幾種電能質量擾動檢測和分類方法研究

摘要：隨著電力行業的發展、新型電力電子器件和大量非線性負荷的使用，致使電能質量問題正變得越來越嚴重，同時，電力供應商和電能消費者均對電能質量提出更高的要求。電能質量擾動信號的識別分類是進行電能質量擾動參數分析、定位擾動信號發生的源頭，并對電能質量進行改善的重要前提。本文對幾種電能質量暫態擾動信號的定位與識別方法進行了探討，簡析它們在處理電能質量擾動信號上的優缺，為后續的相關工作提供參考。

關鍵詞：電能質量；擾動；定位與分類

1 電能質量擾動檢測方法

1.1 傅里葉變換

傅里葉變換就是把時域上的信息映射到了頻域上，因此可以分別從時域和頻域兩個角度來觀察信號所具有的特性。但傅里葉變換只能反映信號在整個時間軸上的整體信息，卻不能反映局部時間上頻率特性。因此，傅里葉變換只適合處理一些平穩的、隨時間周期變化的信號，否則會出現柵欄效應和頻譜泄露。離散傅里葉變換（Discrete Fourier Transform，DFT）在頻域檢測中也得到了廣泛的應用，通過加窗、插值及頻譜校正等方式在傅里葉方法上進行了改善，使得變換速度和計算精度得到了很大的提高。而后又提出了快速傅里葉變換（Fast Fourier Transform，FFT），因其克服了DFT的計算量大等問題，使得其運算速度得到很大的提升。

1.2 小波變換

小波變換是一常用的處理電能質量的時頻域分析法。小波變換可以很好的處理非平穩的信號，并且它能夠同時從時域和頻域進行觀察，可以用一個二維矩陣實現信號的重構和局部變化，它的時頻窗口可以自適應變化，具有良好的時頻局部化特性。而能否選取合適的小波基使得小波變換的分析結果差別很大，而且小波變換的冗余度和計算量都較大。連續小波變換、離散小波變換、小波包變換等改進型方法克服了小波變換的缺陷在實際中得到大量應用。

1.3 希爾伯特黃變換

希爾伯特黃變換（Hilbert.Huang Transform，HHT）也是一種時頻域分析法，實現了完全自適應并對非平穩信號有著精準的分析。能同時滿足時間域和頻率軸上所要求的精度要求，對突變信號的處理性更強。但其需要復雜的遞回，運算時間反而比短時傅里葉變換要長。由于HHT擁有自身的有點，填補了FT先天系統的制約，將兩種方法交相使用后，對信號的分析得到能力大大加強，得到更多的信號訊息。

1.4 S變換

S變換是在FT和小波變換基礎上提出的一種可逆的時頻分析算法。S變換有著更強的局部分析能力和很強的自適應性，兼并了FT和小波變換兩者的優點，也很大程度上克服了兩者的缺陷。S變換所加的窗寬與頻率的倒數成正比[1]，正好克服了小波變換在低頻下時間分辨率較差和在高頻下頻率分辨率較差這一缺點，而且擁有比小波變換更好的抗噪性和表征信號的特征量。但由于S變換計算比較繁瑣，難以實現對擾動信號的實時監測。像廣義的S變換，雙曲S變換和多分辨率的廣義S變換等，其計算精度和算法速度得到很大的提高。

2 電能質量擾動分類

2.1 人工神經網絡

人工神經網絡（Artificial Neural Networks，ANN）是一種基于分布式并行信息處理的算法模型。其由大量的神經元組合而成，根據組合方式的不同可得到BP神經網絡、概率神經網絡、廣義回歸神經網絡和自組織神經網絡等。使用該算法實現對擾動信號的模式識別分類，需要將擾動信號特征量輸入人工神經網絡分類器中，然后根據分類規則進行分類。由于人工神經網絡通過判別函數去計算已知類的樣本，而對于未知類樣本不做任何監督，特別是當數據不充分時，神經網絡就無法工作。

2.2 決策樹

決策樹利用歸納的算法制定分類規則，利用分層操作，對樣本數據中的每個屬性進行逐一劃分，越向下的分支分的越細。所以決策樹算法的執行效率高，分類結果明顯，而且比較適合處理復合的電能質量擾動信號。但決策樹比較依賴于訓練樣本，訓練樣本的好壞直接影響分類結果，并且決策樹算法缺乏伸縮性，難以處理龐大的數據。

2.3 支持向量機

支持向量機（Support Vector Machine，SVM）就是通過一個平面或是超平面將分布式的樣本劃分為兩類。特別在處理小樣本、非線性以及高維模式中顯示出諸多優點。在實際情況下，信號類別有很多種，想要對多個類別進行歸類時SVM無法實現，所以多分類SVM被提出并應用。但由于尋求一個最優支持向量機核函數和參數顯得比較困難，所以核函數和參數的選取是問題的關鍵所在，并直接影響分類結果。

2.4 人工免疫系統

人工免疫系統（Artifical Immune System，AIS）是在生物免疫系統信息處理機制上發展起來的一種數據處理、歸納和推理策略。該方法將各特征量作為抗原，計算抗原與訓練好的記憶細胞中抗體的親和度，根據親和度的大小得到抗原的類別[2]，實現分類。由于該算法需要通過大量的訓練樣本來找到更好的訓練方法，使該算法速度在實際應用中受到一定的限制，不適合在線實時監測的場合。

3 結語

電能質量作為應用最為廣泛的能源之一，從側面反映了一個國家的經濟科技發展狀況。電能質量的好壞直接影響著經濟發展狀況。由電能質量所引發的問題不只是降低了用戶的生產力，削弱企業的競爭力，甚至可能會影響到就業問題，對社會造成重大影響。因此，迅速、準確、可靠地對電能質量擾動信號進行檢測定位與識別分類，能夠使相關設備及時、準確地動作，保證了設備、產品的安全，切實地維護了用戶和電力供應商的利益。

參考文獻：

[1]劉博.基于模糊邏輯的電能質量暫態擾動分類研究[D].哈爾濱工業大學，2016.

[2]張亞萍.電能質量擾動檢測與定位方法研究[D]. 湖南大學，2016.

作者簡介：楊正凡（1993），男，漢族，江蘇鹽城人，碩士，研究方向：智能控制。