基于S變換和模糊KNN的暫態電能質量擾動分類

王燕

摘 要：該文提出了基于S變換和KNN的暫態電能質量擾動分類的識別方法。首先應用S變換對暫態擾動信號進行時頻分析，從信號的S變換得到相應S變換模時頻矩陣，并對時頻矩陣進行分析，從中提取出8個有效特征量，再由特征量組成的特征向量輸入模糊KNN算法分類器中，完成對擾動信號的智能分類。該文用Matlab7.0軟件產生了6種常見暫態電能質量擾動信號類型，并進行了相應的分類。仿真結果表明，該方法結構簡單，所需特征量少，并能準確的對擾動類型進行辨識。

關鍵詞：暫態電能質量擾動 分類 S變換 模糊KNN

中圖分類號：TM71 文獻標識碼：A 文章編號：1672-3791（2015）03（a）-0004-02

Abstract：This paper proposed a new method to classify transient powerquality disturbances using S transform and K-nearestneighbor classifier.First，S-transform was applied to perform time-frequency analysis on thepower quality disturbance signals，and the S-transform mode time-frequency matrix was achieved from the S-transform，and we got 8 valid features extracted from the matrix， then the feature vectors who consisted of the former features were input into the Fuzzy KNN classifier to perform the disturbing signals intelligent classification.This paper utilized matlab7.0 to generate 6 kinds of common transient power quality disturbance signals，and accomplish the corresponding classification.The result showed that the structure of the proposed method was simple，the number of the needed features was few and it was doing well in classifying these types of transient powerquality disturbances.

Key words：Transient power quality disturbance；Classification；S-transform；Fuzzy KNN

暫態電能質量擾動問題成為電力部門和用戶近年來密切關注的問題，擾動問題會造成敏感負載不能正常運行，損壞電力電子設備，微處理器智能設備重啟和保護失靈等嚴重后果[1-2]。對各種電能質量擾動進行準確的識別是控制和治理電能質量問題的基本前提。

小波變換由于具有良好的時頻特性被廣泛用于電能質量擾動信號的特征提取，但小波變換的結果缺乏直觀性，存在頻譜泄露及易受噪聲影響，且母小波系數難以確定等問題。而短時傅里葉變換存在需要選擇窗口類型和寬度及窗口寬度固定等缺陷，在電能質量分析中的使用也收到限制[3-4]。S變換作為小波變換和算式傅里葉變換的繼承和發展，S變換采用高斯窗函數且寬度與頻率的倒數成正比，其結果具有直觀性且不易受噪聲影響。S變換的結果為一個復時頻矩陣，其中包含幅值，頻率和相位等分布信息，非常適合進行電能質量擾動信號的特征提取。KNN（K-Nearest Neighbor）是一種理論上比較成熟的算法，具有結構簡單，訓練速度快等優點，模糊K最近鄰算法（Fuzzy KNN）是將模糊理論與K最近鄰法相結合的一種改進算法。該文用Matlab7.0仿真6種常見電能質量擾動信號，提出了基于S變換的特征提取算法，并結合模糊KNN算法分類器的暫態電能質量擾動的自動分類。

1 S變換基本原理

S是一種時頻可逆分析方法，其思想是對連續小波變換和短時傅里葉變換的發展。

信號h（kT）經過S變換得到一個復時頻矩陣，記為S矩陣，其列元素對應時間采樣點，行元素對應頻率采樣點。將S矩陣各個元素求模后得到的矩陣為S模時頻矩陣，其列向量表示信號某一時刻的幅值隨頻率變換的分布，其行向量表示信號某一頻率處的幅值隨時間變化的分布，因此S模時頻矩陣某位置元素的大小就是相對應的頻率和時間處信號S變換的幅值大小[4]。

N點信號的S變換經上述計算步驟會得到N2點（N行N列）的S變換值，但由于傅里葉變換具有共軛對稱性，完成S變換需要做N/2+1次N點的快速傅里葉變換，故S變換模時頻矩陣為N/2+1行和N列矩陣。

2 基于S變換的電能質量擾動信號檢測分析

根據文獻[4]中的擾動信號的數學模型，用Matlab7.0仿真產生6種類型的信號：S1—理想電壓信號、S2—暫降電壓信號、S3—暫升電壓信號、S4—電壓中斷信號、S5—暫態振蕩信號和S6—短時諧波信號。其中工頻頻率為50Hz，除高頻振蕩信號其他信號的采樣頻率fs=1 000，即每周波采樣20個點，共采樣50個周波，而高頻振蕩信號的采樣頻率為fs=3 200，為了更好的模擬實際情況，各種擾動信號的幅值參數，擾動時刻起止參數，擾動持續時間參數及頻率參數等隨機產生。通過S變換得到模時頻矩陣，并由行向量包絡線和列向量包絡線分別得到相應的時域和頻域特性曲線。

S變換能夠直觀的表示出各種擾動信號的時頻特性。對于電壓暫降，電壓中斷時域特性曲線中幅度先下降后回升且后者的下降幅度更大，電壓暫升信號時域特性曲線幅度先上升后下降。上升和下降的時刻，持續時間與它們相對應的擾動起止時刻，擾動持續時間一致，并且它們在頻域特性曲線中只有一個波峰點，說明只含有工頻頻率。而對于高頻振蕩信號和短時諧波信號其時域特性曲線基本保持不變，并且在基波及諧波處存在波峰。

3 擾動信號的特征提取

根據對擾動信號時頻特性曲線的分析，從S變換的模時頻矩陣中分別對每種擾動信號提取8個自動識別所需的特征量，特征量為：基頻幅值均值F1、基頻幅值中幅值大于標準值105%的采樣點個數F2（標準幅值M=0.4959）、基頻幅值中幅值小于標準值95%的采樣點個數F3、基頻幅值中幅值小于標準值10%的采樣點個數F4、頻率包絡線波峰個數F5、行向量極大值時間包絡線中提取大于等于3倍基頻的均值F6、時域包絡線標準差F7、頻譜的標準差F8。

從定性分析中得知，特征1可以將理想電壓信號、暫態振蕩信號和短時諧波信號與電壓暫升、電壓暫降和電壓中斷區分開；特征2、特征3和特征4可以將電壓暫升同電壓暫降、電壓中斷區分開；特征5和特征6可以將短時諧波信號與暫態振蕩信號同其他擾動信號區分開；特征7和特征8可以將短時諧波和暫態振蕩信號同其他信號區分開。

4 模糊K最鄰近法（Fuzzy K-Nearest Neighbor）

KNN算法是取未知樣本的K個近鄰，這K個近鄰中的多數屬于哪一類，就把歸為哪一類。假定有3個樣本集和1個未知樣本，假定K=5，在距離最近的5個訓練樣本中，3個屬于，1個屬于，1個屬于，根據KNN決策規則，將其歸為類別 。

但當學習樣本類別分布不均的時候，如果僅考慮排序后的K個最近鄰而忽視樣本間的不同距離，勢必會降低KNN的分類精度，模糊k最近鄰算法（Fuzzy KNN）就是將模糊理論與K最近鄰法相結合的一種監督學習技術，它有效解決了上述問題，它將未知樣本與k個最近鄰的距離模糊化，并為每個類別都設置了相應的隸屬度，而不像KNN那樣簡單的將未知樣本的歸類定為“屬于”或者“不屬于”。

5 仿真結果與分析

用MatlaB7.0軟件共產生600個訓練樣本（每種信號100個），每種信號再產生20個測試樣本。表1為每種信號的分類正確率及總體分類正確率。

從仿真的結果分析，本文提出的方法可以將上述6種信號有效的進行識別分類，對于每種擾動信號都有很高的識別率。

6 結語

該文用Matlab7.0仿真了6種不同的常見典型信號，并通過S變換對信號進行了數據處理得到相應的模時頻矩陣，從中提取8個有效特征量。并結合FKNN分類器，對6種信號進行智能分類，FKNN作為一種監督學習技術，將對每一個未知樣本進行相同的算法處理，且由于其算法不是迭代過程，因此也不存在不收斂的現象。在m=2，k=3時FKNN對6種電能質量信號總體識別率達98.3%，分類效果較好。

參考文獻

[1] 付娟，周漢勇，姜勤.基于S變換的暫態電能質量擾動檢測與仿真[J].電力系統保護與控制，2009，37（21）：86-90.

[2] Bhends CN，Mishra S，Panigrahi BK.Detection and classification of power quality disturbances using S-transform and modular neural network[J].IEEE Transactions on Power Delivery，2008，23（1）：122-128.

[3] 李新華.基于S變換和徑向基神經網絡的暫態電能質量擾動識別[J].電力系統自動化，2011.

[4] Kaewarsa S.Classification of power quality disturbances using S-transform based artificial neural networks[J]. Intelligent Computing and Intelligent Systems（ICIS），2009（1）：566-570.