CN107315111A - 一种电能质量扰动分类方法及系统 - Google Patents
一种电能质量扰动分类方法及系统 Download PDFInfo
- Publication number
- CN107315111A CN107315111A CN201710580783.9A CN201710580783A CN107315111A CN 107315111 A CN107315111 A CN 107315111A CN 201710580783 A CN201710580783 A CN 201710580783A CN 107315111 A CN107315111 A CN 107315111A
- Authority
- CN
- China
- Prior art keywords
- characteristic quantity
- basic characteristic
- determining
- power quality
- adjustable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012706 support-vector machine Methods 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 description 10
- 230000001052 transient effect Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 230000009977 dual effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/165—Spectrum analysis; Fourier analysis using filters
- G01R23/167—Spectrum analysis; Fourier analysis using filters with digital filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电能质量扰动分类方法及系统，该方法包括：基于可调Q因子小波变换，从原始电信号中提取出基波分量；利用基波分量，确定出原始电信号中的基本特征量；利用基本特征量以及双支持向量机，对原始电信号进行扰动分类。本申请中由于可调Q因子小波变换是一种参数能够灵活调节的小波变换，利用这种小波变换能够从存在复杂干扰的电信号中提取出更加准确的基波分量，在此基础上，本申请进而利用分类精确度更高的双支持向量机来对原始电信号进行扰动分类，由此进一步提升了电能质量扰动分类结果的准确性。
Description
技术领域
本发明涉及电能质量分析技术领域，特别涉及一种电能质量扰动分类方法及系统。
背景技术
自20世纪80年代末以来，电能质量问题备受关注。对电子设备，快速控制设备和可再生能源的依赖的日益增长导致了电能质量成为热点研究问题。一般来说，诸如电压骤降，电压骤升，电压中断和电压瞬变的干扰只存在一定的持续时间，而在系统中可能很少出现持续存在的谐波和电压波动等稳态干扰。近年来注意到，两种或多种电能质量干扰同时发生的可能性更大。智能电网设计中的关键挑战之一是提高电能供应质量。识别干扰及其来源是配置缓解装置以改善电能质量问题的基本要求。相应地，电能供应质量下降调动了系统运营商监测电能质量干扰发生的主动性。这需要开发用于自动检测多个电能质量干扰的智能自适应技术。
电能质量干扰诊断需要通过快速傅里叶变换(FFT)，离散小波变换(DWT)，小波包变换(WPT)，经验模式分解(EMD)，卡尔曼滤波(KF)和斯托克韦尔变换(ST)等信号处理技术对信号进行初步分析。此外，广泛用于信号参数和波形失真评估的精确估计的基于模型的参数化方法包括Prony算法，多信号分类(MUSIC)，通过旋转不变性技术估计信号参数(ESPRIT)等。此后，下一阶段是从处理过的包含干扰重要信息的信号中提取相关的特征量。这些特征量随后作为电能质量干扰分类器的输入用于电能质量干扰的分类。
整体识别精度不仅取决于分类器，而且还取决于提取的特征量，而这些特征又依赖于分解的频率分量。众所周知的计算高效的FFT具有频谱泄漏和时间信息丢失的问题。最常用的特征量提取技术是DWT和WPT，其滤波器设计是预定义的，提取的分量覆盖宽频带。此外，DWT和WPT的另一个缺点是，如果信号噪声高度污染，他们无法识别电能质量干扰。用于电能质量分析的另一种流行技术是EMD，但它受到模式混合问题的困扰；与ST问题相同。因此，基于这些分量的基本特征量可能不代表电能质量干扰的特征，因此要求复杂和新颖的特征量。
综上所述可以看出，如何进一步提升电能质量扰动分类结果的准确性是目前还有待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种电能质量扰动分类方法及系统，能够进一步提升电能质量扰动分类结果的准确性。其具体方案如下：
一种电能质量扰动分类方法，包括：
基于可调Q因子小波变换，从原始电信号中提取出基波分量；
利用所述基波分量，确定出所述原始电信号中的基本特征量；
利用所述基本特征量以及双支持向量机，对所述原始电信号进行扰动分类。
可选的，所述基于可调Q因子小波变换，从原始电信号中提取出基波分量的过程，包括：
对所述原始电信号进行预处理，得到预处理信息；
根据所述预处理信息，确定可调Q因子小波变换的滤波器组参数，然后基于可调Q因子小波变换，从原始电信号中提取出基波分量。
可选的，所述对所述原始电信号进行预处理，得到预处理信息的过程，包括：
确定用于反映所述原始电信号中低频间谐波的信号变化矢量；
统计所述信号变化矢量的过零点数，得到所述预处理信息。
可选的，所述根据所述预处理信息，确定可调Q因子小波变换的滤波器组参数的过程，包括：
当所述过零点数大于或等于3，则确定第一类滤波器组参数；其中，所述第一类滤波器组参数为用于构建窄带通滤波器的参数；
当所述过零点数小于3，则确定第二类滤波器组参数；其中，所述第二类滤波器组参数为用于构建低通滤波器的参数。
可选的，所述利用所述基波分量，确定出所述原始电信号中的基本特征量的过程，包括：
利用所述基波分量，确定出所述原始电信号中的第一基本特征量、第二基本特征量、第三基本特征量、第四基本特征量和第五基本特征量；其中，
所述第一基本特征量为RV(n)的绝对值的最大值；其中，RV(n)表示所述原始电信号中第n个周期的RMS值和第n-1个周期的RMS值之间的差值；
所述第二基本特征量为HTHD(n)的平均值；其中，HTHD(n)表示XHrms(n)和X1rms(n)之间的比值，XHrms(n)表示高频谐波失真分量的第n个周期的RMS值，X1rms(n)表示基波分量的第n个周期的RMS值；
所述第三基本特征量为HTHD(n)中的最大值；
所述第四基本特征量为X1rms(n)中的最小值；
所述第五基本特征量为X1rms(n)中的最大值。
本发明还公开了一种电能质量扰动分类系统，包括：
基波分量提取模块，用于基于可调Q因子小波变换，从原始电信号中提取出基波分量；
特征量确定模块，用于利用所述基波分量，确定出所述原始电信号中的基本特征量；
扰动分类模块，用于利用所述基本特征量以及双支持向量机，对所述原始电信号进行扰动分类。
可选的，所述基波分量提取模块，包括：
预处理子模块，用于对所述原始电信号进行预处理，得到预处理信息；
参数确定子模块，用于根据所述预处理信息，确定可调Q因子小波变换的滤波器组参数；
分量提取子模块，用于在所述参数确定子模块确定出可调Q因子小波变换的滤波器组参数之后，基于可调Q因子小波变换，从原始电信号中提取出基波分量。
可选的，所述预处理子模块，包括：
矢量确定单元，用于确定用于反映所述原始电信号中低频间谐波的信号变化矢量；
过零点数统计单元，用于统计所述信号变化矢量的过零点数，得到所述预处理信息。
可选的，所述参数确定子模块，包括：
第一确定单元，用于当所述过零点数大于或等于3，则确定第一类滤波器组参数；其中，所述第一类滤波器组参数为用于构建窄带通滤波器的参数；
第二确定单元，用于当所述过零点数小于3，则确定第二类滤波器组参数；其中，所述第二类滤波器组参数为用于构建低通滤波器的参数。
可选的，所述特征量确定模块，具体用于利用所述基波分量，确定出所述原始电信号中的第一基本特征量、第二基本特征量、第三基本特征量、第四基本特征量和第五基本特征量；其中，
所述第一基本特征量为RV(n)的绝对值的最大值；其中，RV(n)表示所述原始电信号中第n个周期的RMS值和第n-1个周期的RMS值之间的差值；
所述第二基本特征量为HTHD(n)的平均值；其中，HTHD(n)表示XHrms(n)和X1rms(n)之间的比值，XHrms(n)表示高频谐波失真分量的第n个周期的RMS值，X1rms(n)表示基波分量的第n个周期的RMS值；
所述第三基本特征量为HTHD(n)中的最大值；
所述第四基本特征量为X1rms(n)中的最小值；
所述第五基本特征量为X1rms(n)中的最大值。
本发明中，电能质量扰动分类方法，包括：基于可调Q因子小波变换，从原始电信号中提取出基波分量；利用基波分量，确定出原始电信号中的基本特征量；利用基本特征量以及双支持向量机，对原始电信号进行扰动分类。
可见，本发明先利用可调Q因子小波变换，从原始电信号中提取出基波分量，然后利用基波分量确定出原始电信号的基本特征量，进而便可基于上述基本特征量，并结合双支持向量机来实现对原始电信号的扰动分类，由于可调Q因子小波变换是一种参数能够灵活调节的小波变换，利用这种小波变换能够从存在复杂干扰的电信号中提取出更加准确的基波分量，在此基础上，本发明进而利用分类精确度更高的双支持向量机来对原始电信号进行扰动分类，由此进一步提升了电能质量扰动分类结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种电能质量扰动分类方法流程图；
图2为本发明实施例公开的一种具体的电能质量扰动分类方法流程图；
图3a和图3b为可调Q因子小波变换的双通道滤波组示意图；
图4为本发明实施例公开的一种具体的电能质量扰动分类流程示意图；
图5为本发明实施例公开的一种电能质量扰动分类系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种电能质量扰动分类方法，参见图1所示，该方法包括：
步骤S11：基于可调Q因子小波变换，从原始电信号中提取出基波分量；
步骤S12：利用基波分量，确定出原始电信号中的基本特征量；
步骤S13：利用基本特征量以及双支持向量机，对原始电信号进行扰动分类。
可见，本发明实施例先利用可调Q因子小波变换，从原始电信号中提取出基波分量，然后利用基波分量确定出原始电信号的基本特征量，进而便可基于上述基本特征量，并结合双支持向量机来实现对原始电信号的扰动分类，由于可调Q因子小波变换是一种参数能够灵活调节的小波变换，利用这种小波变换能够从存在复杂干扰的电信号中提取出更加准确的基波分量，在此基础上，本发明实施例进而利用分类精确度更高的双支持向量机来对原始电信号进行扰动分类，由此进一步提升了电能质量扰动分类结果的准确性。
本发明实施例公开了一种具体的电能质量扰动分类方法，参见图2所示，该方法包括：
步骤S21：对原始电信号进行预处理，得到预处理信息。
其中，上述对原始电信号进行预处理，得到预处理信息的过程，具体可以包括下面步骤S211和S212：
步骤S211：确定用于反映原始电信号中低频间谐波的信号变化矢量；
步骤S212：统计信号变化矢量的过零点数，得到预处理信息。
步骤S22：根据上述预处理信息，确定可调Q因子小波变换的滤波器组参数，然后基于可调Q因子小波变换，从原始电信号中提取出基波分量。
其中，上述根据预处理信息，确定可调Q因子小波变换的滤波器组参数的过程，具体可以包括：
当过零点数大于或等于3，则确定第一类滤波器组参数；其中，第一类滤波器组参数为用于构建窄带通滤波器的参数；当过零点数小于3，则确定第二类滤波器组参数；其中，第二类滤波器组参数为用于构建低通滤波器的参数。
也即，在过零点数不小于3的情况下，可调Q因子小波变换中的滤波器是一种窄带通滤波器，在过零点数小于3的情况下，可调Q因子小波变换的滤波器是一种低通滤波器。
步骤S23：利用上述基波分量，确定出原始电信号中的第一基本特征量、第二基本特征量、第三基本特征量、第四基本特征量和第五基本特征量。
本实施例中，上述第一基本特征量具体为RV(n)的绝对值的最大值；其中，RV(n)表示原始电信号中第n个周期的RMS值(RMS，即Root Mean Square，均方根值)和第n-1个周期的RMS值之间的差值；上述第二基本特征量具体为HTHD(n)的平均值；其中，HTHD(n)表示XHrms(n)和X1rms(n)之间的比值，XHrms(n)表示高频谐波失真分量的第n个周期的RMS值，X1rms(n)表示基波分量的第n个周期的RMS值；上述第三基本特征量具体为HTHD(n)中的最大值；上述第四基本特征量具体为X1rms(n)中的最小值；上述第五基本特征量具体为X1rms(n)中的最大值。
步骤S24：利用上述第一基本特征量、第二基本特征量、第三基本特征量、第四基本特征量、第五基本特征量以及双支持向量机，对原始电信号进行扰动分类。
本发明实施例进一步对前述实施例中的技术方案进行更详细的说明，具体的内容如下：
可调Q因子小波变换与传统恒定Q因子小波变换相比，可调Q因子小波变换的最大优势就是其Q因子可以进行自由调节，更具灵活性。滤波器设计完全取决于低通尺度变化参数α和高通尺度变换参数β，通过预先设定品质因子Q和冗余因子r，便可进一步得到：
本实施例中，可调Q因子小波变换利用带通滤波器组以迭代的方式实现信号的分解重构。对于长度为N的信号的单级分解重构，对应的双通道滤波器组如图3a和图3b所示。
图3a中示出了分解滤波组的工作流程，具体是计算有限长的离散时间信号x(n)的离散傅里叶变换(DFT)X(k)，其中0≤n≤N-1，0≤k≤N-1。
图3b中则示出了重构滤波组的工作流程。具体的，是在频域中设计低通滤波器H0(k)和高通滤波器H1(k)，其中，
式中，θ(k)表示具有两个消失矩的Daubechies滤波器频率响应。
本实施例中，离散信号x(n)经过DFT变换后将分别通过二通道滤波和尺度变换，获得低频部分V0(k)和高频部分V1(k)。通过DFT反变换，获得低频部分V0(n)和高频部分V1(n)。然后，便可利用重构滤波组对输入信号x(n)进行重构。
在离散信号x(n)经过DFT变换后分别通过二通道滤波和尺度变换，获得低频部分V0(n)和高频部分V1(n)之后，V0(n)作为下一层的输入信号再次通过二通道滤波和尺度变换，V1(n)作为本层输出信号，依次往复，直到最大分解尺度J≈(log(β·N/8)/log(1/α))结束，最终得到的分解信号的频带随着分解尺度j(1≤j≤J)的增加而减小。合成过程与分解过程相反。分解尺度j对应的低通子带信号V0(n)和高通子带信号V1(n)的长度分别为和其中，
由上可知，可调Q因子小波变换完全取决于品质因子Q、冗余因子r和分解尺度J。单一频率分量可以通过一组最优参数从谐波信号中提取。不管所分析的信号如何，在固定上述参数之后便可以预先设定滤波器，利用固定的滤波器对幅值或者频率相差较大的电能质量干扰信号进行分析时可能导致错误的结果，同时，自适应地调整它们需要大量的迭代，这与电能质量干扰的在线检测不兼容。因此，经过对所有干扰特征进行仔细观察，根据低频间谐波干扰信号可以分为两类。第一类扰动信号是接近50Hz的含有间谐波的信号，特别是电压波动和间谐波电流信号。第二类扰动信号包括电压中断、电压骤降、电压骤升、谐波瞬变、陷波和尖峰等扰动信号。
另外，需要说明的是，信号的初始分类需要间谐波的主要信息。低频间谐波可以从傅立叶频谱中找到，但是如压骤降，电压骤升或电压中断等频率或幅度剧烈变化的信号会导致基频频谱泄漏。其中，将某频率的能量拖到其相邻频谱被称为频谱泄漏。FFT对无限长的信号进行一定程度的截断的运算过程会造成频谱泄漏。因此，仅依靠频域信息是不可靠的。此外，在实际的观察中发现，基频附近的含有间谐波的信号的幅度变化遵循典型的模式。因此，可以将信号的幅度变化与间谐波相关联，并且将信号均方根值变化的过零点数量化振幅波动的速率定义为NZ。如果观察到在25至75Hz的范围内有间谐波，信号的振幅波动则是非常明显的。因此，此处可以尝试使用NZ将信号分为两组。其中，NZ的估算过程具体如下：
首先，计算原始电信号的十个基本周期中每个周期均方根值(RMS)。
其中，Xrms(n)是离散信号x(i)的第n个周期的RMS值，S是周期中的采样数。这样，10个周期信号的RMS矢量Xrms表示为：
Xrms＝[Xrms(1),…,Xrms(n),…,Xrms(10)]。
其中，反映低频间谐波的信号变化矢量(SV)为：
SV＝Xrms-mean(Xrms)。
因此，NZ便等于信号变化矢量(SV)的过零点数。NZ的标准将随着时间窗口长度的变化而变化，但独立于采样率和频率变化。基于实验，可以得出以下结论，即对于200ms的窗口信号，当NZ≥3时，存在45Hz以下和55Hz以上的间谐波。相应的，对于这第一类别的干扰信号，选择滤波器组参数Q和r设计一个窄带通滤波器，准确地提取基波分量。当NZ<3时，信号在50Hz附近没有任何显著的间谐波，因此，选择Q和r设计一个低通滤波器，用于提取基波分量而不会丢失任何信息。本实施例在已知采样率fs以及对J、Q和r进行选择的时候，需满足可调Q因子小波变换技术中的相关必要条件。由于J的选择影响了分解所用的计算时间，所以首先选择J，然后选择Q、r值以获得所需的分解频率。频率或采样率fs任何一个变化均需要相应地重新调整滤波器参数以获得更好的性能。
本实施例中，基于可调Q因子小波变换的基波有效值的相对误差低于1％。尤其在复杂的干扰情况下可调Q因子小波变换优于DWT和EMD提取基波分量的方法。因此，本实施例中提出的方法能够提取五个基本特征量，这些基本特征量能够完全可以代表干扰信号，从而更有利于电能质量干扰信号分类。
具体的，上述五个基本特征量具体包括下面的TF1至TF5：
TF1：特征TF1具体可以用于表示信号每个周期RMS值的偏差，根据相邻两个周期RMS差值计算得出：
RV(n)＝Xrms(n)-Xrms(n-1)。
式中，Xrms(n)是原始电信号中的第n个周期RMS值，具体的，可以通过计算原始电信号中基波分量的第n个周期RMS值的方式来确定出上述Xrms(n)。相邻两个周期RMS差值绝对值的最大值被当作第一基本特征量。也即有：
TF1＝RVmax＝max(|RV|)。
对于200ms窗口，每个周期的RMS值所表征的稳态扰动，如谐波、间谐波、陷波和尖峰等对于所有周期大致相同，所以这个特征量在区分稳态干扰与电压骤降、中断、骤升、电压波动、瞬时变化起关键作用。
TF2：高频谐波失真HTHD将所有与谐波相关信号与其他干扰信号分离开来。具体的，有：
其中，X1rms(n)表示基波分量的第n个周期的RMS值。具体的：
由于电流信号中闪变频率和主要的间谐波低于300Hz，瞬变频率在300Hz以上，频率≥300Hz的分量仅被认为是高频谐波失真分量。此处，具体可以选择10个HTHD值的平均值作为第二基本特征量。具体的，有：
TF2＝mean(HTHD)。
TF3：该特征量用于区分瞬变信号与陷波信号、尖峰信号。对于每个周期陷波和尖峰信号的HTHD保持几乎恒定，而对于瞬变信号，HTHD在一个或两个周期内相当高，而对于其余周期则为零。瞬变信号的HTHD的平均值将下降到陷波和峰值的平均值。因此，可以选择10个周期中HTHD值的最大值作为第三个特征量。具体有：
TF3＝max(HTHD)。
TF4：第四基本特征量用于区分基波幅度变化的干扰。它用提取的基波分量的所有RMS值的最小值表示。也即有：
TF4＝min(X1rms)，且，X1rms＝[X1rms(1),…,X1rms(n),…,X1rms(10)]
TF5：第五基本特征量用于分离电压骤升，它用提取的基波分量RMS的最大值表示。也即有：
TF5＝max(X1rms)。
由上可知，利用本实施例中基于可调Q因子小波变换和双支持向量机的电能质量扰动分类方法，具体可以对14种扰动信号，如图4中的扰动信号C1至C14。其中，C1表示电压波动信号，C2表示含谐波电压波动信号，C3表示瞬变电压波动信号，C4表示电压中断信号，C5表示骤降信号，C6表示骤升信号，C7表示谐波信号，C8表示振荡瞬变信号，C9表示陷波信号，C10表示尖峰信号，C11表示含谐波的骤降信号，C12表示含谐波的骤升信号，C13表示瞬变电压骤降信号，C14表示瞬变电压骤升信号。
需要进一步指出的，经典的支持向量机(SVM)是针对两类问题设计，不能直接用于多类分类问题，目前已有许多SVM多类分类算法(MSVM)，如一对一支持向量机、有向无环图支持向量机。其中，一对一支持向量机是适用电能质量干扰分类的一种多类分类算法之一，可以在MATLAB的LIBSVM工具箱中实现。对于具有n个干扰信号的分类，一对一支持向量机需要构造n(n-1)/2个二进制的分类器。例如，对于上述14种干扰信号，一对一支持向量机需要构建91个二进制的MSVM算法，计算量大非常，因此为了减少对相同数量干扰信号进行分类的分类器中二进制的数量，本发明实施例具体使用了如图4中示出的双支持向量机多类分类过程，在这个双MSVM算法中，第一个MSVM用于前三种干扰信号的分类，另外一个MSVM用于其余干扰信号的分类，双MSVM仅需要(3+55)个二进制，便可实现对14种干扰信号进行分类。并且，用于对上述14种干扰信号进行分类的双MSVM算法的精确度高达97.286％，而对相同数目干扰信号进行分类的一对一支持向量机算法的精确度仅为94.0714％。
可见，本发明实施例的基于可调Q因子小波变换和双支持向量机的电能质量扰动分类方法中，通过利用可调Q因子小波变换可以准确地提取基波分量，提出的5个基本特征量可以精确地反映干扰信号，利用双支持向量机多类分类算法并根据上述5个基本特征量对干扰信号进行分类时，能够减少计算量，提高了计算速度，为电能质量的管理和治理提供辅助决策，有利于提高供电质量。
相应的，本发明实施例还公开了一种电能质量扰动分类系统，参见图5所示，该系统包括：
基波分量提取模块11，用于基于可调Q因子小波变换，从原始电信号中提取出基波分量；
特征量确定模块12，用于利用基波分量，确定出原始电信号中的基本特征量；
扰动分类模块13，用于利用基本特征量以及双支持向量机，对原始电信号进行扰动分类。
可见，本发明实施例先利用可调Q因子小波变换，从原始电信号中提取出基波分量，然后利用基波分量确定出原始电信号的基本特征量，进而便可基于上述基本特征量，并结合双支持向量机来实现对原始电信号的扰动分类，由于可调Q因子小波变换是一种参数能够灵活调节的小波变换，利用这种小波变换能够从存在复杂干扰的电信号中提取出更加准确的基波分量，在此基础上，本发明实施例进而利用分类精确度更高的双支持向量机来对原始电信号进行扰动分类，由此进一步提升了电能质量扰动分类结果的准确性。
具体的，上述基波分量提取模块，可以包括预处理子模块、参数确定子模块和分量提取子模块；其中，
预处理子模块，用于对原始电信号进行预处理，得到预处理信息；
参数确定子模块，用于根据预处理信息，确定可调Q因子小波变换的滤波器组参数；
分量提取子模块，用于在参数确定子模块确定出可调Q因子小波变换的滤波器组参数之后，基于可调Q因子小波变换，从原始电信号中提取出基波分量。
进一步的，上述预处理子模块，具体可以包括矢量确定单元以及过零点数统计单元；其中，
矢量确定单元，用于确定用于反映原始电信号中低频间谐波的信号变化矢量；
过零点数统计单元，用于统计信号变化矢量的过零点数，得到预处理信息。
另外，上述参数确定子模块，具体可以包括第一确定单元和第二确定单元；其中，
第一确定单元，用于当过零点数大于或等于3，则确定第一类滤波器组参数；其中，第一类滤波器组参数为用于构建窄带通滤波器的参数；
第二确定单元，用于当过零点数小于3，则确定第二类滤波器组参数；其中，第二类滤波器组参数为用于构建低通滤波器的参数。
进一步的，上述特征量确定模块，具体可以用于利用基波分量，确定出原始电信号中的第一基本特征量、第二基本特征量、第三基本特征量、第四基本特征量和第五基本特征量；其中，
第一基本特征量为RV(n)的绝对值的最大值；其中，RV(n)表示原始电信号中第n个周期的RMS值和第n-1个周期的RMS值之间的差值；
第二基本特征量为HTHD(n)的平均值；其中，HTHD(n)表示XHrms(n)和X1rms(n)之间的比值，XHrms(n)表示高频谐波失真分量的第n个周期的RMS值，X1rms(n)表示基波分量的第n个周期的RMS值；
第三基本特征量为HTHD(n)中的最大值；
第四基本特征量为X1rms(n)中的最小值；
第五基本特征量为X1rms(n)中的最大值。
关于上述各个模块和单元更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种电能质量扰动分类方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电能质量扰动分类方法，其特征在于，包括：
基于可调Q因子小波变换，从原始电信号中提取出基波分量；
利用所述基波分量，确定出所述原始电信号中的基本特征量；
利用所述基本特征量以及双支持向量机，对所述原始电信号进行扰动分类。
2.根据权利要求1所述的电能质量扰动分类方法，其特征在于，所述基于可调Q因子小波变换，从原始电信号中提取出基波分量的过程，包括：
对所述原始电信号进行预处理，得到预处理信息；
根据所述预处理信息，确定可调Q因子小波变换的滤波器组参数，然后基于可调Q因子小波变换，从原始电信号中提取出基波分量。
3.根据权利要求2所述的电能质量扰动分类方法，其特征在于，所述对所述原始电信号进行预处理，得到预处理信息的过程，包括：
确定用于反映所述原始电信号中低频间谐波的信号变化矢量；
统计所述信号变化矢量的过零点数，得到所述预处理信息。
4.根据权利要求3所述的电能质量扰动分类方法，其特征在于，所述根据所述预处理信息，确定可调Q因子小波变换的滤波器组参数的过程，包括：
当所述过零点数大于或等于3，则确定第一类滤波器组参数；其中，所述第一类滤波器组参数为用于构建窄带通滤波器的参数；
当所述过零点数小于3，则确定第二类滤波器组参数；其中，所述第二类滤波器组参数为用于构建低通滤波器的参数。
5.根据权利要求1至4任一项所述的电能质量扰动分类方法，其特征在于，所述利用所述基波分量，确定出所述原始电信号中的基本特征量的过程，包括：
利用所述基波分量，确定出所述原始电信号中的第一基本特征量、第二基本特征量、第三基本特征量、第四基本特征量和第五基本特征量；其中，
所述第一基本特征量为RV(n)的绝对值的最大值；其中，RV(n)表示所述原始电信号中第n个周期的RMS值和第n-1个周期的RMS值之间的差值；
所述第二基本特征量为HTHD(n)的平均值；其中，HTHD(n)表示XHrms(n)和X1rms(n)之间的比值，XHrms(n)表示高频谐波失真分量的第n个周期的RMS值，X1rms(n)表示基波分量的第n个周期的RMS值；
所述第三基本特征量为HTHD(n)中的最大值；
所述第四基本特征量为X1rms(n)中的最小值；
所述第五基本特征量为X1rms(n)中的最大值。
6.一种电能质量扰动分类系统，其特征在于，包括：
基波分量提取模块，用于基于可调Q因子小波变换，从原始电信号中提取出基波分量；
特征量确定模块，用于利用所述基波分量，确定出所述原始电信号中的基本特征量；
扰动分类模块，用于利用所述基本特征量以及双支持向量机，对所述原始电信号进行扰动分类。
7.根据权利要求6所述的电能质量扰动分类系统，其特征在于，所述基波分量提取模块，包括：
预处理子模块，用于对所述原始电信号进行预处理，得到预处理信息；
参数确定子模块，用于根据所述预处理信息，确定可调Q因子小波变换的滤波器组参数；
分量提取子模块，用于在所述参数确定子模块确定出可调Q因子小波变换的滤波器组参数之后，基于可调Q因子小波变换，从原始电信号中提取出基波分量。
8.根据权利要求7所述的电能质量扰动分类系统，其特征在于，所述预处理子模块，包括：
矢量确定单元，用于确定用于反映所述原始电信号中低频间谐波的信号变化矢量；
过零点数统计单元，用于统计所述信号变化矢量的过零点数，得到所述预处理信息。
9.根据权利要求8所述的电能质量扰动分类系统，其特征在于，所述参数确定子模块，包括：
第一确定单元，用于当所述过零点数大于或等于3，则确定第一类滤波器组参数；其中，所述第一类滤波器组参数为用于构建窄带通滤波器的参数；
第二确定单元，用于当所述过零点数小于3，则确定第二类滤波器组参数；其中，所述第二类滤波器组参数为用于构建低通滤波器的参数。
10.根据权利要求6至9任一项所述的电能质量扰动分类系统，其特征在于，
所述特征量确定模块，具体用于利用所述基波分量，确定出所述原始电信号中的第一基本特征量、第二基本特征量、第三基本特征量、第四基本特征量和第五基本特征量；其中，
所述第一基本特征量为RV(n)的绝对值的最大值；其中，RV(n)表示所述原始电信号中第n个周期的RMS值和第n-1个周期的RMS值之间的差值；
所述第二基本特征量为HTHD(n)的平均值；其中，HTHD(n)表示XHrms(n)和X1rms(n)之间的比值，XHrms(n)表示高频谐波失真分量的第n个周期的RMS值，X1rms(n)表示基波分量的第n个周期的RMS值；
所述第三基本特征量为HTHD(n)中的最大值；
所述第四基本特征量为X1rms(n)中的最小值；
所述第五基本特征量为X1rms(n)中的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710580783.9A CN107315111A (zh) | 2017-07-17 | 2017-07-17 | 一种电能质量扰动分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710580783.9A CN107315111A (zh) | 2017-07-17 | 2017-07-17 | 一种电能质量扰动分类方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107315111A true CN107315111A (zh) | 2017-11-03 |
Family
ID=60178063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710580783.9A Pending CN107315111A (zh) | 2017-07-17 | 2017-07-17 | 一种电能质量扰动分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107315111A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256465A (zh) * | 2018-01-12 | 2018-07-06 | 国网冀北电力有限公司秦皇岛供电公司 | 电能质量扰动事件识别方法及装置 |
| CN108288039A (zh) * | 2018-01-25 | 2018-07-17 | 浙江群力电气有限公司 | 电压暂升和暂降的电能质量扰动识别方法、装置及设备 |
| CN108535638A (zh) * | 2018-01-25 | 2018-09-14 | 国网浙江省电力有限公司电力科学研究院 | 基于多层滤波器的有载分接开关机械状态监测方法及系统 |
| CN108872743A (zh) * | 2018-06-21 | 2018-11-23 | 中国人民解放军63892部队 | 一种基于小波变换的电能质量实时监测分析系统及方法 |
| CN109101890A (zh) * | 2018-07-16 | 2018-12-28 | 中国科学院自动化研究所 | 基于小波变换的电能质量扰动识别方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339208A (zh) * | 2008-08-12 | 2009-01-07 | 中国矿业大学 | 一种基于时域分析的电压质量监测与扰动自动分类方法 |
| CN102230951A (zh) * | 2011-03-28 | 2011-11-02 | 武汉大学 | 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 |
| CN102944773A (zh) * | 2012-10-29 | 2013-02-27 | 华南理工大学 | 基于空间变换的电能扰动检测及分类方法 |
| CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
| CN104034974A (zh) * | 2014-05-09 | 2014-09-10 | 西南交通大学 | 一种复合电能质量扰动信号的识别方法 |
| CN104459398A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
| CN105447502A (zh) * | 2015-11-05 | 2016-03-30 | 国家电网公司 | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 |
| CN105786903A (zh) * | 2014-12-25 | 2016-07-20 | 国家电网公司 | 一种对电能质量扰动事件分类的方法 |
-
2017
- 2017-07-17 CN CN201710580783.9A patent/CN107315111A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339208A (zh) * | 2008-08-12 | 2009-01-07 | 中国矿业大学 | 一种基于时域分析的电压质量监测与扰动自动分类方法 |
| CN102230951A (zh) * | 2011-03-28 | 2011-11-02 | 武汉大学 | 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 |
| CN102944773A (zh) * | 2012-10-29 | 2013-02-27 | 华南理工大学 | 基于空间变换的电能扰动检测及分类方法 |
| CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
| CN104034974A (zh) * | 2014-05-09 | 2014-09-10 | 西南交通大学 | 一种复合电能质量扰动信号的识别方法 |
| CN104459398A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
| CN105786903A (zh) * | 2014-12-25 | 2016-07-20 | 国家电网公司 | 一种对电能质量扰动事件分类的方法 |
| CN105447502A (zh) * | 2015-11-05 | 2016-03-30 | 国家电网公司 | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| IVAN W.SELESNICK: "Wavelet Transform With Tunable Q-Factor", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
| KARTHIK THIRUMALA 等: "Tunable-Q Wavelet Transform and Dual Multiclass SVM for Online Automatic Detection of Power Quality Disturbances", 《EEE TRANSACTIONS ON SMART GRID》 * |
| KARTHIK THIRUMALA 等: "Tunable-Q Wavelet Transform and Dual Multiclass SVM for Online Automatic Detection of Power Quality Disturbances", 《IEEE TRANSACTIONS ON SMART GRID》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256465A (zh) * | 2018-01-12 | 2018-07-06 | 国网冀北电力有限公司秦皇岛供电公司 | 电能质量扰动事件识别方法及装置 |
| CN108288039A (zh) * | 2018-01-25 | 2018-07-17 | 浙江群力电气有限公司 | 电压暂升和暂降的电能质量扰动识别方法、装置及设备 |
| CN108535638A (zh) * | 2018-01-25 | 2018-09-14 | 国网浙江省电力有限公司电力科学研究院 | 基于多层滤波器的有载分接开关机械状态监测方法及系统 |
| CN108872743A (zh) * | 2018-06-21 | 2018-11-23 | 中国人民解放军63892部队 | 一种基于小波变换的电能质量实时监测分析系统及方法 |
| CN109101890A (zh) * | 2018-07-16 | 2018-12-28 | 中国科学院自动化研究所 | 基于小波变换的电能质量扰动识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107315111A (zh) | 一种电能质量扰动分类方法及系统 | |
| CN107994866B (zh) | 直流电弧故障检测的方法、装置、设备及存储介质 | |
| Granados-Lieberman et al. | Techniques and methodologies for power quality analysis and disturbances classification in power systems: a review | |
| Chen et al. | Short-term load forecasting: Similar day-based wavelet neural networks | |
| He et al. | A real-time power quality disturbances classification using hybrid method based on S-transform and dynamics | |
| CN104515905B (zh) | 基于cqt多分辨率的被试的脑电信号自适应频谱分析方法 | |
| Taskovski et al. | Classification of power quality disturbances using wavelets and support vector machine | |
| WO2014206265A1 (zh) | 谐波分析方法和装置以及确定谐波间杂波的方法和装置 | |
| Oyekanlu et al. | Towards low-cost, real-time, distributed signal and data processing for artificial intelligence applications at edges of large industrial and internet networks | |
| CN113627547B (zh) | 训练方法、电弧检测方法、装置、电子设备及存储介质 | |
| Das et al. | Hilbert huang transform with fuzzy rules for feature selection and classification of power quality disturbances | |
| CN107969164B (zh) | 适应性信道间判别再缩放滤波器 | |
| Hafiz et al. | An approach for classification of power quality disturbances based on Hilbert Huang transform and Relevance vector machine | |
| Zhao et al. | A single-channel blind source separation algorithm based on improved wavelet packet and variational mode decomposition | |
| US10389394B2 (en) | Method and device for processing a signal | |
| Nicolae et al. | Using Time-Efficient Wavelet Packet Transform Decompositions to Analyze EMC Issues in Transportation Systems | |
| de Andrade et al. | Analysis of Wavelet Transform applied to the segmentation of disturbance signals with different sampling rates | |
| CN114545079A (zh) | 光伏并网系统的谐振检测方法、装置、设备及存储介质 | |
| Rahul | Review of signal processing techniques and machine learning algorithms for power quality analysis | |
| Tong et al. | A robust time-frequency decomposition model for suppression of mixed Gaussian-impulse noise in audio signals | |
| Rathore et al. | Speech signal analysis using Fourier-Bessel expansion and Hilbert transform separation algorithm | |
| Qaisar et al. | Adaptive-Rate Method for the Power Quality Disturbances Identification in the 5G Framework | |
| Ozkurt | Signal adaptive Q factor selection for resonance based signal separation using tunable-Q wavelet transform | |
| Santos et al. | Harmonic and inter-harmonic estimation using esprit associated with filter bank | |
| Önal et al. | Detection of voltage flicker and voltage harmonic using Hilbert Huang transform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 311199 No. 165, Star Bridge Road, Star Bridge Street, Yuhang District, Hangzhou, Zhejiang Applicant after: ZHEJIANG TRULY ELECTRIC CO., LTD. Applicant after: Yuhang district power supply Co., Ltd., Hangzhou City, Zhejiang Applicant after: State Grid Zhejiang Electric Power Co., Ltd. Hangzhou power supply company Address before: 311199 No. 165, Star Bridge Road, Star Bridge Street, Yuhang District, Hangzhou, Zhejiang Applicant before: ZHEJIANG TRULY ELECTRIC CO., LTD. Applicant before: State Grid Zhejiang Hangzhou Yuhang District Power Supply Company Applicant before: Hangzhou Power Supply Company, State Grid Zhejiang Electric Power Company |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180824 Address after: 310018 No. 11 street, Hangzhou economic and Technological Development Zone, Zhejiang 91 Applicant after: Hangzhou Electric Power Equipment Manufacture Co., Ltd. Applicant after: Yuhang district power supply Co., Ltd., Hangzhou City, Zhejiang Applicant after: State Grid Zhejiang Electric Power Co., Ltd. Hangzhou power supply company Address before: 311199 No. 165, Star Bridge Road, Star Bridge Street, Yuhang District, Hangzhou, Zhejiang Applicant before: ZHEJIANG TRULY ELECTRIC CO., LTD. Applicant before: Yuhang district power supply Co., Ltd., Hangzhou City, Zhejiang Applicant before: State Grid Zhejiang Electric Power Co., Ltd. Hangzhou power supply company |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171103 |