幾種電能質(zhì)量擾動(dòng)檢測(cè)和分類方法研究

摘要：隨著電力行業(yè)的發(fā)展、新型電力電子器件和大量非線性負(fù)荷的使用，致使電能質(zhì)量問題正變得越來越嚴(yán)重，同時(shí)，電力供應(yīng)商和電能消費(fèi)者均對(duì)電能質(zhì)量提出更高的要求。電能質(zhì)量擾動(dòng)信號(hào)的識(shí)別分類是進(jìn)行電能質(zhì)量擾動(dòng)參數(shù)分析、定位擾動(dòng)信號(hào)發(fā)生的源頭，并對(duì)電能質(zhì)量進(jìn)行改善的重要前提。本文對(duì)幾種電能質(zhì)量暫態(tài)擾動(dòng)信號(hào)的定位與識(shí)別方法進(jìn)行了探討，簡(jiǎn)析它們?cè)谔幚黼娔苜|(zhì)量擾動(dòng)信號(hào)上的優(yōu)缺，為后續(xù)的相關(guān)工作提供參考。

關(guān)鍵詞：電能質(zhì)量；擾動(dòng)；定位與分類

1 電能質(zhì)量擾動(dòng)檢測(cè)方法

1.1 傅里葉變換

傅里葉變換就是把時(shí)域上的信息映射到了頻域上，因此可以分別從時(shí)域和頻域兩個(gè)角度來觀察信號(hào)所具有的特性。但傅里葉變換只能反映信號(hào)在整個(gè)時(shí)間軸上的整體信息，卻不能反映局部時(shí)間上頻率特性。因此，傅里葉變換只適合處理一些平穩(wěn)的、隨時(shí)間周期變化的信號(hào)，否則會(huì)出現(xiàn)柵欄效應(yīng)和頻譜泄露。離散傅里葉變換（Discrete Fourier Transform，DFT）在頻域檢測(cè)中也得到了廣泛的應(yīng)用，通過加窗、插值及頻譜校正等方式在傅里葉方法上進(jìn)行了改善，使得變換速度和計(jì)算精度得到了很大的提高。而后又提出了快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT），因其克服了DFT的計(jì)算量大等問題，使得其運(yùn)算速度得到很大的提升。

1.2 小波變換

小波變換是一常用的處理電能質(zhì)量的時(shí)頻域分析法。小波變換可以很好的處理非平穩(wěn)的信號(hào)，并且它能夠同時(shí)從時(shí)域和頻域進(jìn)行觀察，可以用一個(gè)二維矩陣實(shí)現(xiàn)信號(hào)的重構(gòu)和局部變化，它的時(shí)頻窗口可以自適應(yīng)變化，具有良好的時(shí)頻局部化特性。而能否選取合適的小波基使得小波變換的分析結(jié)果差別很大，而且小波變換的冗余度和計(jì)算量都較大。連續(xù)小波變換、離散小波變換、小波包變換等改進(jìn)型方法克服了小波變換的缺陷在實(shí)際中得到大量應(yīng)用。

1.3 希爾伯特黃變換

希爾伯特黃變換（Hilbert.Huang Transform，HHT）也是一種時(shí)頻域分析法，實(shí)現(xiàn)了完全自適應(yīng)并對(duì)非平穩(wěn)信號(hào)有著精準(zhǔn)的分析。能同時(shí)滿足時(shí)間域和頻率軸上所要求的精度要求，對(duì)突變信號(hào)的處理性更強(qiáng)。但其需要復(fù)雜的遞回，運(yùn)算時(shí)間反而比短時(shí)傅里葉變換要長(zhǎng)。由于HHT擁有自身的有點(diǎn)，填補(bǔ)了FT先天系統(tǒng)的制約，將兩種方法交相使用后，對(duì)信號(hào)的分析得到能力大大加強(qiáng)，得到更多的信號(hào)訊息。

1.4 S變換

S變換是在FT和小波變換基礎(chǔ)上提出的一種可逆的時(shí)頻分析算法。S變換有著更強(qiáng)的局部分析能力和很強(qiáng)的自適應(yīng)性，兼并了FT和小波變換兩者的優(yōu)點(diǎn)，也很大程度上克服了兩者的缺陷。S變換所加的窗寬與頻率的倒數(shù)成正比[1]，正好克服了小波變換在低頻下時(shí)間分辨率較差和在高頻下頻率分辨率較差這一缺點(diǎn)，而且擁有比小波變換更好的抗噪性和表征信號(hào)的特征量。但由于S變換計(jì)算比較繁瑣，難以實(shí)現(xiàn)對(duì)擾動(dòng)信號(hào)的實(shí)時(shí)監(jiān)測(cè)。像廣義的S變換，雙曲S變換和多分辨率的廣義S變換等，其計(jì)算精度和算法速度得到很大的提高。

2 電能質(zhì)量擾動(dòng)分類

2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）是一種基于分布式并行信息處理的算法模型。其由大量的神經(jīng)元組合而成，根據(jù)組合方式的不同可得到BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)和自組織神經(jīng)網(wǎng)絡(luò)等。使用該算法實(shí)現(xiàn)對(duì)擾動(dòng)信號(hào)的模式識(shí)別分類，需要將擾動(dòng)信號(hào)特征量輸入人工神經(jīng)網(wǎng)絡(luò)分類器中，然后根據(jù)分類規(guī)則進(jìn)行分類。由于人工神經(jīng)網(wǎng)絡(luò)通過判別函數(shù)去計(jì)算已知類的樣本，而對(duì)于未知類樣本不做任何監(jiān)督，特別是當(dāng)數(shù)據(jù)不充分時(shí)，神經(jīng)網(wǎng)絡(luò)就無法工作。

2.2 決策樹

決策樹利用歸納的算法制定分類規(guī)則，利用分層操作，對(duì)樣本數(shù)據(jù)中的每個(gè)屬性進(jìn)行逐一劃分，越向下的分支分的越細(xì)。所以決策樹算法的執(zhí)行效率高，分類結(jié)果明顯，而且比較適合處理復(fù)合的電能質(zhì)量擾動(dòng)信號(hào)。但決策樹比較依賴于訓(xùn)練樣本，訓(xùn)練樣本的好壞直接影響分類結(jié)果，并且決策樹算法缺乏伸縮性，難以處理龐大的數(shù)據(jù)。

2.3 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）就是通過一個(gè)平面或是超平面將分布式的樣本劃分為兩類。特別在處理小樣本、非線性以及高維模式中顯示出諸多優(yōu)點(diǎn)。在實(shí)際情況下，信號(hào)類別有很多種，想要對(duì)多個(gè)類別進(jìn)行歸類時(shí)SVM無法實(shí)現(xiàn)，所以多分類SVM被提出并應(yīng)用。但由于尋求一個(gè)最優(yōu)支持向量機(jī)核函數(shù)和參數(shù)顯得比較困難，所以核函數(shù)和參數(shù)的選取是問題的關(guān)鍵所在，并直接影響分類結(jié)果。

2.4 人工免疫系統(tǒng)

人工免疫系統(tǒng)（Artifical Immune System，AIS）是在生物免疫系統(tǒng)信息處理機(jī)制上發(fā)展起來的一種數(shù)據(jù)處理、歸納和推理策略。該方法將各特征量作為抗原，計(jì)算抗原與訓(xùn)練好的記憶細(xì)胞中抗體的親和度，根據(jù)親和度的大小得到抗原的類別[2]，實(shí)現(xiàn)分類。由于該算法需要通過大量的訓(xùn)練樣本來找到更好的訓(xùn)練方法，使該算法速度在實(shí)際應(yīng)用中受到一定的限制，不適合在線實(shí)時(shí)監(jiān)測(cè)的場(chǎng)合。

3 結(jié)語

電能質(zhì)量作為應(yīng)用最為廣泛的能源之一，從側(cè)面反映了一個(gè)國家的經(jīng)濟(jì)科技發(fā)展?fàn)顩r。電能質(zhì)量的好壞直接影響著經(jīng)濟(jì)發(fā)展?fàn)顩r。由電能質(zhì)量所引發(fā)的問題不只是降低了用戶的生產(chǎn)力，削弱企業(yè)的競(jìng)爭(zhēng)力，甚至可能會(huì)影響到就業(yè)問題，對(duì)社會(huì)造成重大影響。因此，迅速、準(zhǔn)確、可靠地對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行檢測(cè)定位與識(shí)別分類，能夠使相關(guān)設(shè)備及時(shí)、準(zhǔn)確地動(dòng)作，保證了設(shè)備、產(chǎn)品的安全，切實(shí)地維護(hù)了用戶和電力供應(yīng)商的利益。

參考文獻(xiàn)：

[1]劉博.基于模糊邏輯的電能質(zhì)量暫態(tài)擾動(dòng)分類研究[D].哈爾濱工業(yè)大學(xué)，2016.

[2]張亞萍.電能質(zhì)量擾動(dòng)檢測(cè)與定位方法研究[D]. 湖南大學(xué)，2016.

作者簡(jiǎn)介：楊正凡（1993），男，漢族，江蘇鹽城人，碩士，研究方向：智能控制。