CN108957175A - 基于改进的hht算法的电能质量扰动识别方法 - Google Patents

Abstract

本发明公开的基于改进的HHT算法的电能质量扰动识别方法，首先，采集信号，利用SAX算法对信号进行分段；其次，将分段后不同段的信号进行HHT分析，提取得到不同段信号的特征值；然后，根据提取的特征值利用决策树识别电能质量扰动情况；最后将上述识别出的正常电能信号采用迭代HHT分析，进一步判断是否存在微小扰动，进而达到电能质量扰动的完全识别。本发明公开的基于改进的HHT算法的电能质量扰动识别方法，解决了现有技术对非平稳信号无法识别的问题。通过采用SAX算法对信号进行分段，然后对不同段的信号进行分析进一步判断是否存在扰动，很好的解决了出现高频小幅值出现的模态混叠问题。

Description

基于改进的HHT算法的电能质量扰动识别方法

技术领域

本发明属于电能质量分析与监测技术领域，涉及一种基于改进的HHT算法的电能质量扰动识别方法。

背景技术

随着科技的不断创新和经济的迅速发展，远距离直流输电跟大规模的电网连接使得电网的结构发生了巨大的变化；随着风电、光伏、生物质能等新能源发电技术在21世纪的快速发展，新能源发电技术具有随机性、波动性、间歇性和不可调度性的特点；随着微电网技术的广泛应用及深入研究，微电源的种类和数量变得越来越多，微电网中会出现诸多电能质量问题，都是由微电源自身特殊性质引发的。造成非线性负载和冲击性负荷大量的存在于电网之中，对电能质量的要求就会越来越高。提高电能质量基础就是进行扰动分析。

目前，已有较多的时频分析工具用于电能质量扰动分析，主要有短时傅里叶变换、Winger-Ville分布、小波变换、S变换和Hilbert-Huang变换等。短时傅里叶变换通过加窗的方法实现了对信号在局部时间内频率特征的描述。虽然短时傅里叶变换在一定程度上克服了傅里叶变换不具有局部分析能力的缺陷，但由于其窗函数是固定的，因此，短时傅里叶变换的时频分辨率也是固定的，若要改变分辨率，则必须重新选择窗函数；小波变换克服了短时傅立叶变换时频分辨率固定的缺陷，是一种具有多分辨率分解特性的线性时频分析方法。但是，小波变换很难实现电能质量扰动信号的任意频率分量的幅值检测，且检测结果受噪声的影响比较大；除上述时频分析工具之外，尚有二次变换、S变换等时频分析工具，二次变换从能量角度来分析信号的时频特性，其基本思想是采用时间和频率的联合函数描述信号在不同时间和频率的能量密度或强度。

Hilbert-Huang变换与傅立叶变换、小波变换等传统方法的不同之处在于：Hilbert-Huang变换不需要基函数且自适应性强，不仅能处理平稳信号，对非平稳信号的处理也有着非常好的效果。Hilbert-Huang变换能够获得信号中各次分量的瞬时参数信息，完整地表示出信号的频率、能量分布随时间的变化关系，然而存在模态混叠的问题，在高频小幅值扰动存在时，基本的Hilbert-Huang变换是无法提取识别，本发明提出迭代HHT来实现高频小幅值的提取；在复合信号存在时，提出用SAX算法进行奇异值的提取，把信号分成不同的段，再对不同的段独自进行电能质量扰动分析。

发明内容

本发明的目的是提供一种基于改进的HHT算法的电能质量扰动识别方法，解决了现有技术对非平稳信号无法识别的问题。

本发明所采用的技术方案是，基于改进的HHT算法的电能质量扰动识别方法，具体操作包括如下步骤：

步骤1.采集信号，利用SAX算法对信号进行分段；

步骤2.将分段后不同段的信号进行HHT分析，提取得到不同段信号的特征值；

步骤3.根据提取的特征值利用决策树识别电能质量扰动情况；

步骤4.将步骤3识别出的正常电能信号采用迭代HHT分析，进一步判断是否存在微小扰动，进而达到电能质量扰动的完全识别。

本发明的其他特点还在于，

步骤1的具体操作过程如下：

步骤1.1首先，利用matlab软件随机产生电压暂降、电压暂升、电压中断、电压脉冲、电压波动、以及谐波几种扰动信号类型，然后，利用电压传感器采集电网中的电压信号，采样频率10kz，采集的信号以向量的形式储存在变量中；

步骤1.2首先，将采集到的信号除以电网中电压或者电流的额定值进行标幺化，然后，评估信号数据系列的平均值μ和标准偏差σ，将对应的每个数据点的值都减去μ再除以σ进行数据归一化；

步骤1.3根据PAA算法对归一化的数据进行分段聚合，然后将聚合后的数据映射到不同的字符上，按照一个周期的为一行重新排列求出奇异值；

步骤1.4将奇异值与步骤1.1设置的几种扰动类型的误差数值作比较，提取出远远大于误差数值的时刻，确定出在哪个周期发生了扰动，以这个周期为间隔，将该周期前后分开，分成不同的段。

步骤1.3的具体过程如下：

首先，对于具有元素C₁、C₂…C_n的长度n的时间序列C，C的SAX表示可以通过对n维时间序列数据进行归一化将其转换成w维时间序列D，具有元素d₁,d₂…d_w，具体转换过程如公式1所示：

其中，w是窗口大小，n是信号的长度，w远小于n；

然后，选择高斯分布断点数，将得到的PAA时间序列映射到不同的字符上使得高斯曲线下的区域可以被分段为概率相同大小的区域，按照一个周期为一行进行重排，相邻行的ascall码求差，再对所求得的差值进行绝对值后求和，得到奇异值。

步骤2的具体过程如下：

步骤2.1将分段后不同段的信号进行EMD分解，将信号分解成IMF分量：

步骤2.1.1输入信号x(t)，令r(t)＝x(t)，n＝0，求出x(t)的所有极大值和极小值，其中x(t)为步骤1中分段后的向量，r(t)表示残差，n表示IMF分量的个数，根据数据中后一个点的值减去前一个点的值得到一个向量，当向量由正变负则为极大值，由负变正则为极小值；

步骤2.1.2应用三次样条插值法构造上包络线和下包络线，并计算出上下包络线的均值m(t)，将x(t)与m(t)作差求得h(t)，如果h(t)满足终止条件，即，极大值和极小值都必须满足极值点的数量和过零点的数量必须相同或者只相差一个，还需满足上下包络线的所有局部极值点和为零的条件，则进行步骤2.1.3，如果不满足，则另x(t)＝h(t)，返回步骤2.1.1；

步骤2.1.3令n＝n+1，C_n(t)＝h(t)，r(t)＝r(t)-C_n(t)，C_n(t)为IMF分量，判断r(t)或C_n(t)是否满足终止条件即，极大值和极小值都必须满足极值点的数量和过零点的数量必须相同或者只相差一个，还需满足上下包络线的所有局部极值点和为零的条件，如果满足，则进行步骤2.2，如果不满足，则另x(t)＝r(t)，返回执行步骤2.1.1；

步骤2.2将得到的IMF分量C_i(t)，并对每个IMF分量做希尔伯特变换，如公式2所示，得到

步骤2.3然后构造解析信号z_i(t)，如公式3所示，计算特征值IMF分量的个数、每个IMF分量的瞬时频率和瞬时幅值；

得到瞬时幅值的表达式如公式4：

得到瞬时相位表达式如公式5：

得到瞬时频率表达式如公式6：

其中，a_i(t)是第i个IMF的瞬时幅值，θ_i(t)是第i个IMF的瞬时相位，j为第i个IMF的虚数单位。

步骤3的具体过程如下：

步骤3.1输入特征值，利用决策树进行判断，如果IMF分量的个数为1，则此段没有谐波，则进行步骤3.2；如果IMF分量的个数大于1，则此段含有谐波，返回执行步骤2，逐次提取特征值；

步骤3.2判断频率是否等于50Hz，如果不等于50Hz，则出现频率偏差，则判断其为频率偏差的电能质量扰动，如果等于50Hz，如果幅值在0.9-1.1之间，则为正常信号，如果幅值不在0.9-1.1之间，则为扰动信号，并且判断出扰动的类型。

步骤3.2中判断扰动类型的依据是：

如果幅值在1.1-2之间，则为电压暂升；

如果幅值在2以上，则为电压脉冲；

如果幅值在0.1-0.9之间，则为电压暂降；

如果幅值在0.1以下，则为电压中断。

步骤4的具体过程如下：

步骤4.1将正常信号中提取出使用EMD分解的第一个IMF分量，使用HT如公式7所示，近似频率，振幅和相角第一个IMF分量：

其中，是第1个IMF的近似幅值，是第1个IMF的近似频率，是第1个IMF的近似相位角；

步骤4.2从原始信号中减去第一个IMF的主成分P(t)的近似值，得到残差r(t)，如公式8所示：

其中，x(t)为分段后的信号；

步骤4.3在r(t)重复执行步骤4.1和步骤4.2，直到第一个IMF的幅值达到信号的最大值小于给定的阈值，然后迭代步骤2的HTT算法，在迭代HHT过程中不同迭代获得的每个频率，将与该频率相关联的正弦函数如公式9中所示，相加在一起再应用希尔伯特变换来获得该频率分量的幅度，频率和相位，最后将这些正弦曲线按频率排序：

其中，是第n个IMF的近似幅值，是第n个IMF的近似频率，是第n个IMF的近似相位角；

步骤4.4最终得到所有的R_k，则所有的R_k的频率都不同，输出R_k频率幅值以及相角。

本发明的有益效果是，基于改进的HHT算法的电能质量扰动识别方法，解决了现有技术对非平稳信号无法识别的问题。通过采用SAX算法对信号进行分段，然后对不同段的信号进行HHT算法分析进一步判断是否存在扰动，提高了识别信号的广泛性；另一方面采用迭代HHT算法对信号进行分析，可以提高分解的精度，避免相近频率以及高频小幅值扰动信号在EMD分解过程中发生模态混叠现象。

附图说明

图1是本发明的基于改进的HHT算法的电能质量扰动识别方法总流程图；

图2是本发明的基于改进的HHT算法的电能质量扰动识别方法中SAX算法流程图；

图3本发明的基于改进的HHT算法的电能质量扰动识别方法中HHT算法流程图；

图4是本发明的基于改进的HHT算法的电能质量扰动识别方法的电能扰动识别决策树判断图；

图5是本发明的基于改进的HHT算法的电能质量扰动识别方法的SAX算法产生的符号矩阵图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基于改进的HHT算法的电能质量扰动识别方法，图1是本方法流程图，具体操作包括如下步骤：

步骤1.采集信号，利用SAX(symbolic aggregate approximation)算法对信号进行分段，SAX是一种符号化的时间序列相似性度量方法，把信号转换成符号，根据符号之间的差别来识别扰动发生的时刻；

步骤2.将分段后不同段的信号进行HHT分析，提取得到不同段信号的特征值；

步骤3.根据提取的特征值利用决策树识别电能质量扰动情况；

步骤4.将步骤3识别出的正常电能信号采用迭代HHT分析，进一步判断是否存在微小扰动，进而达到电能质量扰动的完全识别。

如图2所示，步骤1的具体操作过程如下：

步骤1.1首先，利用matlab软件随机产生电压暂降、电压暂升、电压中断、电压脉冲、电压波动、以及谐波几种扰动信号类型，然后，利用电压传感器采集电网中的电压信号，采样频率10kz，即采样10000个点，采集的信号以向量的形式储存在变量中；

步骤1.2尽管信号可能是非平稳和非线性的，但是发现较小的信号分量在本质上表现出更高斯的分布，首先，将采集到的信号除以电网中电压或者电流的额定值进行标幺化，然后，评估信号数据系列的平均值μ和标准偏差σ，将对应的每个数据点的值都减去μ再除以σ进行数据归一化；

步骤1.3根据PAA算法(分段聚合近似法)对归一化的数据进行分段聚合，然后将聚合后的数据映射到不同的字符上，按照一个周期的为一行重新排列求出奇异值；

步骤1.3的具体过程如下：

首先，对于具有元素C₁、C₂…C_n的长度n的时间序列C，C的SAX表示可以通过对n维时间序列数据进行归一化将其转换成w维时间序列D，具有元素d₁,d₂…d_w，具体转换过程如公式1所示：

其中，w是窗口大小，n是信号的长度，w远小于n；

然后，选择高斯分布断点数，将得到的PAA时间序列映射到不同的字符上(字符的ascall码连续)使得高斯曲线下的区域可以被分段为概率相同大小的区域，如表1所示，将等高线分布从2个等分到8个等分区域所需的断点，若断点数为N，则映射到N+1个字符；按照一个周期为一行进行重排，相邻行的ascall码求差，再对所求得的差值进行绝对值后求和，得到奇异值。

表1可分割地区的任意数字(从2到8)高斯分布的断点

步骤1.4将奇异值与步骤1.1设置的几种扰动类型的误差数值作比较，提取出远远大于误差数值的时刻，确定出在哪个周期发生了扰动，以这个周期为间隔，将该周期前后分开，分成不同的段。

其中，电压暂降(暂升)：扰动时间点的奇异值明显大于正常时候的误差值(正常情况下会有些许误差，其值都很小)；电压中断(脉冲)：比电压暂降(暂升)的奇异值还要大一些；电压波动：发生电压波动的时间内，所以奇异值都有明显的提升(直接可以用奇异值分析得出)；频率成分发生变化：其中在发生变化的时刻奇异值远远大于其他时刻。

如图3所示，步骤2的具体过程如下：

步骤2.1将分段后不同段的信号进行EMD分解，将信号分解成IMF分量：

步骤2.1.1输入信号x(t)，令r(t)＝x(t)，n＝0，求出x(t)的所有极大值和极小值。其中x(t)为步骤1中分段后的向量，r(t)表示残差，n表示IMF分量的个数。根据数据中后一个点的值减去前一个点的值得到一个向量，当向量由正变负则为极大值，由负变正则为极小值；

步骤2.1.2应用三次样条插值法构造上包络线和下包络线，并计算出上下包络线的均值m(t)，将x(t)与m(t)作差求得h(t)，如果h(t)满足终止条件，即，极大值和极小值都必须满足极值点的数量和过零点的数量必须相同或者只相差一个，还需满足上下包络线的所有局部极值点和为零的条件，则进行步骤2.1.3，如果不满足，则另x(t)＝h(t)，返回步骤2.1.1；

步骤2.1.3令n＝n+1，C_n(t)＝h(t)，r(t)＝r(t)-C_n(t)，C_n(t)为IMF分量判断r(t)或C_n(t)是否满足终止条件，即，极大值和极小值都必须满足极值点的数量和过零点的数量必须相同或者只相差一个，还需满足上下包络线的所有局部极值点和为零的条件，如果满足，则进行步骤2.2，如果不满足，则另x(t)＝r(t)，返回执行步骤2.1.1；

步骤2.2将得到的IMF分量C_i(t)，并对每个IMF分量做希尔伯特变换如公式2所示，得到

步骤2.3然后构造解析信号z_i(t)，如公式3所示，计算特征值IMF分量的个数、每个IMF分量的瞬时频率和瞬时幅值。

其中，a_i(t)是第i个IMF的瞬时幅值，θ_i(t)是第i个IMF的瞬时相位，j为第i个IMF的虚数单位；

得到瞬时幅值的表达式如公式4：

得到瞬时相位表达式如公式5：

得到瞬时频率表达式如公式6：

如图4所示，步骤3的具体过程如下：

步骤3.1输入特征值，利用决策树进行判断，如果IMF分量的个数为1，则此段没有谐波，则进行步骤3.2；如果IMF分量的个数大于1，则此段含有谐波，返回执行步骤2，逐次提取特征值；

步骤3.2判断频率是否等于50Hz，如果不等于50Hz，则出现频率偏差，则判断其为频率偏差的电能质量扰动，如果等于50Hz，如果幅值在0.9-1.1之间，则为正常信号，如果幅值不在0.9-1.1之间，则为扰动信号，并且判断出扰动的类型。

判断扰动类型的依据是：

如果幅值在1.1-2之间，则为电压暂升；

如果幅值在2以上，则为电压脉冲；

如果幅值在0.1-0.9之间，则为电压暂降；

如果幅值在0.1以下，则为电压中断。

对正常信号进行迭代HHT分析，判断是否存在小的扰动：当信号中混有间断信号，间断(间歇)是指高频小幅值或者相近频率的信号时，基本的HHT算法是识别不出来的，这时采用迭代HHT算法进行识别，步骤4的具体过程如下：

步骤4.1将正常信号中提取出使用EMD分解的第一个IMF分量，使用HT如公式7所示，近似频率，振幅和相角第一个IMF分量：

其中，是第1个IMF的近似幅值，是第1个IMF的近似频率，是第1个IMF的近似相位角；

步骤4.2从原始信号中减去第一个IMF的主成分P(t)的近似值，得到残差r(t)，如公式8所示：

其中，x(t)为分段后的信号；

步骤4.3在r(t)重复执行步骤4.1和步骤4.2，直到第一个IMF的幅值达到信号的最大值小于给定的阈值(比如0.001，阈值越小精度越大)，然后迭代步骤2的HHT算法，在迭代HHT过程中不同迭代获得的每个频率，将与该频率相关联的正弦函数如公式9中所示，相加在一起再应用希尔伯特变换来获得该频率分量的幅度，频率和相位，最后将这些正弦曲线按频率排序：

其中，是第n个IMF的近似幅值，是第n个IMF的近似频率，是第n个IMF的近似相位角；

步骤4.4最终得到所有的R_k，则所有的R_k的频率都不同，输出R_k频率幅值以及相角。

具体实施方式：

基于Matlab对本发明所述的方法进行仿真，首先给定信号如式5所示：

在时间t的单位为s(秒)，在0.4s到0.5s发生电压中断，在1s到1.5秒发生电压波动，在2s到2.5s含有三次谐波，在2.5s到3含有五次谐波。

采样频率为30kHz，SAX算法每10个数据点进行聚合，采取10个字符分别是(abcdefghij)，每个周期0.02s重新排成一行得到符号矩阵，则每个周期有30000÷10÷150＝20个字符，这里只对信号发生变化的左右的符号矩阵进行展示；如图5所示，从左到右分别为0.36s到0.54s对应电压中断，0.96s到1.14s对应电压波动，1.92s到2.10s对应三次谐波，2.42s到2.60s对应五次谐波(其中发生了频率成分的变化)。当然电压暂升、电压暂降、以及电压脉冲与电压中断有类似的符号矩阵。如下表2所示，对应图4中符号ascall码相减的绝对值求和得到奇异值，可以看出电压中断有两个奇异值点，其中一个是扰动起止时间，另一个是扰动终止时间；电压波动时正如第一部分所述在这段时间奇异值都较大；在正常信号到含有三次谐波的信号过度时也存在一个奇异值；三次谐波信号到五次谐波信号发生转变时亦存在一个奇异值点。所以经过上述分析可以根据奇异值把信号分成不同的段，最终可以跟给定信号一样，把信号分成7段；

对这7段进行决策树判断，其中电压波动可以直接根据SAX算法得出，所以只需对剩下的6段进行判断，可以用HHT进行分析，得到其频率和幅值(这里可以重新定义采样频率)。在处理最后一段时由于五次谐波的幅值为0.05所以属于高频小幅值扰动，HHT不能够把其分开，这里就要用迭代HHT进行分解。这里阈值设为0.001，提取出来的频率幅值如下表3所示：

表2部分电能质量扰动奇异值

表3迭代HHT提取过程

按照上述步骤把频率相近的进行叠加，得到最终结果，与所给信号一致。给的阈值越低，其迭代次数越多，结果更加精确。

Claims (7)

1.基于改进的HHT算法的电能质量扰动识别方法，具体操作包括如下步骤：

步骤1.采集信号，利用SAX算法对信号进行分段；

步骤2.将分段后不同段的信号进行HHT分析，提取得到不同段信号的特征值；

步骤3.根据提取的特征值利用决策树识别电能质量扰动情况；

步骤4.将步骤3识别出的正常电能信号采用迭代HHT分析，进一步判断是否存在微小扰动，进而达到电能质量扰动的完全识别。

2.如权利要求1所述的基于改进的HHT算法的电能质量扰动识别方法，其特征在于，所述步骤1的具体操作过程如下：

步骤1.1 首先，利用matlab软件随机产生电压暂降、电压暂升、电压中断、电压脉冲、电压波动、以及谐波几种扰动信号类型，然后，利用电压传感器采集电网中的电压信号，采样频率10kz，采集的信号以向量的形式储存在变量中；

步骤1.2 首先，将采集到的信号除以电网中电压或者电流的额定值进行标幺化，然后，评估信号数据系列的平均值μ和标准偏差σ，将对应的每个数据点的值都减去μ再除以σ进行数据归一化；

步骤1.3 根据PAA算法对归一化的数据进行分段聚合，然后将聚合后的数据映射到不同的字符上，按照一个周期的为一行重新排列求出奇异值；

步骤1.4 将奇异值与步骤1.1设置的几种扰动类型的误差数值作比较，提取出远远大于误差数值的时刻，确定出在哪个周期发生了扰动，以这个周期为间隔，将该周期前后分开，分成不同的段。

3.如权利要求2所述的基于改进的HHT算法的电能质量扰动识别方法，其特征在于，所述步骤1.3的具体过程如下：

首先，对于具有元素C₁、C₂…C_n的长度n的时间序列C，C的SAX表示可以通过对n维时间序列数据进行归一化将其转换成w维时间序列D，具有元素d₁,d₂…d_w，具体转换过程如公式1所示：

其中，w是窗口大小，n是信号的长度，w远小于n；

然后，选择高斯分布断点数，将得到的PAA时间序列映射到不同的字符上使得高斯曲线下的区域可以被分段为概率相同大小的区域，按照一个周期为一行进行重排，相邻行的ascall码求差，再对所求得的差值进行绝对值后求和，得到奇异值。

4.如权利要求1所述的基于改进的HHT算法的电能质量扰动识别方法，其特征在于，所述步骤2的具体过程如下：

步骤2.1 将分段后不同段的信号进行EMD分解，将信号分解成IMF分量：

步骤2.1.1 输入信号x(t)，令r(t)＝x(t)，n＝0，求出x(t)的所有极大值和极小值，其中x(t)为步骤1中分段后的向量，r(t)表示残差，n表示IMF分量的个数，根据数据中后一个点的值减去前一个点的值得到一个向量，当向量由正变负则为极大值，由负变正则为极小值；

步骤2.1.2 应用三次样条插值法构造上包络线和下包络线，并计算出上下包络线的均值m(t)，将x(t)与m(t)作差求得h(t)，如果h(t)满足终止条件，即，极大值和极小值都必须满足极值点的数量和过零点的数量必须相同或者只相差一个，还需满足上下包络线的所有局部极值点和为零的条件，则进行步骤2.1.3，如果不满足，则另x(t)＝h(t)，返回步骤2.1.1；

步骤2.1.3 令n＝n+1，C_n(t)＝h(t)，r(t)＝r(t)-C_n(t)，C_n(t)为IMF分量，判断r(t)或C_n(t)是否满足终止条件即，极大值和极小值都必须满足极值点的数量和过零点的数量必须相同或者只相差一个，还需满足上下包络线的所有局部极值点和为零的条件，如果满足，则进行步骤2.2，如果不满足，则另x(t)＝r(t)，返回执行步骤2.1.1；

步骤2.2 将得到的IMF分量C_i(t)，并对每个IMF分量做希尔伯特变换，如公式2所示，得到

步骤2.3 然后构造解析信号z_i(t)，如公式3所示，计算特征值IMF分量的个数、每个IMF分量的瞬时频率和瞬时幅值；

得到瞬时幅值的表达式如公式4：

得到瞬时相位表达式如公式5：

得到瞬时频率表达式如公式6：

其中，a_i(t)是第i个IMF的瞬时幅值，θ_i(t)是第i个IMF的瞬时相位，j为第i个IMF的虚数单位。

5.如权利要求4所述的基于改进的HHT算法的电能质量扰动识别方法，其特征在于，所述步骤3的具体过程如下：

步骤3.1 输入特征值，利用决策树进行判断，如果IMF分量的个数为1，则此段没有谐波，则进行步骤3.2；如果IMF分量的个数大于1，则此段含有谐波，返回执行步骤2，逐次提取特征值；

步骤3.2 判断频率是否等于50Hz，如果不等于50Hz，则出现频率偏差，则判断其为频率偏差的电能质量扰动，如果等于50Hz，如果幅值在0.9-1.1之间，则为正常信号，如果幅值不在0.9-1.1之间，则为扰动信号，并且判断出扰动的类型。

6.如权利要求5所述的基于改进的HHT算法的电能质量扰动识别方法，其特征在于，所述步骤3.2中判断扰动类型的依据是：

如果幅值在1.1-2之间，则为电压暂升；

如果幅值在2以上，则为电压脉冲；

如果幅值在0.1-0.9之间，则为电压暂降；

如果幅值在0.1以下，则为电压中断。

7.如权利要求5所述的基于改进的HHT算法的电能质量扰动识别方法，其特征在于，所述步骤4的具体过程如下：

步骤4.1 将正常信号中提取出使用EMD分解的第一个IMF分量，使用HT如公式7所示，近似频率，振幅和相角第一个IMF分量：

其中，是第1个IMF的近似幅值，是第1个IMF的近似频率，是第1个IMF的近似相位角；

步骤4.2 从原始信号中减去第一个IMF的主成分P(t)的近似值，得到残差r(t)，如公式8所示：

其中，x(t)为分段后的信号；

步骤4.3 在r(t)重复执行步骤4.1和步骤4.2，直到第一个IMF的幅值达到信号的最大值小于给定的阈值，然后迭代步骤2的HTT算法，在迭代HHT过程中不同迭代获得的每个频率，将与该频率相关联的正弦函数如公式9中所示，相加在一起再应用希尔伯特变换来获得该频率分量的幅度，频率和相位，最后将这些正弦曲线按频率排序：

其中，是第n个IMF的近似幅值，是第n个IMF的近似频率，是第n个IMF的近似相位角；

步骤4.4 最终得到所有的R_k，则所有的R_k的频率都不同，输出R_k频率幅值以及相角。