電能質量擾動檢測

電能質量擾動主要包括短時電壓波動(電壓暫升、電壓暫降和中斷)、電壓下陷、電磁暫態脈衝和振盪。在電能質量檢測中，常用的方法包括傅立葉變換法、小波變換法、數學形態學等。

基本介紹

• 中文名：電能質量擾動檢測
• 外文名：power qualitydisturbance detection

電能作為一種高效、清潔、可控的能源，已經得到最廣泛的套用。但隨著科技的發展，電力系統中用電負荷類型的改變和非線性負載的使用使得波形畸變、電能質量下降；而帶有基於微處理機的控制器和功率電子器件的現代用電設備的使用，又提高了對電能質量的要求。因此，電能質量的研究成為一個熱點問題。

電能質量問題主要為電能質量擾動和諧波問題。電能質量擾動主要包括短時電壓波動(電壓暫升、電壓暫降和中斷)、電壓下陷、電磁暫態脈衝和振盪。在電能質量檢測中，常用的方法包括傅立葉變換法、小波變換法、數學形態學等。傅立葉變換具有計算量小、適用範圍廣、計算穩定可靠等優點，因此得到了廣泛的套用，但傅立葉變換在套用中也經常遇到一些問題，如對工頻穩態分量進行處理時，大大削弱了對畸變信號的檢測能力，無法滿足現代電力系統快速保護的要求。由於實際套用中不可能用無限窗，故存在頻譜泄露等問題。小波分析法是近些年興起的一種方法， 用小波分析方法可準確檢測出信號的奇異點，從而檢測出擾動的位置，但其計算十分複雜、實時性不強，難以用價格低廉的硬體實現。數學形態學是近年來提出的一種從圖像處理演變而來的新方法，它利用圖像處理理論提取信號的主要特徵，而不改變其大體形狀。這種基於時域的非線性數學方法具有計算簡單、實時性強的特點，有較好的套用前景。

基於數學形態學的擾動定位方法

基於 1 階求導和形態梯度的方法

有文獻認為，擾動定位的目的在於找到採樣數據中的奇異點，因此對原始採樣數據先進性進行1 階求導，放大信號的奇異點，然 後 對 差 分 信 號 作 形 態 梯 度 變 換 ，認為其結果能反映出信號突變點(簡稱 1 階求導法)，下文以電壓暫升為例，說明這種方法的分析過程。由上到下分別為原始採樣信號、1 階求導的結果和定位結果，其中原始信號為一列添加了信噪比為50 dB 高斯白噪聲的幅值為 1 kV 的正弦信號，且在22.3 ms 時電壓上升，幅值為 1.5 kV，53.2 ms 時電壓恢復。結構元素取長度為為 4 點的扁平結構元素。

在擾動點附近出現定位脈衝。採用不同長度的結構元素重複進行仿真，從計算的數字結果可知，定位脈衝的寬度與形態結構元素的長度有關，設形態結構元素長度為 M，則定位脈衝的寬度為 M−1，且定位脈衝的位置均提前於擾動點，定位脈衝最後一點為擾動發生點的前一點，因此將檢測到的極大值的後一點作為擾動定位點。

基於形態梯度和軟閾值處理的方法

文獻借鑑小波分析中軟閾值的概念，先對帶有噪聲和各種擾動的波形求形態梯度，再對形態梯度的結果用軟閾值進行處理，再次以相同電壓暫升擾動為例說明這種方法的處理過程，結構元素取長度為 4 點的扁平結構元素。

基於 dq 分解和高帽變換的方法

此種方法的基本原理是先利用 dq 變換的平方和，得到採樣信號的幅值特性，噪聲對此種幅值提取方法的影響很大，但如果採樣信號中存在奇異點，也會在幅值提取上反映出很大的幅值變化。因此採用這種方法時必須配合去噪才能獲得穩定的幅值、實現擾動定位。為降低噪聲對擾動定位的影響，可採用軟閾值的方法對擾動定位的結果進行篩選。

基於小波包除噪的電能質量擾動檢測方法

隨著大量電力電子和精密儀器的使用，電能質量問題越來越引起人們的關注。準確、完善的電能質量監測是研究和治理電能質量的前提條件。小波變換具有良好的時頻局部化特性，能夠同時提取信號的時頻特性，是一種良好的時頻分析工具，已被廣泛地套用於電能質量監測領域。

電力系統中不可避免地存在著噪聲，電氣信號往往被淹沒在大量的噪聲信號中。這些噪聲會降低小波的檢測性能，甚至會造成檢測失效。在噪聲環境中及時準確地提取各種擾動信息已經成為電能質量監測的一個重要問題。

電能作為一種高效、清潔、可控的能源，已經得到最廣泛的套用。但隨著科技的發展，電力系統中用電負荷類型的改變和非線性負載的使用使得波形畸變、電能質量下降；而帶有基於微處理機的控制器和功率電子器件的現代用電設備的使用，又提高了對電能質量的要求。因此，電能質量的研究成為一個熱點問題。

電能質量問題主要為電能質量擾動和諧波問題。電能質量擾動主要包括短時電壓波動(電壓暫升、電壓暫降和中斷)、電壓下陷、電磁暫態脈衝和振盪。在電能質量檢測中，常用的方法包括傅立葉變換法、小波變換法、數學形態學等。傅立葉變換具有計算量小、適用範圍廣、計算穩定可靠等優點，因此得到了廣泛的套用，但傅立葉變換在套用中也經常遇到一些問題，如對工頻穩態分量進行處理時，大大削弱了對畸變信號的檢測能力，無法滿足現代電力系統快速保護的要求。由於實際套用中不可能用無限窗，故存在頻譜泄露等問題。小波分析法是近些年興起的一種方法， 用小波分析方法可準確檢測出信號的奇異點，從而檢測出擾動的位置，但其計算十分複雜、實時性不強，難以用價格低廉的硬體實現。數學形態學是近年來提出的一種從圖像處理演變而來的新方法，它利用圖像處理理論提取信號的主要特徵，而不改變其大體形狀。這種基於時域的非線性數學方法具有計算簡單、實時性強的特點，有較好的套用前景。

小波包變換能夠實現信號頻帶的均勻劃分，在任意頻率聚焦，是分析暫態電能質量擾動時頻特性的良好工具。但是電氣信號中的電磁噪聲嚴重影響了小波包的檢測特性。

有文獻提出了一種基於小波變換的除噪算法，能夠在噪聲環境中檢測各種擾動信號。大量的仿真實驗證明，該算法除噪效果良好。有文獻指出，當信噪比 SNR 降低到 35dB 時，監測的準確度保持在 74%。但是作者在套用上述算法時，發現該算法存在 2 個問題：① 當信噪比 SNR 大於 35dB時，檢測精度高，但當信噪比降低至 30dB 時，檢測的準確度大幅下降。② 當干擾噪聲是白噪聲時， 檢測效果良好， 但是當干擾噪聲是有色噪聲時，檢測精度大幅下降。小波包變換建立在小波變換的基礎上，可以實現信號頻帶的均勻劃分，具有更好的時頻特性。

小波包除噪原理及閾值選取算法

當信號發生擾動時，其 WPT(xn)的絕對值會遠大於白噪聲信號，因此可以通過設定閾值λ來實現噪聲與擾動信號的分離。如果| (W x PT n ′ > λ) |，則認為是擾動信號分量，保留；如果| (W x PT n ′ < λ) |，則認為是噪聲信號，不保留。 λ 的合理設定是信噪分離的關鍵。

小波包除噪算法中閾值λ 的設定可以借鑑小波除噪的閾值設定算法。有文獻給出了一種小波除噪的閾值選取算法，有較好的除噪效果，介紹如下：令疊加了噪聲的信號在尺度 n 的小波變換係數為 Cn，並假設

H1: C1=C2=…=CN

H2: C1=C2=…=Cn≠Cn+1≠…=CN-1=CN

假設 H1 正確，則小波變換就表示這是不含有擾動的檢測信號，即只包含有平穩信號或噪聲。另一方面，假設 H2 正確，則擾動有可能發生在 n+1的位置。

小波變換閾值λ 的設定步驟如下：（ 1）驗證假設的 H1；（ 2） H1 不成立，而 H2 成立，除去絕對值最大的小波變換係數，令 N=N-1 重新回到第（ 1）步。否則，進行第（ 3）步。（ 3） H1 成立，絕對值最大的小波變換係數就設定為閾值λ ；（ 4）用閾值λ 處理原來的小波變換係數。為驗證假設的 H1，利用 Brownian 橋式經驗公式得到一個序列 B(n/N)。

如果把上述算法中的小波變換係數 Cn 用小波包變換係數 C[m n]（ m 為小波包分解層數， n 為小波包分解的結點位置）來替代，就得到了小波包除噪的閾值選取算法。由於小波變換係數和小波包變換係數的分布不完全一樣，這樣直接得到的小波包閾值選取算法除噪效果不理想，因此，需要對算法進行改進。

算法的分析和改進

改進的 Brownian 橋式經驗公式

設定參數 c 的目的是把小波包分解係數中的擾動分量與噪聲分量分離。 c 的合理設定是選取閾值λ 的關鍵。對於噪聲信號，如果令 c≥dmax，則可以實現信號與噪聲分量的理想分離。因此，可以把噪聲信號的 dmax看作是理想的參數值 c。在此基礎上，對上述算法進行分析和改進。

改進的機率公式

由表 1 可以看出，參數 c 雖然與噪聲的方差無關，但是與採樣點數 N 有關。有文獻中利用機率的觀點求出 c N a = −1/ 2 ln / 2 。這樣設定 c 值在小波除噪算法中得到較為滿意的檢測結果。但是由於小波包分解係數與小波分解係數的分布不同，這樣的 c 值不適用於小波包除噪。對具有相同分布特性，而採樣點數不同的噪聲信號進行分析，得到採樣點數與 dmax 的關係曲線。其中， d1max=dmax×N。可以看出， d1max曲線的幅值保持在[160， 210]之間，而且不隨採樣點數的變化而變。因此，可以判斷，dmax與採樣點數成反比。因為可以把噪聲信號的 dmax看作是理想的參數值 c，因此可以設c=dmax=k/N。