電能質量擾動識別

電能質量擾動會導致設備過熱、電機停轉、保護失靈以及計量不準等嚴重後果，造成嚴重的經濟損失和社會影響。然而隨著社會的發展和生活水平的提高，越來越多對電能質量敏感的電力電子設備投入使用，對電能質量提出了越來越高的要求。電能質量擾動的準確識別，能為電能質量的管理和治理提供輔助決策，可提高供電質量。

基本介紹

• 中文名：電能質量擾動識別
• 外文名：Identificationof power quality disturbance

實際電網中往往同時存在多種電能質量擾動，對這些擾動信號不僅要實現快速檢測，還需要準確識別，這就需要對各種擾動進行正確的分類。而監測到的電能質量數據往往十分龐大，因此實現各種擾動快速準確的自動分類，已成為電能質量分析領域研究的熱點問題。

目前，套用於電能質量擾動識別的智慧型方法主要有小波變換、模糊技術、多維分型、人工神經網路、支持向量機（ Support Vector Machines, SVM）等。人工神經網路是分類識別的重要方法，具有結構簡單和求解問題能力強的優點，但是它存在算法局部最優問題，訓練時間較長，易發生過擬合等缺點。模糊技術通過簡單明了的“ IF-THEN”形式的知識規則形成判斷，識別效率較高，但由於許多電能質量擾動，例如諧波、振盪、電壓波動等，很難建立“ IF-THEN”這樣的明顯知識規則，因此限制了模糊技術的運用。支持向量機是建立在統計學習VC 維理論和結構風險最小原理基礎上的識別方法，有效地解決了小樣本、高維數、非線性等的學習問題，並克服了人工神經網路學習合理結構難以確定和存在局部最優等缺點，大大提高了學習方法的泛化能力。目前支持向量機已廣泛套用於人臉識別、故障分類、非線性系統建模和辨識等領域，在電力領域主要套用於系統負荷預測、故障診斷以及擾動識別等領域。

文獻利用多級支持向量機進行分類，需構建 N-1 個兩類 SVM 分類樹對 N 類電能質量擾動信號進行分類。而利用多類支持向量機進行分類，則只需構建一個 N 類多類分類器，有利於減少訓練時間，提高分類效率。

多類分類支持向量機原理

支持向量機最先是針對兩分類問題提出的，目標是從已知樣本中推出一個函式來，對兩類對象進行分類。而實際問題經常需要在多類（ n>2）之間作出判斷，因此需要將SVM推廣到多分類問題上。

利用兩類分類的方法，利用下列步驟構造一個n 類分類器：（ 1）構造 n 個兩類分類規則，其中規則fk (x ), k =1, , n " 將第 k 類的訓練樣本與其他訓練樣本分開（若向量xi 屬於第 k 類，則 sign[ f k (xi )] = 1 ，否則 sign[ f k (xi )] = −1）。（ 2）通過選取 f k (x) 中最大值所對應的類別：m = arg max{ f1(xi ),", fn (xi )} （ 1）構造出一個 n 類分類器。

基於多類 SVM 的電能質量擾動識別

電力系統中有許多種電能質量擾動信號，包括電網諧波、電壓波動、電壓驟降和電壓驟升、電壓中斷、暫態振盪等。基於多類支持向量機的電能質量擾動識別過程，包括電能質量擾動信號的建模、特徵提取、 SVM 分類三個步驟構成。

1 電能質量擾動信號的數學模型建立

根據 IEEE 對各類電能質量擾動的定義，通過 Matlab 程式用代數方程隨機生成電壓驟升、 電壓驟降、電壓中斷、諧波、電壓波動、暫態振盪、瞬時脈衝、頻率偏差擾動這八種擾動信號的參考信號和測試信號。在實際電力系統中的電壓信號總是受到不同程度噪聲影響，因此在以上八種電能質量擾動信號模型中疊加信噪比SNR=50 db 的高斯隨機白噪聲，用以驗證支持向量機算法的魯棒性。

2 特徵提取

電能質量擾動的分類是一個模式識別問題。在模式識別中，被觀測的每個對象稱為一個樣本，對每個樣本必須確定一些與識別有關的因素，作為研究的根據，每個因素稱為一個特徵。因此如何提取具有代表性而又有效的成分作為特徵向量是模式識別的關鍵內容。目前，對暫態振盪、驟升驟降等電能質量擾動波形的特徵還沒有統一認識，選擇以下幾個特徵量進行分類：基波分量（Vn ）、相角偏移（ an ）、總諧波畸變率（THDn ）、低頻諧波畸變率（ TSn ）、小波係數能量 （EWn）。

通過 Matlab 程式對採樣後的擾動波形進行傅立葉變換，提取基波分量、相角偏移、總諧波畸變率、低頻諧波畸變率的特徵向量；採用小波對擾動信號進行兩尺度小波變換提取特徵向量-小波係數能量。

3 基於多類 SVM 的電能質量擾動分類

osu_svm是Ohio State University的Yi Zhao和Los Alamos National Lab的Junshui Ma在台大林智仁教授的LIBSVM基礎上開發的SVM軟體，該軟體可以解決兩類分類、多類分類以及回歸等問題，而且osu_svm是基於Matlab界面，可以方便地在Matlab環境下調用，是SVM最常用的軟體。

基於 SVM 的電能質量擾動分類具體流程：1） 建立訓練資料庫和測試資料庫。訓練數據和測試數據要同時構造，隨機抽取。2） 數據歸一化。 將特徵輸入量歸一化到一個小的範圍，一般為[-1 +1]或者[0 1]範圍。3）選擇 SVM 的核函式及各參數。4）利用訓練資料庫的樣本對 SVM 進行訓練，得到訓練模型。5) 輸入測試數據，利用訓練好的模型進行分類，得到分類結果-分類正確率。

近年來,電能質量問題日益受到電力部門和用戶的重視。許多輸電和配電系統都增加安裝了電能質量監測設備,而採用人工方法對這些監測設備收集到的巨量數據進行處理,效果不佳。因此有必要對各種電能質量擾動自動進行分類識別。目前大部分檢測和識別系統主要採用了傅立葉變換川、dq變換川或者小波變換,然後採用ANN進行擾動的自動識別。另外也有運用模糊技術、快速匹配川和專家系統川等方法實現擾動自動識別,並取得較好效果。人工神經網路具有簡單的結構和很強的問題求解能力,是分類識別的重要方法。小波變換擴展的S變換結合了連續小波變換CWT和短時傅立葉變換STFT的優秀思想,有很好的時頻特徵。

1特徵提取

通過對S變換結果slm,n〕進行數據處理和特徵提取:

(1)頻域的最大3個波峰值及對應頻率;

(2)基頻域最大波峰值差超過標準值10%的持續時間;

(3)基波幅度曲線上的最大4個波峰值及對應時刻;

(4)基波幅度曲線上的波動次數。

2網路訓練

根據幾種電能質量擾動的特點,採用高斯人工神經網路進行樣本的分類訓練和識別。網路採用單隱含層的三層BP神經網路。網路訓練時,每種電能質量擾動輸出向量中除了本類型對應分量為1,其他分量均為O,即正弦信號對應輸出為[1000〕,諧波輸出為[o100],電壓波動輸出為〔001叼,電壓凹陷輸出為[1000〕。

3網路測試

通過S變換檢測和特徵提取,得到測試樣本,輸人到訓練好的ANN,根據輸出結果進行分類識別。4個輸出量的第一到第四個分量依次代表正弦、諧波、電壓波動和凹陷的特徵強度,值最大者即為輸人電能質量擾動的類型。「abcd」中如果a為最大,則認為是正弦信號;b最大則是諧波,依次類推,最終識別所有樣本的擾動類型。