电能质量扰动波形的识别

输入信号列矢信号 X ( t ) 是在一定尺度下的小波
∃四川电力技术% 2002 年第 3 期
# 43 #
K
-1
= [ 1. + d q ] [ 1+ q. n
1. q . n
∀
pq ]dq
*
1. q . n
+ cq
( 13)
决策制定。它可以与其他专家系统结合来简化电能 质量扰动的识别 , 并可以被安装于配电馈线来检测电 能质量问题 , 估计扰动的统计特征。
目前提高和保证电能质量已经为成为世界上许 多国家包括我国在内日益重视的问题。为了改进电 能质量 , 电力部门需对电能质量进行连续的监测, 并 利用电能监测设备连续记录扰动波形。现有的分析 辨识电能扰动波形的方法由于其基本方法是基于对 扰动波形的波形记录, 因此, 需要观察记录大量的数 据, 这使得这一工作显得十分繁重。 电能质量扰动波形的识别实质上是一个模式识 别问题。由于电能质量扰动识别包含了许多的扰动 种类, 扰动的特征边缘 可能重叠 , 使其实现很 困难。 利用近来信号分析技术成果 , 尤其是小波变换, 人工 神经网进行辨识 , 并用投票框架或 D- S 证据理 论综合网络输出, 从而解 决电能扰动波形的 自动辨 识。
∀
参考文献
4
总体框架
[ 1]
彭玉华
小波变换与工程应用 , 科学出版社 , 1999.
在评价了小波和方法在电能质量扰动波形识别 中的用途后, 这里介绍基于小波神经网络方法在波形 识别中的整个过程。其基本思想是在小波域用多层 神经网络来进行波形识别。图 2 表明了基于小波的 神经分类器的理论框图由预处理、 处理和后处理阶段 组成。分类器的输入是时域扰动信号, 然后将时域电 能质量扰动波形在被输入神经网络之前被转换到小 波域 , 并以二进正交小波变换来实现以同步时频信息 的形式检测和抽取扰动特征和扰动信号的斜率与坡 度, 这些提取的信息有助于神经网络区分扰动事件。 处理阶段包括了一组以小波变换系数作为输入信号 的多层人工神经网络 , 需用后处理过程来综合多层神 经网络的输出, 以便决定扰动的类型并为决策提供一 个信任等级。输出是扰动的类型和其相应的置信度。
POWER QUALITY DISTURBANCE WAVEFORM RECOGNITION Abstract: The paper bears recent advances in wavelate transforms, artificial neural network and theory of evidence for recognizing and identifying power quality disturbance waveforms. Unlike past techniques shere the identification is performed in time domain using and individual neural entworks, the scheme proposed in the paper is carried out in the wavelate domain using aset of multiple neural net works. At last, the outcomes are integrated using Dempster- Shafer theory of evidence. Then a degree of belief for the identified distur bance waveform os provided by the classifier. Keywords: power quality; wavelet transform; pattern recognition; artificial neural network; learning vector quantization; theory of evidence
T
图1
LVQ 结构图
T
pi=
( 9) ( 10) ( 11) ( 12)
x ( t ) m c ( t ) = max { X ( t ) m c ( t ) } 对{ i , 2, !, K - 1, K }
T
( 5)
ci = ∀( - { ( i ) } ) ( 1- ∀( - { i } ) ) 1- ∀( - { i } ) u ( { i } ) r i = 1- ( p i + ci ) d i = c i + ri
T
经网络的输出必须被合并 , 最简单的方法是使用投票 制度。另一种方法是使用 Dempster- Shafer 证据理论 来综合每个神经网络的输出。 Dempster- Shafer 证据理论提供了一种制定决策 的方法 , 并给出决策制定的可信度。 ∗ 为所有可能假设中互斥的完备 有限组, n = | ∗ | 是 ∗ 中的元素的总数。令 ! i , j 代表支持假设 i 的 证据, 这里 j 表示 ! i , j 的一个集合。令 u ( { i } ) 为代表 确切表示支持 i 的累加证据 , 定义如下 : u ( { i } ) = 1- + ( 1- ! i, j ( { i } ) allj ( 7) 同样, 令 ∀i , j 代表反对假 设的证据。因此 , 确切 表示反对类型 , 的累加证据是 ∀( - { i } ) , 定义类似 式 ( 7) 。本文中, 不采用反对假设的证据。支持 i 的 证据 u ( { i } ) 和反对 i 的证据 ∀( - { i } ) 现在被综合进 基本可能性分配 m ( { i } ) : m( { i } ) = [ p i q+ d q + r i q+ cq ] −i −i 这里: u ( { ( i ) } ) ( 1- ∀( - { i } ) ) 1- u ( { i } ) ∀( - m { i } ) ( 8)
pq ] + [ q (+ cq ] - Z dq ( 14) ( 15)
+ cq ] )
B ( i ) = 1- Bel ( - i )
多层神经网络组被用来提供支持假设 的证据。 由于没有反对任何假设的证据 , 所以 ∀i , j = 0。因此, 置信区间的计算过程可以简化如下 : m ( { i} ) = C
2
模式识别
神经网络具有很好的自学功能和自适应能力 , 当
给其提供一系列样本时, 它可以依靠其经验来识别模 式。一个 神 经 元的 输 入 列向 量 X = [ x ( 1) , !, x ( p ) ] 的第 n 个元素 X ( n ) 通过一个权重因子 m ( k , n ) 与一个神经元 K 联系在一起。 Uk = mx = i = ∀1 m ( k , i ) x ( i )
*
u( { i } ) 1- u ( { q } )
i
( 16) ( 17) ( 18)
图2 基于小波的神经分类器的理论框图
B ( i ) = 1- C q (∀ 这里 C
- 1
u ( { i} ) 1- u ( { q } ) u( { i } ) 1- u ( { q } )
= 1+
1. q . n
1。输入模式矢量 X ( t ) 和神经元 mi ( t ) 间的最近距 离是以 m c ( t ) 表示的最佳匹配神经元。因此在 k 个 神经元中, 只有神经元 m c ( t ) 对输入信号 X ( t ) 作出 响应 , 竞争学习的输出矢量是 B 。确定最匹配神经元 的一种简单方法是点乘距离测量。 X ( t ) 和 m i ( t ) 的 点乘距离测度是 X ( t ) m c ( t ) 。最匹配神经元 mc ( t ) 可以从下式中的神经元中选取最大点乘距离测度得 到:
成分自动调节取样疏密 , 以分析信号的任意细节 , 提 取信号的特征。由于小波变换对非正常信号很敏感 , 而对近似正常的信号不敏感, 所以它对检测和抽取不 同的电能质量扰动特征是很有用的。 与 50 Hz 的背景信号相比, 扰动事件中的波形是 不规则的, 因此, 有扰动的小波变换系数与没有扰动 的值相比其值很大。然而由于所有的实际电能质量 信号中都含噪声, 检测结果或扰动特征可能变坏 , 为 了提高与扰动有关的系数值而压低与噪声有关的系 数值, 将所有的小波变换系数值平方 , 通过这种方法 , 小波变换就可以抽取扰动信息。 小波变换对信号的响应与下式有关 :
∃四川电力技术% 2002 年第 3 期
# 41 #
电能质量扰动波形的识别
蒋国旗, 廖帅戈 ( 武汉大学电气工程学院 , 湖北武汉 430072)
摘 要 : 利用最近在小波变换 、 人工神经网络和 证据理 论上取 得的进 展来进 行电能质 量扰动 波形的 识别 。 与 以往在
时域用单个神经网络进行识别不同 , 提出的方案 是在小波域用一组多层神经网络来进行的 。 最后 , 用 Dempster- Shafer 证据理论综合了网络的输出 , 并由分类器提供已 辨识的扰动波形的信任度 。 关键词 : 电能质量 ; 小波变换 ; 模式识别 ; 神经网络 ; 学习矢量量化 ; 证据理论 中图法分类号 :TM933 文献 标识码 : A 文章编号 : 1003- 6954( 2002) 03- 0041- 03
-
∀ m= 1
( t0) m ( t- t0) m!
* ,
( t) ( 2)
一种数学分析方法, 被认为是继傅立叶变换以来的又 一重大理论突破。小波变换具有良好的时域和频域 局部化性质, 可以在时域 ( 频域 ) 根据信号的不同频率
注意上式中的 m 从一开始, 由于泰勒级数的系 数组成一个单调序列 , 因此等式 2 可以近似为: WT { x ( t ) } =
-
t ( dt ) dt = 0