CN100504846C - 基于信息融合的电能质量扰动自动识别方法及系统 - Google Patents

Abstract

一种基于信息融合的电能质量扰动自动识别方法及系统，其特点是：从电能质量监测系统及其它自动化系统中，采集与电能质量扰动相关的稳态测量数据和暂态测量数据，进行去噪声等预处理；利用傅里叶分析、小波多分辨率分解和相关函数分析相结合的方法提取扰动数据的时域、频域和关联特征，建立扰动特征向量，且作为3个概率神经网络的输入特征向量，实现从特征空间到扰动空间的映射；将3个概率神经网络的输出作为彼此独立的证据体，再利用D-S证据理论进行信息融合，得到识别结果。本发明通过正确选择与提取扰动特征向量，分类输入并行神经网络，从多方面反映扰动的状况，有效地提高了扰动的正确识别率，初步实现了电能质量扰动的智能识别。

Description

基于信息融合的电能质量扰动自动识别方法及系统

技术领域

本发明属于电力系统自动化领域，尤其是一种基于信息融合的电能质量扰动自动识别方法及系统。

背景技术

电能质量扰动识别的实质是模式识别，目前研究该问题的基本思想是根据快速傅立叶变换和小波变换或其他时频分析方法对信号进行分析，提取特征，结合神经网络、模糊专家系统等模式识别方法进行电能质量扰动的自动识别。现有的方法大多单纯从电能质量监测系统的失真时域波形中提取一个方面的特征量来识别电能质量扰动，缺乏对多源多维信息的协同处理和综合利用。由于这种方法所利用的扰动特征量有限，如果这些特征量受各种噪声干扰影响，可能降低扰动识别精度和可靠性，同时在准确性、可靠性和实用性等方面都存在着不同程度的缺陷。

发明内容

本发明的目的就是提出一种电能质量扰动识别准确性好、可靠性高、通用性强的基于信息融合的电能质量扰动自动识别方法；本发明的另一目的是提供一种结构合理，能够满足准确性、可靠性和实用性的基于信息融合的电能质量扰动自动识别系统。

本发明的基于信息融合的电能质量扰动自动识别方法，包括以下步骤：

(1)数据采集和预处理

数据采集和预处理是直接在采集到的原始数据层上进行融合，从电能质量监测系统及其它自动化系统(如电能计量系统、负荷管理系统等)中，采集与电能质量扰动相关的稳态测量数据和暂态测量数据(例如，历史数据、统计数据和波形文件)未经预处理之前就进行数据的综合和分析，是最低层次的融合，主要完成原始数据的筛选、检错和校核、数据格式转换、归一化处理等初步的数据处理，主要利用来自不同信息源的、反映同一目标的信息具有相似特征，来判断这些特征不完全相同的数据的真伪，去伪存真，弥补有些信息的不真实性、不确切性。

(2)特征提取和局部识别

特征提取和局部识别属于中间层次，除完成数据的状态估计外，更主要是对来自不同数据源的原始信息，利用傅立叶分析、小波多分辨率分解和相关函数分析相结合的方法提取扰动数据的时域、频域和关联特征，并对特征信息进行综合分析和处理，建立反映扰动特征的3个特征向量，将3个特征向量分别输入到3个概率神经网络，实现扰动的局部识别。

(3)综合识别

综合识别是一种高层次融合，运用D-S证据推理理论处理不确定性问题的能力，对步骤(2)提供的时域、频域和关联扰动识别结果进行联合处理，通过它的组合规则进一步优化识别结果，做出最终识别。

本发明的基于信息融合的电能质量扰动自动识别系统分成Visual C++、Matlab和Excel工作环境，使用Visual C++进行数据的采集、命令的发送和复杂的流程控制；使用Matlab下开发的COM组件完成复杂的算法实现和数字信号处理编程；使用Excel构建数据库。具体来说，本发明基于信息融合的电能质量扰动自动识别系统由数据采集与预处理模块、扰动识别数据库、特征提取模块、局部扰动识别模块、融合识别模块和用户交互模块构成。

本发明的基于信息融合的电能质量扰动自动识别方法的有益效果是：

1、将概率神经网络识别技术与小波分析技术相结合，实现了电能质量扰动的智能识别，克服了传统方法主观性强的缺点；

2、该方法对3个概率神经网络的输出进行信息融合，得到最终的识别结果，识别率高，而且可靠性强。

本发明基于信息融合的电能质量扰动自动识别系统结构合理，采集信号准确、真实，初步实现了电能质量监测的智能化。

附图说明

图1为基于信息融合的电能质量扰动自动识别方法示意图；

图2为基于信息融合的电能质量扰动自动识别系统结构示意图；

图3为基于信息融合的电能质量扰动自动识别流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

如图1所示，一种基于信息融合的电能质量扰动自动识别方法包括下述步骤：

(1)数据采集及预处理

利用数据访问接口从电能质量监测系统的数据库中，采集与电能质量扰动相关的稳态数据、暂态数据(如谐波、电压波动和闪变、三相不平衡度、暂时过电压和瞬态过电压等指标)、瞬时波形和有效值变化情况及持续时间、峰值大小等相关信息；通过标准访问接口，获取其它自动化系统(如电能计量系统、负荷管理系统等)与该扰动相关的数据；利用小波变换对信号进行去噪声处理。

(2)特征提取及局部识别

对现场测量取样的失真波形，采用快速傅立叶变换将时域的数字信号迅速地变换为它所对应的谱，从谱中便可以得到关于信号的各种特征(如信号所含谐波的次数、各次谐波的幅值及其初相角等)作为扰动的特征向量；采用小波多分辨率分解将畸变波形转换到不同的频率区域，提取反映各种扰动特征的信号能量；采用相关函数分析方法分析电能质量扰动与电力机车的运行工况的关系，通过相关函数分析与计算得到相关系数值。这样，从各类数据抽取的反映电能质量扰动的特征信息可分为三类：

①6种时域特征(电压波形，电流波形，有效值，基波幅值和相位，扰动持续时间)；

②10种频域特征：3、5、7、9次谐波的电压、电流幅值和相位，总谐波畸变率，小波包变换提取不同频带内的能量值)；

③3种关联特征(扰动与电力机车速度的相关系数，扰动与电力机车负荷的相关系数，扰动与电力机车行车密度的相关系数)。

针对以上3类扰动特征，采用3个并列的三层概率神经网络，构成特征融合级神经网络。神经网络的输入与3个特征向量对应，输出与扰动种类对应，即电压暂降为(1，0，0，0，0)，电压暂升为(0，1，0，0，0)，电压闪变为(0，0，1，0，0)，电压波动为(0，0，0，1，0)，电压中断为(0，0，0，0，1)。判定某类扰动发生的可信度值阈值θ＝0.5为基准，若神经网络输出值大于阈值并接近“1”，则表明某类扰动发生，反之，则接近“0”。

从电能质量监测系统中收集以往的扰动数据与试验数据，分别选择适合于3个子神经网络的扰动训练样本，建立3个神经网络并对其进行训练，各自完成从扰动特征参数子空间到整个扰动空间的映射。网络训练完成后，就可以根据输入的扰动特征数据进行识别。

神经网络需要把输入的数据归一化到学习算法限制的范围内，因此，将扰动特征数据变换为0或1之间的正数，以避免过大的权重调节淹没部分特征信息，消除各特征参数物理单位的干扰。

(3)综合识别

每个识别网络的能力是不同的，因此每个网络存在一个可靠性系数即证据的折扣。将各局部神经网络的实际输出值进行归一化处理，再乘以神经网络总的识别率。设第i(i＝1，2，3)个网络的第j(j＝1，2，3，4，5)个输出值为O_i(A_j)，那么它对应在本证据基础上对输出j的信度分配为

$m_i\left(A_j\right)=\frac{O_i\left(A_j\right){\mathrm{\α}}_i}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{O}_i\left(A_j\right)}---\left(1\right)$

式中，α_i为各网络的识别率，n为神经网络的个数，

为理想状态下神经网络各节点的总输出。A_j为扰动识别中的基本扰动模式；m_i(A_j)为在扰动框架上对扰动A_j的信度函数分配。经归一化处理后，得到各证据的基本可信度分配。

采用D-S证据理论将3个局部网络的识别结果组合进行综合识别。根据电能质量扰动的特性，主要分析几种典型扰动，即电压暂降(E₁)、电压暂升(E₂)、电压闪变(E₃)、电压波动(E₄)、电压中断(E₅)，确定证据理论中的识别框架

记为 $\⊕=\left\{\begin{array}{ccccc}{E}_1,& E_2,& E_3,& E_4,& E_5\end{array}\right\}.$ 根据证据融合公式(2)对多个神经网络的证据进行融合处理，可得到融合后的各扰动基本可信度分配，由此可实现对扰动的准确识别。

$m\left(C\right)=\left\{\begin{array}{cc}0,& C=\mathrm{\φ}\\ \frac{\underset{A_{i}I{B}_j=C}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right)}{1-\underset{A_{i}I{B}_j=\mathrm{\φ}}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right)}& ,C\≠\mathrm{\φ}\end{array}\right.---\left(2\right)$

式中，Φ为空集；m(A_i)，m(B_j)分别称为在扰动框架上对扰动A_i，B_j的信度函数分配。C为假设的扰动模式A_i和B_j布尔组合的一个综合命题；C的信度函数值m(C)是包含不冲突扰动假设A_i和B_j的所有信度函数乘积之和。由式(2)可以递推得到多个扰动证据的融合结果，这样，就通过D-S融合规则联合几个证据组形成一个新的综合证据，为电能质量扰动模式的决策提供综合、准确的信息。

本发明基于VisualC++平台，结合Matlab建立整个电能质量扰动自动识别系统，分成Visual C++、Matlab和Excel工作环境，使用Visual C++进行数据的采集、命令的发送和复杂的流程控制；使用Matlab下开发的COM组件完成复杂的算法实现和数字信号处理编程；使用Excel构建数据库。具体来说，本发明基于信息融合的电能质量识别系统主要由数据采集与预处理模块1、扰动识别数据库2、特征提取模块3、局部扰动识别模块4、融合识别模块5和用户交互模块6构成，如图2所示。

其中，数据采集与预处理模块1通过数据访问接口从电能质量监测系统和其它自动化系统的数据库中，按照量测地点、日期、时间筛选出能够反映扰动特征的相关数据。

扰动识别数据库2负责记录神经网络所需的训练样本，将模块1采集的数据保存到Excel数据库中，在Excel环境下进行数据管理维护工作，提供数据存储、增加、删除、统计等功能，其它模块可以使用ODBC接口获取相关数据，无需关心数据库的位置与格式，也无须考虑数据一致性问题。

特征提取模块3、局部扰动识别模块4和融合识别模块5使用Matlab下开发的COM组件实现，完成傅立叶变换、小波分析、相关函数分析、概率神经网络识别、D-S证据理论融合识别等复杂的算法实现和数字信号处理功能。

用户交互模块6负责在软件界面显示所有的识别结果，同时接收用户的各种操作信号。

如图3所示，描述了本发明基于信息融合的电能质量扰动自动识别实现流程。当现场电能质量监测设备监测的电压波形达到预设的畸变程度(如电压总谐波畸变率超标)时，扰动识别系统就可进行数据采集，采集后的信号先经过预处理，取出信号中所含的噪声，进而实现对信号的采集。

Claims (5)

1、一种基于信息融合的电能质量扰动自动识别方法，其特征在于：它包括下述步骤：

(1)从电能质量监测系统电能计量系统及负荷管理系统中，采集与电能质量扰动相关的稳态测量数据和暂态测量数据，并利用小波变换对数据进行去噪声处理，实现统一时标、综合管理；

(2)采用傅立叶分析、小波多分辨率分解及相关函数分析方法对去噪声后的数据进行特征提取，得到反映扰动特征的3种多维特征向量；

(3)将提取的多维特征向量分别送入3个概率神经网络进行训练，训练好的神经网络可对未知扰动进行识别；

(4)将各神经网络的输出结果作为彼此独立的证据，利用D-S证据理论进行信息融合，得到最终的识别结果。

2、根据权利要求1所述的基于信息融合的电能质量扰动自动识别方法，其特征在于：所述的步骤(1)是利用数据访问接口从电能质量监测系统的数据库中，采集与电能质量扰动相关的稳态数据、暂态数据，通过应用程序访问接口，获取电能计量系统、负荷管理系统中与电能质量扰动相关的数据。

3、根据权利要求1所述的基于信息融合的电能质量扰动自动识别方法，其特征在于：所述的步骤(2)是对现场测量取样的畸变波形，采用快速傅立叶变换将时域的畸变波形变换为它所对应的谱，从谱中得到关于畸变波形的特征作为扰动的特征向量；采用小波多分辨率分解将畸变波形转换到不同的频率区域，提取反映各种扰动特征的信号能量；通过相关函数分析与计算得到相关系数值；从各类数据抽取的反映电能质量扰动的特征信息分为三类：a、6种时域特征：电压波形、电流波形、有效值、基波幅值和相位、扰动持续时间；b、10种频域特征：3、5、7、9次谐波的电压、电流幅值和相位、总谐波畸变率、小波包变换提取不同频带内的能量值；c、3种关联特征：扰动与电力机车速度的相关系数、扰动与电力机车负荷的相关系数、扰动与电力机车行车密度的相关系数。

4、根据权利要求1所述的基于信息融合的电能质量扰动自动识别方法，其特征在于：所述的步骤(3)中采用的神经网络是概率神经网络，将步骤(2)得到的3个特征向量作为输入，输出与识别扰动种类对应，即电压暂降为(1，0，0，0，0)，电压暂升为(0，1，0，0，0)，电压闪变为(0，0，1，0，0)，电压波动为(0，0，0，1，0)，电压中断为(0，0，0，0，1)；建立3个神经网络并对其进行训练，训练好的网络完成从特征空间到扰动空间的映射。5、根据权利要求1所述的基于信息融合的电能质量扰动自动识别方法，其特征在于：所述的步骤(4)中采用的信息融合由D-S证据理论完成，根据识别扰动种类，确定证据理论中的识别框架，记为 $\⊕=\{E_1,E_2,E_3,E_4,E_5\},$ E₁为电压暂降、E₂为电压暂升、E₃为电压闪变、E₄为电压波动、E₅为电压中断，根据证据融合理论得到融合后的各扰动基本可信度分配，由此可实现对扰动的准确识别。

6、一种基于信息融合的电能质量扰动自动识别系统，其特征在于：它由数据采集与预处理模块(1)、扰动识别数据库(2)、特征提取模块(3)、局部扰动识别模块(4)、融合识别模块(5)和用户交互模块(6)构成，其中，数据采集与预处理模块(1)通过数据访问接口从电能质量监测系统和其它自动化系统的数据库中，按照量测地点、日期、时间筛选出能够反映扰动特征的相关数据；扰动识别数据库(2)负责记录神经网络所需的训练样本，将数据采集与预处理模块(1)采集的数据保存到Excel数据库中，在Excel环境下进行数据管理维护工作，提供数据存储、增加、删除、统计功能，其它模块可以使用ODBC接口获取相关数据；特征提取模块(3)、局部扰动识别模块(4)和融合识别模块(5)使用Matlab下开发的COM组件实现，完成傅立叶变换、小波分析、相关函数分析、概率神经网络识别、D-S证据理论融合识别复杂的算法实现和数字信号处理功能；用户交互模块(6)负责在软件界面显示所有的识别结果，同时接受用户的各种操作信号。

Images