一种新的电能质量扰动分类识别算法
＜电气开关＞（２０１１．Ｎｏ．２）
文章编号：１００４—２８９Ｘ（２０１１）０２—００４４—０３
一种新的电能质量扰动分类识别算法
赖晓君，孙洪成
（成都电业局龙泉驿供电局，四川 成都６１００３１）
摘要：通过分析电能质量扰动信号的时域特征，提出一种电能质量扰动分类方法。所提取的扰动分类特征量具
有明确的物理意义，有利于对各种电能质量扰动进行估值。某一特征量或某几个特征量能唯一确定一种扰动，使
扰动判断不再具有或然性。任一扰动的特征量不因其他扰动的存在而改变。因此，可以准确辨别出混合扰动。
ＭＡＴＬＡＢ仿真结果表明，该方法能有效地分类更多的单一和混合电能质量扰动，并且计算耗时更少。
关键词：电能质量；电能质量扰动；扰动分类
中图分类号：ＴＭ９２ 文献标识码：Ｂ
Ａ Ｎｅｗ Ｄｉｓｔｕｒｂａｎｃｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ
Ｒｅｃｏｇｎｉｚｉｎｇ Ａｌｇｏｒｉｔｈｍ ｏｆ Ｅｌｅｃｔｒｉｃ Ｅｎｅｒｇｙ Ｑｕａｌｉｔｙ
，Ｘｉａｏ ｎ，ＳＵＮ Ｈｏｎｇ—ｃｈｅｎｇ
（Ｃｈｅｎｇｄｕ Ｐｏｗｅｒ Ａｄｍｉｎｓｔｒａｔｉｏｎ，Ｃｈｅｎｇｄｕ ６１００３ １，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａ ｎｏｖｅｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｐｏｗｅｒ ｑｕａｌｉｔｙ ｄｉｓｔｕｒｂａｎｃｅ ｈａｓ ｂｅｅｎ ｐｒｏｐｏｓｅｄ ｂｙ ａｎａｌｙｓｉｓｉｎｇ ｏｆ ｐｏｗｅｒ ｑｕａｌｉｔｙ ｄｉｓｔｕｒｂ－
ａｎｃｅｓ ｉｎ ｔｈｅ ｔｉｍｅ—ｄｏｍａｉｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｓｉｇｎａｌｓ．ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｈａｓ ａ ｍｏｒｅ ｃｌｅａｒ ｐｈｙｓｉｃａｌ ｍｅａｎｉｎｇ，ＳＯ ｉｔ ｉｓ ｕｓｅｆｕｌ ｔｏ
ｅｖａｌｕａｔｉｏｎ ｏｆ ｐｏｗｅｒ ｑｕａｌｉｔｙ ｄｉｓｔｕｒｂａｎｃｅｓ．ａ ｆｅａｔｕｒｅ ｏｒ ａ ｎｕｍｂｅｒ ｏｆ ｆｅａｔｕｒｅｓ ｄｅｔｅｒｍｉｎｅ ａ ｄｉｓｔｕｒｂａｎｃｅ ｕｎｉｑｕｅｌｙ ｉｎ ｏｒｄｅｒ ｔｏ
ｅｌｅｍｉｎａｔｅ ｅｒｒｏｒ ｏｆ ｅｖａｌｕａｔｉｏｎ．Ｏｎｅ ｏｆ ｔｈｅ ｆｅａｔｕｒｅｓ ｏｆ ｄｉｓｔｕｒｂａｎｃｅｓ ｉｓ ｕｎｄｅｐｅｎｄ ｏｎ ａｎｙ ｏｔｈｅｒｓ，ＳＯ ｉｔ ｃａｎ ａｃｃｕｒａｔｅｌｙ ｉｄｅｎｔｉｆｙ
ｍｉｘｅｄ ｄｉｓｔｕｒｂａｎｃｅ．ＭＡＴＬＡＢ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｉｓ ｅｆｆｅｃｔｉｖｅ ｉｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｓｉｎｇｌｅ ａｎｄ ｍｉｘｅｄ
ｐｏｗｅｒ ｑｕａｌｉｔｙ ｄｉｓｔｕｒｂａｎｃｅｓ，ａｎｄ ｌｅｓｓ ｔｉｍｅ—ｃｏｎｓｕｍｉｎｇ ｏｆ ｃａｌｃｕｌａｔｉｏｎ．
Ｋｅｙ ｗｏｒｄｓ：ｐｏｗｅｒ ｑｕａｌｉｔｙ；ｐｏｗｅｒ ｑｕａｌｉｔｙ ｄｉｓｔｕｒｂａｎｃｅｓ；ｄｉｓｔｕｒｂａｎｃｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
１ 引言
工业规模的扩大和科学技术的发展，一方面，造成
电能质量下降的因素不断增长，如以电力电子装置为
代表的非线性负荷的使用、各种大型用电设备的启停
等；另一方面，各种复杂的、精密的、对电能质量敏感的
用电设备不断普及，这些设备对系统的干扰更加敏感。
要解决电能质量问题，首先要及时地发现并准确
地分析引起电能质量恶化的事件。只有详细准确地掌
握了电网扰动的信息，才能制定出合理的解决问题、改
．善电能质量的方案。因此，如何深人理解现代电能质
量问题，如何从技术、经济和运行管理等方面加大力
度，保证优质供电，以最小程度减少对现代工业企业和
重要电力用户的影响，既是电力用户的要求也是现代
电力系统运行提出的新任务 。 虽然已有不少新方法被用于电能质量扰动分类识
别中，但是它们主要是针对某一类扰动进行分析的，传
统的方法还存在一些问题，有待进一步研究。而且新
的方法在进人实际应用前也有待考证。本文采用基于
时域的特征分析方法对扰动进行分析，提出一种电能
质量扰动分类方法。所提取的扰动分类特征量具有明
确的物理意义，有利于对各种电能质量扰动进行估值。
某一特征量或某几个特征量能唯一确定一种扰动，使
扰动判断不再具有或然性。任一扰动的特征量不因其
他扰动的存在而改变。因此，可以准确辨别出混合扰
动。ＭＡＴＬＡＢ仿真结果表明，该方法能有效地分类更
多的单一和混合电能质量扰动，并且计算耗时更少。
２时域特征分析理论
采用基于时域特征分析理理论 ，在分析电能质 ＜电气开关》（２０１１．Ｎｏ．２） ４５
量扰动信号的时域特征的基础上，提取４个用于分类
电能质量扰动的特征量，用于电能质量扰动的分类。
（１）Ｆ ＝Ｕ ／Ｕ 作为一特征量。其中， 为基波
电压有效值；Ｆ 是不受加性扰动影响的基波电压幅值
变化量函数，反映了基波幅值变化的程度，从， 变化
的幅度可以得知幅值的变化信息。因此，用它可以
判断分析时段内电压的暂升、暂降、瞬时中断、欠电压、
过电压、持续中断、波动与闪变等电压幅值扰动的
存在。
（２） ＝ 砉√ ，Ⅳ为分析时
段．『的总采样点数（为提高稳态扰动的分析精度，可适
当加宽分析时段，可取２ｓ，１Ｏ０周期）。Ｆ２是分析时段
内的加性扰动有效值的平均值，Ｆ２＞０则必然有加性
扰动。数值恒定是谐波扰动并且 与总畸变率等价。
可确定Ｆｚ＞２为具有加性稳态扰动谐波和间谐波的
阀值。
（３） ∑ｆ Ｕ （后）一Ｕ （ 一１）Ｊ，当Ｆ２＞０
时，取 作为特征量， 为单位采样间隔Ｕ 曲线的平
均增量，可以用于区分加性扰动中的谐波扰动和非基
波频率整数倍的扰动问谐波。
（４）Ｆ４为 中 一周积分后微分值的最大值，暂
态扰动的快速变化特性决定了Ｆ 很大，而对稳态扰
动， 则较小或几乎为０。并且若Ｆ 值表明有幅值扰
动，则为暂态幅值扰动，若， 值表明没有幅值扰动，则
必然为振荡（低频）暂态扰动。
该方法不仅扰动识别范围史宽、抗噪声能力史强，
而且计算耗时少，更有利于用于实时电能质量扰动分
类 。
３扰动特征提取的ＭＡＴＬＡＢ仿真
一般的单相电压信号可以用一个公式表示出来，
通过改变参数可以得到所需要的信号，一般单相电压 信号可用下式表示＿５’。Ｊ：
ｎ ｕ（￡）＝√２ｕｌ ｓｉｎ（∞￡＋ １）＋√２ ｓｉｎ（ｈｗｔ＋ ＝
Ｈ）＋ ｓｉｎ（ｗ。ｔ＋ ｅ ｓ’１（ｔ—ｔ ）（１） ５＝１ 式（１）中， 为基波电压有效值；ｔｏ为基波角频
率； 为基波初相角；Ｕ 为谐波电压幅值； 为谐波次
数； 为ｈ次谐波初相角； 为非基波角频率整数倍
正弦电压有效值；ｔｏ 为非基波角频率整数倍角频率； 为非基波角频率整数倍正弦电压初相角； 为振荡
瞬变衰减常数，当】，Ｂ＝０时， 为问谐波有效值，当
≠０时， 为振荡暂态有效值；ｔ 为非基波角频率整数
倍正弦电压出现时间；１（ｔ—ｔ ）为单位阶跃函数。
当 为常数，等于额定值，式（１）等号右边第２
项、第３项为０时，式（１）就是理想电压。因此，电压
扰动可分为２类：一是基波电压幅值变动的扰动，包括
电压暂升、暂降、瞬时中断、欠电压、过电压、持续中断、
电压波动与闪变等；一是加性扰动，包括谐波、振荡瞬
变电压、冲击脉冲电压和间谐波等。按扰动持续的时
间，可分为稳态扰动和暂态扰动。稳态扰动包括电压
波动与闪变、欠电压、过电压、持续中断、谐波、问谐波
等；暂态扰动包括电压暂升、暂降、瞬时中断、振荡瞬变
电压、冲击脉冲电压等。因此，按电能质量扰动信号的 时域特征可分４类 卜ｍ Ｊ，见表１。
表１
电压幅值扰动 加性扰动
通过设置谐波次数、 基波电压有效值、为基波
角频率、基波初相角、为谐波电压幅值、谐波次数、ｈ次
谐波初相角、非基波角频率整数倍正弦电压有效值、非
基波角频率整数倍角频率、非基波角频率整数倍正弦
电压初相角、振荡瞬变衰减常数等可以产生自己所需
要的信号。
ＭＡＴＬＡＢ仿真的特征提取框图如图１所示。
通过对仿真信号的进行特征提取，得特征值 测
试数据如表２所示。
表２
扰动种类
过电压 Ｆｌ＝１．１～１．２，持续时问大于１ｒａｉｎ
欠电压 Ｆｌ＝０．８～０．９，持续时间大于１ｒａｉｎ
电压中断 Ｆｌ＜０．１
电压跌落 ＦＩ＝Ｏ．１—０．９，持续时间ｌＯｒｅｓ～１ｒａｉｎ
电匝上升 Ｆ１＝１．１～１．８，持续时间ｌＯｒｅｓ～１ｒａｉｎ
．．． 在０．９～１．１内随机变化为电压波动，闪变则是对 波动与闪变 ‘． …， 照明灯的影响
特征值 、Ｆ 、 的测试数据如表３所示。
（电气开关＞（２０１１．Ｎｏ．２）
表３ ２ｎｄ－Ｏｒｄｅｒ Ｆｉｔｅｒ
通过已得到的时域特征值设计自动分类程序。Ｆ１
的值反映了基波幅值的变化程度，有 可以判别出分
析时段内电压的暂升、暂降、瞬时中断、欠电压、过电
压、持续中断、波动、与闪变等； 是分析时段内加性
扰动有效值的平均值，故Ｆ２＞０时必有加性扰动，
不变时为谐波扰动；由数据可知：Ｆ３＞０时有间谐波，
且 ／Ｆ２＞０．５时只有问谐波，Ｆ３／Ｆ２＜０．５时为谐波
和间谐波混合扰动；Ｆ 显示了扰动变化特性，由此可
以根据 判断暂态跟稳态，根据数据取１５为Ｆ 的阀
值。由此可设计出自动分类的程序。
４结论
本文采用基于时域的特征提取方法，对各种扰动
信号进行特征提取，采用的特征量具有较为明确的物
理意义，某一特征量或几个特征量能唯一确定一种扰 图１
动，使扰动不具有或然性，任意扰动的特征量不因其他
扰动的存在而改变其值，因此可以准确判别出混合扰
动。由此，可设计出自动分类程序。各种扰动不同特
征提取量作为自动分类的依据，经过验证，对于输人特 征量，该程序能够准确地辨别出扰动类型，现实意义较
强。
参考文献
［Ｉ］ 肖湘宁，徐永海．电能质量问题剖析［Ｊ］．电网技术，２００１，２５（３）： ６６—６９． ［２］ 林海雪．我国电能质量的产业发展及应关注的问题［Ｊ】．电力设 备，２００５，６（９）：３６—３９． ［３］ 刘昊，唐轶，冯宇，等．基于时频变换特性分析的电能质量扰动检 测方法［Ｊ］．电工技术学报，２００８，１１（２３）：１４１—１４５． ［４］ Ｓａｎｔｏｓｏ Ｐ Ｈｏｆｍａｎｎ．Ｐｏｗｅｒ ｑｕａｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｖｉａ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ａ． ｎａｌｙｓｉｓ［Ｊ】．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｐｏｗｅｒ Ｄｅｌｉｖｅｒｙ，１９９６，１１（２）：９２４—９３０． ［５］Ｊｏｖａｎｏｖｉｃ Ｍ Ｇ，Ｙｕ Ｊ，Ｌｅｖｉ Ｅ．Ｒｅａｌ—Ｔｉｍｅ ｌｍｐｌｅｚａｎｅｎｔａｔｉｏｎ ｏｆ Ｄｉｒｅｃｔ Ｔｏｒｑｕｅ Ｃｏｎｔｒｏｌ Ｓｃｈｅｍｅ ｆｏｒ Ｂｒｕｓｈｌｅｓｓ Ｄｏｕｂｌｙ—Ｆｅｄ Ｒｄｕｃ￣ｎｃｅ Ｍｏｔｏｒｓ［Ｊ】． Ｉｎ：Ｐｏｗｅｒ Ｅｌｅｃｔｒｏｎｉｃｓ Ｍａｃｈｉｎｅｓ ａｎｄ Ｄｒｉｖｅｓ ２００４．Ｓｅｃｏｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ． ｆｅｒｅｎｃｅ ｏｎ（Ｃｏｎ／＇．Ｐｕｂ１．Ｎｏ．４９８），２００４：７５２—７５７． ［６］Ｊｏｖａｎｏｖｉｃ Ｍ，Ｊｉａｎ Ｙｕ，Ｌｅｖｉ Ｅ．Ａ Ｄｉｒｅｃｔ Ｔｏｒｑｕｅ Ｃｏｎｔｒｏｌｌｅｒ ｆｏｒ Ｌｉｍｉｔｅｄ Ｓｐｅｅｄ Ｒａｎｇｅ Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ｂｒｕｓｈｌｅｓｓ Ｄｏｕｂｌｙ—Ｆｅｄ Ｒｅｌｕｃｔａｎｃｅ ｂｔｏｔｏｍ［Ｊ］． Ｉｎ：Ｉｎｄｕｓｔｒｙ Ａｐｐｌｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ ２００４．３９ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ， ２００４：２４０３—２４１０． ［７］ 国家技术监督局．（ＧＢ １２３２５—９０）电能质量供电电压允许偏差 ［Ｓ］．１９９０． ［８】 国家技术监督局．（ＧＢ／Ｔ １４５４９—９３）电能质量共用电网谐波 ［Ｓ］．１９９３． ［９］ 国家技术监督局．（ＧＢ／Ｔ １５５４３—１９９５）电能质量三相电压允许 不平衡度［Ｓ］．１９９５． ［１０］ 国家技术监督局．（ＧＢ／Ｔ １５９４５—９５）电能质量电力系统频率允 许偏差［ｓ］．１９９５．
电能质量扰动数据特征的最优分辨率提取
电能质量扰动数据特征的最优分辨率提取
介绍
电能质量是指电力系统中的电压、电流等电能参数的稳定性和波动情况。电能质量扰动是指电力系统中出现的突发的、非周期性的电压或电流异常变化，可能会对电力设备造成损害或影响电能的正常使用。电能质量扰动的有效监测和分析对于确保电能质量的稳定和安全具有重要意义。
在电能质量扰动数据特征的研究中，确定最优分辨率提取是一个关键的任务。最优分辨率提取可以帮助我们理解电能质量扰动信号的特征和规律，进而采取相应的措施来改善电能质量。本文将介绍电能质量扰动数据特征的最优分辨率提取的方法与步骤，并探讨其应用。
方法与步骤
1. 数据采集与预处理
首先，我们需要采集电能质量扰动数据。可以通过电力设备上安装的传感器或测试仪器来采集电流和电压的原始数据。采集的数据可能包含噪声和干扰，因此需要进行预处理。
预处理的步骤包括去噪和滤波。常用的去噪方法有平滑滤波和小波去噪。滤波可以通过低通滤波器消除高频噪声，保留信号的主要频率成分。
2. 特征提取
特征提取是将原始数据转换为具有实际意义的特征参数。在电能质量扰动数据中，常用的特征包括频率、幅值、相位等。
对于频率特征的提取，可以使用功率谱密度估计方法，如傅里叶变换或小波变换。这些方法可以将信号从时域转换为频域，得到信号的频率成分。
幅值特征的提取可以通过计算信号的均方根值或峰值来实现。这些特征反映了信号的能量和振幅大小。
相位特征的提取可以使用相位角的计算方法。相位角表示了信号在不同时间点上的相对位置。 3. 特征分析
在特征提取之后，我们可以对提取得到的特征进行分析。特征分析可以帮助我们理解电能质量扰动数据的特点和规律。
特征分析可以包括统计分析、频域分析和时域分析等方法。统计分析可以计算特征的平均值、方差、偏度和峰度等，从而揭示数据的分布情况。频域分析可以探索信号的频率成分和谱线特征。时域分析可以通过观察信号的波形和周期来研究信号的周期性和时序特征。
基于短时傅里叶变换的电能质量扰动识别与采用奇异值分解的扰动时间定位
第35卷 第8期 电 网 技 术 Vol. 35 No. 8 2011年8月 Power System Technology Aug. 2011
文章编号：1000-3673（2011）08-0174-07 中图分类号：TM 711 文献标志码：A 学科代码：470·4054
基于短时傅里叶变换的电能质量扰动识别
与采用奇异值分解的扰动时间定位
徐永海，赵燕
（华北电力大学 电气与电子工程学院，北京市 昌平区 102206） Identification of Power Quality Disturbance Based on Short-Term Fourier Transform and
Disturbance Time Orientation by Singular Value Decomposition
XU Yonghai, ZHAO Yan (Department of Electrical and Electronic Engineering, North China Electric Power University, Changping District, Beijing 102206, China)
ABSTRACT: It is proposed to identify power quality disturbances by using short-term Fourier transform as the analysis tool of time-domain signals, meanwhile the problem to research the time orientation of disturbance by singular value decomposition is put forward. Four feature sequences are extracted from the two-dimensional frequency spectrum amplitude matrix obtained from the short-term Fourier transform of disturbance voltage signals to create four curves, i.e., the curve of spectrum peak values, the curve of fundamental frequency amplitudes, the curve of high-frequency amplitudes and the standard deviation curve of amplitudes, and these curves are characterized by six characteristic quantities respectively. When several of six characteristic quantities conform to a certain combination of taking value, a kind of disturbance can be determined exclusively. In this paper, by means of setting up decision-making tree the identification of single disturbance and compound disturbance is implemented. Constructing Hankel matrix by use of sampled signals and performing singular value decomposition of the Hankel matrix, the orientation of disturbance time can be realized by constructing component signals and extracting modulus maximum point from the component signals. Simulation results show that using the proposed method, the type recognition of eight kinds of singular disturbances and eight kinds of compound disturbances can be implemented, and the amplitudes of voltage sag, swell and interruption can be accurately measured, besides, the time orientation of such disturbances as voltage sag, oscillation and pulses can be accurately implemented.
一种新的电能质量扰动信号去噪方法
第２Ｏ卷第１期 ２００８年２月 电力系统及其自动化学报 Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＣＳＵ—ＥＰＳＡ Ｖｏ１．２０ Ｎｏ．１ Ｆｅｂ． ２００８
一种新的电能质量扰动信号去噪方法①
杨耿煌，温渤婴
（中国农业大学信息与电气工程学院，北京１０００８３）
摘要：针对电能质量扰动信号去噪过程的简化和硬件实现问题，提出基于信号相关性处理的跨小波尺度空间 去噪方法。基于电能质量扰动信号不同成分在小波尺度空间上的相关性不同，新方法把原信号分为两个数据 长度相等的新信号，分别进行小波变换，跨两个尺度空间对相同分解深度的尺度系数进行相关性处理和软阈 值处理，合并后的信号可滤除噪声成分。仿真信号去噪前后的赋范均方误差小且具有更好的检测效果。算法 计算复杂度分析结果和实际运行表明，在高速ＤＳＰ上可以实时实现该算法。
关键词：去噪；电能质量；相关性；小波变换；信号处理 中图分类号：ＴＭ７２ 文献标志码：Ａ 文章编号：１００３—８９３０（２ＯＯ８）０１—００８９—０６
Ａ Ｎｅｗ Ｍｅｔｈｏｄ ｏｆ Ｐｏｗｅｒ Ｑｕａｌｉｔｙ Ｄｉｓｔｕｒｂ Ｄｅ－ｎｏｉｓｉｎｇ
ＹＡＮＧ Ｇｅｎｇ—ｈｕａｎｇ，ＷＥＮ Ｂｏ—ｙｉｎｇ
（Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｉｎａ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｒｄｖｅｒｓｉｔｙ，
Ｂｅｉｊｉｎｇ １０００８３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｎ ａｐｐｒｏａｃｈ ｂａｓｅｄ ｏｎ ｃｏｒｒｅｌａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ｉｎ ｔｗｏ ｓｅｔｓ ｏｆ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ｃｏｅｆｆｉｃｉｅｎｔｓ ｉｓ
ｐｒｏｐｏｓｅｄ ｆｏｒ ｔｈｅ ｓｉｍｐｌｉｆｉｃａｔｉｏｎ ｏｆ ｐｏｗｅｒ ｑｕａｌｉｔｙ（ＰＱ）ｄｉｓｔｕｒｂａｎｃｅ ｄｅ—ｎｏｉｓｉｎｇ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｄｅｖｉｃｅ．ＰＱ ｄｉｓｔｕｒｂａｎｃｅ ｉｓ ｓｐｌｉｔ ｉｎｔｏ ｏｄｄ ａｎｄ ｅｖｅｎ ｓａｍｐｌｉｎｇ ＳＯ ａｓ ｔｏ ｇｅｔ ｔｗｏ ｓｉｍｕｌｔａｎｅｏｕｓ ｄｉｓｔｕｒｂａｎｃｅｓ ｗｉｔｈ ｔｈｅ ｓａｍｅ ｄａｔａ ｌｅｎｇｔｈ．Ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ，ｃｏｒｒｅｌａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ｈａｖｅ ｂｅｅｎ ｄｏｎｅ ｂｅｔｗｅｅｎ ｔｈｅ ｄｅｔａｉｌｅｄ ｃｏｅｆｆｉｃｉｅｎｔｓ ｏｆ ｔｈｅ
SVM和神经网络在电能质量扰动分类应用中的对比
第４３卷增刊 ２０１１年７月 南京航空航天大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ＆Ａｓｔｒｏｎａｕｔｉｃｓ Ｖｏ１．４３ Ｎｏ．Ｓ Ｊｕ１．２０１１
ＳＶＭ和神经网络在电能质量扰动分类应用中的对比
秦 业 袁海斌 袁海文 崔 勇 王秋生
（北京航空航天大学自动化科学与电气工程学院，北京，１００１９１）
摘要：提出了一种电能质量动态扰动特征向量的提取方法，分析比较了多种分类器对电能质量动态扰动的分类 能力。首先采用小波包分解算法对电能质量信号某一频段内的信息进行精细分解从而提取出特征向量，然后针 对该特征向量构造了相应的ＢＰ神经网络、学习向量量化（Ｌｅａｒｎｉｎｇ ｖｅｃｔｏｒ ｑｕａｎｔｉｚａｔｉｏｎ，ＬＶＱ）神经网络、自组织 特征映射（Ｓｅｌｆ—ｏｒｇａｎｉｚｉｎｇ ｍａｐ，Ｓ０Ｍ）神经网络及支持向量机（Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，ＳＶＭ）分类器，并模拟实 际电网中的复杂扰动信号提取其特征向量集，对多种分类器的分类能力进行对比。仿真结果表明，在较复杂的电 能质量扰动情况中，支持向量机分类器仍能实现对信号的精确分类，对电能质量监测具有很好的应用价值。 关键词：小波包；电能质量；特征向量；神经网络；支持向量机 中图分类号：ＴＭ７２ 文献标识码：Ａ 文章编号：１００５—２６１５（２０１１）ｓ一００７４—０５
Ｃｏｍｐａｒｉｓｏｎ Ｓｔｕｄｙ Ｏｉｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｐｏｗｅｒ Ｑｕａｌｉｔｙ Ｄｉｓｔｕｒｂａｎｃｅｓ
ｗｉｔｈ ＳＶＭ ａｎｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ
Ｑｉｎ Ｙｅ，Ｙｕａｎ Ｈａｉｂｉｎ，Ｙｕａｎ Ｈａｉｗｅｎ，Ｃｕｉ Ｙｏｎｇ，Ｗａｎｇ Ｑｉｕｓｈｅｎｇ （Ｓｃｈｏｏｌ ｏｆ Ａｕｔｏｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕｔｉｃｓ，Ｂｅｉｊｉｎｇ，１００１９１，Ｃｈｉｎａ）
基于小波包和支持向量机的电能质量扰动识别
第２８卷第３期
２０１２年３月 电力科学与工程
Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ 鞋ｉ 鞋 下张ｌＣ ｐＯＷ基Ｒ ｇＮＧｉＮ韪￡ＲｌＮＧ ＶｏＩ．２８．Ｎｏ．２ ２１ Ｆｅｂ．，２０１２
基于小波包和支持向量机的电能质量扰动识别
李燕楠，包广清
（兰州理工大学电信学院，兰州甘肃７３００５０）
摘要：电能质量扰动识别是电能质量检测系统的重要组成部分，也是进一步采取适当措施对其进行治理
和控制的前提和依据。通过ＭＡＴＬＡＢ仿真软件建立５种典型扰动信号的模型，包括电压突降、突升、中
断、脉冲暂态及谐波；利用小波包分析方法对上述扰动信号进行特征向量提取；并采用粒子群算法对
ＳＶＭ核函数参数ｙ和惩罚参数ｃ寻优，确定最优ＳＶＭ分类模型，最终测试精度为９８．１２５％，表明该算
法实时性强、识别精度高，从而验证了所用方法的可行性。
关键词：电能扰动信号；小波包变换；支持向量机（ＳＶＭ）；粒子群算法（ＰＳＯ）
中图分类号：ＴＭ７１２ 文献标识码：Ａ
０ 引言
随着精密用电设备的广泛使用及其对电能质
量的要求不断提高，电能质量带来的问题受到电
力部门、用户及相关研究人员的关注，同时，电
力系统中产生的数据正在以指数速度增长，因此，
如何快速从大量的扰动数据中提取扰动特征并完
成准确分类识别，对于评估电力系统电能质量问
题尤为重要。
研究者陆续尝试和提出了许多解决方法，扰
动信号特征提取的典型方法有：傅里叶变换法…，
适合分析谐波等持续时间较长的电能质量问题，
但由于没有局部分析能力，因此无法处理非平稳
信号；小波变换法 由于其强大的多尺度分析特
性，可以提供扰动信号不同尺度的特征，对电能
质量扰动发生的起止时刻、持续时间和幅值等特
征量均有较好地检测能力，但其易受到噪声干扰，
不易准确识别是哪种扰动类型；Ｓ变换法，是傅
里叶变换和小波变换的组合与发展，文献［３，
４］中提出了通过ｓ变换法提取扰动信号的特征，
基于改进Hilbert-Huang变换的暂态电能质量扰动定位方法
第37卷第l期南京理工大学学报V01．37No．1
兰Q!兰生至旦!!兰竺坐!!型型虫!望!堡竺!!堡竺!!堡!!!兰呈!!!些!!!!墅篁皇垒：兰Q!!
基于改进Hilbert-Huang
变换的暂态电能质量
扰动定位方法
杨汉生
(巢湖学院自动化学院，安徽巢湖238000)
摘要：针对经验模态分解过程中容易过度筛选的问题，该文改进了筛选停止准则，对HiIben．
Huallg变换进行了改进，并将改进Hilben—Huallg变换方法应用于暂态电能质量扰动信号的检测及
时频分析中。该方法在对暂态电能质量扰动信号进行经验模态分解得到固有模态函数后，再进行
希尔伯特变换，可以定量、准确地刻画扰动信号的时间、频率和幅值信息。实验结果表明：该方法
可以实时准确检测扰动的起止时刻、持续时间和扰动幅度，适用于暂态电能质量扰动的监测系统。
关键词：Hilbert．Huang变换；瞬时频率；暂态电能质量；扰动定位
中图分类号：TM76文章编号：1005—9830(2013)01—0065—05
Tra璐ient
powerqualitydisturbanceslocationmethod吣ing
improVed
砌bert-Huang
tra潞form
YangHansheng
(Departmentof
Automation，ChaohuCoUege，Chaohu238000，China)
Abstract：Aimingatthereductionof
excessiVelysifting，amodi矗ed
siftingstopcriterionis
proposed
here，andamethodbased
onthe
improvedHilbert—HuangTransfo珊is
introducedfbrdetectionand
analysisof
powerquaJitydisturbances．The
signalis
decomposedintoIntrinsicModeFunction
基于粒子群优化SVM的电能质量复合扰动分类的研究
３５２ 西安理工大学学报Ｊｏｕｒｎａｌ ｏｆ Ｘｉ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ（２０１２）Ｖｏ１．２８ Ｎｏ．３
文章编号：１００６－４７１０（２０１２）０３－０３５２－０４
基于粒子群优化ＳＶＭ的电能质量复合扰动分类的研究
胡坤，余健明
（西安理工大学自动化与信息工程学院，陕西西安７１００４８）
摘要：针对暂态电能质量复合扰动的问题，提出了基于希尔伯特一黄变换和粒子群优化多分类支持
向量机的暂态电能质量复合扰动检测分类的方法。利用希尔伯特．黄变换提取分类所需的特征向
量作为训练数据输入粒子群参数优化的支持向量机，实现了对多种复合的暂态电能质量扰动问题
分类。从仿真结果可以看出，该方法可以对常见的复合暂态电能质量扰动信号进行检测和分类，且
结果精确。
关键词：暂态电能质量复合扰动；分类；希尔伯特．黄变换；支持向量机；粒子群优化算法
中图分类号：ＴＭ７１２ 文献标志码：Ａ
Ａ Ｒｅｓｅａｒｃｈ ａｂｏｕｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｐｏｗｅｒ Ｑｕａｌｉｔｙ
Ｍｕｌｔｉ．Ｄｉｓｔｕｒｂａｎｃｅｓ Ｂａｓｅｄ ｏｎ ＰＳ０．ＳＶＭ
ＨＵ Ｋｕｎ．ＹＵ Ｊｉａｎｍｉｎｇ
（Ｆａｃｕｌｔｙ ｏｆ Ａｕｔｏｍａｔｉｏｎ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ ７１００４８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ Ｈｉｌｂｅｒｔ．Ｈｕａｎｇ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ａｎｄ ＰＳＯ．ＳＶＭ ｉｓ ｉｎ ｔｈｅ ａｉｍ ｏｆ ｐｏｗｅｒ
ｑｕａｌｉｔｙ ｍｕｌｔｉ－ｄｉｓｔｕｒｂａｎｃｅｓ，ｓｕｇｇｅｓｔｅｄ ｔｏ ｍａｋｅ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｔｈｅ ｄｉｓｔｕｒｂａｎｃｅｓ ｏｆ
基于S变换与SVM的暂态电能质量扰动识别
第３８卷 ２０１０年４月 云南电力技术 ＹＵＮＮＡＮ ＥＬＥＣＴＲＩＣ ＰＯＷＥＲ Ｖｏ１．３８ Ｎｏ．２ Ａｐｒ．２０１０
基于Ｓ变换与ＳＶＭ的暂态电能质量扰动识别
杨栋束洪春刘凤龙
（昆明理工大学，云南昆明６５００５１）
摘要：提出利用Ｓ变换与ＳＶＭ对暂态电能质量扰动进行分类识别的方法。首先通过Ｓ变换提取扰动信 号的特征量，然后利用支持向量机（ＳＶＭ）进行分类。算例验证，该方法具有准确率高，训练样本少，
结果直观等优点。 关键词：电力系统暂态电能质量ｓ变换ＳＶＭ 中图分类号：ＴＭ７３ 文献标识码：Ｂ 文章编号：１００６－７３４５（２０１０）０２—００２６－０３
１ 前言
在现代电力系统中，随着各种精密设备的应
用和冲击负载与非线性负载的增加，使用户对电
能质量的要求也越来越高。同时，各种电能质量
问题也给电力系统的稳定运行带来了巨大的隐患。 暂态信号具有突变、非平稳、持续时间短等特性，
因此有效的对其进行检测与识别是具有十分重要
的现实意义。 暂态电能质量问题通常是以频谱和暂态持续
时间为特征的，包括电压中断、电压骤降、电压
骤升、脉冲暂态和振荡暂态等。傅立叶变换 （ＦＴ）作为经典的信号分析方法具有正交、完备
等优点，它是时域到频域互相转换的工具。但是
它仅能刻画信号在整个时域的特征，无法刻画信 号的时间局部特征，因此它仅能用于平稳信号的
分析，对暂态信号无能为力。快速傅立叶变换 （ＳＴＦＦ）是对傅立叶变换的发展与补充，虽然在
一定程度上解决了傅立叶变换不具备局部分析的 问题，但一旦窗函数确定，视频分辨率也就确定
了，因此，对于暂态信号，很难找到一个好的时 间窗口来适合不同的时间段。小波变换（ｗＴ）
是一种窗口面积固定但形状可改变的视频局部化
分析方法。由于具有良好的时频特性而广泛应用
于电能质量扰动检测分析等方面，但其也有不足： １）小波变换的结果与小波基的选取有直接
关系，换言之，一旦小波基选取不当，结果误差
电能质量扰动波形的识别
《四川电力技术＞＞２００＂２年第３期
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
ＰＯＷＥＲ ＱＵＡＬＩＴＹ ＤＩＳＴＵＲＢＡＮＣＥ ＷＡＶＥＦＯＲＭ ＲＥ，ＣＯＧＮＩＴＩＯＮ Ａｌｔａｒａｃｔ：Ｔｈｅ ｐａｐｅｒ ｂｅａｒｓ ｒｅｃｅｎｔ ａｄｖａｎｃｅｓ ｉｎ ｗａｖｅ］ａｔｅ ＩＴａ．ｉ１ｓｆｏｒｎｌｓ，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 ｐｒｏｐｏ￣ｔ ｉｎ ｔｈｅ ｐａｐｅｒ ｉｓ ｃａｒｒｉｅｄ ＯＵｔ ｉｎ ｔｈｅ ｗａｖｅ］ａｔｅ ｄｏｌｎａｉｎ ｕｓｉｎｇ ａｓｅｔ ｏｆ ｍｕｌｔｉｐｌｅ ｎｅｕｒａｌ ｎｅｔ－
ｗｏｒｋｓ．Ａｔｌａｓｔ，ｔｈｅ ｏｕｔｃｏｍｅｓ ａｌｅｉｎｔｅｇｒａｔｅｄ ｕｓｉｎｇＤｅｍｐｓｔｅｒ—Ｓｈａｒｅｒｔｈｅｏｒｙ ｏｆｅｖｉｄｅｎｃｅ．Ｔｈｅｎ ａ ｄｅｇｒｅｅ ｏｆｂｅｌｉｅｆｆｏｒｔｈｅｉｄｅｎｔｉｆｉｅｄｄｉｓｔｕｒ—
基于小波和进化网络的电能质量动态扰动自动识别
第２９卷第３期 ２００２年７月 华北电力大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈ Ｃｈｉｎａ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｕｎｉｖｅｒｓｉｔｙ Ｖｏ１．２９．Ｎｏ．３ Ｊｕｌｙ，２００２ 文章编号：１００７—２６９１（２００２）０３—０００１—０４ 基于小波和进化网络的电能质量动态扰动自动识别 张智远，李庚银，冯任卿 （华北电力大学电力工程系，河北保定０７１００３） Ａｕｔｏ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｐｏｗｅｒ ｑｕａｆｉｔｙ ｄｉｓｔｕｒｂａｎｃｅ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ａｎｄ ｇｅｎｅｔｉｃ ｎｅｔ ＺＨＡＮＧ Ｚｈｉ—ｙｕａｎ，ＬＩ Ｇｅｎｇ—ｙｉｎ，ＦＥＮＧ Ｒｅｎ—ｑｉｎｇ （Ｄｅｐａｒｔｍｅｎｔ ｏｆＥｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈ Ｃｈｉｎａ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｕｎｉｖｅｒｓｉｔｙ，Ｂａｏｄｉｎｇ ０７１００３，Ｃｈｉｎａ） 摘要：提出了一种基于小波和进化网络的电能质量动态扰 动自动识别方法。首先应用Ｄａｕｂｅｃｈｉｅｓ ４小波对扰动波形进 行分解，得到各个尺度上的小波系数，然后进行特征提取： 采用遗传算法设计的模式特征分类器对扰动进行分类。实 验表明该方法具有分类准确、网络学习速度快及收敛效果 好等显著特点。 关键词：电能质量；扰动识别；小波变换；人工神经网络； 遗传算法 中图分类号：ＴＭ７ｌ 文献标识码：Ａ Ａｂｓｔｒａｃｔ：Ａ ｎｏｖｅｌ ａｐｐｒｏａｃｈ ｔｏ ｄｅｔｅｃｔ ａｎｄ ｃｌａｓｓｉｆｙ ｖａｒｉｏｕｓ ｔｙｐｅｓ ｏｆ ｐｏｗｅｒ ｑｕａｌｉｔｙ ｄｉｓｔｕｒｂａｎｃｅｓ ｉｓ ｐｒｅｓｅｎｔｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ￣Ｔｈｅ ｗａｖｅｌｅｔ Ｄａｕｂｅｃｈｉｅｓ ４ ｉｓ ｕｓｅｄ ｔｏ ｄｅｃｏｍｐｏｓｅ ｔｈｅ ｓｉｇｎａｌｓ ｃｏｎｔａｉｎｉｎｇ ｄｉｓｔｕｒｂａｎｃｅｓ．Ｔｈｅ ｃｈａｒａｃｔｅｒ ｖｅｃｔｏｒｓ ａｒｅ ｅｘｔｒａｃｔｅｄ ｔｈｒｏｕｇｈ ｔｈｅ ｗａｖｅｌｅｔ ｃｏｅｆｆｉｃｉｅｎｔｓ ｉｎ ｆｉｖｅ ｓｃａｌｅｓ．Ｕｓｉｎｇ ｔｈｅ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ（ＧＡ）ｂａｓｅｄ ｏｎ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｈｅ ｐａ￣ｅｍ ｃｈａｒａｃｔｅｒｓ ｃａｎ ｂｅ ｃｌａｓｓｉｆｉｅｄ ｂｙ ｔｈｅ ｍｏｄｅ ｃｌａｓｓｉｆｉｅｒ．Ｃｏｍｐｕｔａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｈａｓ ｇｏｏｄ ｐｅｒｆｏｒｍａｎｃｅ ｂｏｔｈ ｉｎ ｓｐｅｅｄ ａｎｄ ｉｎ ａｃｃｕｒａｃｙ． Ｋｅｙ ｗｏｒｄｓ：ｐｏｗｅｒ ｑｕａｌｉｔｙ；ｄｉｓｔｕｒｂａｎｃｅ ｒｅｃｏｇｎｉｔｉｏｎ；ｗａｖｅｌｅｔ； ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ 引 言 近年来，变频调速器、可编程控制器、计算机 信息系统等对电能质量变化敏感设备的使用日益广 泛，对电能质量水平提出了更加严格的要求。为了 改善电能质量，要求电力系统首先进行电能质量检 测评估和分析工作。扰动研究的首要任务就是对扰 动类型进行准确的分类，而如何有效地从扰动波形 中提取特征是能否快速、准确识别的关键。动态扰 动波形是暂态信号的一种，利用小波的时域局部化 特征可以较好地提取信号的局部化特征，而基于遗 传算法的人工神经网络能够做到更好的收敛，并能 有效地避免局部极小。因此，本文采取小波变换与 基于遗传算法进化网络相结合的扰动识别方法，并 对供电局录波器中所取得的塌陷、振荡、脉冲暂 态、瞬间断电等几种扰动进行分类。实验结果表明 基于遗传算法的神经网络分类器比传统的基于ＢＰ 算法的神经网络分类器性能有明显提高。 １ 扰动信号的小波变换 １．１小波变换 小波变换实质是用一个小波基函数 ｆ）来表示 一个能量有限的信￣ｆ（ｔ）ｃＬ （尺），即 （ （口， Ｉ口Ｉ一｛ 州 （１） 且满足容许条件 Ｉ ｆ）ｄ ０， 式中：ａ为尺度因子；ｂＹｊ平移因子。 设 ∽ 『， 收稿日期：２００２—０１—０１． 基金项目：高等学校骨干教师资助计划资助（ＧＧ一４７０—１００７９—１００１）． 作者简介：张智远（１９７７一），男，华北电力大学电力工程系硕士研究生；李庚银（１９６４一），男，华北电力大学电力工程 系教授，博士生导师．