CN105004939B - 一种复合电能质量扰动信号定量分析方法 - Google Patents

Abstract

一种复合电能质量扰动信号定量分析方法，包括以下步骤：a.原始电能质量扰动信号时序数据符号化；b.扰动信号起止时刻定位；c.电能质量扰动信号成分分析。本发明中采用了循环周期比较欧氏距离的方法来检测扰动起止时刻，建立了改善传统HHT中在扰动波形突变区域存在的模糊、过冲及模态混叠问题的新方法。该方法对双重复合电能质量扰动信号有较好的分解效果，也同样适用于单一电能质量扰动信号；有利于电能质量治理、分析潜在干扰，对电能质量早期预警也有参考意义。

Description

一种复合电能质量扰动信号定量分析方法

技术领域

本发明涉及电能质量信号分析领域，特别涉及一种复合电能质量扰动信号定量分析方法。

背景技术

随着科学技术的发展，电力系统中光伏、风电等新能源开始大规模并网，以电力电子装置为典型代表的非线性负荷、冲击性负荷等的接入，以及各种大型电气设备的投切等因素引起电能质量的不断恶化。电能质量问题给生产生活造成严重影响，如谐波引起电缆、变压器和电容等设备的发热；瞬态尖峰导致敏感设备的电源故障；电压骤升、骤降导致设备故障。此外，各种精密用电设备对电能质量的要求也越来越高。

上述矛盾的日益突出，使得研究电能质量问题变得越来越重要。对电能质量关注的焦点不仅在于各种稳态指标，如幅值、频率等，而且需要对电力系统进行实时的监测，尤其是对系统中的各种扰动进行检测、分析。

电能质量扰动从时间尺度上可以分为稳态扰动和暂态扰动两大类。稳态电能质量扰动以波形畸变为特征，主要包括谐波、间谐波、波形裂痕等；暂态电能质量扰动是以频谱和暂态持续时间为特征，可分为暂态脉冲和暂态振荡两大类。随着电力信号监测技术的发展，发现实际电力系统中存在的电能质量扰动并非全部是单一扰动类型，还包括复合扰动。复合电能质量扰动是指同时包含两种或者更多种单一扰动类型的电能质量问题，相比单一扰动问题来说成分更加复杂、类型多、特征不易提取，各种扰动之间的互相影响容易造成特征混叠。

目前，常用的电能质量扰动信号分析方法主要包括快速傅立叶变换(FFT)、短时傅立叶变换(STFT)、小波变换(WT)、希尔伯特—黄变换(HHT)等，每种方法都有各自的优劣之处。FFT方法计算量大，分析精度受到数据窗的限制，且存在无法反映振荡的阻尼特性及瞬时频率的缺点。STFT是一种基于固定窗函数的变换，它的分辨率是固定的，不能兼顾频率与时间分辨率的需求。小波变换能将时域和频域结合起来描述信号的时频特征，但小波的基函数一旦选定，就要用来分析所有的数据；而复合扰动信号中包含的频率成分有高频也有低频，需要选择不同的基函数。HHT方法对于单一的电能质量扰动信号能进行有效分解。当电能质量扰动信号中存在多次谐波与间谐波叠加和复合扰动等问题时，由于HHT方法中的EMD分解存在模态混叠问题和过零失效问题，不能对信号进行精确的分解。可见，现在常用的分析方法不能满足电力系统中复合扰动分析的要求。

发明内容

为了克服现有的电能质量扰动信号分析方法无法对信号进行精确的分解、无法满足电力系统中复合扰动分析的要求的不足，本发明的目的在于提供一种可以准确地将复合电能质量扰动信号的组成成分进行分解，定位出各扰动起止时刻的复合电能质量扰动信号定量分析方法。该方法计算快速、准确，可用于实时在线电能质量分析。

本发明的技术方案，

一种复合电能质量扰动信号定量分析方法，所述分析方法包括如下步骤：

a.原始电能质量扰动信号时序数据符号化

以电力系统中电能质量检测节点采集的电能质量扰动信号作为输入，首先，对信号进行数据均一化预处理，其次，用分段聚合近似方法对预处理后的数据进行降维，最后，利用统计特征矢量符号化算法对降维后的数据进行时序数据符号化处理，得到符号矢量；

b.扰动起止时刻定位

以步骤a中得到的符号矢量作为输入，采用基于时序数据符号欧氏距离的边界检测算法，检测和确定扰动信号波形发生变化的边界时刻，对各扰动的起止时刻进行定位；

c.电能质量扰动信号成分分析

采用电能质量扰动信号成分分析方法分析扰动信号中包含的各种成分，以步骤b中得出的扰动信号起止时刻为边界，对步骤a中预处理后得到的数据用窗函数进行加窗，加窗后得到的信号进行聚类经验模态分解，然后提取电气参数。

所述步骤a中，数据预处理是用Z-score标准化方法将采集到的电能质量扰动信号，即待分析的连续时序数据转化为均值为0，均方差为1的标准化时序数据；

所述步骤a中，数据降维方法是分段聚合近似方法；该降维方法的公式为

式中，Y＝y₁,y₂,…,y_n为待降维的标准化时序数据，ω为压缩比，X＝x₁,x₂,…,x_N为降维后的一个N＝n/ω(N＜＜n)维空间向量。

所述步骤a中，时序数据符号化方法为统计特征矢量符号化算法(statisticfeature vector symbolic，简称SFVS)，在这一过程中，每个时序子段将转化成一个有二个分量的符号矢量；

其划分规则为：首先确定划分点集C_i＝{C₁,C₂,…,C_m-1}，而划分点集C_i是通过将整个正态分布区间划分成m个等概率区间的方式确定，并由划分点集生成相应的划分点查找表。然后，将所有小于C₁的预处理时序数据映射为符号A₁＝A_min。同理，将所有大于C₁而小于C₂区间的相应数据映射为符号A₂，而所有大于C_m-1区间的数据映射为符号A_m＝A_max；

数学公式为：

当时

当时

其中C_i，C_i-1分别代表第i个字符划分区域的上限与下限；X_i为第i个时序子段的均值，S_i为相应时序子段的方差；y_ik为第i个时序子段中的第k个数据；A_i1、A_i2为属于符号集合(A₁,A₂...A_m)的符号；上面的两个公式将落入不同划分区间的X_i、S_i值转化为相应的符号分量，进而得出符号矢量的表达式为：

式中代表第i个时序子段的符号矢量，按上式生成类似于 的符号矢量集，其中的a_i，b_i(i＝1，2...n)∈符号集合(A₁,A₂...A_m)，就完成了时序数据符号化的全部过程。

所述步骤b中，边界检测算法为通过循环周期比较SFVS符号值的欧氏距离的边界检测算法，当一个时间段内的信号只包含固定周期信号时，SFVS符号将在每个周期内重复，当信号中波形出现变化时，将会表现为符号序列的变化。故可以通过比较欧氏距离发现不匹配的时刻。将预处理数据转化成符号矢量集后，两个长度为n的符号序列之间的欧氏距离可由下式计算：

式中的A_i1、A_i2、B_i1、B_i2为符号矢量对应的符号。

每个周期开始的时候，欧氏距离被设置为零。当本周期与前一个周期的欧氏距离超过一定的阀值时，即满足公式时，认为该时刻为波形突变的边界时刻。δ为设定的欧氏距离阀值，δ的取值与步骤a中压缩比ω及原始信号中含噪声的大小有关。

所述步骤c中，所述窗函数为矩形窗w(t)，表达式如下：

式中0≤t₁＜T₁，T₁≤t₂＜T₂，…T_n≤t_n+1＜T；T₁、T₂…T_n为波形突变边界时刻，T为原始波形结束时间。

所述步骤c中，聚类经验模态分解(ensemble empirical mode decomposition，简称EEMD)方法是一种利用高斯白噪声辅助分析的方法，由于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，这样可以促进抗混叠分解，避免了由于信号中的频率尺度缺失而造成的模态混叠现象。

在原始信号中加入白噪声后，再分解提取IMF分量，当第一个集合提取完成后，一组含噪声的IMF产生；然后一个和原来添加的白噪声的振幅具有相同的标准偏差的新的白噪声被添加进残余分量信号，再对这个新的合成信号进行分解。白噪声的振幅和集合数定义为：

上式中，ε为添加的白噪声的振幅，N为集合数，ε_n为原始信号与由最终的IMF分量加和得到的信号之间的误差，即最终误差的标准误差。

对原始信号x(t)进行EEMD分解后，得到的IMF分量和残余分量在数学形式上表达为，

其中，x(t)表示原始信号，r(n)代表信号的残余分量，IMF分量代表信号从高到低不同频率的成分，IMF分量突出了数据的局部特征，而残余分量体现了信号中的缓慢变化量。

所述步骤c中，计算各个固有模态函数IFM分量的幅值、频率和相位角电气参数的方法为HT(Hilbert)变换。

设X(t)为一时间序列，其HT变换Y(t)定义为：式中P为柯西主值，通常取1；HT变换后得到的信号是一个与原始信号频率独立的且有90度相移的正交信号，即X(t)和Y(t)组成了一个共轭复数对。相应的解析信号Z(t)为，Z(t)＝X(t)+jY(t)＝α(t)e^jθ(t)。其中，α(t)为瞬时幅值，θ(t)为瞬时相位，

由此，瞬时频率为，

与现有技术相比，本发明的有益效果是：

1.本发明克服了传统的傅立叶变换、小波变换、EMD分解等由于方法本身固有的局限性，即依赖于数据窗、基函数或者存在模态混叠现象等不足。能够准确确定波形突变的时刻，分解得到的固有模态函数是自适应得到的，所得分辨率随信号的特征信息变化，在时域和频域都具有较好的分辨率。

2.该方法可对电能质量扰动时刻精确定位；得到以波形突变时刻为边界点进行分段后的信号的基波、谐波、间谐波的瞬时幅值、频率、相位等电气参数；各种暂态扰动持续的时间、幅值等。从而对整个复合电能质量扰动信号进行定量描述，有利于电能质量治理、分析潜在干扰，对电能质量早期预警也有参考意义，具有工程实用价值。

3.该方法对双重复合电能质量扰动信号有较好的分解效果，也同样适用于单一电能质量扰动信号。

附图说明

图1为本发明的复合电能质量扰动信号定量分析方法整体流程图。

图2为本发明采用的复合电能质量扰动起止时刻检测流程图。

具体实施方式

下面结合附图对本发明的实施例作详细说明。

参照图1和图2，一种复合电能质量扰动信号定量分析方法，所述分析方法包括如下步骤：

a.原始电能质量扰动信号时序数据符号化

以电力系统中电能质量检测节点采集的电能质量扰动信号作为输入，首先，对信号进行数据均一化预处理，其次，用分段聚合近似方法对预处理后的数据进行降维，最后，利用统计特征矢量符号化算法对降维后的数据进行时序数据符号化处理，得到符号矢量；

b.扰动起止时刻定位

以步骤a中得到的符号矢量作为输入，采用基于时序数据符号欧氏距离的边界检测算法，检测和确定扰动信号波形发生变化的边界时刻，对各扰动的起止时刻进行定位；

c.电能质量扰动信号成分分析

采用电能质量扰动信号成分分析方法分析扰动信号中包含的各种成分，以步骤b中得出的扰动信号起止时刻为边界，对步骤a中预处理后得到的数据用窗函数进行加窗，加窗后得到的信号进行聚类经验模态分解，然后提取电气参数。

进一步，所述步骤a中，采用Z-score标准化方法将原始电能质量扰动信号均一化到[-1,1]区间，然后采用分段聚合近似方法进行数据降维，将维数较大的连续长时序数据压缩为维数较小的离散短符号序列，最后采用统计特征矢量符号化算法将每个时序子段转化成一个有二个分量的符号矢量。

再进一步，所述步骤b中，所述基于时序数据符号欧氏距离的边界检测算法过程如下：通过比较符号矢量数据的欧式距离发现不匹配的时刻；每个周期开始的时候，欧式距离被设置为零，当前一个周期与本周期的欧式距离超过设定的阀值时，认为该时刻为波形变化的边界时刻，从而实现对扰动的起止时刻进行定位，本周期计算结束，则进入下一个周期，依次循环，直至遍历所有的数据。

更进一步，所述步骤c中所述的电能质量扰动信号成分分析方法,其特征在于：所使用的窗函数为矩形窗，对加窗后得到的信号进行分解得到IFM分量，提取包括幅值、频率和相位角电气参数信号特征及暂态振荡扰动幅度和指数衰减因子。

所述的幅值、频率和相位角电气参数的提取方法：以加窗后的均一化预处理数据作为输入，采用聚类经验模态分解方法对各部分信号进行分解得到固有模态函数IFM分量，以消除扰动波形突变区域存在的模糊和过冲及模态混叠问题，将得到的IFM分量进行HT变换，求出各个IFM分量的幅值、频率和相位角电气参数。

所述的提取暂态振荡扰动幅度和指数衰减因子的方法：以含暂态振荡扰动的IFM分量作为输入，采用样条插值算法求出暂态振荡扰动信号的上包络线，然后采用曲线拟合法得出暂态振荡的幅度和指数衰减因子。

本实例以某10kV城市配网中一条支路跳闸，为消除电压波动而引起电容投入时刻的电压复合扰动波形分析为例。

本发明的复合电能质量扰动信号定量分析流程如图1所示，由如下步骤组成：

步骤1、电能质量扰动信号的采集

本实施例在电气节点采集到的实测电能质量信号采样频率为10kHz，截取用来进行分析的电能质量扰动信号U(t)采样时间为0.9s，即采样45个周波，采样数据点为9000个。

步骤2、原始电能质量扰动信号进行时序数据符号化

首先将原始信号U(t)归一化预处理，将其转化为均值为0，均方差为1的规范化数据，得到的信号记为u(t)。然后用分段聚合近似方法对u(t)降维，压缩比ω取为10，u(t)降维为900个点，每个基波周期20个点。

完成时序数据的预处理和降维后，可根据字符集和数据分布得到描述各个字符所代表数据区间的划分点，进而将已经降维的数据离散成符号化数据，生成这样的符号矢量集。

步骤3、扰动起止时刻定位

本步骤中采用一种基于时序数据符号欧氏距离的边界检测算法来进行扰动起止时刻定位，过程如附图2所示，具体方法描述如下：

以步骤2中的符号矢量集为输入，依次循环计算前后两个周期的欧氏距离。每个周期开始的时候，欧氏距离被设置为零。设本周期符号序列为前一个周期符号序列为为等长符号序列，长度均为n，且用来求差值的点是一一对应的，这两个符号序列的欧氏距离计算公式为：

式中的A_i1、A_i2、B_i1、B_i2为符号矢量对应的符号。

本实施例中欧氏距离阀值δ设为2，当计算出来的欧氏距离满足公式时认为该时刻为波形突变的边界时刻。判断i与n的大小关系，若i＜n，即本周期计算没有结束，继续计算；若i＝n，则本周期计算已结束，开始新一个周期的欧氏距离计算。依次循环，直至遍历符号矢量集中所有的符号序列。整理求出所有的波形突变的边界时刻，即得到所有扰动的起止时刻。

步骤4、电能质量扰动信号成分分析

将步骤2中均一化预处理后得到的信号u(t)进行加窗处理，本实施例选用的窗函数为矩形窗，根据步骤3中求出的扰动的起止时刻T₁、T₂…T_n(n＝1，2，3...)，窗函数可以表示为：

式中0≤t₁＜T₁，T₁≤t₂＜T₂，…T_n≤t_n+1＜0.9s。可以得到，u_i(t)＝u(t)×w_i(t)(i＝1，2，3...)。然后使用EEMD方法分别对u_i(t)(i＝1，2，3...)进行分解得到IMF分量。对各IMF分量进行Hilbert变换，便可求得各分量的瞬时幅值、瞬时频率。本实施例中IMF分量中含有暂态振荡，由于原始信号已经以扰动的起止时刻为边界点进行了加窗处理，故IFM分量中的暂态振荡的数学模型可表示为：首先采用样条插值算法求出暂态振荡扰动信号的上包络线L(t)，然后采用曲线拟合法得出暂态振荡的幅度A和指数衰减因子α。振荡的频率f则由Hilbert变换计算出的瞬时频率得出，然后可根据得到角速度最后进行数据整理、输出电能质量信号的扰动起止时刻和各时段波形组成成分。

最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (6)

1.一种复合电能质量扰动信号定量分析方法，其特征在于：所述分析方法包括如下步骤：

a.原始电能质量扰动信号时序数据符号化

以电力系统中电能质量检测节点采集的电能质量扰动信号作为输入，首先，对信号进行数据均一化预处理，其次，用分段聚合近似方法对预处理后的数据进行降维，最后，利用统计特征矢量符号化算法对降维后的数据进行时序数据符号化处理，得到符号矢量；

b.扰动起止时刻定位

以步骤a中得到的符号矢量作为输入，采用基于时序数据符号欧氏距离的边界检测算法，检测和确定扰动信号波形发生变化的边界时刻，对各扰动的起止时刻进行定位；

c.电能质量扰动信号成分分析

采用电能质量扰动信号成分分析方法分析扰动信号中包含的各种成分，以步骤b中得出的扰动信号起止时刻为边界，对步骤a中预处理后得到的数据用窗函数进行加窗，加窗后得到的信号进行聚类经验模态分解，然后提取电气参数。

2.如权利要求1所述的一种复合电能质量扰动信号定量分析方法，其特征在于：所述步骤a中，采用Z-score标准化方法将原始电能质量扰动信号均一化到[-1,1]区间，然后采用分段聚合近似方法进行数据降维，将维数较大的连续长时序数据压缩为维数较小的离散短符号序列，最后采用统计特征矢量符号化算法将每个时序子段转化成一个有二个分量的符号矢量。

3.如权利要求1或2所述的一种复合电能质量扰动信号定量分析方法，其特征在于：所述步骤b中，所述基于时序数据符号欧氏距离的边界检测算法过程如下：通过比较符号矢量数据的欧氏距离发现不匹配的时刻；每个周期开始的时候，欧氏距离被设置为零，当前一个周期与本周期的欧氏距离超过设定的阀值时，认为该时刻为波形变化的边界时刻，从而实现对扰动的起止时刻进行定位，本周期计算结束，则进入下一个周期，依次循环，直至遍历所有的数据。

4.如权利要求1或2所述的一种复合电能质量扰动信号定量分析方法，其特征在于：所述步骤c中，所使用的窗函数为矩形窗，对加窗后得到的信号进行分解得到IFM分量，提取包括幅值、频率和相位角在内的电气参数信号特征及暂态振荡扰动幅度和指数衰减因子。

5.如权利要求4所述的一种复合电能质量扰动信号定量分析方法，其特征在于：所述的幅值、频率和相位角电气参数的提取方法：以加窗后的均一化预处理数据作为输入，采用聚类经验模态分解方法对各部分信号进行分解得到固有模态函数IFM分量，以消除扰动波形突变区域存在的模糊和过冲及模态混叠问题，将得到的IFM分量进行HT变换，求出各个IFM分量的幅值、频率和相位角电气参数。

6.如权利要求4所述的一种复合电能质量扰动信号定量分析方法，其特征在于：所述的提取暂态振荡扰动幅度和指数衰减因子的方法：以含暂态振荡扰动的IFM分量作为输入，采用样条插值算法求出暂态振荡扰动信号的上包络线，然后采用曲线拟合法得出暂态振荡扰动幅度和指数衰减因子。