CN102831433A - 一种基于时频域多特征量的电能质量混合扰动分类方法 - Google Patents

Abstract

本发明公开了一种基于时频域多特征量的电能质量混合扰动分类方法。对电压暂降、电压暂升、电压短时中断、脉冲暂态、振荡暂态、谐波和闪变电能质量扰动及其组合而成的混合扰动进行分类，具体实现步骤首先利用利用聚类经验模型分解方法(Ensemble Empirical Mode Decomposition，EEMD)和改进不完全S变换(modified incomplete S-transform，MIST)对扰动信号进行处理，并提取了9个时频域特征值；然后，将特征量输入到分块化的自动分类系统中，进行扰动识别。该方法充分考虑单一扰动之间的相互干扰，并通过互补的时频域特征量进行了有效的抑制。仿真结果表明，在一定的噪声条件下，该方法可有效分类电压暂降、电压暂升、电压短时中断、脉冲暂态、振荡暂态、谐波和闪变等电能质量扰动及其组合而成的混合扰动。

Description

一种基于时频域多特征量的电能质量混合扰动分类方法

技术领域

本发明涉及一种基于时频域多特征量的电能质量混合扰动分类新方法，。 

背景技术

近些年，电能质量问题受到了社会各界的广泛关注。深入研究影响电能质量的各种因素，准确提取电能质量扰动信号特征，实现电能质量扰动的正确分类是进行电能质量分析与评估的前提和基础。 

迄今为止，国内外已经有大量的学者研究了电能质量分类问题，取得了一定的成果。但是实际电力系统中，电能质量扰动往往是混合扰动，多种扰动可能同时存在。现有的电能质量扰动分类方法多是针对单一扰动的分类，难以解决混合扰动的分类问题，针对混合扰动分类问题的研究仍处于起步阶段。周雒维，管春等人在文献[多标签分类法在电能质量复合扰动分类中的应用.中国电机工程学报，2011，31(4)：45-50.]中指出电能质量混合扰动分类属于多标签分类的范畴，并系统归纳了解决多标签分类问题的方法：直接多类别分类法(direct multi-class approach)、两类分类法(binary approach)以及排位分类法(ranking approach)。 

在电能质量混合扰动分类研究中，直接多类别分类法是目前已有研究中的主流方法，这类方法主要采用特征提取加分类器的方式，研究重点在于如何提取扰动特征，大量学者尝试了诸如小波变换、S S-transform，ST)变换、希尔伯特黄变换(Hilbert-Huang Transform，HHT)等多种手段，获得了较好的效果。第一类方法主要的问题在于扰动情况增多时，标签数量也随着增大，影响分类效果。两类分类方法则是利用多个二分类器实现多标签分类，最后由多个标签的组合来表征分类结果，主要问题在于完全割裂了各种扰动之间的相互影响。文献[Lin W M，Wu C H，Lin C H，et al.Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM.IEEE Trans.on Power Delivery，2008，23(4)：2575-2582.]用这种方法实现了对混合扰动的分类，却仅局限于少数几种扰动，难以推广。采用第三种方法解决多标签分类问题，可以有效避免标签数量过大和关联性两方面问题，但国内外的研究都较少。文献[多标签分类法在电能质量复合扰动分类中的应用.中国电机工程学报，2011，31(4)：45-50.]提出了一种k-近邻贝叶斯多标签分类法，并且给出了适合于评价多标签分类方法的5个评价指标；管春等人在文献[基于多标签RBF神经网络的电能质量复合扰动分类方法[J].电工技术学报，2011，26(8)：198-204.]又提出了一种 多标签径向基函数法用于混合扰动分类，对排位分类法做了进一步的尝试，更为解决电能质量混合扰动分类问题提供了新的思路。 

考虑到电能质量混合扰动存在着信号特征十分复杂，多种单一扰动之间存在相互影响等特点。为了更加有效的解决实际电网中的电能质量问题，寻求有效的混合扰动分类方法已经迫在眉睫。总结以往的研究成果可以发现，面对混合电能质量扰动问题单一的方法都存在不足和缺陷，需要利用各种不同的处理手段实现信号特征量的有效互补，进而达到准确识别扰动的目的。 

发明内容

本发明的目的提出一种基于时频域多特征量的电能质量混合扰动分类新方法。该方法以EEMD和MIST为数据处理手段，构造了9种适合于电能质量混合扰动的时频域特征量，进而利用基于模糊推理的分类方法实现了混合扰动识别。该发明的特点在于能够有效全面的利用信号时频域特征，并且在理清了各个特征量的相互关系后，建立了相对完善的模糊推理机制，采用分块式的分类程序加以实现，不但提高了分类的精度，还有效的克服了特征量的相互干扰和实效等缺陷。本发明涉及的电能质量扰动包括电压暂降、电压暂升、电压短时中断、脉冲暂态、振荡暂态、谐波和闪变等单一电能质量扰动及其组合而成的混合扰动。本发明是通过如下的技术手段实现的： 

A、电能质量扰动信号采集 

利用电压、电流互感器对相关电气量扰动信号进行采集，对于未能采集到的混合扰动信号，针对其特征利用MATLAB软件进行随机产生； 

B、特征量构造与提取 

特征量的构造与提取包含了两部分，一部分是基础的信号处理技术，分别是EEMD和MIST方法；另一部分是特征量的构造方法： 

a)EEMD 

利用了高斯白噪声具有频率均匀分布的统计特性：向信号中加入高斯白噪声，信号将在不同尺度上具有连续性，促进抗混分解，避免EMD方法中由于固有模态函数(intrinsic mode function，IMF)的不连续性而造成的模态混叠现象，EEMD的分解过程如下： 

(1)添加高斯白噪声到目标信号； 

(2)用EMD方法将添加后的目标信号分解为IMF； 

(3)重复步骤1)和2)，但是每次需添加不同的白噪声； 

(4)将每次分解的IMF做均值后，作为最后的分解结果； 

b)MIST 

改进不完全S变换，其离散形式的表达式为： 

$S_{M1}[j,n_d]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H[m+n_d]\left(e^{-\frac{2{\mathrm{\π}}^2{m}^2{\mathrm{\λ}}_{n_d}}{n}}\right)e^{\frac{i2\mathrm{\πmj}}{N}}n=l_1~l_L---\left(3\right)$

式中，λ_nd是针对不同的频率点选择的窗宽系数；l₁～l_L为利用功率谱包络动态测度检测到的主要频率点，共L个；n_d和实际频率的换算关系为f＝n_d/NT，T为采样周期；详细的计算过程见附图2。 

c)特征量构造过程 

本发明中构造的9个特征量，可以分为3类：EEMD特征值，只包含A一个特征；功率谱特征值，包含了N_f和S5两个特征；MIST特征值，包含了基频类特征3个S1，S2，S3和中高频特征两个S6，logo； 

(1)EEMD特征值 

EEMD方法是EMD方法的改进，其有效避免了模态混叠，非常适用于提取信号中高频暂态特征。本发明中，这类特征值只有一个瞬时幅值特征A，计算公式如下 

A＝max[a_maxf](4) 

式中，a_maxf为IMF矩阵最高频率成分的瞬时幅值序列； 

该特征值为辅助特征值，主要是预先判断信号中是否可能存在脉冲扰动； 

(2)功率谱特征值 

这类特征值是通过计算扰动信号的功率谱或功率谱包络，求取其极大值动态测度，提取主要频率点获得的，主要作用为辅助判断，只包含了信号的频谱特点，包括： 

对称判据S5 

首先求取信号功率谱的动态测度，获得大于设定阈值的主要频率点，如果满足式(5)则S5的值为1；不满足则为0； 

||f_down-f_N|-|f_up-f_N||≤5(5) 

式中，f_N、f_down、f_up分别代表基波频率、小于基波的频率点、大于基波的频率点；该特征量，主要是在基波上没有幅值类扰动的情况下，反应信号中是否存在电压波动； 

主要频率点数N_f

求取信号功率谱包络的动态测度，提取主要频率点，统计主要频率点的个数，记为N_f，该特征值主要是初步判断信号中是否存在谐波、振荡暂态两种多频率成分的扰动； 

(3)MIST特征值 

这类特征值是对信号MIST后获得的时间-幅值向量进行分析和运算后获得的，可以有效反映扰动信号的时域和频域特点，包括： 

基频成分特征值(S1，S2，S3，S4) 

MIST变换后，获得基频成分的时间-幅值向量A_n0[m]，分别按照式(6)～(9)计算相应的特征值， 

均值： 

$S1={\stackrel{\‾}{A}}_{n0}=\frac{1}{N}\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}{A}_{n0}\left[m\right]---\left(6\right)$

标准差： 

$S2=\sqrt{\frac{1}{N-1}\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}{\left\{A_{n0}\right[m]-{\stackrel{\‾}{A}}_{n0}\}}^2}---\left(7\right)$

偏差值： 

S3＝2×max{max(A_n0[m])-0.5，0.5-min(A_n0[m])}(8) 

以上三个特征量分别从信号的三个方面反应了基频信号的特点，能够有效的区分暂降、暂升、短时中断三种扰动，且稳定性较好，不易受到其他扰动的干扰。 

幅值波动： 

$S4=\{(\underset{i=1}{\overset{n_{\max }}{\mathrm{\Σ}}}{d}_{\max }\left(i\right)-\max \left(d_{\max }\right))/(n_{\max }-1)\}-\{(\underset{i=1}{\overset{n_{\min }}{\mathrm{\Σ}}}{d}_{\min }\left(i\right)-\min \left(d_{\min }\right))/(n_{\min }-1)\}---\left(9\right)$

式中，d_max、d_min分别代表A_n0[m]的极大值和极小值序列，n_max、n_min则表示两个序列的长度，该特征值，在信号中不存在脉冲扰动的情况下，有效的反应信号中是否存在电压波动； 

中、高频成分特征值S6，logo 

S6是一个3×n的行列式，表示中、高成分的特征；它主要的包括了三个方面的特征：频率f_d、标准差F1、最大值与最小值之差(归一化)F2，该特征量主要用于识别谐波、振荡暂态两种扰动，还能够辅助识别脉冲暂态。具体的计算方式如下： 

频率f_d： 

f_d＝n_d/NT    (10) 

其中n_d对应奇数次倍的谐波频率和大于500Hz的所有频率点； 

标准差F1： 

$\sqrt{\frac{1}{N-1}\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}{\left\{A_{\mathrm{nd}}\right[m]-{\stackrel{\‾}{A}}_{\mathrm{nd}}\}}^2}---\left(11\right)$

最大值与最小值之差(归一化)F2： 

$\max \left({\hat{A}}_{\mathrm{nd}}\right[m\left]\right)-\min \left({\hat{A}}_{\mathrm{nd}}\right[m\left]\right)---\left(12\right)$

其中， 

为归一化后的时间-幅值向量； 

logo只是一个标识特征量，用来标识S6特征量是否有意义，故其值只有0或1其值只有0或1； 

C、基于模糊推理的分类方法 

利用各个特征量的特点及相关性设计的模糊推理机制，通过合理化的阈值和分块式的识别程序组成本发明的分类识别系统，分类的过程如下： 

1)输入B步骤提取的特征量序列； 

2)将特征量序列分别送入基波幅值扰动判断，谐波、振荡判断，脉冲暂态判断三个子程序； 

3)首先进行基波幅值扰动判断，输出结果作为电压波动扰动判断部分及谐波、振荡部分的启动条件； 

a)输出结果中C₅＝0、C₆＝0说明无稳态加性扰动，因而谐波、振荡子程序不需要启动； 

b)若输出结果中C₅、C₆不同时为0说明谐波、振荡子程序正常运行，输出结果可作为脉冲暂态判断部分的判断条件，随后脉冲暂态判断部分输出的结果再作为电压波动判断部分的启动条件； 

发明中对子程序启动优先级的设定，可有效解决各扰动之间的干扰； 

4)给出输出结果，由于输出结果是彼此独立的，对输出结果进行相应组合，从而得到扰动的最终类型； 

5)将扰动的最终类型输出至后续处理设备。 

与现有技术相比，本发明的有益效果是： 

1.本发明是一种针对混合电能质量扰动分类的新方法，在现有专利和技术中未被覆盖。 

2.本发明改进不完全S变换是通过定位信号中主要频率点进行信号的划分，避免了频带划分的不确定性，提高了扰动识别的精度，且无论是单一扰动还是混合扰动均适用； 

3.本发明中利用EEMD方法进行脉冲暂态的辅助判断十分有效，且物理意义明确，提高了识别的精度； 

4.本发明提取的各种特征量受其他基本扰动影响较小，并且考虑特征量的有效性。例如，针对电压波动，分别给出了对称特征和基频波动特征，用于有效避免各种情况的判据失效问题； 

5.本发明的特征量能较为全面的反应了扰动信号的物理特征，使得扰动识别的范围更广； 

6.本发明提出的方法既适合于单一电能质量扰动的分类，又适合于复合扰动分类，且均有较高的分类精度，基本扰动的识别鲁棒性较强，并具备抗噪性。 

附图说明

图1为本发明的总体算法流程图 

图2为MIST的计算计算流程图 

图3为特征量构造的计算流程图 

图4为基于模糊推理的自动识别系统流程图 

图5为基频特征量的变化情况与阈值选取特点图 

图6本发明实施例分类特征量描述。 

图7本发明实施例单一扰动分类结果。 

图8本发明实施例双重扰动分类结果。 

图9本发明实施例多重扰动分类结果。 

图10本发明实施例双重扰动中单个标签的错(漏)分统计。 

图11本发明实施例多重扰动中单个标签的错(漏)分率统计。 

具体实施方式

下面结合附图对本发明的实施例做详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施过程，但本发明的保护范围不限于下述的实施例。 

图1为本发明的总体算法流程图。 

A、电能质量混合扰动原始数据的生成 

由于实际采样信号并不能完全反应扰动信号的多样性，因而采用MATLAB软件分别随 机产生正常信号，暂降、暂升、短时中断、脉冲暂态、振荡暂态、谐波和闪变这7种单一扰动以及40种混合扰动。 

每类随机产生50个样本，信号基波频率为50Hz，信号采样频率为3.2kHz。所有信号均叠加信噪比为40dB的高斯白噪声。 

B、特征量构造与提取 

对电能质量混合扰动信号进行时频域分析：利用EEMD和MIST（图2）对信号进行处理后，提取了9个适合于混合扰动分类的时频域特征量，具体的描述和功能见图6。 

分类特征量构造计算流程图如图3所示，图中，h(k)为实施例信号；IMF为EEMD分解后的结果矩阵；H(m)和[H(m)]²分别为傅里叶变换结果和功率谱；S_MI(j，n_d)为MIST的计算结果；A_ni[m]＝A[m，n_i]则为时间-幅值向量，n_i代表了不同频率点，其反应了扰动信号对应于该频率点分量随着时间变化的情况。针对实施例的扰动信号，计算后MIST的基频特征量变化情况与阈值选取特点如图4所示。 

C、扰动分类 

1)单一扰动 

使用本发明的模糊推理的自动识别系统法（图5），首先对包括正常信号在内的8种单一扰动进行分析，分类的结果如图7所示。 

由图7可以看出，分类系统对单一扰动的识别率很高，识别率最低的为短时中断扰动(识别率为94%)，但其均被错分为暂降扰动，主要是由于两者时域特征极为相似，不易区分，使得分类精度有所下降。此外，个别情况由于扰动幅度较小，且受到噪声影响，导致无法准确分类。 

2)混合扰动 

使用本发明的方法，分别对17种双重扰动和23种多重扰动（包括三重和四重扰动）进行分类研究，分类结果如图8、图9所示。 

D、分类评价 

对分类结果中被错(漏)分的标签数进行统计，并进行错(漏)分率的相关计算。图10为双重扰动中单个标签的错(漏)分统计，图11为多重扰动中单个标签的错(漏)分率统计。 

从图8、图10可以看出，40种混合扰动的识别率均较高(即正确率在80%以上)。但是随着混合扰动中包含的单一扰动类型的增加，由于相互干扰加剧，识别率会有所降低，但是基本能满足分类精度要求。从图9、图11中可以看出，对于每一个单一扰动标签的误(漏)分率均较低，证明了本发明算法的鲁棒性，也确保了该算法能够准确识别出混合扰动中包含的各种单一扰动。因此，本发明提出的分类方法对于混合扰动分类是有效且适用的。 

Claims (1)

1.一种基于时频域多特征量的电能质量混合扰动分类方法，对电压暂降、电压暂升、电压短时中断、脉冲暂态、振荡暂态、谐波和闪变电能质量扰动及其组合而成的混合扰动进行分类，具体实现步骤如下：

A、电能质量扰动信号采集

利用电压、电流互感器对相关电气量扰动信号进行采集，对于未能采集到的混合扰动信号，针对其特征利用MATLAB软件进行随机产生；

B、特征量构造与提取

特征量的构造与提取包含了两部分，一部分是基础的信号处理技术，分别是EEMD和MIST方法；另一部分是特征量的构造方法：

a)EEMD

利用了高斯白噪声具有频率均匀分布的统计特性：向信号中加入高斯白噪声，信号将在不同尺度上具有连续性，促进抗混分解，避免EMD方法中由于固有模态函数IMF的不连续性而造成的模态混叠现象，EEMD的分解过程如下：

(1)添加高斯白噪声到目标信号；

(2)用EMD方法将添加后的目标信号分解为IMF；

(3)重复步骤1)和2)，但是每次需添加不同的白噪声；

(4)将每次分解的IMF做均值后，作为最后的分解结果；

b)MIST

改进不完全S变换，其离散形式的表达式为：

式中，λ_nd是针对不同的频率点选择的窗宽系数；l₁～l_L为利用功率谱包络动态测度检测到的主要频率点，共L个；n_d和实际频率的换算关系为f＝n_d/NT，T为采样周期；

c)特征量构造过程

本发明中构造的9个特征量，可以分为3类：EEMD特征值，只包含A一个特征；功率谱特征值，包含了N_f和S5两个特征；MIST特征值，包含了基频类特征3个S1，S2，S3和中高频特征两个S6，logo；

(1)EEMD特征值

这类特征值只有一个瞬时幅值特征A，计算公式如下

A＝max[a_maxf](4) 

式中，a_maxf为IMF矩阵最高频率成分的瞬时幅值序列；

该特征值为辅助特征值，主要是预先判断信号中是否可能存在脉冲扰动；

(2)功率谱特征值

这类特征值是通过计算扰动信号的功率谱或功率谱包络，求取其极大值动态测度，提取主要频率点获得的，主要作用为辅助判断，包括：

对称判据S5

首先求取信号功率谱的动态测度，获得大于设定阈值的主要频率点，如果满足式(5)则S5的值为1；不满足则为0；

||f_down-f_N|-|f_up-f_N||≤5(5)

式中，f_N、f_down、f_up分别代表基波频率、小于基波的频率点、大于基波的频率点；该特征量，主要是在基波上没有幅值类扰动的情况下，反应信号中是否存在电压波动；

主要频率点数N_f

求取信号功率谱包络的动态测度，提取主要频率点，统计主要频率点的个数，记为N_f，该特征值主要是初步判断信号中是否存在谐波、振荡暂态两种多频率成分的扰动；

(3)MIST特征值

这类特征值是对信号MIST后获得的时间-幅值向量进行分析和运算后获得的，可以有效反映扰动信号的时域和频域特点，包括：

基频成分特征值：S1，S2，S3，S4

MIST变换后，获得基频成分的时间-幅值向量A_n0[m]，分别按照式(6)～(9)计算相应的特征值，

均值：

标准差：

偏差值：

S3＝2×max{max(A_n0[m])-0.5，0.5-min(A_n0[m])}(8)

幅值波动： 

式中，d_max、d_min分别代表A_n0[m]的极大值和极小值序列，n_max、n_min则表示两个序列 的长度，该特征值，在信号中不存在脉冲扰动的情况下，有效的反应信号中是否存在电压波动；

中、高频成分特征值S6，logo

S6是一个3×n的行列式，表示中、高成分的特征；它主要的包括了三个方面的特征：频率f_d、标准差F1、归一化最大值与最小值之差F2，所述三个方面的特征具体的计算方式如下

频率f_d：

f_d＝n_d/NT    (10)

其中n_d对应奇数次倍的谐波频率和大于500Hz的所有频率点；

标准差F1：

最大值与最小值之差(归一化)F2：

其中， 

为归一化后的时间-幅值向量；

logo只是一个标识特征量，用来标识S6特征量是否有意义，故其值只有0或1其值只有0或1；

C、基于模糊推理的分类方法

利用各个特征量的特点及相关性设计的模糊推理机制，通过合理化的阈值和分块式的识别程序组成本发明的分类识别系统，分类的过程如下：

1)输入B步骤提取的特征量序列；

2)将特征量序列分别送入基波幅值扰动判断，谐波、振荡判断，脉冲暂态判断三个子程序；

3)首先进行基波幅值扰动判断，输出结果作为电压波动扰动判断部分及谐波、振荡部分的启动条件；

a)输出结果中C₅＝0、C₆＝0说明无稳态加性扰动，因而谐波、振荡子程序不需要启动； 

b)若输出结果中C₅、C₆不同时为0说明谐波、振荡子程序正常运行，输出结果可作为脉冲暂态判断部分的判断条件，随后脉冲暂态判断部分输出的结果再作为电压波动判断部分的启动条件；

发明中对子程序启动优先级的设定，可有效解决各扰动之间的干扰；

4)给出输出结果，由于输出结果是彼此独立的，对输出结果进行相应组合，从而得到扰动的最终类型；

5)将扰动的最终类型输出至后续处理设备。 

Images