CN104459397A - 采用自适应多分辨率广义s变换的电能质量扰动识别方法 - Google Patents

Abstract

本发明是一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，其特点是，包括电能质量扰动信号采集、将扰动信号利用自适应多分辨率广义S变换进行处理、扰动信号特征提取和设计决策树分类器对样本进行分类等步骤。与以往的电能质量扰动分类方法相比，在保证了单一扰动的识别准确率基础上，考虑到各频域特征的表现需要，分频域设计窗宽调整因子，能够进一步提高复合扰动的识别准确率，具有科学合理，适应性强，较高的推广应用价值等优点。

Description

采用自适应多分辨率广义S变换的电能质量扰动识别方法

技术领域

本发明是一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，应用于电能质量暂态扰动自动分类及定位、设备状态在线监测及评估以及电能质量治理。

背景技术

电能质量暂态扰动自动分类是电能质量分析与控制的重要基础，对暂态治理、电力电子设备状态监控、扰动源定位等工作具有重要意义。随着智能电网将“安全、经济、电能质量”作为建设核心，电能质量的监控与分析已经逐渐由发电、输电环节向配电环节扩展，对扰动识别的准确性、实时性提出了更高的要求。研究重点逐渐从单一扰动识别向单一扰动与复合扰动共同识别过渡。

常用的扰动识别方法一般包括信号处理与模式识别2个步骤。传统的电能质量暂态扰动自动分类方法常采用希尔伯特-黄变换(Hilbert-Huang Transform，HHT)、小波变换(WaveletTransform)、S变换(S-transform，ST)和Hyperbolic S变换(Hyperbolic S-transform，HST)等作为信号处理手段。但由于时-频测不准原理，难以将时间分辨率与频率分辨率兼顾。模式识别方面，常用的方法包括神经网络(Neural Networks，NNs)、支持向量机(Support VectorMachine，SVM)与决策树(Decision Tree，DT)等。相比其他方法，决策树分类效率高、实现简单，适用于实时性要求高的现场应用环境。但分类效果依赖于特征的分类能力，且不同噪声水平下，最优分类阈值变化较大。需要对采用的特征及相关阈值设定进行深入分析。

发明内容

本发明的目的在于克服现有技术的不足，提供一种科学合理，识别准确率高，适应性强，具有较高推广应用价值的采用自适应多分辨率广义S变换的电能质量扰动识别方法。

本发明的目的是通过以下技术方案来实现的：一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，其特征是，它包括以下步骤：

1)电能质量扰动信号采集

利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行采集和记录；

2)将扰动信号利用自适应多分辨率广义S变换，亦称AMGST进行处理：

AMGST是广义S变换的扩展，其关键在于对广义S变换高斯窗函数的傅里叶变换结果中窗宽因子的调整，具体设置如下：

在低频部分，计算公式为：

$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-2{\mathrm{\π}}^2{m}^2/{{\mathrm{\λ}}_{\mathrm{LF}}}^2{n}^2)\exp (i2\mathrm{\πmj}/N)---\left(1\right)$

其中：低频部分为1Hz至100Hz，在此范围内令低频窗宽调整因子λ_LF＝2；

在中频部分，计算公式为：

$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-2{\mathrm{\π}}^2{m}^2/{{\mathrm{\λ}}_{MF}}^2{n}^2)\exp (i2\mathrm{\πmj}/N)---\left(2\right)$

其中：中频部分为101Hz至700Hz，在此范围内令中频窗宽调整因子

在高频部分，计算公式为：

$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-2{\mathrm{\π}}^2{m}^2/{{\mathrm{\λ}}_{\mathrm{HF}}}^2{n}^2)\exp (i2\mathrm{\πmj}/N)---\left(3\right)$

其中：高频部分为701Hz至(f_s/2)Hz，f_s为系统采样率；通过基频50Hz傅里叶谱判断信号是否含有基频扰动，若无扰动，取高频窗宽调整因子否则，取

3)扰动信号特征提取

确定6种特征构建分类决策树，从原始信号和AMGST计算结果矩阵中提取分类所需特征，用于分类的特征向量为：X＝(A_d,A_r,σ_F0,A_norm,A_Mmax,E_HF)，特征向量中各元素含义及计算方法如下：

A_d表示原始信号1/4周期能量跌落幅度，计算方法为原始信号各1/4周期的均方根值的最小值比上无噪声标准电能质量信号的1/4周期均方根值；

A_r表示原始信号1/4周期能量上升幅度，计算方法为原始信号各1/4周期的均方根值的最大值比上无噪声标准电能质量信号的1/4周期均方根值；

表示AMGST计算结果矩阵中基频对应幅值标准差；

A_norm表示AMGST计算结果矩阵中基频归一化幅值因子，计算方法为基频各采样点对应幅值中的最大值加最小值再减1pu后再整体除以2；

A_Mmax表示AMGST计算结果矩阵中,101Hz到700Hz部分，各个频率对应平均幅值最大值；

E_HF表示改进的高频能量，计算公式为：

$E_{\mathrm{HF}}=\underset{n=701}{\overset{f_s/2}{\mathrm{\Σ}}}\underset{j=1}{\overset{f_s}{\mathrm{\Σ}}}{S_{\mathrm{Th}}}^2(n,j)---\left(4\right)$

S_Th为高频频域内幅值大于0.02pu的元素；

4)设计决策树分类器对样本进行分类

针对所涉及的13种扰动设计决策树进行分类，其中包括电压暂降C1、电压暂升C2、电压中断C3、闪变C4、暂态振荡C5、谐波C6、电压切痕C7、电压尖峰C8单一扰动8种，和谐波含暂降C9、谐波含暂升C10、谐波含闪变C11、谐波含振荡C12、暂降含振荡C13复合扰动5种；决策树的每个决策节点的阈值设定方面，无交叉样本节点阈值由无交叉特征值范围的中间值确定；含交叉样本的节点阈值提出最小分类损失原则进行确定，如果最后仍不能确定确切阈值，则选取可行范围的中值作为阈值；

最小分类损失原则原理如下：定义误识别率E_r，令其中p为选定阈值后，待分类样本被误识别的个数，M为样本总数，分别设定交叉范围内样本特征值为分类阈值，并寻找E_r最小值对应的阈值，即确定具有最小分类损失的阈值。

利用本发明的一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，由于能够根据不同类型扰动信号能量在模时-频矩阵中的频域分布特点，将信号经快速傅里叶变换后获得的频谱分为低频、中频、高频3个频域，分别设定S变换窗函数窗宽调整因子，使其在各个频域具有不同的时-频分辨率，满足不同扰动信号识别要求；并针对高频振荡识别问题，设计基于基频傅里叶谱特征的自适应窗宽调整方法；在此基础上，从自适应多分辨率广义S变换时-频模矩阵和原始信号中提取6种特征用于构建决策树；最后，提出最小分类损失原则，确定决策树节点分类阈值，设计基于决策树的扰动分类器对电能质量扰动进行自动识别，充分反应本发明对电能质量暂态扰动的识别的准确性和实用性，与以往的电能质量扰动分类方法相比，在保证了单一扰动的识别准确率基础上，考虑到各频域特征的表现需要，分频域设计窗宽调整因子，能够进一步提高复合扰动的识别准确率，科学合理，适应性强，具有较高的推广应用价值。

附图说明

图1为本发明的总体算法流程图；

图2为AMGST的计算流程图；

图3为根据最小分类损失原则确定阈值的示意图；

图4为训练样本为1000组时，决策节点随阈值变化的误识别率变化曲线；

图5为决策树结构图。

具体实施方式

本发明的一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，包括以下步骤：

1)电能质量扰动信号采集

利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行采集和记录；

2)将扰动信号利用自适应多分辨率广义S变换(Adaptive Multiresolution GeneralizedS-transform，AMGST)进行处理：

AMGST是广义S变换的扩展，其关键在于对广义S变换高斯窗函数的傅里叶变换结果中窗宽因子的调整，具体设置如下：

在低频部分，计算公式为：

$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-2{\mathrm{\π}}^2{m}^2/{{\mathrm{\λ}}_{\mathrm{LF}}}^2{n}^2)\exp (i2\mathrm{\πmj}/N)---\left(1\right)$

其中：低频部分为1Hz至100Hz，在此范围内令低频窗宽调整因子λ_LF＝2；

在中频部分，计算公式为：

$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-2{\mathrm{\π}}^2{m}^2/{{\mathrm{\λ}}_{MF}}^2{n}^2)\exp (i2\mathrm{\πmj}/N)---\left(2\right)$

其中：中频部分为101Hz至700Hz，在此范围内令中频窗宽调整因子

在高频部分，计算公式为：

$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-2{\mathrm{\π}}^2{m}^2/{{\mathrm{\λ}}_{\mathrm{HF}}}^2{n}^2)\exp (i2\mathrm{\πmj}/N)---\left(3\right)$

其中：高频部分为701Hz至(f_s/2)Hz，f_s为系统采样率；通过基频50Hz傅里叶谱判断信号是否含有基频扰动，若无扰动，取高频窗宽调整因子否则，取

3)扰动信号特征提取

确定6种特征构建分类决策树，从原始信号和AMGST计算结果矩阵中提取分类所需特征，用于分类的特征向量为：特征向量中各元素含义及计算方法如下：

A_d表示原始信号1/4周期能量跌落幅度，计算方法为原始信号各1/4周期的均方根值的最小值比上无噪声标准电能质量信号的1/4周期均方根值；

A_r表示原始信号1/4周期能量上升幅度，计算方法为原始信号各1/4周期的均方根值的最大值比上无噪声标准电能质量信号的1/4周期均方根值；

表示AMGST计算结果矩阵中基频对应幅值标准差；

A_norm表示AMGST计算结果矩阵中基频归一化幅值因子，计算方法为基频各采样点对应幅值中的最大值加最小值再减1pu后再整体除以2；

A_Mmax表示AMGST计算结果矩阵中,101Hz到700Hz部分，各个频率对应平均幅值最大值；

E_HF表示改进的高频能量，计算公式为：

$E_{\mathrm{HF}}=\underset{n=701}{\overset{f_s/2}{\mathrm{\Σ}}}\underset{j=1}{\overset{f_s}{\mathrm{\Σ}}}{S_{\mathrm{Th}}}^2(n,j)---\left(4\right)$

S_Th为高频频域内幅值大于0.02pu的元素；

4)设计决策树分类器对样本进行分类

针对所涉及的13种扰动设计决策树进行分类，其中包括电压暂降C1、电压暂升C2、电压中断C3、闪变C4、暂态振荡C5、谐波C6、电压切痕C7、电压尖峰C8单一扰动8种，和谐波含暂降C9、谐波含暂升C10、谐波含闪变C11、谐波含振荡C12、暂降含振荡C13复合扰动5种；决策树的每个决策节点的阈值设定方面，无交叉样本节点阈值由无交叉特征值范围的中间值确定；含交叉样本的节点阈值提出最小分类损失原则进行确定，如果最后仍不能确定确切阈值，则选取可行范围的中值作为阈值；

最小分类损失原则原理如下：定义误识别率E_r，令其中p为选定阈值后，待分类样本被误识别的个数，M为样本总数，分别设定交叉范围内样本特征值为分类阈值，并寻找E_r最小值对应的阈值，即确定具有最小分类损失的阈值；

参照图1-图5，具体实施方式的采用自适应多分辨率广义S变换的电能质量扰动识别方法，包括：

A、电能质量扰动原始数据的产生

由于实际电能质量信号并不能完全反应扰动信号的多样性，本发明采用MATLAB按照数学模型仿真生成不同类型电能质量信号，分别随机生成13种扰动信号各500组，信号采样频率为3.2kHz，并在所有信号中加入范围为30dB至50dB随机信噪比的高斯白噪声；

B、对原始数据进行AMGST运算方法(Adaptive Multiresolution Generalized S-transform，AMGST)

对电能质量扰动信号进行AMGST分析，其过程如图2；

C、提取分类所需特征

从原始信号数据和AMGST的运算结果中分别提取特征，共提取6种特征用于建立决策树；

D、设计决策树，决策树的结构如图5所示；

决策树的每个决策节点的阈值设定方面，无交叉样本节点阈值由无交叉特征值范围的中间值确定；含交叉样本的节点阈值提出最小分类损失原则进行确定，如果最后仍不能确定确切阈值，则选取可行范围的中值作为阈值；

最小分类损失原则原理如下：定义误识别率E_r，令其中p为选定阈值后，待分类样本被误识别的个数，M为样本总数。分别设定交叉范围内样本特征值为分类阈值，并寻找E_r最小值对应的阈值，即确定具有最小分类损失的阈值；

图3描述了根据最小分类损失原则确定阈值的操作方法，实际操作过程中将按照从阈值下限到阈值上限的顺序逐渐增大阈值，并计算对应的误识别率。最后将选择使误识别率达到最小的阈值，即最优阈值。图4为训练样本为1000组时，决策节点随阈值变化的误识别率变化曲线；

E、使用仿真信号验证本发明的有效性

利用MATLAB软件仿真生成信噪比为30dB、40dB、50dB和30dB到50dB随机值的仿真信号，每类各500组，验证本发明的有效性。并构建基于ST、GST、HST的决策树，开展比较试验。结果如表1和表2所示。

表1信噪比为30dB到50dB随机值情况的分类准确率比较

从表1可以看出，本发明的方法分类准确率较其他方法都有提高，尤其识别复合扰动时，优势尤其明显。

表2信噪比分别为30dB、40dB、50dB情况的分类准确率比较

从表2可以看出，本发明的方法在不同噪声水平下的分类总准确率均高于其他方法，且保持在97.66％以上，因此，本发明的方法具有良好的抗噪性和鲁棒性。

Claims (1)

1.一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，其特征是，它包括以下步骤：

1)电能质量扰动信号采集

利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行采集和记录；

2)将扰动信号利用自适应多分辨率广义S变换，亦称AMGST进行处理：

AMGST是广义S变换的扩展，其关键在于对广义S变换高斯窗函数的傅里叶变换结果中窗宽因子的调整，具体设置如下：

在低频部分，计算公式为：

$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-{2\mathrm{\π}}^2{m}^2/{{\mathrm{\λ}}_{\mathrm{LF}}}^2{n}^2)\exp (i2\mathrm{\πmj}/N)---\left(1\right)$

其中：低频部分为1Hz至100Hz，在此范围内令低频窗宽调整因子λ_LF＝2；

在中频部分，计算公式为：

$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-{2\mathrm{\π}}^2{m}^2/{{\mathrm{\λ}}_{\mathrm{MF}}}^2{n}^2)\exp (i2\mathrm{\πmj}/N)---\left(2\right)$

其中：中频部分为101Hz至700Hz，在此范围内令中频窗宽调整因子

在高频部分，计算公式为：

$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-{2\mathrm{\π}}^2{m}^2/{{\mathrm{\λ}}_{\mathrm{HF}}}^2{n}^2)\exp (i2\mathrm{\πmj}/N)---\left(3\right)$

其中：高频部分为701Hz至(f_s/2)Hz，f_s为系统采样率；通过基频50Hz傅里叶谱判断信号是否含有基频扰动，若无扰动，取高频窗宽调整因子否则，取

3)扰动信号特征提取

确定6种特征构建分类决策树，从原始信号和AMGST计算结果矩阵中提取分类所需特征，用于分类的特征向量为：特征向量中各元素含义及计算方法如下：

A_d表示原始信号1/4周期能量跌落幅度，计算方法为原始信号各1/4周期的均方根值的最小值比上无噪声标准电能质量信号的1/4周期均方根值；

A_r表示原始信号1/4周期能量上升幅度，计算方法为原始信号各1/4周期的均方根值的最大值比上无噪声标准电能质量信号的1/4周期均方根值；

表示AMGST计算结果矩阵中基频对应幅值标准差；

A_norm表示AMGST计算结果矩阵中基频归一化幅值因子，计算方法为基频各采样点对应幅值中的最大值加最小值再减1pu后再整体除以2；

A_Mmax表示AMGST计算结果矩阵中,101Hz到700Hz部分，各个频率对应平均幅值最大值；

E_HF表示改进的高频能量，计算公式为：

$E_{\mathrm{HF}}=\underset{n=701}{\overset{f_s/2}{\mathrm{\Σ}}}\underset{j=1}{\overset{f_s}{\mathrm{\Σ}}}{S_{\mathrm{Th}}}^2(n,j)---\left(4\right)$

S_Th为高频频域内幅值大于0.02pu的元素；

4)设计决策树分类器对样本进行分类

针对所涉及的13种扰动设计决策树进行分类，其中包括电压暂降C1、电压暂升C2、电压中断C3、闪变C4、暂态振荡C5、谐波C6、电压切痕C7、电压尖峰C8单一扰动8种，和谐波含暂降C9、谐波含暂升C10、谐波含闪变C11、谐波含振荡C12、暂降含振荡C13复合扰动5种；决策树的每个决策节点的阈值设定原则是，无交叉样本节点阈值由无交叉特征值范围的中间值确定；含交叉样本的节点阈值提出最小分类损失原则进行确定，如果最后仍不能确定确切阈值，则选取可行范围的中值作为阈值；

最小分类损失原则原理如下：定义误识别率E_r，令其中p为选定阈值后，待分类样本被误识别的个数，M为样本总数，分别设定交叉范围内样本特征值为分类阈值，并寻找E_r最小值对应的阈值，即确定具有最小分类损失的阈值。