利用的方式不同,分类方法可以分为三个发展阶段:(1)第一阶段是将问题分解为多个二分类问题,但忽略了标签之间相关性,其特点是简单易行、效果不佳,典型代表为多标签k邻近(k-nearest neighbor,KNN)方法[53];(2)第二阶段是基于排位思想的分类策略,对相关和无关标签进行排序,考虑这两类标签之间的相互作用,该类方法是目前的主流研究方向,典型代表有排位支持向量机(Rank-support vector machine,Rank-SVM)[54]、多标签BP神经网络[55]、多标签RBF神经网络等[16];(3)第三阶段,综合考虑各个标签之间的相互关联性,是解决多标签问题的理想方法,却面临着维数灾和模型复杂度过高等问题[56]。

3 结束语

电能质量复合扰动的分类问题相比与传统单一扰动识别具有较大的难度,其主要问题在于不同单一扰动特征量的相互重叠、交叉和影响。因此,对于电能质量复合扰动正确分类的重点在于不同特征量耦合的分离与新特征量的提取。如:利用独立分量分析、时频分析和信号处理等手段实现特征提取。对识别方法的来说,如何选择方法的评价标准十分重要,应当考虑以下三个方面。

(1)分类方法普适性:

用于电能质量复合扰动分类的方法也应该适合于电能质量单一扰动的分类;

(2)特征量有效性:

提取特征量时,复合扰动的特征量不同于单一扰动,由于各种单一扰动并非简单的线性叠加,其时频特征均会发生改变;特征量的适用性应加以考虑,在某些情况下特征量会发生失效,例如在基波存在幅值扰动时,信号的功率谱就会被污染等。

(3)评价指标合理性:

电能质量复合扰动分类方法的评价指标与单一扰动分类有很大不同,为了保证分类结果直观性,按照样本整体分类准确率评价的传统方法仍有一定意义的;另外,需要加入新的评价标准,以衡量分类方法的全面性和均衡性。

暂态电能质量扰动 篇6

关于电能质量扰动信号的分析方法, 主要有傅里叶变换、小波变换、Prony算法、S变换以及Hilbert-Huang变换等。其中, 傅里叶变换一般用于分析稳态电能信号, 存在频谱泄露和栅栏效应。文献[5]采用Prony算法对电能质量扰动信号进行分析, 采用该算法精度比较高, 但是容易受到噪声的影响。文献[6,7,8]分别采用小波法及改进小波法对电能信号进行分析, 此类方法可以对电能质量暂态信号进行比较准确的分析, 但和Prony算法一样, 基于Nyquist定理进行采样, 需要进行大量数据的采样, 并且数据的压缩复杂度也比较高。S变换结果只包含幅值信息, 不能对频率变化和谐波的相关参数进行估计与测量[9], HHT具有自适应性, 但只对连续信号进行解析分析。

针对传统采样理论以及信号处理方法的不足, 压缩感知理论逐渐被应用到电能质量分析中[10,11,12,13], 本文首先对压缩感知理论进行了阐述, 进行了不同恢复算法的信号重构, 简单分析了不同算法的重构效果以及性能指标, 最后对压缩感知在电能质量扰动信号中的应用进行了展望。

1 压缩感知理论

压缩感知理论的主要思路为:如果一维源信号在某域内具有K-稀疏性 (K小于源信号的长度) , 则可对源信号进行压缩观测, 然后采用重构算法对稀疏观测后的矩阵进行重构。图1为压缩感知理论的基本结构图:

2 国内外研究现状

压缩感知理论将满足稀疏性的信号进行压缩, 进而采用重构算法对压缩后的信号进行重构, 既可以降低信号数据的存储与传输, 又能降低对硬件的要求, 因此, 受到了国内外专家的普遍关注[14]。现在, 压缩感知理论在图像与模式识别、无线传感网络等领域得到了广泛的应用。

压缩感知理论包括三大核心:信号的稀疏性、压缩观测和重构算法。其中, 源信号满足稀疏性是应用压缩感知的前提, 并且需要寻找与稀疏基不相关的观测矩阵对原始信号进行压缩观测, 然后采用算法对压缩观测信号进行重构从而重构源信号。

2.1 信号的稀疏表示

信号的稀疏性是进行压缩采样的前提, 其决定了压缩采样的个数、算法的复杂度以及信号的重构精度。目前稀疏表示主要有稀疏字典与稀疏分解算法两种。

1) 稀疏字典:稀疏字典包括正交基字典和超完备冗余字典。正交基变换结构简单、算法复杂度低, 但不能对复杂信号稀疏度进行准确表示。超完备冗余字典可以准确的对源信号稀疏性进行表示, 超完备字典的原子种类包括Ricker子波、Chirplet、Curvelet、FMmlet、Contourlet、各向异性精细原子等[15]。

2) 稀疏分解算法:稀疏分解算法在不改变信号特征的情况下选取稀疏度最好的原子对信号进行稀疏表示, 包括基追踪算法和贪婪算法。其中, 基追踪算法可以实现全局最优化, 但是算法复杂, 主要用于解决凸优化问题;贪婪算法需对信号实时投影计算, 包括匹配追踪法、正交匹配追踪算法、迭代阈值法以及智能优化算法等[16]。

2.2 观测矩阵

观测矩阵是实现压缩感知算法的关键。观测矩阵需要满足硬件容易实现、采样复杂度低等优点, 并且与稀疏基具有不相关性。其中, 随机观测矩阵、确定性观测矩阵和自适应观测矩阵在压缩感知中应用最多。

2.3 重构算法

由压缩感知算法可知, 对原始信号的重构就是求解最优问题。常用的重构算法有凸松弛算法、贪婪追踪算法和组合算法[17]。

凸松弛算法将非凸问题转化为凸问题, 进而对最优值进行求解, 包括BP算法、内点法、梯度投影方法和迭代阈值法, 该算法所需观测点数少, 计算量较大。贪婪算法以上一步的局部最优值进行迭代对信号进行重构, 该算法包括匹配追踪算法、正交匹配追踪算法、分段OMP算法和正则化OMP算法。该类算法的实现时间比较长, 且重构精度与算法实现时间相关。组合算法要求信号的采样支持通过分组测试快速重建, 主要包括傅里叶采样、链追踪和HHS追踪等。目前, 粒子群算法以及改进粒子群算法也逐渐被应用到信号的重构中[18]。

3 在电能质量扰动信号中的应用

由于传统采样方式的固有缺点, 压缩感知理论逐渐被应用到电能质量扰动信号中, 包括压缩采样与信号重构。主要采用傅里叶变换基、二维小波基作为变换基进行压缩采样, 观测矩阵一般采用变密度采样模板和高斯随机矩阵, 信号的重构算法则选用基于TV最小化共轭梯度法、MP算法、OMP算法、快速贝叶斯匹配追踪法 (FBMP) 等作为重构算法对电能质量扰动信号进行重构。

本文以电压突降为例, 分别采用OMP、ROMP以及SPG恢复算法对原始信号进行重构, 并对其重构效果和压缩性能指标进行比较。重构效果如图2、3、4所示。

由图2、3可知, 以OMP算法、ROMP算法为代表的贪婪算法在重构精度上都比较低。SPG算法由于运用谱投影梯度方法计算更新方向与步长, 引进非单调性搜索策略使算法具有全局收敛性, 从而达到重构精度与算法效率的平衡。由图4可以看出, 重构信号与原始信号几乎完全重合, 因此其重构精度远远高于OMP算法、ROMP算法为代表的贪婪算法。

并且, 由运行结果可知以SPG为代表的凸优化算法的压缩性能指标高于贪婪算法, 但是SPG恢复算法由于算法复杂度比较高, 因此运行时间相对要长一点。

4 总结与展望

压缩感知理论突破了传统采样方式的限制, 大大减轻了数据采样的压力, 因此在电能质量分析领域得到了应用。但是, 压缩感知理论应用的前提是采样信号在某域内满足稀疏性, 并且在构造观测矩阵时需要考虑观测矩阵与稀疏矩阵具有不相关性。在选择恢复算法时, 既要考虑算法重构精度也要考虑算法的复杂度以及由此引起的运行效率。因此, 对于基于压缩感知理论的电能质量扰动分析, 仍存在以下问题:

1) 电能质量扰动信号的稀疏性是进行压缩采样的前提, 对于不同时刻、不同时间长度的扰动, 信号的稀疏度是否不同?应如何考虑?

2) 恢复算法的设计, 凸优化算法与智能优化算法已经达到了很高的重构精度, 但是未考虑其硬件的可行性, 尤其对于智能优化算法来说。

3) 恢复算法仅对原始信号进行重构, 并没有对扰动发生与结束的时间进行判断。

4) 仅考虑扰动信号基波情况, 并没有考虑其多次谐波时的重构精度以及算法的运行效率。

基于此, 压缩感知理论在电能质量扰动信号中的深入应用仍有很大的研究空间。

摘要：压缩感知理论可以解决传统采样方法中采样数据量大、采样时间较长以及压缩复杂度高的问题, 因此在图像压缩、电能质量分析、信号处理领域得到了广泛的应用。因此, 本文对其理论以及在电能质量分析中的应用与展望进行了综述。首先对压缩感知的基本原理进行了阐述, 并对压缩感知的三个关键部分进行了介绍, 对其在电能质量研究领域的现状进行重点介绍, 最后对其在电能质量的深入应用进行了展望。

暂态电能质量扰动 篇7

PQD治理系统如图1所示, 从中可以看出PQD识别主要包括扰动特征提取和分类器设计两个环节, 而有效特征的提取是提高识别率的关键因素之一。

1 电能质量扰动的特征

特征为扰动识别提供依据。直接对各种扰动信号时域波形进行特征提取, 所能提取的特征主要有扰动波形幅值、均方根值、均值或能量、扰动持续时间等, 直接利用这些特征对含有基波的PQD信号进行识别, 扰动信号还不能有效的识别。为了提高扰动识别的分类率, 一般都要对含有扰动的原始信号进行数学变换, 在扰动新的变换域中可以实现对扰动信号由表及里、由粗及精的分析, 进而揭示各种扰动内在不同, 从中找到更为有效的扰动特征。

2 特征提取方法

基于数学变换的特征提取方法主要有的基于时频分析的方法和基于非时频分析的方法。其中, 基于非时频分析的方法主要包括Hirbert变换、FFT变换、数学形态学、dq0变换和瞬时无功功率理论等方法。基于时频分析的方法主要包括小波变换、希尔伯特-黄变换、S变换等。基于以上几种分析方法的PQD的特征提取是识别扰动的基础。

2.1 非时频方法

(1) dq变换。

如图2所示, 三相标准电压经过变换后, 在d, q轴上表现为直流分量。且由式中可知, 当w=1w且ϕ=0时, d轴的直流分量为0, q轴的直流分量为, 再在q轴上就相当于减去了三相标准的正弦基波, 剩下部分经过反变换后就得到了扰动信号。

其中

文献[4]将dq变换后直轴和交轴的输出量的平方和作为特征量对低频、高频振荡、脉冲暂态和谐波进行识别。文献[5]通过dq变换监测瞬时有效值是否超过一定的限值识别有电压骤降和骤升。文献[6]利用dq变换结果进行处理作为相位跳变和频率偏移扰动识别的依据。文献[7]通过dq0变换计算波动开始至扰动结束的最大值、平均值、最小值和持续时间作为特征对多相同时出现电压暂升、电压暂降等扰动进行识别。

dq0变换能够反映扰动随时间的变化规律, 但对表述信号的另一个重要参数—频率却无法反映, 这是dq0变换方法的不足。

(2) FFT变换。

FFT变换是离散傅氏变换的快速算法, FFT存在频谱泄露和栅栏效应等缺陷, 无法满足对具有暂态、突变等特性的电能质量扰动非平稳信号进行分析的要求。通常采用加窗插值算法对F F T算法进行修正, 可大大减小频谱泄露, 有效抑制各次谐波之间的干扰[8], 在谐波和间谐波等稳态信号的分析中是很有优势的。文献[9]通过FFT变换得到频域最大3个波峰值及其对应的频率点6个频域特征量对扰动进行识别。文献[10]对小波系数呈现相似分布的陷波和谐波应用F F T变换后的频谱特性进行区分。文献[11]根据闪变的频谱只分布在基频及其附近, 利用FFT提取特征并对谐波与闪变进行识别。

虽然FFT变换能够将信号的时域特征和频域特征联系起来, 分别从信号的时域和频域观察, 但却不能把二者有机地结合起来。

2.2 时频方法

(1) 小波变换。

小波变换是由Morlet于1980年在进行地震数据分析工作时创造的。小波就是最短最简单的振动。小波分析方法是一种窗口大小固定但其形状可改变的时频局部化分析方法。它在低频部分具有较高的频率分辨率和较低的时间分辨率, 而在高频部分具有较高的时间分辨率和较低的频率分辨率。对于电能质量领域的非平稳时间序列, 小波变换在提取这类PQD特征优势很明显。近年来, 国外许多学者都利用小波变换对电能质量问题进行研究。文献[12]利用Daubechie先提取基波频段所在的小波系数将电压暂升、电压暂降和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量, 区分暂态脉冲和振荡。文献[13]采用了db4小波对PQD进行分解, 计算各尺度的能量和与基波信号能量作差作为特征对电压暂升、电压暂降和电压中断识别。

小波变换的本质是度量被分析信号波形与所用小波波形的局部相似程度。要想使这种变换方法取得成功, 选择合适的小波, 使之尽可能地与被分析的信号相匹配, 是必须认真考虑的关键问题。不同的小波基在正交性、紧支性、平滑性甚至对称性上表现出不同的特性, 不同的小波基对同一信号的分析效果是不同的。小波基的选取没有固定的模式, 一般依据其对待分析信号的检测效果来确定。但实际上进行PQD类型识别时, 由于无法提前预知扰动类型, 所以就只能采用一种类型的小波基和固定的尺度数去分析所有类型的扰动波形。今后要做的工作应该是找出最适合电能质量分析的小波基函数。

(2) S变换。

S变换是Stockwell等人于1996年提出的一种时频分析方法, 它继承和发展了小波变换和STFT变换的局部化思想。利用S变换可以独立分析信号各频率分量的幅值变化特征, 并且可以得到更高的频率分辨率[14]。由信号S变换得到的幅值矩阵与STFT变换一样也为一个2维矩阵, 其行、列分别对应采样点与频率值, 矩阵元素为对应时频点的幅值。目前, 基于S变换的PQD特征一般是从待分析扰动信号的S变换幅值矩阵中提取。文献[15]利用S变换提取以下3组特征向量:S变换幅值矩阵中与额定频率对应的行向量、各频率对应的行向量的平均值组成的向量以及各频率对应的行向量的标准差组成的向量, 实现了7种单一型PQD的有效识别。文献[16]利用信号不同分辨率的S变换提取信号的时频特征并利用14条规则实现了7种扰动类型的识别。以上这些基于S变换的PQD特征提取方法, 可以直观地、定性的反映PQD信号变化特点[17]。

2.3 各方法的分析比较 (见表1)

特征的有效与否要看对PQD分类率的高低, 一般一种单一的特征提取方法很难对所有PQD准确识别, 只能有效识别部分扰动。为了提高扰动的识别, 一般要根据不同扰动的特点选择不同的特征提取方法, 如文献[18]利用信号S变换幅值矩阵和时域信息直接提取与各类电能质量扰动相应的特征, 实现了不同噪声水平下的多种PQD的有较识别。文献[19]利用扰动的Hibert包罗线和FFT变换提取时域特征实现了8种常见扰动的识别。文献[20]利用统计特性, 提出了短窗功率算法和短窗自相关算法, 能在噪声情况下定位扰动时间并实现识别。文献[21]提出利用瞬时无功功率理论并结合差变法来实现扰动信号的定位与识别, 该方法简单、快捷, 但噪声的影响会使分析产生较大的误差。文献[22]采用差变信号与复小波相结合, 利用二十进制转换法对电能质量扰动进行识别, 不同的电能质量扰动信号对应特有的二进制码, 这种识别方法避免了歧义性问题, 具有快速、准确、可扩展等特点。文献[23~24]利用数学形态学在保留突变点信息方面的优越性, 结合网格分形或dq分解, 对扰动进行了快速而准确的时间定位, 也便于提取特征, 进行识别[25]。

3 结语

从上文分析中可以看出, 各种特征提取方法具有各自优点的同时不可避免地存在各种缺点, 没有一种方法能有效的将目前已知的PQD的识别提至较高的水平, 这是由PQD自身特点所决定的。未来PQD特征提取的方法将向以下两个方向发展。

(1) 更多特征提取方法的结合。特征提取方法的目标是为了提高扰动识别的准确率, 各种种扰动产生的机理又千差万别, 这很难有一种方法实现对各种扰动的识别。