基于模糊聚類分析的電能質(zhì)量擾動(dòng)模式識(shí)別方法

陳向群，楊茂濤，劉謀海，黃 瑞，余敏琪，王 智

(1.國(guó)網(wǎng)湖南省電力有限公司供電服務(wù)中心(計(jì)量中心)，湖南 長(zhǎng)沙 410004；2.智能電氣量測(cè)與應(yīng)用技術(shù)湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410004)

社會(huì)工業(yè)的不斷發(fā)展使得電力系統(tǒng)中非線性負(fù)載、沖擊性和不平衡負(fù)載大批量投入電力網(wǎng)絡(luò)中，這些負(fù)荷中含有大量的非平穩(wěn)信號(hào)，極易引發(fā)系統(tǒng)出現(xiàn)電能質(zhì)量擾動(dòng)問(wèn)題，如：設(shè)備過(guò)熱、電動(dòng)機(jī)失速、保護(hù)不靈敏以及測(cè)量精度不準(zhǔn)確等都會(huì)導(dǎo)致嚴(yán)重后果，這較大程度影響了廣大居民的生活品質(zhì)，甚至將造成巨大的經(jīng)濟(jì)財(cái)產(chǎn)損失。如今全球大力推行發(fā)展綠色節(jié)能電力，光伏和風(fēng)力發(fā)電等綠色能源在發(fā)電領(lǐng)域所占的比例逐年上升，使得電網(wǎng)中更多地利用到了電力電子設(shè)備，導(dǎo)致非平穩(wěn)信號(hào)的產(chǎn)生出現(xiàn)更加多元性，因此，要求更高質(zhì)量電能的供應(yīng)。由此可見(jiàn)，對(duì)電能質(zhì)量擾動(dòng)準(zhǔn)確識(shí)別的研究具有重要意義，是優(yōu)化改善電能質(zhì)量的一大基礎(chǔ)[1]。電能質(zhì)量擾動(dòng)識(shí)別主要分為兩步。

首先，因電能質(zhì)量擾動(dòng)信號(hào)多半為非平穩(wěn)信號(hào)，需要對(duì)這些擾動(dòng)信號(hào)進(jìn)行處理，去噪后再提取其特征值，目前有小波變換[1]、快速傅里葉變換(fast fourier transformation，F(xiàn)FT)[2]、時(shí)頻原子變換[3]、S變換[4-5]以及希爾伯特—黃(HILBERT HUANG tRANSFORM，HHT)變換[6-7]等特征提取方法。小波變換方法的時(shí)頻分辨率雖然是變化的，但分辨信號(hào)特征的能力不強(qiáng)，且分類器設(shè)計(jì)較為困難；FFT變換方法的數(shù)據(jù)窗口寬度恒定，因而其時(shí)頻分辨率也隨之保持不變，因此僅適于平穩(wěn)信號(hào)的處理；S變換方法在分析處理擾動(dòng)信號(hào)方面運(yùn)用較為廣泛，其時(shí)頻分辨率隨時(shí)間發(fā)生變化，且不敏感于噪聲，但對(duì)信號(hào)頻率的追蹤效果要求較高，暫態(tài)信號(hào)的檢測(cè)結(jié)果并不理想；HHT變換方法作為一種適用于非平穩(wěn)電能擾動(dòng)信號(hào)的時(shí)頻分析方法，具有優(yōu)越的信號(hào)處理及分析能力，其自適應(yīng)以及抗噪聲能力強(qiáng)，非常適合高頻擾動(dòng)信號(hào)的特征提取。

然后，將選取到的特征信息放入模式識(shí)別器中對(duì)其所表征的電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行自主識(shí)別。常用模式識(shí)別方法有聚類[8]、神經(jīng)網(wǎng)絡(luò)[9]、支持向量機(jī)(support vector machine，SVM)[10]、專家系統(tǒng)[11]以及決策樹(shù)方法[12-13]等。神經(jīng)網(wǎng)絡(luò)分析的成效有賴于提供的樣本數(shù)量；存在的擾動(dòng)類型較少時(shí)SVM分類效果優(yōu)秀，但在擾動(dòng)過(guò)多的情況下，其數(shù)據(jù)在高維空間的映射可能發(fā)生混疊現(xiàn)象，識(shí)別的準(zhǔn)確率會(huì)大幅下降；決策樹(shù)方法依靠閾值的選擇進(jìn)行擾動(dòng)識(shí)別，受噪聲影響大。上述方法雖采用了海量的樣本進(jìn)行數(shù)據(jù)分析，排除了特殊情況對(duì)模式識(shí)別的干擾，但皆只采用單一擾動(dòng)特征量的變化進(jìn)行判斷，未考慮到不同特征量的適用范圍在不同電網(wǎng)結(jié)構(gòu)下可能出現(xiàn)失效的情況，模式識(shí)別效果不佳，應(yīng)用存在較大限制。而聚類方法綜合多種擾動(dòng)特征量進(jìn)行模式識(shí)別，不受單一特征量的局限，識(shí)別準(zhǔn)確率較高。

為了解決傳統(tǒng)的電能質(zhì)量擾動(dòng)模式識(shí)別方法中僅使用單獨(dú)一個(gè)變量進(jìn)行識(shí)別使得識(shí)別錯(cuò)誤率較高的難題，提高識(shí)別的準(zhǔn)確性，本文采取基于模糊聚類分析的電能質(zhì)量擾動(dòng)模式識(shí)別方法，利用HHT變換從多種不同類型的電能質(zhì)量擾動(dòng)信號(hào)中提取相應(yīng)的擾動(dòng)特征量，再將其進(jìn)行模糊聚類分析，把這些電能質(zhì)量擾動(dòng)信號(hào)準(zhǔn)確歸類至光伏與公共電網(wǎng)擾動(dòng)兩大類別中，并在Matlab仿真環(huán)境中搭建模型進(jìn)行分析。

1 基于模糊聚類分析的電能質(zhì)量擾動(dòng)模式識(shí)別原理

1.1 HHT算法

HHT變換常用于選取電能質(zhì)量擾動(dòng)信號(hào)的各個(gè)特征量，能對(duì)系統(tǒng)受到的非線性、非平穩(wěn)擾動(dòng)信號(hào)進(jìn)行降噪處理，并提取所需要的擾動(dòng)特征量，該方法是EMD、Hilbert變換2個(gè)分析方法的統(tǒng)稱，先將采集到的各種擾動(dòng)信號(hào)分解成許多固有模態(tài)分量(intrinsic mode functions，IMF)之和，獲得各信號(hào)的局部特征，再變換獲得各個(gè)IMF所對(duì)應(yīng)的瞬時(shí)特征量[14]。HHT變換具備較高的時(shí)頻分辨率，改善了S變換方法較難檢測(cè)暫態(tài)信號(hào)的問(wèn)題，且計(jì)算簡(jiǎn)單、快速準(zhǔn)確，對(duì)各種類型的電能質(zhì)量擾動(dòng)信號(hào)的特征提取都適用，不受噪聲的影響。

EMD算法：從采集到的電能質(zhì)量擾動(dòng)信號(hào)中提取出若干固有模態(tài)函數(shù)(IMF)，包含大量的信號(hào)局部特征信息。

假設(shè)擾動(dòng)信號(hào)為s(t)，對(duì)EMD進(jìn)行求解的步驟如下。

1)采集擾動(dòng)信號(hào)s(t)的局部極大與極小值，分別繪制該信號(hào)的上、下包絡(luò)線v1(t)、v2(t)，并求出兩線的平均值：

(1)

2)將擾動(dòng)信號(hào)s(t)與平均值a(t)作差，得到：

b(t)=s(t)-a(t)

(2)

3)判斷b(t)是否滿足作為IMF所需的條件：①b(t)函數(shù)極值點(diǎn)數(shù)目和過(guò)零點(diǎn)數(shù)相等或者最多相差1；② 作b(t)的上、下包絡(luò)線的平均值，其在任一點(diǎn)處為零。若不滿足終止條件，則將b(t)作為新的信號(hào)s(t)重復(fù)上述步驟；若滿足，則繼續(xù)步驟4。

4)設(shè)定c=b(t)，c即為分解得到的一個(gè)IMF分量，繼續(xù)作差得到：

h(t)=s(t)-c

(3)

5)判斷h(t)是否滿足終止條件，若不滿足，則將h(t)作為新的擾動(dòng)信號(hào)s(t)重復(fù)上述步驟，直到滿足條件，此時(shí)得到第2個(gè)IMF分量。

6)相同地，可以得到更多的IMF分量，直到h(t)作為殘余分量成單調(diào)趨勢(shì)或含量極小，可以忽略不計(jì)，則EMD求解完畢。

可得擾動(dòng)信號(hào)s(t)的EMD分解為

(4)

Hilbert變換：對(duì)經(jīng)EMD算法分解得到的各IMF進(jìn)行分析，精確刻畫(huà)出各個(gè)時(shí)刻的瞬時(shí)頻率和幅值。

定義分解得到的某一IMF分量信號(hào)為x(t)，通過(guò)Hilbert變換可得：

(5)

由此可得x(t)的復(fù)分解信號(hào)：

z(t)=x(t)+jy(t)=u(t)ejθ(t)

(6)

其中，u(t)對(duì)應(yīng)為瞬時(shí)幅值，θ(t)為瞬時(shí)相位。

(7)

(8)

易知x(t)瞬時(shí)頻率表示為

(9)

基于Hilbert變換原理，將經(jīng)過(guò)EMD分解得到各個(gè)IMF分量的擾動(dòng)信號(hào)s(t)進(jìn)行變換得：

(10)

其中，因h(t)極小，可以忽略不計(jì)，取信號(hào)s(t)的實(shí)部，定義為Hilbert譜，以H(ω,t)表示，并對(duì)時(shí)間進(jìn)行積分，可得Hilbert邊際譜h(ω)，其通過(guò)概率來(lái)表示各頻率上的總振幅。

(11)

1.2 基于HHT變換的電能質(zhì)量擾動(dòng)特征提取

電能質(zhì)量擾動(dòng)信號(hào)主要分為光伏和公共電網(wǎng)擾動(dòng)兩大類別。因?yàn)楣夥盘?hào)受外界自然環(huán)境的影響較大，其波形存在間歇性、不穩(wěn)定的特征，因此，對(duì)電能質(zhì)量的干擾也是間歇與不穩(wěn)定的，不可避免地在電網(wǎng)中引起諧波[15]，且諧波的干擾會(huì)導(dǎo)致電網(wǎng)電壓出現(xiàn)變化，發(fā)生電壓驟升+諧波或電壓驟降+諧波等負(fù)荷擾動(dòng)類型；公共電網(wǎng)擾動(dòng)主要是電網(wǎng)自身變化導(dǎo)致其節(jié)點(diǎn)電壓發(fā)生驟變引起的電能質(zhì)量擾動(dòng)，主要為電壓驟升或驟降、電壓中斷等單一擾動(dòng)類型。這些擾動(dòng)信號(hào)皆為非平穩(wěn)信號(hào)，利用HHT變換從原始擾動(dòng)信號(hào)中得到其瞬時(shí)幅值u(t)、瞬時(shí)相位θ(t)、Hilbert譜H(ω,t)以及h(ω)，可以提取出擾動(dòng)信號(hào)的頻率分布、持續(xù)時(shí)間、電壓幅值有效值以及各頻段諧波電壓4種擾動(dòng)特征量的數(shù)據(jù)。

1)擾動(dòng)信號(hào)的頻率分布x′m1。Hilbert邊際譜h(ω)的波峰值可以清晰地判斷系統(tǒng)中的電能質(zhì)量擾動(dòng)信號(hào)中是否含有諧波成分，系統(tǒng)電壓在正常、驟升、驟降、中斷以及發(fā)生瞬時(shí)脈沖的情況下，Hilbert邊際譜顯示的波峰值對(duì)應(yīng)頻率不大于50 Hz；而擾動(dòng)信號(hào)中存在諧波時(shí)其對(duì)應(yīng)頻率大于50 Hz，可以判斷出諧波的存在，從而良好辨識(shí)出光伏擾動(dòng)類型。

2)擾動(dòng)信號(hào)的持續(xù)時(shí)間x′m2。Hilbert譜H(ω,t)中可知系統(tǒng)受到擾動(dòng)的初始以及結(jié)束時(shí)刻，由此得到擾動(dòng)持續(xù)時(shí)間，以判斷該擾動(dòng)是瞬時(shí)性或持續(xù)性信號(hào)，光伏擾動(dòng)信號(hào)的持續(xù)時(shí)間大于0.5 ms，而公共電網(wǎng)擾動(dòng)持續(xù)時(shí)間一般較短，由此特征可以一定程度區(qū)分出光伏擾動(dòng)和公共電網(wǎng)擾動(dòng)。

3)負(fù)荷節(jié)點(diǎn)電壓幅值變化有效值x′m3。以瞬時(shí)幅值u(t)計(jì)算擾動(dòng)持續(xù)時(shí)間段內(nèi)電壓的有效值，通過(guò)系統(tǒng)所受擾動(dòng)信號(hào)的電壓幅值變化情況判斷擾動(dòng)類型，光伏擾動(dòng)信號(hào)的電壓變化情況小于1 V，而公共電網(wǎng)擾動(dòng)的電壓變化遠(yuǎn)大于1 V，可以良好區(qū)分2種電能質(zhì)量擾動(dòng)類型。

4)各頻段諧波電壓x′m4。Hilbert邊際譜h(ω)提供了各頻段諧波的振幅，即各頻段諧波電壓，可以清晰地區(qū)分電能質(zhì)量擾動(dòng)信號(hào)中各頻段幅值大小，光伏與公共電網(wǎng)擾動(dòng)信號(hào)諧波電壓大小往往相差數(shù)10倍，易進(jìn)行區(qū)分判斷。

這些擾動(dòng)特征量較好地描述了光伏和公共電網(wǎng)擾動(dòng)類的特征，各特征量都能在一定范圍內(nèi)對(duì)擾動(dòng)信號(hào)類別進(jìn)行識(shí)別，但存在較大的局限性，直接使用HHT變換后提取的單一擾動(dòng)特征量進(jìn)行擾動(dòng)的辨識(shí)易造成錯(cuò)誤甚至無(wú)法識(shí)別的情況。

1.3 基于模糊聚類的擾動(dòng)類別數(shù)學(xué)模型搭建

為了提高電能質(zhì)量擾動(dòng)模式識(shí)別準(zhǔn)確率，改善當(dāng)前電能質(zhì)量擾動(dòng)模式識(shí)別技術(shù)僅依靠單獨(dú)一個(gè)擾動(dòng)特征量判別而導(dǎo)致識(shí)別準(zhǔn)確率較低的問(wèn)題，本文提出基于模糊聚類分析的電能質(zhì)量擾動(dòng)模式識(shí)別方法。首先進(jìn)行數(shù)據(jù)的采集及標(biāo)準(zhǔn)化處理，通過(guò)現(xiàn)有的配電線路測(cè)量設(shè)備采集n種存在擾動(dòng)的運(yùn)行狀態(tài)下被監(jiān)測(cè)線路的數(shù)據(jù)，并基于HHT變換分析提取s種擾動(dòng)特征量，這n個(gè)歷史特征樣本組成一個(gè)歷史特征樣本集，其中第m個(gè)樣本表示為

x′m=(x′m1,x′m2,…,x′ms)T

(12)

其中m為整數(shù)，取值區(qū)間為[1，n]，x′m1、x′m2、…、x′ms表示第m種擾動(dòng)情況下的數(shù)據(jù)所提取出的s個(gè)擾動(dòng)特征量的實(shí)際值。

標(biāo)準(zhǔn)化處理該樣本集可得：

(13)

其中j的取值范圍為[1，s]。經(jīng)標(biāo)準(zhǔn)化處理后，第m個(gè)樣本可表示為xm=(xm1,xm2,…,xms)T。通過(guò)式(13)可以同時(shí)得到系統(tǒng)實(shí)時(shí)運(yùn)行狀態(tài)下受到擾動(dòng)信號(hào)干擾時(shí)被監(jiān)測(cè)線路所提取出的實(shí)時(shí)特征樣本xg=(xg1,…,xgj,…,xgs)T，其中xg1,xg2,…,xgs表示被監(jiān)測(cè)線路實(shí)時(shí)提取出的s個(gè)擾動(dòng)特征量標(biāo)準(zhǔn)化后的值。

將標(biāo)準(zhǔn)化處理后的樣本x1，x2，…，xn代入模糊聚類中進(jìn)行處理，根據(jù)各個(gè)樣本特征相似程度將樣本劃分為光伏與公共電網(wǎng)擾動(dòng)類兩大類別。設(shè)目標(biāo)函數(shù)為

(14)

同時(shí)，計(jì)算出光伏、公共電網(wǎng)擾動(dòng)類各自的聚類中心以及隸屬度：

(15)

(16)

設(shè)定聚類中心Ai的初始值，并通過(guò)μim與Ai的相互迭代不斷更新各類別的聚類中心數(shù)據(jù)，當(dāng)其滿足目標(biāo)函數(shù)時(shí)停止迭代，此時(shí)將得到光伏、公共電網(wǎng)擾動(dòng)類各自最終的聚類中心，由此構(gòu)建出電能質(zhì)量擾動(dòng)信號(hào)歷史特征模型。

1.4 電能質(zhì)量擾動(dòng)模式識(shí)別判據(jù)的選取

在配電網(wǎng)中被監(jiān)測(cè)線路出發(fā)生電能質(zhì)量異常情況時(shí)，為了能夠?qū)崟r(shí)判斷其受到的擾動(dòng)模式，需計(jì)算實(shí)時(shí)特征樣本xg與各聚類中心的相似度，本文提出全頻段電壓突變值相似性度量判據(jù)，即通過(guò)2個(gè)樣本電網(wǎng)電壓突變量情況進(jìn)行電能質(zhì)量擾動(dòng)模式的識(shí)別。

實(shí)時(shí)特征樣本xg與第i類聚類中心Ai之間的全頻段電壓幅值變化量表示為

(17)

其中，ΔUg1表示實(shí)時(shí)特征樣本xg與光伏擾動(dòng)類聚類中心A1的變化量；ΔUg2表示實(shí)時(shí)特征樣本xg與公共電網(wǎng)擾動(dòng)類聚類中心A2的變化量。

定義光伏擾動(dòng)測(cè)度為

(18)

公共電網(wǎng)擾動(dòng)測(cè)度為

(19)

若λg1<λg2，則表示被監(jiān)測(cè)線路所采集的數(shù)據(jù)樣本xg被歸類于公共電網(wǎng)擾動(dòng)類，線路中包含有公共電網(wǎng)擾動(dòng)；若λg1>λg2，則線路中包含光伏擾動(dòng)。如圖1所示，當(dāng)配電網(wǎng)的電能質(zhì)量存在異常時(shí)，可能存在各條線路受到不同類別的擾動(dòng)情況，提取出各條線路的實(shí)時(shí)特征樣本，并計(jì)算與各類別聚類中心的擾動(dòng)測(cè)度，將所有信息進(jìn)行綜合分析，即可實(shí)現(xiàn)對(duì)電能質(zhì)量擾動(dòng)的精確識(shí)別，并為后續(xù)電能質(zhì)量的有效治理提供方向。

圖1 三判據(jù)擾動(dòng)特征量不同擾動(dòng)模式聚類Figure 1 Schematic diagram of three criterion perturbation characteristic quantities with different perturbation patterns

2 配電網(wǎng)電能質(zhì)量擾動(dòng)模式識(shí)別流程設(shè)計(jì)

基于模糊聚類分析的電能質(zhì)量擾動(dòng)模式識(shí)別原理，提出配網(wǎng)線路電能質(zhì)量擾動(dòng)模式識(shí)別流程，如圖2所示，線路擾動(dòng)判斷步驟如下：

1)采集電能質(zhì)量異常狀態(tài)下的配電網(wǎng)各線路上的數(shù)據(jù)，并通過(guò)HHT變換進(jìn)行各線路擾動(dòng)特征量的提取，之后將選取出的s種各樣本擾動(dòng)特征量定義為一個(gè)歷史特征樣本x′m，對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理，得到xm；

2)運(yùn)用模糊聚類算法對(duì)全部歷史特征樣本數(shù)據(jù)不斷迭代，最終分類為光伏、公共電網(wǎng)擾動(dòng)兩大類別，并計(jì)算得到各類別的聚類中心Ai；

3)實(shí)時(shí)監(jiān)測(cè)該配電系統(tǒng)中各個(gè)節(jié)點(diǎn)的電壓變化，一旦系統(tǒng)中出現(xiàn)電能質(zhì)量擾動(dòng)信號(hào)，導(dǎo)致電壓長(zhǎng)時(shí)間的偏移額定電壓值，立刻啟動(dòng)擾動(dòng)模式識(shí)別方案；

4)從配電網(wǎng)被監(jiān)測(cè)線路中采集擾動(dòng)發(fā)生后的數(shù)據(jù)，同樣基于HHT變換方法選取出s種擾動(dòng)特征量，作為實(shí)時(shí)特征樣本x′g；

5)標(biāo)準(zhǔn)化處理特征樣本x′g得到xg，分別求取xg與光伏擾動(dòng)類聚類中心A1、公共電網(wǎng)擾動(dòng)類聚類中心A2的擾動(dòng)測(cè)度λg1、λg2；

6)若λg1>λg2，則表示被監(jiān)測(cè)線路發(fā)生光伏擾動(dòng)，將xg歸類至光伏擾動(dòng)類樣本集，然后返回步驟 3；若λg1<λg2，則表示線路發(fā)生公共電網(wǎng)擾動(dòng)，將xg歸類至公共電網(wǎng)擾動(dòng)類樣本集。

按照上述流程運(yùn)行模式識(shí)別方案可以準(zhǔn)確進(jìn)行電能質(zhì)量擾動(dòng)模式的識(shí)別。

圖2 電能質(zhì)量各類擾動(dòng)識(shí)別流程Figure 2 Identification process of various disturbances in power quality

3 仿真分析

為了對(duì)本文電能質(zhì)量擾動(dòng)模式識(shí)別新方法有效性進(jìn)行驗(yàn)證，在Matlab仿真環(huán)境中搭建典型的配電網(wǎng)模型，其中包含有3條架空線路和1條電纜線路，饋線具體參數(shù)如表1所示。在每條線路始端處設(shè)置測(cè)量元件，并在各線路的末端施加不同類型的擾動(dòng)，廣泛采集各擾動(dòng)信號(hào)所包含的數(shù)據(jù)，并基于HHT變換提取其中包含的各類擾動(dòng)特征量，依次定義為x′m1、x′m2、x′m3、x′m4。

以表1配電網(wǎng)的參數(shù)設(shè)置模擬光伏、公共電網(wǎng)擾動(dòng)這2種不同類型的電能質(zhì)量擾動(dòng)情況，采集50組數(shù)據(jù)樣本(僅具體列出表征光伏、線路發(fā)生公共電網(wǎng)擾動(dòng)的歷史特征樣本中的典型8組樣本的擾動(dòng)信號(hào)識(shí)別情況并進(jìn)行分析)。16個(gè)樣本中各自的4個(gè)擾動(dòng)特征量數(shù)值如表2所示。利用50個(gè)歷史特征樣本中的擾動(dòng)特征量數(shù)據(jù)，通過(guò)式(15)計(jì)算得出光伏、公共電網(wǎng)擾動(dòng)類各自的聚類中心(具體坐標(biāo)數(shù)據(jù)如表3所示)，得到電能質(zhì)量擾動(dòng)模式歷史模型。

表1 配網(wǎng)系統(tǒng)參數(shù)Table 1 Distribution system parameters

表2 系統(tǒng)歷史特征樣本集Table 2 System history feature sample set

表3 歷史數(shù)據(jù)的聚類中心坐標(biāo)Table 3 Cluster center coordinates of historical data

運(yùn)用該配電網(wǎng)模型模擬2組光伏和2種公共電網(wǎng)擾動(dòng)情況，分別采集并利用HHT變換提取各自的擾動(dòng)特征量作為實(shí)時(shí)特征樣本中的數(shù)據(jù)記錄，如表4所示。根據(jù)式(18)、(19)計(jì)算各實(shí)時(shí)特征樣本相對(duì)于兩大擾動(dòng)類型的擾動(dòng)測(cè)度，如表5所示為被監(jiān)測(cè)線路的擾動(dòng)模式判斷結(jié)果，當(dāng)λg1>λg2時(shí)，該線路發(fā)生光伏擾動(dòng)；當(dāng)λg1<λg2時(shí)，線路發(fā)生公共電網(wǎng)擾動(dòng)，該結(jié)果與表4的擾動(dòng)假設(shè)樣本形式一致，驗(yàn)證了該模式識(shí)別方案可以精確別線路中發(fā)生的擾動(dòng)類型，具有可行性。

表4 實(shí)時(shí)特征樣本識(shí)別數(shù)據(jù)Table 4 Real time feature sample recognition data

表5 被監(jiān)測(cè)線路擾動(dòng)識(shí)別情況Table 5 Disturbance identification of monitored lines

4 結(jié)語(yǔ)

本文提出了基于模糊聚類分析的電能質(zhì)量擾動(dòng)模式識(shí)別方法，通過(guò)分析電壓幅值變化量的相似度，判斷待測(cè)實(shí)時(shí)特征樣本與歷史特征樣本之間的相似程度，將待測(cè)樣本分類至光伏擾動(dòng)類或公共電網(wǎng)擾動(dòng)類，從而進(jìn)行精確電能質(zhì)量擾動(dòng)模式識(shí)別。通過(guò)Matlab仿真驗(yàn)證了該識(shí)別方法能夠有效識(shí)別擾動(dòng)類型，具有較高的精確度，并得出如下結(jié)論：

1)基于HHT變換的電能質(zhì)量擾動(dòng)特征量提取方法，可以較簡(jiǎn)便地提取出電能質(zhì)量擾動(dòng)特征量，所提取的特征量可有效描述不同類型的電能質(zhì)量擾動(dòng)特征，為模糊聚類分析提供便利；

2)為解決傳統(tǒng)的電能質(zhì)量模式擾動(dòng)識(shí)別方法中僅使用單獨(dú)一種特征量進(jìn)行模式識(shí)別的局限，設(shè)計(jì)了基于模糊聚類的電能質(zhì)量擾動(dòng)模式識(shí)別的方法，使用多個(gè)擾動(dòng)特征量多維判斷識(shí)別電能質(zhì)量擾動(dòng)，大幅度提高其準(zhǔn)確性。

仿真分析結(jié)果表明，該電能質(zhì)量擾動(dòng)模式識(shí)別方法可有效提取多種擾動(dòng)特征量，且對(duì)擾動(dòng)類型識(shí)別的精度高，增大了該方法的普適性，也可以考慮將該擾動(dòng)模式識(shí)別方法與電能質(zhì)量治理相結(jié)合，具有工程應(yīng)用價(jià)值。