基于dq變換和S變換的電能質量擾動識別

王 鑫， 王 卓， 鄭 璐

（哈爾濱理工大學 黑龍江 哈爾濱 150080）

隨著電能質量敏感設備應用的急速增加，電能質量問題越來越受到電力部門與用戶的關注。為了改善和提高電能質量，需要對電能質量擾動進行識別。實現電能質量擾動的正確分類，將有助于分析擾動產生的原因，找出合理的應對措施。

目前，不少學者已經提出了一系列有效的電能質量擾動識別方法，如用Hilbert-Huang變換對電力系統暫態信號進行分析[1]，用小波變換和二叉樹結構對電能質量擾動進行分類[2]，用貝葉斯分類器對擾動信號進行分析[3]，用數學形態學的方法進行擾動檢測與定位[4]，用分形方法對擾動信號進行檢測[5]，用人工神經網絡[6]、支持向量機[7]對擾動進行分類和識別等。上述方法有的算法復雜計算量大，有的需要大量的樣本進行訓練，較難用于實際檢測中。S變換是連續小波變換和短時傅立葉變換的繼承和發展，同時具有很好的抗噪性，因此成為近幾年的一個研究熱點。

文中利用dq變換電壓有效值波形特征，對測量信號采用單相延遲60°構造三相，進行dq變換，實現對第一類擾動的識別；通過S變換后的S矩陣，提取信號的特征量，對第二類擾動進行識別。本方法可作為研究配電系統電能質量監測網絡的基礎，以實現電能質量擾動的實時監測與自動識別。

1 擾動識別原理

1.1 dq變換

文獻[8]闡述了單相延時60°構造三相的dq變換法，并得到dq變換結果為：ud=Ua（Ua為a相電壓的有效值），uq=0。

式中α為相位移。將dq變換結果進行處理，可得電壓有效值為：

對無擾動純正弦電壓urms=Ua，因此采用該方法可瞬時求取電壓的有效值。

1.2 S變換

S變換是一種時頻可逆的分析方法，它引入了寬度和頻率成反比變換的高斯窗，并具有與頻率相關的分辨率。因此，S變換既有小波變換多分辨率分析的特點，又有短時傅里葉變換的單頻率獨立分析的能力，同時又避免了短時傅里葉變換窗函數選擇的問題。

給定一連續的時間信號x（t），其S變換為：

式中 ω（τ－t，f）為高斯窗函數，τ為控制高斯窗口在 t軸位置的參數，1/|f|為尺度因子。 信號 x（t）可以由其 S變換 S（τ，f）很好地重構，其S逆變換為：

由于信號x（t）的S變換與其傅里葉變換X（f）之間存在如下關系：

令f=n/NT，τ=kT，其中T為采樣時間，N為總采樣點數。由式（6）可以得到S變換的離散表示形式：

S變換的結果為一個復時頻二維矩陣，記為S矩陣。將S矩陣各元素求模記為S模矩陣，某一時間和頻率處S變換的模值就是S矩陣中相應元素的幅值。其行向量為信號某一頻率的幅值隨時間變化的分布，列向量為信號某一采樣時刻的幅值隨頻率變化的分布。

2 擾動識別方法

該文提出一種將dq變換和S變換相結合的電能質量擾動分層識別方法，識別流程如圖1所示。

圖1 擾動識別流程圖Fig.1 Flow diagram of disturbance identification

首先，根據擾動信號電壓有效值變化特征，初步將擾動信號分為兩類。即電壓暫降、暫升和中斷為第一類；振蕩暫態、電壓尖峰、電壓缺口和諧波為第二類；第二，對采樣信號進行基于虛構三相的dq變換，計算信號的電壓均方根值urms，如果urms有明顯且持續的變化，則為第一類擾動信號，并進一步計算擾動的幅值，確定擾動類別是電壓暫降、暫升還是中斷；第三，對第二類擾動進行S變換，通過從變換后得到的S模矩陣中提取特征量來識別第二類擾動類別。用統計分析的方法提取擾動信號S變換結果的時頻信息，提取的特征量為F1：工頻頻段是否有最大標準差，F2：工頻幅值變化范圍。

3 MATLAB仿真及結果

利用文獻[9]提供的擾動信號模型產生擾動信號樣本。設信號的頻率為工頻50 Hz，采樣頻率為1 600 Hz，采樣點數為320點，那么每周期采樣的點數為1600/50=32個點，共采樣320/32=10個周期。

對第一類擾動信號進行dq變換，如圖2所示。從圖2中發現電壓暫降、暫升、中斷dq變換得到的urms的幅值均有明顯變化，且變化后持續一段時間，然后通過有效值的大小區分三者（電壓暫降：0.1～0.9 p.u.；暫升：1.1～1.8 p.u.；中斷：小于 0.1 p.u.）。

圖2 第一類擾動的dq變換仿真圖Fig.2 Simulation diagram of dq conversion of first type

圖3 諧波和振蕩暫態的S變換仿真圖Fig.3 Simulation diagram of S transform of harmonic and oscillation transient

圖4 電壓尖峰和電壓缺口的S變換仿真圖Fig.4 Simulation diagram of S transform of voltage spike and gap

對第二類擾動信號進行S變換，如圖3，4所示。從圖3，4中發現第二類擾動信號經S變換后，得到的頻譜標準差曲線中，諧波和振蕩暫態的S矩陣的最大標準差不在工頻頻段；而電壓尖峰和電壓缺口的卻在工頻頻段。同時，再通過各自S矩陣的工頻幅值變化范圍，就可將第二類擾動一一區分開來。

通過改變擾動的持續時間、幅值和起始相位角，同時均添加20 dB的噪聲，對各種擾動信號均產生50個樣本，共350個樣本，應用本文提出的方法進行識別分類，結果見表1。

表1 擾動識別結果Tab.1 Result of disturbance identification

由表1可知，文中的方法具有較高的分類辨識率，取得了良好的效果。

4 結 論

文中針對電能質量檢測和識別的要求，提出了一種基于dq變換和S變換的電能質量擾動識別的方法。仿真計算結果表明，該方法能夠對7種電能質量擾動信號進行有效的分類辨識，準確度高、響應速度快、結構簡單且抗噪聲能力強。

[1]聶永輝，高磊，唐威.Hilbert-Huang變換在電力系統暫態信號分析中的應用[J].電力系統及其自動化學報，2009，21（4）:63-69.NIE Yong-hui， GAO Lei， TANG Wei.Application of Hilbert-Huang transform on analysis of transient signal in electric power system[J].Proceedings of the CSU-EPSA，2009，21（4）:63-69.

[2]馮浩，謝剛文，鄭賀偉，等.基于小波變換和二叉樹結構的電能質量擾動分類[J].低壓電器，2011（5）:35-38.FENG Hao， XIE Gang-wen， ZHENG He-wei， et al.Power quality disturbances classification based on wavelet transform and binary tree architecture[J].Low Voltage Apparatus，2011（5）:35-38.

[3]舒泓.電能質量擾動檢測和分類問題的研究[D].北京:北京交通大學，2008.

[4]王麗霞，何正友，趙靜.基于數學形態學的電能質量擾動檢測和定位[J].電網技術，2008，32（10）:63-68.WANG Li-xia， HE Zheng-you， ZHAO Jing.Detection and location of power quality disturbance based on mathematical morphology[J].Power System Technology，2008，32 （10）:63-68.

[5]王晶，束洪春，陳學允.動態電能質量的分形指數小波分析方法[J].中國電機工程學報，2004，24（5）:40-45.WANG Jing， SHU Hong-chun， CHEN Xue-yun.Fractal exponent wavelet analysis of dynamic power quality[J].Proceedings of the CSEE，2004，24（5）:40-45.

[6]谷湘文，高培生，吳為麟.基于S變換和神經網絡的電能質量多擾動分類識別[J].機電工程，2007，24（9）:46-49.GU Xiang-wen， GAO Pei-sheng， WU Wei-lin.Classification and recognition of power quality multi-disturbance based on S-transform and neural networks [J]. Mechaical &Electrical Engineeringmagazine，2007，24（9）:46-49.

[7]黃南天，徐殿國，劉曉勝.基于S變換與SVM的電能質量復合擾動識別[J].電工技術學報，2011，26（10）:23-30.HUANG Nan-tian， XU Dian-guo， LIU Xiao-sheng.Identification of power quality complex disturbances based on S-transform and SVM [J].Transactions of China Electrotechnical Society，2011，26（10）:23-30.

[8]徐永海，肖湘寧，楊以涵，等.基于dq變換和ANN的電能質量擾動辨識[J].電力系統自動化，2001（14）:24-27.XU Yong-hai， XIAO Xiang-ning， YANG Yi-han， et al.Power quality disturbance identification using dq conversion based neural classifier[J].Automation of Electric Power Systems，2001，（14）:24-27.

[9]Youssef A M，Abdel-Galil T K，El-Saadany E F，et al.Disturbance classification utilizing dynamic time warping classifier[C]//IEEE Transactions on Power Delivery，2004:272-278.