一種基于多特征量的復合電能質量擾動自動識別方法

劉德建，焦琛鈞，鄭曉龍

(1.西南交通大學 電氣工程學院，四川 成都 610031;2.新疆電力公司培訓中心，新疆 烏魯木齊 830002)

一種基于多特征量的復合電能質量擾動自動識別方法

劉德建1，焦琛鈞2，鄭曉龍1

(1.西南交通大學 電氣工程學院，四川 成都 610031;2.新疆電力公司培訓中心，新疆 烏魯木齊 830002)

針對電能質量復合擾動識別困難的問題，提出了一種電能質量擾動信號識別新方法.該方法利用信號的S變換幅值矩陣和動態測度提取的頻率特征然后結合聚類經驗模態分解方法對擾動信號進行表征，并設計了一種簡單的決策樹進行快速的識別.避免了因訓練樣本不足引起的較大誤差，在較大程度上縮短了識別時間.仿真試驗結果表明，該方法識別率高，抗噪能力強，可同時適用于單一和復合電能質量擾動信號的識別，可準確識別16種復合擾動在內的24種電能質量擾動信號.

電能質量;擾動識別;S變換;動態測度;聚類經驗模態分解;決策樹

0 引言

近年來，電能質量問題日益突出，治理并改善電能質量勢在必行，其前提是必須對電能質量進行準確監測并做出科學分析，而如何能夠準確地提取各種電能質量擾動信號的特征參數并識別出其類別是監測分析的關鍵.

目前，針對電能質量擾動信號的識別方法有神經網絡、多標簽、支持向量機、決策樹、專家系統等［1－10］.但每種方法都有適合自身的特殊信號，而在信號復雜、類別較多時識別性能會大幅下降.對此，本研究擬將3種方法相結合，即，首先利用動態測度法檢測出主要頻率點特征，然后利用S變換提取擾動基頻和高頻幅值特征，再結合聚類經驗模態分解(Ensemble Empirical Mode Decomposition，EEMD)提取的2個模態特征，并設計了一種決策樹對擾動信號進行分類.通過以上3種特征提取方法的結合，充分利用每種方法的優點進行特征提取，克服了單一方法的不足.同時，利用本方法對8種單一擾動和16種復合擾動在內的24種信號進行了識別，試驗結果驗證了該方法的有效性.

1 電能質量擾動信號的特征提取

電能質量擾動信號種類繁多，參數復雜，難于獲取各種擾動的大量實測樣本，現有文獻均采用仿真方法獲取樣本進行相關分析研究.本研究考慮的電能質量擾動有，電壓尖峰、脈沖暫態、電壓中斷、電壓暫降、電壓暫升、振蕩暫態、諧波、電壓波動，其分別用R1、R2、…、R8表示.通常，復合電能質量擾動信號由單一擾動復合而來，復合擾動中單一擾動之間用“＆"連接，如脈沖暫態和電壓暫降復合而成的擾動信號記為R2＆R4.本研究涉及的復合擾動信號有R2＆R5、R2＆R4、R2＆R3、R2＆R8、R3＆R8、R4＆R8、R5＆R8、R3＆R6、R4＆R6、R5＆R6、R3＆R7、R4＆R7、R5＆R7、R7＆R2、R7＆R6、R7＆R8.

電能質量擾動信號數學模型仿真生成本研究所涉及的擾動信號如表1所示.采樣頻率為3.2 kHz，信號長度為20個周波，模型中信號幅值歸一化為1.

1.1 利用動態測度提取主要頻率點

對于諧波、切痕等穩態擾動，其頻譜特性能夠直觀地呈現在FFT變換所得的頻譜圖中，通過設定合適的閾值便可得到其主要頻率點特征，即擾動信號中含有的主要頻率成分.但當上述穩態擾動疊加暫態擾動后，頻域特性就會受到“污染”.圖1是由Matlab產生的諧波+暫升復合擾動信號，采樣頻率為3.2 kHz，即每周期采樣64點，其中3、5、7次諧波系數均為0.02，信噪比為40 dB.圖2為圖1中信號的頻譜圖，從圖2中可以看出，在諧波成分很弱的情況下，頻譜圖中仍然可以明顯地呈現出其頻率對應的峰值，但由于暫升信號的疊加，在信號疊加的起點和終點處會出現突變點，這些突變點會在頻譜圖中基頻附近呈現出峰值，通過閾值篩選則會錯誤地將這些頻率點判決為主要頻率點.因此，本研究首先求取頻譜圖中極值點的包絡線而后用動態測度法［11］檢測包絡線的主要頻率點.

表1 電能質量擾動信號模型［7，11］

圖1 諧波+暫升信號

圖2 頻譜

圖3的點劃線為求得的圖2中頻譜的極大值包絡.不難發現，基頻附近的峰值被篩除而有價值的峰值得以保留.對圖3中的極大值包絡求取動態測度譜結果如圖4所示.顯然，對極大值包絡求取動態測度后噪聲所對應的頻率成分被削弱，主要極值點的動態測度比較大，而其他點的動態測度則很小.因此，只需設定一閾值便可篩選出所需的主要頻率點.

圖3 極大值點包絡

圖4 動態測度譜

利用動態測度法提取的特征如下:

1)頻譜高頻段是否含有主要頻率點的特征量Nh.振蕩擾動的振蕩頻率較高，在動態測度譜中分布在高頻段.在尋找主要頻率點時，取Thr=3%，頻率分析范圍為500～1 600 Hz.如果高頻段存在主要頻率點，則Nh=1，否則Nh=0.

2)表征諧波頻率點特征量N1.閾值Thr設定為3%時，若信號中含有3、5、7次諧波成分，動態測度譜中就會呈現出其對應的主要頻率點.特征N1表示信號中是否含有3、5、7次諧波成分，如果是，則N1=1，否則 N1=0.

3)是否含有整數倍基波頻率點特征N2.電壓尖峰中含有大量整數倍諧波成分，閾值Thr設定為2%，頻率分析范圍為60～500 Hz時，在檢測到的主要頻率點中去除3、5、7次諧波后仍含有主要頻率點，則N2=1，表示含有電壓尖峰，否則N2=0.

4)表征擾動信號為單頻還是多頻信號的特征量Nf.當信號中含有振蕩、諧波、電壓尖峰成分時動態測度譜中就會出現多個主要頻率點.若擾動信號的動態測度譜中只含基波成分所對應的一個主要頻率點，則令Nf=0，否則Nf=1.

1.2 S變換方法的特征提取

離散S變換的結果為一復矩陣，對其矩陣中各元素求模后得 S變換模矩陣，表示為，As=A(t，w)，行向量代表信號在某頻率下的時域分布，列向量代表某時刻信號幅頻特性.S變換提取的特征如下:

1)表征基頻幅值的特征 Sav、Smin、Smax和Sstd.

定義S變換模矩陣基頻時域曲線為Vfb(t)，其表達式為，

式中:t為采樣時刻，wb為基本頻率.

S變換基頻幅值均值特征，

S變換基頻幅值標準差特征，

S變換基頻幅值最小值特征，

S變換基頻幅值最大值特征，

Sav、Smin、Smax和Sstd反應了基頻幅值變化情況，對其設定合適的閾值區分含有電壓暫將、電壓中斷、電壓暫升等幅值變化的擾動信號.

2)S變換矩陣高頻部分最大幅值特征量SM.

在S變換模矩陣，As=A(t，w)，中取 w ＞500 Hz得一子矩陣A's，其表達式為:

1.3 EEMD方法的特征提取

EEMD是針對經驗模態分解(Empirical Mode Decomposition，EMD)中由于信號的不連續造成的模態混疊現象而提出的一種改進方法，通過向信號中加入高斯白噪聲，利用其頻率均勻分布的特性使信號具有連續性，從而避免了EMD方法中的模態混疊現象［12］，尤其適用于復合電能質量擾動信號的分析.

本研究采用EEMD方法提取的特征如下:

1)EEMD分解得到的第一個模態(Intrinsic Mode Function，IMF)的瞬時幅值最大值特征量M1，由于第一個模態包含的是原始信號中頻率最高的成分，如果信號中不含脈沖成分則第一個模態為信號的噪聲成分，最大幅值遠小于含脈沖時的最大幅值，如圖5～8所示.該特征用來描述擾動信號是否為脈沖信號或復合擾動信號中是否含有脈沖成分.

圖5 電壓波動+脈沖暫態

圖6 電壓波動+脈沖暫態信號第一個IMF

圖7 電壓波動+暫升信號

圖8 電壓波動+暫升信號第一個IMF

2)EEMD分解得到的第一個模態(IMF)各點取模后的幅值之和特征量M2.振蕩暫態的頻率較高，當信號中含有振蕩暫態成分時高頻的振蕩成分也會分解到第一個模態，由于其持續時間遠大于脈沖暫態，因此振蕩成分的特征量M2較大.該特征作為振蕩暫態和脈沖暫態的輔助判據.

2 分類器設計

決策樹結構具有清晰、直觀的特點，特別是在類別數目較大時更能體現其優勢，使用決策樹結構的關鍵是特征量的選取以及其閾值確定［13］.本研究采用決策樹對擾動信號進行分類，設計出的決策樹如圖9所示.對待識別的擾動信號采用動態測度法提取4個特征，Nf、N1、N2、Nh;采用 S 變換提取 5 個特征，SM、Sav、Smin、Smax、Sstd;采用 EEMD 提取 2 個特征 M1、M2.將這11個特征構造成特征向量T，將T作為分類器的輸入，分類器就能自動識別出擾動信號的類型，具體過程如圖9所示.對本研究涉及的24種擾動信號根據表1中的參數范圍均隨機生成200個樣本，并對每個樣本添加30 dB的高斯白噪聲，然后對各個特征進行組合，從而確定圖9中決策樹分支結構并對特征進行統計分析，得出特征取值范圍.

對每種待分類擾動信號提取11個特征，首先判別動態測度法提取的頻率特征是否滿足分支②的條件，若滿足則為R1，若不滿足則繼續判別是否滿足分支①的條件，如果仍然不能滿足分支①的條件就歸類為分支③對應的擾動類別.這樣就將可R1之外的擾動信號類型初步分為2大類:一類為R2/R3/R4/R5/R8/R2＆R3/R2＆R4/R2＆R5/R2＆R8/R3＆R8/R4＆R8/R5＆R8，此類擾動信號的動態測度譜中只有基頻對應的一個主要極值點，即為單頻信號;另一類為 R6/R7/R3＆R6/R4＆R6/R5＆R6/R3＆R7/R4＆R7/R5＆R7/R7＆R8/R2＆R7/R6＆R7，這些信號的動態測度譜中含有多個主要頻率點.然后，按照分支④～○39進行后續分類，在上述 R2/R3/R4/R5/R8/R2＆R3/R2＆R4/R2＆R5/R2＆R8/R3＆R8/R4＆R8/R5＆R8中，當擾動信號中含有R2擾動成分時，用于判別R2信號的特征M1、M2，可將含R2成分的擾動信號進一步分類為 R2/R2＆R3/R2＆R4/R2＆R5/R2＆R8，剩余的 R3/R4/R5/R8/R3＆R8/R4＆R8/R5＆R8歸為另一類.而 在 R6/R7/R3＆R6/R4＆R6/R5＆R6/R3＆R7/R4＆R7/R5＆R7/R7＆R8/R2＆R7/R6＆R7一大類中可通過特征Nh、M2和N1實現進一步分類，將含有R6成分的擾動信號分為 R6/R3＆R6/R4＆R6/R5＆R6，不含 R6成分的為另一類，即，R7/R3＆R7/R4＆R7/R5＆R7/R7＆R8/R2＆R7/R6＆R7.通 過 ④ ～ ⑦ 分支即把擾動類型分為4個子類，這4個子類均可通過S變換提取的特征進行進一步分類，最終實現每種擾動類型的自動判別.

圖9 決策樹分類器

3 仿真測試結果

為驗證本研究方法的準確性和有效性，使用Matlab對所述24種電能質量擾動信號依據表1模型隨機生成測試樣本.每類信號均生成600個測試樣本，并對每類樣本中的200個分別隨機添加40、35、30 dB的高斯白噪聲，共14 400組，然后利用本研究所述方法提取特征后作為分類器的輸入檢驗分類系統的準確率，測試結果如表2所示.

由表2可以看出，系統識別準確率很高，且抗噪能力強.在噪聲改變的情況下對一些信號的識別率仍然可保持在100%，即使信噪比為30 dB的情況下，平均分類準確率仍可達到98.038%.

表2 仿真測試結果

4 結論

本研究針對復合電能質量擾動信號難以識別，以及識別率低的問題，提出了一種基于多特征量的擾動識別方法，即采用動態測度法、S變換和聚類經驗模態分解方法3種特征提取手段，對復合電能質量擾動信號進行處理分析，同時，對信號頻率和幅值信息進行深度挖掘，提取多個特征對電能質量擾動信號進行全面表征，達到自動識別的目的，克服了復合電能質量擾動信號難以識別的問題.仿真結果表明，本方法能夠準確識別24種電能質量擾動信號且抗噪能力強，識別性能穩定，并可同時識別單一電能質量擾動信號與復合電能質量擾動信號.

［1］徐永海，趙燕.基于短時傅里葉變換的電能質量擾動識別與采用奇異值分解的擾動時間定位［J］.電網技術，2011，35(8):174 －180.

［2］陳祥訓.采用小波技術的幾種電能質量擾動的測量與分類方法［J］.中國電機工程學報，2002，39(10):2 －7.

［3］Masoum M A S.Detection and classification of power quality disturbances using discrete wavelet transform and wavelet networks［J］.Science，Measurement＆ Technology，IET，2010，4(4):193－205.

［4］Santoso S.Power quality disturbance waveform recognition using wavelet-based neural classifier.I.Theoretical foundation［J］.Power Delivery，IEEE Transactions on，2000，15(1):222－228.

［5］Lin W M.Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM［J］.Power Delivery，IEEE Transactions on，2008，23(4):2575 －2582.

［6］王寧，李林川，賈清泉，等.應用原子分解的電能質量擾動信號分類方法［J］.中國電機工程學報，2011，48(4):51－58.

［7］黃南天，徐殿國，劉曉勝.基于S變換與SVM的電能質量復合擾動識別［J］.電工技術學報，2011，26(10):23－30.

［8］趙鳳展，楊仁剛.基于S變換和時域分析的電能質量擾動識別［J］.電網技術，2006，30(15):90 －94.

［9］徐方維，楊洪耕，葉茂清，等.基于改進S變換的電能質量擾動分類［J］.中國電機工程學報，2012，43(4):77－84.

［10］Jayasree T.Power quality disturbance classification using Hilbert transform and RBF networks［J］.Neurocomputing，2010，73(7):1451 －1456.

［11］陳華豐，張葛祥.基于決策樹和支持向量機的電能質量擾動識別［J］.電網技術，2013，37(5):1272 －1278.

［12］張楊，劉志剛.EEMD在電能質量擾動檢測中的應用［J］.電力自動化設備，2011，31(12):86 －91.

［13］易吉良.基于S變換的電能質量擾動分析［D］.長沙:湖南大學，2010.

Compound Power Quality Disturbance Automatic Identification Method Based On Multi-feature Quantity

LIU Dejian1，JIAO Chenjun2，ZHENG Xiaolong1
(1.School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，China;2.Training Center，Xinjiang Electric Power Corporation，Urumqi 830002，China)

This paper proposes a new method for power quality disturbance signal identification.Using S-transform amplitude matrix and frequency features extracted by dynamic measure method，and combining the ensemble empirical mode decomposition(EEMD)method，the new method characterizes the disturbance signals.A simple decision tree is designed for quick identification.The method avoids large errors caused due to lack of training samples，and shortens the identification time greatly.The simulation results show that the method holds high identification rate and strong anti-noise capability.The method can accurately identify twenty-four power quality disturbance signals including sixteen compound disturbance signals，as well as both single and composite power quality disturbances identification signal.

power quality;disturbance identification;S-transform;dynamic measure method;ensemble empirical mode decomposition(EEMD);decision tree

TM711

A

1004－5422(2014)01－0056－05

2014－01－25.

劉德建(1987—)，男，碩士研究生，從事電能質量監測分析技術研究.