一种实时电能质量扰动分类方法

合集下载

基于HHT和决策树的电能质量扰动分类识别

基于HHT和决策树的电能质量扰动分类识别电能质量扰动是指在电力系统中由于各种原因引起的电压、电流和频率等电能质量参数的异常波动或变化。

电能质量扰动对电力系统的正常运行和电气设备的安全性和可靠性都会产生一定的影响，因此电能质量扰动的分类和识别对于电力系统的稳定运行和电气设备的保护具有重要意义。

本文基于Hilbert黄变换（HHT）和决策树方法来对电能质量扰动进行分类和识别。

希尔伯特谱分析是一种通过使用希尔伯特变换来提取信号的时频特性的方法。

希尔伯特变换可以将时域信号转换为时频域信号，从而可以准确地分析信号的瞬态和非平稳特性。

EMD是一种非线性信号分解方法，它能将任意一个非线性和非平稳信号分解为若干个固有模态函数（Intrinsic Mode Functions，IMF），每个IMF表示信号的不同振动模态。

通过对IMF进行谱分析，可以获得信号的时频特性。

将HHT方法应用于电能质量扰动分类和识别，首先将电能质量扰动信号进行EMD分解，得到若干个IMF分量。

然后对每个IMF分量进行希尔伯特谱分析，得到各自的希尔伯特谱特征。

接下来介绍决策树方法，决策树是一种常用的机器学习算法，它通过构建一棵树状结构来进行分类和预测。

每个节点代表一个属性或特征，每条边代表一个属性的取值，而每个叶节点则表示一个类别。

在电能质量扰动分类和识别中，可以将从HHT得到的希尔伯特谱特征作为输入特征，将电能质量扰动的类型作为输出类别。

通过对已经标记好的训练样本进行学习，决策树可以自动地构建一个分类模型。

在识别阶段，将未知电能质量扰动信号的希尔伯特谱特征输入到决策树模型中，经过判断和分类，即可得到扰动信号的类型。

总结一下，本文提出了基于HHT和决策树的电能质量扰动分类识别方法。

通过HHT的希尔伯特谱分析和EMD分解，可以提取扰动信号的时频特性。

通过决策树方法，可以构建一个分类模型，实现对电能质量扰动的自动识别。

该方法能够有效地对电能质量扰动进行分类和识别，并为电力系统的故障检测和故障处理提供参考。

电能质量扰动检测与抑制方法研究

电能质量扰动检测与抑制方法研究近年来，随着电力系统的快速发展，电能质量的稳定性和可靠性成为了人们关注的焦点。

电能质量扰动是指在电力系统中出现的电压、电流的异常波形，它会对电力系统的正常运行产生不利影响，甚至引发设备损坏、事故事项等问题。

因此，电能质量扰动的检测与抑制成为了电力系统研究中的重要方向。

一、电能质量扰动检测方法电能质量扰动检测通常可以通过检测发生扰动的电压和电流波形来进行。

实际上，电能质量扰动的检测方法主要包括以下几种：1. 时域分析法：时域分析法是通过对电能质量扰动信号进行采样，并通过对信号的时域分析，如查表法、偏移平均法等来判断是否存在电能质量扰动。

该方法简单直观，能够准确地判断扰动的发生和持续时间，但对于复杂的扰动波形可能存在一定程度的误判。

2. 频域分析法：频域分析法是通过对电能质量扰动信号进行快速傅里叶变换（FFT）或小波变换等，将信号转换到频域进行分析。

通过分析信号在频域的幅值和相位信息来进行扰动的检测和分类。

该方法对于不同频率的扰动具有较好的分辨能力，能够较为准确地判断扰动类型，并定位扰动发生的位置。

3. 统计分析法：统计分析法主要是通过对采集到的电能质量数据进行统计学的分析，包括均值、方差、概率等指标的计算。

通过统计学方法来判断电能质量是否发生扰动，并对扰动类型进行分类。

统计分析法适用于对长时间的电能质量数据进行分析，能够提供更为全面的扰动检测结果。

二、电能质量扰动抑制方法电能质量扰动的抑制方法主要包括以下几个方面：1. 滤波器的应用：滤波器是一种常用的电能质量扰动抑制方法。

通过选择合适的滤波器类型和参数，可以将电能质量扰动信号中的频率成分进行削弱或滤除，从而提高电力系统的质量稳定性。

2. 变压器的应用：变压器作为电力系统中常用的电能质量扰动抑制装置，通过调整变压器的使用方式和参数，如变比、变压器容量等来减小电能质量扰动对系统的影响。

3. 频率补偿装置的应用：频率补偿装置是一种针对频率扰动的抑制方法。

一种新的电能质量扰动分类方法

一种新的电能质量扰动分类方法
岑钊华;徐立成;杨嘉辉;刘士亚
【期刊名称】《现代机械》
【年(卷),期】2022()2
【摘要】在电力系统中,由于加入了大量非线性用电设备,导致电能质量大幅度降低。

对大规模电力系统进行实时性电压扰动识别,是提升电能质量的有效手段之一。

为
降低谐波扰动信号对电力网络的影响,通过对电压扰动信号建模,采用局部均值分解
与神经网络相结合来构建分类模型,实现对七种电压扰动信号的分类处理。

局部均
值分解通过三层分解,将电压扰动信号转化为电压幅频信息的乘积函数,送入神经网
络进行分类。

仿真结果证明了该方法的有效性。

【总页数】5页(P98-102)
【作者】岑钊华;徐立成;杨嘉辉;刘士亚
【作者单位】佛山市劲能电力工程有限公司;佛山科学技术学院
【正文语种】中文
【中图分类】TM712
【相关文献】
1.一种基于PSO-SVM的电能质量扰动识别与分类的新方法
2.一种实时电能质量
扰动分类方法3.一种电能质量多扰动分类中特征组合优化方法4.一种新的电能质
量扰动分类识别算法5.一种实时电能质量扰动识别分类方法
因版权原因，仅展示原文概要，查看原文内容请购买。

电能质量复合扰动分类方法研究

电能质量复合扰动分类方法研究
管春;何丰;周冬生;严少虎
【期刊名称】《重庆邮电大学学报（自然科学版）》
【年(卷),期】2010(022)005
【摘要】针对样本同时属于多个类别(或标签)现象的电力系统电能质量复合扰动,提出采用多标签分类方法来解决其分类识别问题.引入了电能质量复合扰动以及多标签分类的概念,提出了多标签分类器的评判指标,采用3种典型多标签分类器对电能质量复合扰动进行分类识别.仿真实验结果表明,在不同噪声条件下,多标签分类方法可以有效分类识别由电压暂降、电压暂升、电压短时中断、脉冲暂态、谐波和闪变等电能质量单一扰动组合而成的复合扰动.
【总页数】6页(P618-623)
【作者】管春;何丰;周冬生;严少虎
【作者单位】重庆邮电大学,通信与信息工程学院,重庆,400065;重庆邮电大学,通信与信息工程学院,重庆,400065;重庆邮电大学,通信与信息工程学院,重庆,400065;中国电子科技集团公司,第二十九研究所,四川,成都,610036
【正文语种】中文
【中图分类】TM711
【相关文献】
1.基于GA-SVM的电能质量扰动分类方法研究 [J], 尹志勇;陈永光;桑博
2.基于稀疏分解的复合电能质量扰动分类 [J], 王凌云;李开成;肖厦颖;赵晨;孟庆旭;
蔡德龙
3.短时电能质量扰动分类方法研究 [J], 罗滇生;何洪英;姚建刚
4.几种电能质量扰动检测和分类方法研究 [J], 杨正凡
5.基于改进经验小波变换和XGBoost的电能质量复合扰动分类 [J], 吴建章;梅飞;郑建勇;张宸宇;缪惠宇
因版权原因，仅展示原文概要，查看原文内容请购买。

电能质量扰动事件识别方法及装置[发明专利]

专利名称：电能质量扰动事件识别方法及装置
专利类型：发明专利
发明人：牛益国,李岩峰,崔志强,董紫辉,于惠慧,秦励寒,项秉元,何淼,张海霞,黄立昕,李晓松,宣文华
申请号：CN201810029546.8
申请日：20180112
公开号：CN108256465A
公开日：
20180706
专利内容由知识产权出版社提供
摘要：本发明提供了一种电能质量扰动事件识别方法及装置，涉及电能检测技术领域。

该电能质量扰动事件识别方法包括：对电能质量的采样信号的电能质量扰动时间序列重构相空间，从而获得相空间重构结果，相空间重构结果包括相轨迹以及相点；基于相轨迹以及相点获得采样信号的波形中的正常波形区段以及扰动波形区段；基于正常波形区段以及扰动波形区段，获得扰动波形区段去除基波分量后的扰动波形区段的第1级残差分量；对扰动波形区段的第1级残差分量提取扰动分量的待识别扰动特征参数；基于预先存储的扰动特征参数与扰动事件类型的关系，获得待识别扰动特征参数对应的扰动事件类型。

该电能质量扰动事件识别方法可以实现对于电能信号中扰动类型的获取。

申请人：国网冀北电力有限公司秦皇岛供电公司,国家电网公司
地址：066000 河北省秦皇岛市海港区海阳路50号
国籍：CN
代理机构：北京超凡志成知识产权代理事务所(普通合伙)
代理人：邓超
更多信息请下载全文后查看。

基于小波变换和二叉树结构的电能质量扰动分类

・
电能质量・
低压电器（０１ｏ５２１Ｎ．）
基于小波变换和二叉树结构的电能质量扰动分类
冯浩，谢刚文，郑贺伟，谢盛平
（重庆市长寿供电局，庆４１２）重００２
摘要：针对电能质量扰动分类问题，出了一种基于小波变换和二叉树结构支提
Ａｂｔａｃ：Ａｗｔｏｓｄｏｖｌｔｔａｓｏｍｎｄｓｐ￣ｖｃｏａｈｉｔｎｒｒｅａｃｉｅｔｅｓｒｔｎｅｍｅｈｄｂａｅｎｗａｅｅｒｎｆｒａｕｐｏｅｔｒｍｃｎｅｗｉｈｂｉａｙｔｅｒｈｔｃｕｒ
器进行训练和测试。测试结果表明，方法能够有效识别常见的ｌ扰动信号，有该０种具分类正确率高、练时间短的优点。训关键词：小波变换；叉树结构；电能质量；动分类；持向量机二扰支中图分类号：Ｍ８２文献标志码：Ｔ６Ｂ文章编号：１０ —５ｌ２１）５０５００１５３（０１０－３－４０
Ｔｅｔｓｒｓｌｈｗｅａｅｐｏｏｅｔｏｏｌｆｃｉｅｙｃａｓｆｅｉｔｒａｃｉｎｌｗｉｉｈｃａｓ — ｈｅｔｅｕｔｓｏｄｔｔｈｒｐｓｄｍｅｈｄｃｕｄｅｆｔｌｌｓｉｔｎｄｓｂｎｅｓｇａｓｔｈｇｌｓｉｓｈｔｅｖｙｕｈｉｆ
ＦＥＮＧＨａｏ，ＸＩＧａｇｎ，ＺＨＥＮＧＨｅｉＥｎｗｅｗｅ，ＸＩＳｅｇｉｇＥｈｎｐｎ

电能质量扰动分类方法

电能质量扰动分类方法1 电能质量扰动的概述电能质量（Power quality）是指电力系统的电能满足电力用户所需电能的技术规范，包括电压、电流、频率、谐波、失真、闪变等因素的稳定性、连续性和安全性等。

而电能质量扰动则是电力系统中不可避免的随机事件，由于其发生时间和位置无法预测，可能对电能质量造成不同程度的影响，甚至导致电力系统的故障。

2 电能质量扰动的分类根据扰动产生的原因和发生的形式，电能质量扰动可分为以下几类：2.1 电压变化性扰动电压变化性扰动是指电力系统中电压产生的瞬时变化，常见的有电压暂降、电压闪变等。

电压暂降是指电力系统中电压短时间内降低到一定程度，其持续时间一般小于1秒；电压闪变是指电力系统中单个周期内电压短时间内的波动，其持续时间一般几十到几百毫秒不等。

2.2 电压失真性扰动电压失真性扰动是指电力系统中电压包含的谐波成分对电能质量的影响，常见的有电压谐波、电压畸变等。

电压谐波是指电力系统中电压波形中含有非基波频率的波形成分；电压畸变是指电力系统中电压波形失真严重，出现的畸变波形包括正弦波形成分和谐波成分。

2.3 电流扰动电流扰动是指电力系统中电流产生的随机性变化，常见的有电流暂降、电流闪变等。

电流暂降是指电力系统中电流短时间内降低到一定程度，其持续时间一般小于1秒；电流闪变是指电力系统中单个周期内电流短时间内的波动，其持续时间一般几十到几百毫秒不等。

2.4 电磁干扰电磁干扰是指电力系统中由于外界电磁场干扰而产生的随机事件，常见的有雷电、无线电干扰等。

电磁干扰会影响电力系统中的信号传输、设备正常工作和数据采集等。

3 总结电能质量扰动是电力系统中不可避免的随机事件，其给电力系统的稳定性和可靠性带来巨大挑战。

因此，有效分类和监测电能质量扰动，对保障电力系统的运行不可或缺。

电能质量扰动检测与识别方法研究

电能质量扰动检测与识别方法研究摘要：电能质量扰动信号进行傅里叶变换时，时域信号中存在的非平稳分量会产生频谱泄漏，随机噪声也会干扰信号，从而使频谱中出现大量无效极大值点，严重时导致ＥＷＴ的频谱区间错分，进而影响信号最终的检测结果。

本文对电能质量扰动检测与识别方法进行分析，以供参考。

关键词：电能质量；扰动检测；特征提取；特征选择；研究引言伴随电气设备中非线性电力电子器件的大量应用,电网中可再生能源的广泛接入,以及节能设备的大量使用,电能质量受扰动问题日益严重,另一方面,当前的生产过程和精密设备对电能扰动的耐受性低,对电能质量要求愈发严格,这些都使得电能质量问题受到日益关注。

一般电能质量问题包括扰动检测、扰动分类、扰动源定位,其中电能质量扰动检测是提高电能质量的首要环节。

1配电物联网电能质量复合扰动检测新型电气设备在工业生产和社会生活中得到了广泛应用，但冲击性负荷在设备运行过程中会影响电力系统的安全性，导致电能数据在电网中出现质量扰动问题。

在电气化水平提高的情况下，用户对电能质量提出了较高的要求。

电能质量扰动在配电物联网中较为复杂，如短时间中断、电压暂降和谐波等都是其中常见的扰动，其检测难度较高，而在配电网中检测电能质量扰动就可以提高电能质量。

在峰度和检测误差的基础上调整S变换的参数，根据调整后的S变换方法提取电能信号的时频特征，并将其输入分类，实现电能质量扰动检测，但其无法精准地获取电能质量复合扰动的特征，降低了该方法的识别率。

利用Fourier谱包络动态测度算法获取电能信号在配电网中的特征频点，并采用小波变换对其完成分解处理，在此基础上对信号实现希尔伯特变换，最终检测电能质量扰动，但在实际应用中该方法获得的检测结果偏差较大。

在小波域中确定扰动信号的稀疏性，并通过小波压缩感知方法降维处理电能信号，在正交匹配追踪算法的基础上计算稀疏系数，并建立稀疏矩阵，获得电能信号的峭度、标准差和最大值，将其作为特征，在神经网络中输入获取的特征，实现电能质量扰动检测，但该方法无法准确检测出电能质量复合扰动在配电物联网中的发生时间和结束时间。

基于小波变换和SVM算法的电能质量扰动识别

ＩＥｒｓｏｅｒｌｅｗｒｓ，０２，１２ＥＥＴａｎＮｕａｔｏｋ２０ｎＮ３（）：
４１ — ２．５４５
同ＫｅｅＵａｒｉｌｓｉｃｔｎａｄｓｐｏｔｒｂｌ．Ｐｉｓｃｓａｉｎｕｐｒｗｅａｆｏｉ
号分别有２０个样本用于训练集和测试集。０首先，选定适合用于ＰＤ识别的小波函数；Ｑ其次，应用上述ＳＭ算法中１ａｒ１ａ１Ｖ－ — 和－一对ＰＤ自动分类，Ｑ得到表现较好的方法。４２实验结果和分析４．波函数的选取．１小２由于小波变换结果的好坏直接与小波基的选取密切相关。所以选择一种适合的小波基函数是一项重要的工作。目前比较主要的正交小波基，分别是Ｈａｒｒ小波，ａｂｉｓＤｕ￣ｈｅ小波，ｙｌｓＣｉｔ小波。以小波能量Ｓｍｅ和ｏｅｔｌｆｓ为特征属性，应用ＳＭ算法中ｌａｒＶ — －方法，通过大量的仿真实例对不同的小波函数的识别结果进行了比较。具体分析如下：应用不同族的小波对ＰＤ识别其结果Ｑ如表１所示，其中选用十层分解，因为６．４ｋｚＨ的信号最多可以进行１层分解，Ｏ当分解为最大层数时不一定是最准确的，但其包含了大部分的信息，能保证较高的正确率。均值的计算公式如下：
ｈｎｗｉｎｉｉｒｃｇｉｏ［】．ｒｃｏｎａｄｒｉｇｄｇｔｅｏｎｔｎＣｔｉＰｏｆＩｔ
ＣｏｆｏｔｅｎＲｅｏｉｏ．Ｊｒｓｌｍ，１９：ｎｎＰａｔｒｃｇｔｎｅｕａｅｎｉ９４
７ —７７８

一种电能质量扰动检测的新方法_文继锋

４算法设计和仿真算例
电能质量扰动可认为是加载在电力系统理想交流量 50 Hz 正弦波上的非平稳信号，该信号时频分布的交叉项主要是由 50 Hz 正弦信号分量和其它扰动产生的，为了减小交叉项的影响，检测时可先提取出 50 Hz 的正弦分量，按以下步骤得到扰动信号并计算它的时频分布，提取其时频特征。具体步骤为：（1）提取基波分量，虽然电能质量分析的对象是单相信号，但可将此信号向后移动 1/3 和 2/3 个周波，形成 b 相和 c 相，虚拟出一个三相系统，同时虚拟出三相对称的 50 Hz 的电压信号，然后设要分析的信号为电流信号，利用式(1)~(3) 进行变换，滤波后再利用式(4)反变换得到其中 50 Hz 的正弦分量，用其减去原信号就得到了扰动信号。（2）得到扰动信号后，用时频分布算法计算其解析信号 [7] ：将式 (5) 离散化，计算得到矩阵 W (n, k ) = z (n + k )z * (n − k ) ；将该矩阵乘以核函数 g (θ , τ ) = e −θ τ / σ ，式中，σ 为常数，σ 越小，对交叉项的抑制越大，反之，信号项的分辨率越高，本文取 σ = 0. 05 ；然后对矩阵进行二维傅氏计算，即可得到扰动信号的时频分布。电能质量扰动从某种意义上来说可以分为两大类：一类是基波幅值变化带来的扰动，包括电压下降、电压膨胀和电能短时中断等；另一类是与基波无关的其它扰动，包括电压下限和各种暂态扰动等。基于小波滤波器的瞬时无功理论可以将这两种
(5)
由于时频分布并非线性变换，所以它不满足线性叠加原理。设 z (t ) 为 z1 (t) 和 z 2 (t ) 线性组合, 则有 z (t ) = c1 z1 ( t) + c2 z 2 ( t) 其时频分布为 Pz (t , f ) = c1 Pz 1 (t , f ) + c2 Pz 2 (t, f ) +

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＡｂｓｔｒａｃｔＩｎｏｒｄｅｒｔｏｍｅｅｔｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｃｌａｓｓｉｆｙｉｎｇｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｉｎｒｅａｌｔｉｍｅ，ｔｈｉｓｐａｐｅｒ（ＳＴＦ）ａｎｄｔｈｅｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ（ＥＬＭ）．ＳＴＦｉｓｐｒｏｐｏｓｅｓａｎｅｗｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｓｔｒｏｎｇｔｒａｃｋｉｎｇｆｉｌｔｅｒｔｈｅｍｏｄｉｆｉｅｄｖｅｒｓｉｏｎｏｆｔｈｅｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒ（ＥＫＦ）ｂｙｉｎｔｒｏｄｕｃｉｎｇｔｈｅｆａｄｉｎｇｆａｃｔｏｒｍａｔｒｉｘｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｄｉｖｅｒｇｅｎｃｅ．ＳＴＦｃａｎｎｏｔｏｎｌｙｄｅｔｅｃｔｔｈｅａｍｐｌｉｔｕｄｅｏｆｔｈｅｆｕｎｄａｍｅｎｔａｌｂｕｔａｌｓｏｐｒｏｖｉｄｅｔｈｅｆａｄｉｎｇｆａｃｔｏｒａｓａｆｅａｔｕｒｅｉｄｅｎｔｉｆｙｉｎｇｔｒａｎｓｉｅｎｔｄｉｓｔｕｒｂａｎｃｅｓａｎｄｈａｒｍｏｎｉｃｓ．Ｔｈｅｐｒｏｐｏｓｅｄｆｅａｔｕｒｅｖｅｃｔｏｒｓｅｔｓｗｅｒｅｃｏｍｐｏｓｅｄｏｆｆｏｕｒｆｅａｔｕｒｅｓｉｎｃｌｕｄｉｎｇｔｈｅｍａｘｉｍｕｍａｎｄｔｈｅｍｉｎｉｍｕｍｏｆｔｈｅｆｕｎｄａｍｅｎｔａｌａｍｐｌｉｔｕｄｅ，ｔｈｅｎｕｍｂｅｒｏｆｆｌｕｃｔｕａｔｉｏｎｓ，ａｎｄｔｈｅｍｅａｎｖａｌｕｅｏｆｔｈｅｆａｄｉｎｇｆａｃｔｏｒｆｒｅｑｕｅｎｔｎｅｓｓ．ＴｈｅｙｗｅｒｅｉｎｐｕｔｉｎｔｏｔｈｅＥＬＭａｓｔｈｅｔｒａｉｎｉｎｇｅｘａｍｐｌｅｓｔｏｏｂｔａｉｎａｃｌａｓｓｉｆｉｅｒｆｏｒｉｄｅｎｔｉｆｙｉｎｇｄｉｓｔｕｒｂａｎｃｅｓ．Ｉｎａｄｄｉｔｉｏｎ，ｓｏｍｅｒｕｌｅｓｗｅｒｅｕｓｅｄｔｏｃｏｒｒｅｃｔｔｈｅｅｒｒｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎａｆｅｗｂｏｕｎｄａｒｙｓａｍｐｌｅｓｆｏｒａｔｔａｉｎｉｎｇｔｈｅｈｉｇｈｅｒａｃｃｕｒａｃｙ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｉｄｅｎｔｉｆｙ１０ｔｙｐｅｓｏｆｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｉｎｃｌｕｄｉｎｇｔｗｏｃｏｍｐｌｅｘｄｉｓｔｕｒｂａｎｃｅｓ，ａｎｄｈａｖｅｇｏｏｄｎｏｉｓｅｉｍｍｕｎｉｔｙ．Ａｎｄｔｈｅｈｉｇｈｅｒａｃｃｕｒａｃｙｃａｎｂｅａｃｈｉｅｖｅｄｗｉｔｈｌｅｓｓｔｒａｉｎｉｎｇａｎｄｔｅｓｔｉｎｇｔｉｍｅｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｓｔｏｃｈａｓｔｉｃｇｒａｄｉｅｎｔｄｅｓｃｅｎｔｂａｃｋｐｒｏｐａｇａｔｉｏｎ（ＳＧＢＰ），ｌｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＬＳＳＶＭ）ａｎｄｏｎｌｉｎｅｓｅｑｕｅｎｔｉａｌｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅｍｅｔｈｏｄ（ＯＳＥＬＭ）．Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｓｕｉｔａｂｌｅｆｏｒｔｈｅｏｎｌｉｎｅａｐｐｌｉｃａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：Ｓｔｒｏｎｇｔｒａｃｋｉｎｇｆｉｌｔｅｒ（ＳＴＦ），ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ（ＥＬＭ），ｐｏｗｅｒｑｕａｌｉｔｙ，ｆａｄｉｎｇｆａｃｔｏｒ，ｄｉｓｔｕｒｂａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎ
国家自然科学基金（５１２７７０８０）、太阳能高效利用湖北省协同创新中心科研团队培育项目（ＨＢＳＺＤ２０１４００１）资助。收稿日期２０１６０４２６改稿日期２０１６１１０３
４６
电工技术学报
ቤተ መጻሕፍቲ ባይዱ
ＡＭｅｔｈｏｄｏｆＲｅａｌＴｉｍｅＰｏｗｅｒＱｕａｌｉｔｙＤｉｓｔｕｒｂａｎｃｅＣｌａｓｓｉｆｉｃａｔｉｏｎ
１，２１，３４１１ＣｈｅｎＸｉａｏｊｉｎｇＬｉＫａｉｃｈｅｎｇＸｉａｏＪｉａｎＭｅｎｇＱｉｎｇｘｕＣａｉＤｅｌｏｎｇ（１ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｄｖａｎｃｅｄＥｌｅｃｔｒｏｍａｇｎｅｔｉｃＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＷｕｈａｎ４３００７４Ｃｈｉｎａ２ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎＹａｎｇｔｚｅＵｎｉｖｅｒｓｉｔｙＪｉｎｇｚｈｏｕ４３４０２３Ｃｈｉｎａ３ＨｕｂｅｉＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｆｏｒＨｉｇｈｅｆｆｉｃｉｅｎｔＵｔｉｌｉｚａｔｉｏｎｏｆＳｏｌａｒＥｎｅｒｇｙＨｕｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＷｕｈａｎ４３００６４Ｃｈｉｎａ４ＳｔａｔｅＧｒｉｄＨｕｎａｎＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｍｐａｎｙＥｌｅｃｔｒｉｃＰｏｗｅｒＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅＣｈａｎｇｓｈａ４１０００７Ｃｈｉｎａ）
２０１７年２月第３２卷第３期
电工技术学报
ＴＲＡＮＳＡＣＴＩＯＮＳＯＦＣＨＩＮＡＥＬＥＣＴＲＯＴＥＣＨＮＩＣＡＬＳＯＣＩＥＴＹ
Ｖｏｌ３２Ｎｏ３Ｆｅｂ．２０１７
一种实时电能质量扰动分类方法
，２，３陈晓静１李开成１肖剑４孟庆旭１蔡得龙１
（１强电磁工程与新技术国家重点实验室（华中科技大学）武汉４３００７４２长江大学电子与信息学院荆州４３４０２３３湖北工业大学太阳能高效利用湖北省协同创新中心武汉４３００６４４国网湖南电力公司电力科学研究院长沙４１０００７）摘要针对电能质量扰动实时分类的需求，提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法。强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题。强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量，以此识别暂态扰动和谐波。该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本；最后将分类器用于电能质量扰动识别。为了提高极限学习机分类精度，提出了对少量边界错分样本的类别进行校正的规则校正法。仿真表明改进后的方法能够识别包括两种复合扰动在内的１０种电能质量扰动信号，并具有良好抗噪性。与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比，该方法训练和分类速度快，分类准确率高，适合于在线应用。关键词：强跟踪滤波器极限学习机电能质量渐消因子扰动分类中图分类号：ＴＮ７１３；ＴＭ７６