CN102230951B - 一种电力系统单一或多重电能扰动事件在线监测与识别方法 - Google Patents

Abstract

本发明涉及一种电能扰动事件在线监测与识别方法，尤其是涉及一种电力系统单一或多重电能扰动事件在线监测与识别方法。本发明创造性的利用时频原子变换能够有效抑制邻近频率分量的相互干扰，可以精确地测量基波、谐波和间谐波分量的频率、幅值、相位等各电能质量事件特征参数，并构造物理意义明确、指标具体的模式特征向量；本监测方法具有较好的动态响应速度，同时测量精度不受基波频率波动的影响。利用时频原子变换方法提取的特征向量，改进型自组织映射人工神经网络能够准确识别电能扰动波形中单一或同时存在的多重电能质量事件,对其严重程度进行直观表达，且能动态反映多重电能质量事件各自的发展变化轨迹。

Description

一种电力系统单一或多重电能扰动事件在线监测与识别方法

技术领域

本发明涉及一种电能扰动事件在线监测与识别方法，尤其是涉及一种电力系统单一或多重电能扰动事件在线监测与识别方法。

背景技术

近年来，随着各种电力电子器件的广泛使用以及非线性、冲击性、波动性负荷的不断增加，电力系统中各种电能质量扰动事件对工业生产和居民生活造成了严重影响。由于不同类型的电能扰动事件对不同用户的影响程度是不相同的，精确监测电力系统波形中各种类型电能扰动事件的特征参数并进行准确的类型识别显得尤为重要。同时，在未来开放的电力市场环境中，精确的电能质量信息可以为电价的确定提供依据，减少用户与电力企业之间的纠纷。

电能扰动事件的特征参数测量是电能扰动类型识别的重要环节。傅立叶变换的测量精度受到频谱泄漏和栅栏效应的影响，不适合非平稳的电能扰动信号分析。S变换结果只包含若干个特定频率分量(由时间窗决定)在不同时刻的幅值信息，无法精确测量基波频率波动以及间谐波的特征参数。复连续小波变换(Continuous Wavelet Transform，CWT)的电能扰动事件监测方法，由于中心频率相近的小波函数频域窗口存在重叠，影响了谐波或间谐波分量特征参数的测量，不利于多重电能质量事件类型的准确判别。

关于各种类型电能质量事件的分类识别，应用和研究中的方法有人工神经网络(Artificial Neural Network，ANN)、支持向量机(Support VectorMachine，SVM)、专家系统(Expert System，ES)等。基于常规ANN的分类器训练速度较慢，准确性也有待提高；而基于SVM的分类器计算量较大，以上两种方法均难以实现对同时存在的多重电能质量事件的分类与识别。而随着电能质量事件种类的增加，ES容易产生组合爆炸问题。

发明内容

本发明主要是解决现有技术所存在的难以实现对同时存在的多重电能质量事件的分类与识别等的技术问题；提供了一种能够有效抑制邻近频率分量的相互干扰，可以精确地测量基波、谐波和间谐波分量的频率、幅值、相位等各电能质量事件特征参数，并构造物理意义明确、指标具体的模式特征向量的一种电力系统单一或多重电能扰动事件在线监测与识别方法。

本发明还有一目的是解决现有技术所存在的电能质量事件种类的增加，ES容易产生组合爆炸问题等的技术问题；提供了一种具有较好的动态响应速度，同时测量精度不受基波频率波动的影响(即无需同步采样)；并能够准确识别电能扰动波形中单一或同时存在的多重电能质量事件，对其严重程度进行直观表达，且能动态反映多重电能质量事件各自的发展变化轨迹一种电力系统单一或多重电能扰动事件在线监测与识别方法。

本发明再有一目的是解决现有技术所存在的等的技术问题；提供了一种。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，包括以下步骤：

步骤1、应用时频原子变换测量电力系统波形中单一或多重稳态、暂态电能扰动事件中每一采样时刻分量的特征参数，包括频率、幅值以及持续时间，并应用时频原子变换提取每一时刻分量对应的模式特征向量；

步骤2、采用自组织映射人工神经网络分类器依据模式特征向量进行电能质量事件的分类与识别。

本发明创造性的利用时频原子变换能够有效抑制邻近频率分量的相互干扰，可以精确地测量基波、谐波和间谐波分量的频率、幅值、相位等各电能质量事件特征参数，并构造物理意义明确、指标具体的模式特征向量；本监测方法具有较好的动态响应速度，同时测量精度不受基波频率波动的影响(即无需同步采样)。利用时频原子变换方法提取的特征向量，改进型自组织映射人工神经网络能够准确识别电能扰动波形中单一或同时存在的多重电能质量事件，对其严重程度进行直观表达，且能动态反映多重电能质量事件各自的发展变化轨迹。

本发明首先利用时频原子变换提取基波分量幅值U1、基波分量频率f、谐波畸变率THDl、间谐波畸变率THD2、基波分量幅值波动值的百分数d(以下简称为波动值)组成一个五维向量；然后采用改进型自组织映射人工神经网络，依据模式特征向量实现电压暂升、电压暂降、短时断电、谐波、间谐波、频率偏移和电压波动七种电能质量事件的分类与识别。在模式特征向量中增加扰动持续时间、三相不平衡度等参数可进一步识别三相不平衡和过电压、欠电压等电能质量事件。

在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的步骤1中，所述的分量包括基波分量、谐波分量和间谐波分量。

在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的基波分量的特征参数的测量的方法为：定义时频原子函数的频窗半径和频窗中心，应用时频原子变换测量基波分量在每个采样时刻的特征参数。

在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的谐波分量和间谐波分量的特征参数的测量的方法为：将时频原子函数的中心频率分别设置为1Hz、3Hz、直至采样频率的一半，调整尺度参数使频率窗口半径为1Hz，应用时频原子变换可以得到谐波在每个采样时刻的特征参数和间谐波分量在每个采样时刻的特征参数。

在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的模式特征向量为利用时频原子变换提取基波分量幅值U1、基波分量频率f、谐波畸变率THDl、间谐波畸变率THD2、基波分量幅值波动值的百分数组成一个五维向量，其中，波动值

$d=\frac{U_{\max }-U_{\min }}{U_o}\×100\%$

，U1为基波分量的正常/额定值(标么)，U_max，U_min为0.1s时间窗口内基波分量幅值的最大值和最小值；所述的模式特征向量是基于基波分量在每个采样时刻的特征参数、谐波在每个采样时刻的特征参数和间谐波分量在每个采样时刻的特征参数获取。

在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的时频原子变换定义为实值信号s(t)与时频原子函数

的内积，其输出为：

$W_{\mathrm{\&psi;}}(a,{\mathrm{\&omega;}}_n,\mathrm{\&tau;})=<s\left(t\right),{\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}(t-\mathrm{\&tau;})>=\underset{-\&infin;}{\overset{\&infin;}{\&Integral;}}s\left(t\right){\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}^{*}(t-\mathrm{\&tau;})\mathrm{dt}$

变换输出的频域表达式为

式中G(ω)是g(t)的频率特性。

在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的时频原子函数定义为对一具有低通频率特性的高斯函数g(t)进行如下的调制和伸缩处理：

在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的时频原子函数频域表达式为：

${\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}\left(\mathrm{\&omega;}\right)=\sqrt{a}G\left(a(\mathrm{\&omega;}-{\mathrm{\&omega;}}_n)\right)$

时频原子函数具有带通频率特性，其通带表达式为：

[ω_n±Δω_g/a]

其中Δω_g是g(t)的频率窗口半径，Δω_g/a取值为0.112526/Δf。

在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的自组织映射人工神经网络分类器的具体定义如下：

首先，采用时频原子变换方法提取典型电能质量事件的模式特征作为训练样本来训练自组织改进型自组织映射网络，使其输出层的不同区域对应于不同的模式特征；进一步，采用测试样本对训练好的改进型自组织映射网络进行测试；最后，将其作为自组织映射人工神经网络分类器识别电能扰动波形中单一或同时存在的多个电能质量事件，并在输出层直观表达这些电能质量事件各自的发生、变化和结束过程，实现电能质量事件的直观表达和准确分类和识别。

因此，本发明具有如下优点：1能够有效抑制邻近频率分量的相互干扰，可以精确地测量基波、谐波和间谐波分量的频率、幅值、相位等各电能质量事件特征参数，并构造物理意义明确、指标具体的模式特征向量；2.具有较好的动态响应速度，同时测量精度不受基波频率波动的影响(即无需同步采样)；并能够准确识别电能扰动波形中单一或同时存在的多重电能质量事件，对其严重程度进行直观表达，且能动态反映多重电能质量事件各自的发展变化轨迹。

附图说明

附图1(a)是本发明的基于TFT的电压暂降监测示意图；

附图1(b)是本发明的基于TFT的电压暂降监测示意图；

附图2(a)是本发明的基于TFT的频率偏移测量示意图；

附图2(b)是本发明的基于TFT的频率偏移测量示意图；

附图2(c)是本发明的基于TFT的频率偏移测量示意图；

附图3(a)是本发明的基于TFT的电压波动测量示意图；

附图3(b)是本发明的基于TFT的电压波动测量示意图；

附图4(a)是本发明的基于TFT的谐波、间谐波测量示意图；

附图4(b)是本发明的基于TFT的谐波、间谐波测量示意图；

附图5(a)是本发明的基于TFT多重扰动基波测量结果示意图；

附图5(b)是本发明的基于TFT多重扰动基波测量结果示意图；

附图5(c)是本发明的基于TFT多重扰动基波测量结果示意图；

附图6(a)是本发明的基于TFT的多重扰动谐波、间谐波监测示意图；

附图6(b)是本发明的基于TFT的多重扰动谐波、间谐波监测示意图；

附图7是本发明训练后的SOM输出层平面示意图；

附图8是本发明测试样本对应的BMU示意图；

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

首先介绍一下时频原子变换：

1.1时频原子变换算法

以时频原子(Time-frequency Atom，TFA)函数为变换核的时频原子变换(Time-frequency Transform，TFT)是与以小波函数(Wavelet)为变换核的连续小波变换(Centinuous Wavelet Transform，CWT)相类似的、面向非平稳信号的新型信号处理方法。所不同的是，TFT克服了CWT在频率域的缺陷且可以根据需要灵活调整各项性能，更适合于信号实时监测。

时频原子函数被定义为对一具有低通频率特性的实函数g(t)进行如下的调制和伸缩处理：

${\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}\left(t\right)=\frac{1}{\sqrt{a}}g\left(\frac{t}{a}\right)\exp \left(j{\mathrm{\&omega;}}_{n}t\right)---\left(1\right)$

式中ω_n为调制(频率)参数，a为尺度(伸缩)参数。其频域表达式为：

${\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}\left(\mathrm{\&omega;}\right)=\sqrt{a}G\left(a(\mathrm{\&omega;}-{\mathrm{\&omega;}}_n)\right)---\left(2\right)$

与小波函数类似，TFA也具有带通频率特性。经论证，其通带表达式为：

[ω_n±Δω_g/a]          (3)

其中Δω_g是g(t)的频率窗口半径；一旦g(t)选定，Δω_g也就随之确定。可见调制参数ω_n决定了TFA的带通中心频率，尺度参数a决定了TFA的带通频率半径，两者互不干扰，可以分别设置和调节。

时频原子变换被定义为实值信号s(t)与变换核

的内积，其输出为：

$W_{\mathrm{\&psi;}}(a,{\mathrm{\&omega;}}_n,\mathrm{\&tau;})=<s\left(t\right),{\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}(t-\mathrm{\&tau;})>=\underset{-\&infin;}{\overset{\&infin;}{\&Integral;}}s\left(t\right){\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}^{*}(t-\mathrm{\&tau;})\mathrm{dt}---\left(4\right)$

变换输出的频域表达式为

式中G(ω)是g(t)的频率特性。该式表明以时频原子

为变换核的时频原子变换等效于一个以ω_n为中心频率的复带通滤波过程。

时频原子函数和小波函数在时间、频率轴上都有紧凑的支撑集，其等效的时间和频率窗口半径均可以通过尺度参数a进行调节以便对输入信号进行多分辨率的分析。另一方面，小波函数的频域窗口中心和半径均与尺度参数a有关，造成中心频率相近的不同小波函数的频域窗口相互重叠，且频率越高混叠现象越明显。与之不同的是，TFA的频域窗口中心完全由调制参数ω_n决定而与尺度参数a无关，而频域窗口半径完全由a调节而与ω_n无关，两者互不干扰，可以分别设置和调节。因此，可以通过恰当设置TFA的频域窗口来抑制邻近频率信号分量的干扰，保证时频原子变换对特定频率信号分量的测量精度。总之，时频原子变换既保持了小波变换的“自适应聚焦”能力，又克服了其在频率域的缺陷，能够很好满足电能质量监测的要求。

1.2时频原子函数的构造及其尺度参数的优化设置

时频原子变换方法的核心是构造或选取合适的具有低通特性的窗函数g(t)以及参数的设置。一旦窗函数形式和通频带中心频率确定，相应的TFA也就确定了，以其为变换核的时频原子变换对特定信号分量的动态响应速度和对相邻信号分量影响的抑制能力(决定了测量精度)由尺度参数a来调节。由于高斯窗函数具有低通滤波特性且具有较小的时频窗口面积，本文中选用高斯窗函数来构造TFA，即式(1)中

因为TFA具有理想的频率特性，即TFA的实部和虚部的幅值频率特性完全相同、关于中心频率对称并在中心频率处有峰值、无旁瓣。这些特性保证了时频原子变换提取其频域窗口内信号分量(不要求信号分量位于中心频率处)的复值相量时不受系统频率波动的影响和频域窗口外信号分量的干扰，具有很好的选择性和自适应能力。

如前所述，时频原子变换的输出等效于以ω_n为中心频率的复带通滤波过程。假设W_R(τ)和W_I(τ)为其输出的实部和虚部，该通带中等效信号分量在τ时刻的瞬时频率f(τ)和幅值M(τ)可由下式得到：

W_R(τ)＝Re(W_Ψ(a，ω_n，τ))

W_I(τ)＝Im(W_Ψ(a，ω_n，τ))  (5)

θ(τ)＝tan^-1(W_I(τ)/W_R(τ)) (6)

$f\left(\mathrm{\&tau;}\right)=\frac{1}{2\mathrm{\&pi;}}\frac{\mathrm{\&theta;}\left(\mathrm{\&tau;}\right)-\mathrm{\&theta;}(\mathrm{\&tau;}-T)}{T}---\left(7\right)$

M(τ)＝C_f(W_I(τ)²+W_R(τ)²)^1/2 (8)

其中T为采样间隔，系数C_f与信号分量的瞬时频率f(τ)和TFA的幅频特性有关。以上表明时频原子变换在每个采样时刻的复值滤波输出，即信号分量的复值相量信息可被用于计算该时刻的相位、频率、幅值等参数，为实施在线监测创造了条件。

2基于时频原子变换的电能扰动监测

为准确监测电能扰动波形中基波分量的特征参数同时保证良好的动态特性，设置TFA的中心频率为50Hz，调整尺度参数使频率窗口半径为13Hz，即公式(3)中ω_n50Hz，Δω_g/a＝13Hz。TFA在时域上逐采样间隔滑动等效于(50±13)Hz的带通滤波过程，根据公式(5)-(8)可以得到基波分量在每个采样时刻的特征参数。类似地，将TFA的中心频率分别设置为1Hz、3Hz、直至采样频率的一半(在实际应用中可以根据需要灵活调整范围)，调整尺度参数使频率窗口半径为1Hz，应用时频原子变换可以得到谐波和间谐波分量在每个采样时刻的特征参数。

时频原子变换不仅适用于单相电压、电流波形的监测，也能应用于对称分量(序分量)情况。经时频原子变换得到的扰动波形中各信号分量的特征电气参数不受基波频率波动和各分量相互之间的影响，具有很好的适应能力和很高的测量精度，适合于电能扰动在线监测。

接下来介绍一下本发明的具体实施例：

一种电力系统单一或多重电能扰动事件在线监测与识别方法，包括以下步骤：

步骤1、应用时频原子变换测量电力系统波形中单一或多重稳态、暂态电能扰动事件中每一采样时刻分量的特征参数，包括频率、幅值以及持续时间，并应用时频原子变换提取每一时刻分量对应的模式特征向量；分量包括基波分量、谐波分量和间谐波分量；

基波分量的特征参数的测量的方法为：定义时频原子函数的频窗半径和频窗中心，应用时频原子变换测量基波分量在每个采样时刻的特征参数；谐波分量和间谐波分量的特征参数的测量的方法为：将时频原子函数的中心频率分别设置为1Hz、3Hz、直至采样频率的一半，调整尺度参数使频率窗口半径为1Hz，应用时频原子变换可以得到谐波在每个采样时刻的特征参数和间谐波分量在每个采样时刻的特征参数。

模式特征向量为利用时频原子变换提取基波分量幅值U1、基波分量频率f、谐波畸变率THD1、间谐波畸变率THD2、基波分量幅值波动值的百分数组成一个五维向量，其中，波动值

U1为基波分量的正常/额定值(标么)，U_max，U_min为0.1s时间窗口内基波分量幅值的最大值和最小值；所述的模式特征向量是基于基波分量在每个采样时刻的特征参数、谐波在每个采样时刻的特征参数和间谐波分量在每个采样时刻的特征参数获取。

在本发明中，时频原子变换定义为实值信号s(t)与时频原子函数

的内积，其输出为：

$W_{\mathrm{\&psi;}}(a,{\mathrm{\&omega;}}_n,\mathrm{\&tau;})=<s\left(t\right),{\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}(t-\mathrm{\&tau;})>=\underset{-\&infin;}{\overset{\&infin;}{\&Integral;}}s\left(t\right){\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}^{*}(t-\mathrm{\&tau;})\mathrm{dt}$

变换输出的频域表达式为

式中G(ω)是g(t)的频率特性。的时频原子函数定义为对一具有低通频率特性的高斯函数g(t)进行如下的调制和伸缩处理：

${\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}\left(t\right)=\frac{1}{\sqrt{a}}g\left(\frac{t}{a}\right)\exp \left(j{\mathrm{\&omega;}}_{n}t\right)$

其中ω_n为调制(频率)参数，a为尺度(伸缩)参数；

时频原子函数频域表达式为：

${\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}\left(\mathrm{\&omega;}\right)=\sqrt{a}G\left(a(\mathrm{\&omega;}-{\mathrm{\&omega;}}_n)\right)$

时频原子函数具有带通频率特性，其通带表达式为：

[ω_n±Δω_g/a]

其中Δω_g是g(t)的频率窗口半径，Δω_g/a取值为0.112526/Δf。

步骤2、采用自组织映射人工神经网络分类器依据模式特征向量进行电能质量事件的分类与识别。

首先介绍一下自组织映射网络，自组织映射网络(Self-organizingmap，SOM)模拟大脑神经系统自组织映射的功能，是一种能无监督地进行自组织学习的人工神经网络。SOM能够将高维模式特征包含的复杂非线性关系转换成二维平面上的简单几何关系进行直观表达，并将输入的相似模式特征汇聚在输出层特定区域。不同于常规SOM，改进型SOM是有监督学习的人工神经网络，即学习过程中训练样本所属类别是已知的；输出层平面被划分为互不重叠的多个区域，分别对应与训练样本中的不同模式特征。训练完成后，输入测试样本，可根据其在输出层中最佳匹配点(Best MatchUnit，BMU)所属区域确定测样样本的模式类别。与常规SOM相比，改进型SOM能够提高模式分类的准确性。

在本实施例中，自组织映射人工神经网络分类器(也可称为改进型自组织映射网络)的具体定义如下：

首先，采用时频原子变换方法提取典型电能质量事件的模式特征作为训练样本来训练自组织改进型自组织映射网络，使其输出层的不同区域对应于不同的模式特征；进一步，采用测试样本对训练好的改进型自组织映射网络进行测试；最后，将其作为自组织映射人工神经网络分类器识别电能扰动波形中单一或同时存在的多个电能质量事件，并在输出层直观表达这些电能质量事件各自的发生、变化和结束过程，实现电能质量事件的直观表达和准确分类和识别。

下面的仿真算例可说明本发明的实施过程，但不因此限制本发明的保护范围。

1基于时频原子变换的电能扰动事件监测

1.1单一电能质量事件的监测

1.1.1幅值暂降、暂升、中断的监测

考虑噪声的影响，用仿真软件生成电压暂降波形，扰动发生和终止时刻为0.2和0.4秒，扰动幅度为0.5，即

n(t_i)为均值为0且方差为0.001的白噪声，采样率为1kHz(本文中采样率和噪声均如此设置)。分别采用全周付氏算法，基于Morlet复小波的连续小波变换(中心频率设置为50Hz)和时频原子变换方法(TFA的中心频率为50Hz，频域窗口半径为13Hz)测量波形中基波分量的瞬时幅值并比较其动态特性，如图1所示。

由图1可见，对于单一电压暂降事件，上述三种方法都可以准确检测出暂降事件开始和结束的时刻；暂降的幅值和暂降过程中的频率与实际情况相吻合；时频原子变换方法的动态响应速度也要优于连续小波变换方法。该算例表明，对于单一电压暂降事件，时频原子变换方法具有很好的测量精度和可接受的动态特性。类似地，时频原子变换方法可以对单一电压暂升和电压中断两种电能质量事件进行有效监测。

1.1.2频率偏移的监测

用仿真软件中生成频率为50.5Hz，幅值为1的频率偏移扰动波形，即s(t)＝sin(2π·50.5·t)+n(t)，t＝0～0.6s，如图2(a)所示。利用时频原子变换方法得到的频率如图2(b)所示，与实际情况完全相符。由此可见，时频原子变换方法可以在非同步采样条件下准确监测电能扰动波形中的基波频率偏移，且基波幅值测量精度不受频率偏移的影响。

1.1.3幅值波动的监测

用仿真软件生成电压波动的扰动波形，基波频率为50Hz，幅值为1且波动频率为4Hz，电压波动值为0.16，即s＝sin(2π*50*t).*(1+0.16sin(2π*4*t))+n(t)，如图3(a)所示。利用时频原子变换方法得到的基波分量的幅值如图3(b)。由图3(b)可以看出，基波幅值在[0.847，1.152]范围内波动且波动频率为4Hz(波动幅值误差为0.7％)，与实际情况非常吻合；TFT测量得到的基波频率为50Hz，与实际情况一致。由此可见，时频原子变换方法可以准确监测基波幅值的波动。

1.1.4谐波、间谐波的监测

用仿真软件生成包含谐波、间谐波分量和基波频率偏移的电能扰动波形，即

s(t)＝0.15sin(2π·f₁·t-60°)+sin(2π·f₂·t)+.25sin(2π·f₃·t+45°)

+0.3sin(2π·f₄·t+105°)+0.2sin(2π·f₅·t+286°)

+0.18sin(2π·f₆·t+71°)+0.1sin(2π·f₇·t-243°)+n(t)

其中f₁，f₂…f₇分别是40.75、50.01、116.75、150.03、194.62、250.05、395.07，本文以116.75Hz间谐波分量为例说明基于时频原子变换方法的谐波/间谐波监测。设置TFA中心频率为117Hz，频窗宽度为±1Hz，对应的时频原子变换等效于以117Hz为中心频率，带宽为(117±1)Hz的带通滤波过程，其对间谐波分量幅值和频率的监测结果如图4所示。复连续小波变换的监测结果由于小波函数频域窗口的混叠现象造成测量误差较大；时频原子的频带宽度可调从而使TFT具有抗混叠带通滤波特性，其得到的间谐波频率和幅值与实际情况完全相符，说明其非常适合谐波/间谐波的监测。

1.2多重电能质量事件的监测

电能扰动波形中往往同时存在多种电能质量事件，需要对每一个电能质量事件进行精确监测和准确分类识别。用仿真软件生成含有多重电能质量事件的电能扰动波形：

$s=\left\{\begin{array}{c}\sin (2\mathrm{\&pi;}\&CenterDot;50.1\&CenterDot;t1)+0.1\sin (2\mathrm{\&pi;}\&CenterDot;90.56\&CenterDot;t1)\\ +0.2\sin (2\mathrm{\&pi;}\&CenterDot;150.3\&CenterDot;t1)+n\left(t1\right),t1=0~0.2s\\ 1.7\sin (2\mathrm{\&pi;}\&CenterDot;50.1\&CenterDot;t2)+0.1\sin (2\mathrm{\&pi;}\&CenterDot;90.56\&CenterDot;t2)\\ +0.2\sin (2\mathrm{\&pi;}\&CenterDot;150.3\&CenterDot;t2)+n\left(t2\right),t2=0.2~0.4s\\ \sin (2\mathrm{\&pi;}\&CenterDot;50.1\&CenterDot;t3)+0.1\sin (2\mathrm{\&pi;}\&CenterDot;9.56\&CenterDot;t3)\\ +0.2\sin (2\mathrm{\&pi;}\&CenterDot;150.3\&CenterDot;t3)+n\left(t3\right),t3=0.4~0.6s\end{array}\right.$

0-0.6s期间电能扰动波形中存在频率偏移、3次谐波和间谐波三种电能质量事件；0.2-0.4s期间另有电压暂升；电能扰动波形如图5(a)所示。

采用TFT逐采样间隔监测依次测量基波和谐波、间谐波分量的参数，如图5(b)和(c)和图6所示。时频原子变换方法不受基波频率波动的影响和各信号分量相互之间的干扰，能够准确检测出基波分量的两种电能质量事件(电压暂升和频率偏移)并精确测量出基波分量的幅值和频率，且动态响应速度也优于连续复小波变换方法。而全周付氏算法受频率偏移和谐波、间谐波分量的影响，幅值和频率测量误差较大。同时，时频原子变换方法能够在多种电能质量事件同时存在的情况下准确地检测出扰动波形中的谐波和间谐波，且幅值和频率的监测精度远优于连续复小波变换方法。

2基于改进型SOM电能质量事件类型识别

2.1改进型SOM的训练

针对电压暂升、电压暂降、短时断电、谐波、间谐波、电压波动、频率偏移七种常见电能质量事件和正常电压、电流波形，采用时频原子波变换方法提取特征参数构成模式特征向量(包括分类信息)作为训练样本对改进型SOM分类器进行训练。在165个训练样本中，频率偏移事件样本有25个，其余6种电能质量事件和正常情况对应的样本各有20个。通过训练，改进型SOM输出层平面划分为互不重叠的8个区域，分别对应于电压暂升、电压暂降、短时断电、谐波、间谐波、电压波动、频率偏移和正常情况，如图7所示。再次将上述165个训练样本(但不包含分类信息)依次输入训练好的改进型SOM分类器，其BMU所在区域与样本对应的电能质量事件类型完全相符，即识别正确率为100％。进一步，程度严重的电能质量事件的BMU一般远离正常情况对应区域，而程度微弱的电能质量事件的BMU一般接近正常情况对应区域，如图7所示。其中标识“强”的区域表示对应的电能质量事件程度比较严重，而标识“弱”的区域表示对应的电能质量事件程度比较微弱。

2.2改进型SOM的测试

类似地，针对七种常见电能质量事件和正常情况的电压、电流波形，分别提取38组模式特征向量(不包括分类信息)构成测试样本集A和B。该两组样本集中分别包含正常情况以及电压中断特征向量各4组，电压暂升、电压暂降、间谐波、谐波、电压波动以及频率偏移特征向量各5组。用训练好的改进型SOM对测试样本集进行测试，其结果下表所示，可见改进型SOM对该两组测试样本的识别正确率为100％。如下表为测试样本集的分类识别结果：

2.3电能质量事件严重程度的表征

对应于上述测试样本A中的模式特征向量，各类电能质量事件的严重程度由轻微向严重变迁。图8中绘出了各模式特征向量在改进型SOM输出层的BMU及其变化轨迹。以五个电压暂升事件为例，其严重程度依次加强，而BMU的位置也逐步远离正常情况所对应的区域。改进型SOM可以直观地表示表征电能质量事件的严重程度和变化轨迹。

构造同时存在多种类型电能质量事件的扰动波形：

$s=\left\{\begin{array}{cc}\sin (2\mathrm{\&pi;}*50*t).*(1+0.075\sin (2\mathrm{\&pi;}*4*t))& \\ +0.11\sin (2\mathrm{\&pi;}*250*t)+0.1\sin (2\mathrm{\&pi;}*225.41*t)+n\left(t\right)& 0s<t<1.5s\\ 1.6\sin (2\mathrm{\&pi;}*50.15*t)+0.17\sin (2\mathrm{\&pi;}*150.45*t)& \\ +0.18\sin (2\mathrm{\&pi;}*317.24*t)+n\left(t\right)& 1.5s<t<3s\end{array}\right.$

n(t)为均值为0且方差为0.001的白噪声。[0-1.5]秒时段电能扰动波形中有谐波、间谐波和电压波动三种电能质量事件；[1.5-3.0]秒时段电能扰动波形中电压暂升、频率偏移、谐波和间谐波四种电能质量事件，其中谐波、间谐波严重程度由弱变为强(谐波畸变率由0.11变为0.17，间谐波畸变率由0.1变为0.18)。采用时频原子变换方法得到这两个时段的的特征参数向量如下：

t(s)	U1	F	thd1	thd2	d
						0-1.5	0.9752	1	0.1099	0.1036	0.1394
1.5-3	1.6003	1.003	0.1699	0.1788	0

依次将上述特征参数向量的各个元素取为额定值，将上述2个时刻的特征参数向量分解为10个特征参数向量。以此作为模式特征向量输入训练好的改进型SOM分类器，识别结果如图9所示。对应于第一时段模式特征向量的5个BMU用标号1-5标识，对应于第二时段模式特征向量的5个BMU用标号6-10标识。BMU1-5分别位于改进型SOM输出层中正常情况、正常情况、谐波、间谐波、电压波动对应的区域；BMU6-10分别位于改进型SOM输出层中电压暂升、频率偏移、谐波、间谐波、正常情况对应的区域；根据每个区域中BMU标号可以判断相应类型电能质量事件的发生或消失(即变迁)；同一区域中BMU间的箭头反映了同类电能质量事件程度的变化。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，包括以下步骤：

步骤1、应用时频原子变换测量电力系统波形中单一或多重稳态、暂态电能扰动事件中每一采样时刻分量的特征参数，包括频率、幅值以及持续时间，并应用时频原子变换提取每一时刻分量对应的模式特征向量；所述的分量包括基波分量、谐波分量和间谐波分量；所述的模式特征向量为利用时频原子变换提取基波分量幅值U1、基波分量频率f、谐波畸变率THD1、间谐波畸变率THD2、基波分量幅值波动值的百分数组成一个五维向量，其中，波动值

U1为基波分量的正常/额定值（标么），U_max，U_min为0.1s时间窗口内基波分量幅值的最大值和最小值；所述的模式特征向量是基于基波分量在每个采样时刻的特征参数、谐波在每个采样时刻的特征参数和间谐波分量在每个采样时刻的特征参数获取；

步骤2、采用自组织映射人工神经网络分类器依据模式特征向量进行电能质量事件的分类与识别。

2.根据权利要求1所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法,其特征在于，所述的基波分量的特征参数的测量的方法为：定义时频原子函数的频窗半径和频窗中心，应用时频原子变换测量基波分量在每个采样时刻的特征参数。

3.根据权利要求2所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法,其特征在于，所述的谐波分量和间谐波分量的特征参数的测量的方法为：将时频原子函数的中心频率分别设置为1Hz、3Hz、直至采样频率的一半，调整尺度参数使频率窗口半径为1Hz，应用时频原子变换可以得到谐波在每个采样时刻的特征参数和间谐波分量在每个采样时刻的特征参数。

4.根据权利要求1所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法,其特征在于，所述的时频原子变换定义为实值信号s(t)与

时频原子函数

的内积，其输出为：

$W_{\mathrm{\&psi;}}(a,{\mathrm{\&omega;}}_n,\mathrm{\&tau;})=<s\left(t\right),{\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}(t-\mathrm{\&tau;})>=\underset{-\&infin;}{\overset{\&infin;}{\&Integral;}}s\left(t\right){\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}^{*}(t-\mathrm{\&tau;})\mathrm{dt}$

变换输出的频域表达式为

式中G(ω)是g(t)的频率特性。

5.根据权利要求4所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法,其特征在于，所述的时频原子函数定义为对一具有低通频率特性的高斯函数g(t)进行如下的调制和伸缩处理：

${\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}\left(t\right)=\frac{1}{\sqrt{a}}g\left(\frac{t}{a}\right)\exp \left(j{\mathrm{\&omega;}}_{n}t\right)$

其中

ω_n为调制（频率）参数，a为尺度（伸缩）参数；

6.根据权利要求4所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法,其特征在于，所述的时频原子函数频域表达式为:

${\mathrm{\&psi;}}_{a,{\mathrm{\&omega;}}_n}\left(\mathrm{\&omega;}\right)=\sqrt{a}G\left(a(\mathrm{\&omega;}-{\mathrm{\&omega;}}_n)\right)$

时频原子函数具有带通频率特性，其通带表达式为:

[ω_n±Δω_g/a]

其中Δω_g是g(t)的频率窗口半径，Δω_g/a取值为0.112526/Δf。

7.根据权利要求4所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法,其特征在于，所述的自组织映射人工神经网络分类器的具体定义如下：

首先，采用时频原子变换方法提取典型电能质量事件的模式特征作为训练样本来训练自组织改进型自组织映射网络，使其输出层的不同区域对应于不同的模式特征；进一步，采用测试样本对训练好的改进型自组织映射网络进行测试；最后，将其作为自组织映射人工神经网络分类器识别电能扰动波形中单一或同时存在的多个电能质量事件，并在输出层直观表达这些电能质量事件各自的发生、变化和结束过程，实现电能质量事件的直观表达和准确分类和识别。

Images