基于小波包和PNN的電能質(zhì)量擾動(dòng)定位與分類

公茂法，　侯林源，　梁龍金，　司丹淼,3，　柳巖妮，　王寧

(1.山東科技大學(xué) 電氣與自動(dòng)化工程學(xué)院， 山東 青島　266590；2.特變電工股份有限公司， 新疆 昌吉　831100；3.國(guó)網(wǎng)山東電力平度供電公司， 山東 平度　266700)

?

基于小波包和PNN的電能質(zhì)量擾動(dòng)定位與分類

公茂法1，侯林源1，梁龍金2，司丹淼1,3，柳巖妮1，王寧1

(1.山東科技大學(xué) 電氣與自動(dòng)化工程學(xué)院， 山東 青島266590；2.特變電工股份有限公司， 新疆 昌吉831100；3.國(guó)網(wǎng)山東電力平度供電公司， 山東 平度266700)

根據(jù)暫態(tài)電能質(zhì)量擾動(dòng)現(xiàn)象的本質(zhì)特征，提出一種基于小波包和PNN的電能質(zhì)量擾動(dòng)定位與分類新方法。該方法利用小波包對(duì)擾動(dòng)信號(hào)進(jìn)行采樣和分解，提取小波包重構(gòu)系數(shù)并定位信號(hào)突變點(diǎn)，然后計(jì)算各頻段的能量并進(jìn)行歸一化處理，構(gòu)造能量特征向量作為PNN的輸入樣本，進(jìn)行PNN網(wǎng)絡(luò)訓(xùn)練和測(cè)試，最終實(shí)現(xiàn)不同擾動(dòng)信號(hào)的分類。Matlab仿真結(jié)果表明，該方法能夠快速、準(zhǔn)確地定位和區(qū)分?jǐn)_動(dòng)信號(hào)。

電能質(zhì)量； 擾動(dòng)信號(hào)定位； 擾動(dòng)信號(hào)分類； 小波包； PNN

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160429.1125.010.html

0　引言

隨著工業(yè)發(fā)展和全球科技進(jìn)步，電能質(zhì)量問(wèn)題越來(lái)越受到重視。這是由2個(gè)方面因素決定的：一方面，電力負(fù)荷結(jié)構(gòu)的重大調(diào)整，大量非線性、波動(dòng)性、沖擊性和不平衡性負(fù)荷的廣泛使用，導(dǎo)致電能質(zhì)量下降；另一方面，隨著計(jì)算機(jī)技術(shù)和半導(dǎo)體技術(shù)的發(fā)展，高自動(dòng)化和高智能化的電子設(shè)備對(duì)電能質(zhì)量提出了越來(lái)越高的要求[1-2]。IEEE標(biāo)準(zhǔn)中將電能質(zhì)量擾動(dòng)分為七大類，其中電力系統(tǒng)中常見(jiàn)的動(dòng)態(tài)電能質(zhì)量擾動(dòng)有電壓驟升、電壓驟降、電壓中斷、暫態(tài)脈沖和暫態(tài)振蕩。本文主要針對(duì)這5種擾動(dòng)類型進(jìn)行分析。

針對(duì)如何從擾動(dòng)信號(hào)中定位并提取擾動(dòng)特性以完成自動(dòng)分類的問(wèn)題，國(guó)內(nèi)外學(xué)者進(jìn)行了廣泛深入的研究，已提出許多可行的方法。動(dòng)態(tài)電能質(zhì)量擾動(dòng)分類包括特征提取與模式識(shí)別2個(gè)過(guò)程。其中，特征提取是對(duì)原始波形進(jìn)行變換和重構(gòu)，并從中提取有效的分類特征，較常用的有Hilbert-Huang變換[2]、FFT和STFT變換[3]、小波變換[4-5]、S變換[6]等。模式識(shí)別過(guò)程是對(duì)擾動(dòng)信號(hào)樣本進(jìn)行分類，主要方法有神經(jīng)網(wǎng)絡(luò)[7]、支持向量機(jī)[8-9]、粒子群算法[9]等。與其他變換方式相比，小波包變換時(shí)-頻表現(xiàn)更好，可自適應(yīng)地選擇相應(yīng)頻帶，高頻部分分辨率高，在提取不同頻段特征量的同時(shí)可有效定位擾動(dòng)信號(hào)。概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Networks, PNN)是一種結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練簡(jiǎn)潔的人工神經(jīng)網(wǎng)絡(luò)，較BP網(wǎng)絡(luò)訓(xùn)練過(guò)程更加簡(jiǎn)單，收斂速度更快，穩(wěn)定性更高。

本文首先選用小波包變換對(duì)原始信號(hào)進(jìn)行3層分解，利用第3尺度上高頻分解系數(shù)的模極大值點(diǎn)定位擾動(dòng)信號(hào)，并在不同頻率范圍內(nèi)提取重構(gòu)系數(shù)，構(gòu)造特征向量；然后，通過(guò)收集特征向量創(chuàng)建并訓(xùn)練PNN網(wǎng)絡(luò)；最后，利用訓(xùn)練后的PNN網(wǎng)絡(luò)對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行分類。

1　小波包和PNN算法

1.1小波包分析

小波分析作為一種時(shí)頻分析方法，具有多分辨率分析的特點(diǎn)，其在分析和處理非平穩(wěn)信號(hào)上，可以很好地展現(xiàn)出非平穩(wěn)信號(hào)最根本和最關(guān)鍵的時(shí)頻局域性質(zhì)。小波包分析能夠?qū)㈩l帶進(jìn)行多層次劃分，它在對(duì)低頻部分進(jìn)行分解的同時(shí)也對(duì)高頻部分進(jìn)一步分解，為信號(hào)提供了一種更加精細(xì)的分析方法。同時(shí)，小波包可自適應(yīng)地選擇相應(yīng)頻帶，與信號(hào)頻譜相匹配[10]。

對(duì)采樣信號(hào)S進(jìn)行3層小波包分解，小波包分解樹結(jié)構(gòu)如圖1所示，其中每層分解的低頻段用A表示，高頻段用D表示。

圖1　小波包分解樹結(jié)構(gòu)

1.2PNN算法

PNN是基于統(tǒng)計(jì)原理的一種前饋型神經(jīng)網(wǎng)絡(luò)模型，它由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來(lái)，建立在貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則的理論依據(jù)之上。PNN作為徑向基網(wǎng)絡(luò)的一種，適合于模式分類。PNN的層次模型由輸入層、模式層、求和層、輸出層共4層組成，其基本結(jié)構(gòu)如圖2所示。

圖2　PNN基本結(jié)構(gòu)

PNN的4層結(jié)構(gòu)有著不同的功能。輸入層負(fù)責(zé)接收訓(xùn)練樣本的值，再將其特征向量傳遞給整個(gè)網(wǎng)絡(luò)。模式層負(fù)責(zé)計(jì)算輸入特征向量與訓(xùn)練集中各個(gè)模式的匹配關(guān)系。模式層神經(jīng)元的個(gè)數(shù)等于各類別訓(xùn)練樣本數(shù)之和，該層每個(gè)模式單元的輸出為

(1)

式中：X為輸入向量；Wi為輸入層與模式層連接的權(quán)值；δ為平滑因子，對(duì)分類起著至關(guān)重要的作用。

求和層將屬于某一類的概率累加，按式(1)計(jì)算，從而得到擾動(dòng)信號(hào)類別的概率密度函數(shù)。輸出層是一種競(jìng)爭(zhēng)神經(jīng)元，該層的每個(gè)神經(jīng)元與一個(gè)數(shù)據(jù)類型(即擾動(dòng)信號(hào)類別)形成映射關(guān)系。

1.3小波包和PNN算法實(shí)現(xiàn)

小波與PNN相結(jié)合的算法流程如圖3所示。

圖3　小波與PNN相結(jié)合的算法流程

2　基于小波包的擾動(dòng)信號(hào)定位

采用Matlab軟件對(duì)本文選取的正常信號(hào)和5種常見(jiàn)動(dòng)態(tài)電能質(zhì)量擾動(dòng)信號(hào)建立模型，見(jiàn)表1。其中A為電壓信號(hào)峰值；ω為工頻頻率；u()為階躍函數(shù)；T為工頻周期；α，β為常系數(shù)；t1,t2,tb為常數(shù)；τ為時(shí)間系數(shù)；ωb為震蕩頻率。

表1　電能質(zhì)量信號(hào)模型

選擇穩(wěn)定、標(biāo)準(zhǔn)的工頻信號(hào)，并同時(shí)添加電壓驟降、電壓驟升、電壓中斷、暫態(tài)脈沖和暫態(tài)振蕩5種擾動(dòng)信號(hào)作為動(dòng)態(tài)電能質(zhì)量的擾動(dòng)信號(hào)進(jìn)行仿真分析，如圖4所示。在信號(hào)采樣時(shí)對(duì)每工頻周期采樣100個(gè)點(diǎn)，分解時(shí)選用db4小波函數(shù)對(duì)采樣信號(hào)進(jìn)行小波包3層分解。

利用小波包分析擾動(dòng)信號(hào)，獲得第3尺度上的信號(hào)重構(gòu)系數(shù)如圖5所示。

對(duì)原始采樣信號(hào)進(jìn)行小波包系數(shù)分解和重構(gòu)后，不同擾動(dòng)信號(hào)各個(gè)頻段和同一擾動(dòng)信號(hào)不同尺度上的重構(gòu)系數(shù)均表現(xiàn)出明顯的差異。因?yàn)閿_動(dòng)信號(hào)在除擾動(dòng)起點(diǎn)和終點(diǎn)外的時(shí)間段內(nèi)都是連續(xù)的，所以，在小波高頻尺度上，只有突變點(diǎn)才有信息。利用這個(gè)性質(zhì)可以定位擾動(dòng)的起始和終止時(shí)刻。小波分析可以計(jì)算高頻尺度上的模極大值點(diǎn)，通過(guò)確定模極大值點(diǎn)即可定位信號(hào)突變點(diǎn)。通過(guò)高頻重構(gòu)系數(shù)結(jié)點(diǎn)[3,7]的圖像可以明確定位擾動(dòng)信號(hào)。

圖4　電壓信號(hào)初始波形

(a) 結(jié)點(diǎn)[3,0]

(b) 結(jié)點(diǎn)[3,1]

(c) 結(jié)點(diǎn)[3,2]

(d) 結(jié)點(diǎn)[3,3]

(e) 結(jié)點(diǎn)[3,4]

(f) 結(jié)點(diǎn)[3,5]

(g) 結(jié)點(diǎn)[3,6]

(h) 結(jié)點(diǎn)[3,7]

3　基于小波包和PNN的擾動(dòng)信號(hào)分類方法

3.1信號(hào)能量特征向量提取

選取PNN擾動(dòng)信號(hào)特征量時(shí)，需要使得擾動(dòng)樣本在最大程度上包含其信息量，最能反映擾動(dòng)類別。同時(shí)，特征向量的構(gòu)建應(yīng)忽略一些無(wú)關(guān)量，以減小PNN規(guī)模。原始信號(hào)經(jīng)過(guò)小波包3層分解重構(gòu)后用8個(gè)頻率成分S3j(j=0,1,…,7)代表第3尺度分解8個(gè)結(jié)點(diǎn)的頻率范圍。設(shè)頻帶S3j對(duì)應(yīng)的能量為E3j，有

(2)

式中xjk(k=1,2,…,n)表示S3j的離散點(diǎn)幅值。

由于擾動(dòng)信號(hào)出現(xiàn)時(shí)，會(huì)對(duì)各頻帶內(nèi)信號(hào)的能量有較大的影響，所以，可以為元素構(gòu)造一個(gè)特征向量T：

(3)

當(dāng)能量較大時(shí)，E3j通常是一個(gè)較大的值，在數(shù)據(jù)分析上會(huì)造成不便。因此，可對(duì)向量T進(jìn)行歸一化處理，令

(4)

歸一后的向量T′為

(5)

利用式(2)、式(4)、式(5)計(jì)算擾動(dòng)信號(hào)，即可構(gòu)造8個(gè)能量特征向量，特征向量的數(shù)據(jù)均轉(zhuǎn)化為[0,1]之間的數(shù)，將其作為PNN網(wǎng)絡(luò)的輸入。選取一組計(jì)算后的能量值，見(jiàn)表2。

3.2PNN網(wǎng)絡(luò)訓(xùn)練與測(cè)試

采用Matlab函數(shù)newpnn()來(lái)創(chuàng)建PNN，建立擾動(dòng)信號(hào)分類程序，PNN調(diào)用格式：

net=newpnn(P,Q,SPREAD)

(6)

式中：P為輸入向量；Q為目標(biāo)分類向量；SPREAD為徑向基函數(shù)的擴(kuò)展速度。

表2　不同信號(hào)歸一化處理后的能量值

式(6)表明擾動(dòng)分類的準(zhǔn)確率與訓(xùn)練樣本數(shù)和參數(shù)spread值有關(guān)。將5種擾動(dòng)信號(hào)分別設(shè)置不同的信號(hào)參數(shù)，每種不同的擾動(dòng)信號(hào)都獲得20組訓(xùn)練樣本及5組測(cè)試樣本，共得到100組訓(xùn)練樣本和25組測(cè)試樣本。將所有訓(xùn)練樣本作為訓(xùn)練PNN的輸入樣本，利用測(cè)試樣本對(duì)該網(wǎng)絡(luò)進(jìn)行測(cè)試。使用100組訓(xùn)練樣本和25組測(cè)試樣本的特征向量作為輸入，用數(shù)字1—5分別代表5種不同的擾動(dòng)信號(hào)，作為分類的輸出。

利用Matlab軟件平臺(tái)對(duì)訓(xùn)練樣本進(jìn)行PNN訓(xùn)練及測(cè)試，spread值選為0.9。PNN訓(xùn)練后的分類結(jié)果及誤差如圖6所示，PNN網(wǎng)絡(luò)的測(cè)試樣本分類結(jié)果如圖7所示。

(a)分類結(jié)果(b)分類誤差

圖6PNN訓(xùn)練后的分類結(jié)果及誤差

由圖6和圖7可知，經(jīng)過(guò)訓(xùn)練，將訓(xùn)練數(shù)據(jù)輸入已經(jīng)訓(xùn)練好的PNN網(wǎng)絡(luò)中，只有5個(gè)樣本出現(xiàn)判斷錯(cuò)誤，即總的判斷準(zhǔn)確率為95%。當(dāng)通過(guò)預(yù)測(cè)樣本進(jìn)行驗(yàn)證時(shí)，只有1個(gè)樣本出現(xiàn)了判斷錯(cuò)誤，即總的判斷準(zhǔn)確率為96%。經(jīng)過(guò)訓(xùn)練后的PNN準(zhǔn)確率表明，最后得到的網(wǎng)絡(luò)可以用來(lái)對(duì)更多擾動(dòng)信號(hào)進(jìn)行分類預(yù)測(cè)。

圖7　PNN網(wǎng)絡(luò)的測(cè)試樣本分類結(jié)果

4　結(jié)語(yǔ)

針對(duì)動(dòng)態(tài)電能質(zhì)量擾動(dòng)的定位與分類問(wèn)題，首先闡述了利用小波包系數(shù)分解和重構(gòu)原始信號(hào)并在高頻尺度定位擾動(dòng)信號(hào)的方法，然后說(shuō)明了進(jìn)行擾動(dòng)信號(hào)能量計(jì)算和特征向量構(gòu)造的過(guò)程，最后介紹了通過(guò)PNN對(duì)不同特征向量(即擾動(dòng)信號(hào))進(jìn)行分類的方法。Matlab仿真結(jié)果表明，該方法是可行的，具有一定的理論意義和實(shí)踐價(jià)值。

[1]宋雪雷.基于小波變換和支持向量機(jī)的電能質(zhì)量擾動(dòng)分析方法[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2007.

[2]王暢.基于HHT的微網(wǎng)電能質(zhì)量檢測(cè)與分析[D].北京: 華北電力大學(xué), 2014.

[3]徐永海,趙燕.基于短時(shí)傅里葉變換的電能質(zhì)量擾動(dòng)識(shí)別與采用奇異值分解的擾動(dòng)時(shí)間定位[J].電網(wǎng)技術(shù), 2011, 35(8):174-180.

[4]黃振威,鄭壽森,祁新梅,等.基于db4小波變換和雙ARM Cortex-M的電能質(zhì)量分析系統(tǒng)[J].電測(cè)與儀表,2013, 50(1):83-88.

[5]劉慧芳,陳勇勝,王群,等. 基于小波變換和模糊邏輯的暫態(tài)電能質(zhì)量擾動(dòng)分類[J].電網(wǎng)技術(shù),2008,32(3): 84-87.

[6]黃南天,徐殿國(guó),劉曉勝. 基于S變換與SVM的電能質(zhì)量復(fù)合擾動(dòng)識(shí)別[J].電工技術(shù)學(xué)報(bào),2011,26(10): 23-30.

[7]王曦,畢貴紅,祖哲. 基于遞歸特性分析和BP神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)識(shí)別與定位[J].電網(wǎng)技術(shù),2012, 36(8):215-222.

[8]李志勇,吳為麟,林震宇. 基于相空間重構(gòu)和支持向量機(jī)的電能擾動(dòng)分類方法[J].電力系統(tǒng)自動(dòng)化,2007, 31(5):70-75.

[9]楊寧霞,孫皓,公政,等.一種基于PSO-SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類的新方法[J].電測(cè)與儀表,2014,51(16): 17-20.

[10]胡昌華,李國(guó)華,周濤.基于Matlab 7.x的系統(tǒng)分析與設(shè)計(jì):小波分析[M].3版.西安:西安電子科技大學(xué)出版社, 2008:33-37.

Location and classification of power quality disturbance based on wavelet packet and PNN

GONG Maofa1,HOU Linyuan1,LIANG Longjin2,SI Danmiao1,3,LIU Yanni1,WANG Ning1

(1.College of Electrical Engineering and Automation, Shandong University of Science and Technology, Qingdao 266590, China; 2.Tebian Electric Apparatus Stock Co., Ltd., Changji 831100, China; 3.State Grid Shandong Pingdu Electric Power Company, Pingdu 266700, China)

A new method of location and classification of power quality disturbance based on wavelet packet and PNN was proposed according to essential characteristics of transient power quality disturbance. The disturbance signals were sampled and decomposed by using wavelet packet to extract wavelet packet reconstructed coefficient and to locate signal saltation point, then the energy of each band was calculated and normalized, energy feature vectors were constructed as input sample of PNN for network training and testing, and finally classification of different disturbance signal was achieved. Matlab simulation results show that the method can quickly and accurately locate and classify disturbance signal．

power quality; disturbance signal location; disturbance signal classification; wavelet packet; PNN

1671-251X(2016)05-0040-05

10.13272/j.issn.1671-251x.2016.05.010

2015-12-02；

2016-03-09；責(zé)任編輯：胡嫻。

公茂法(1959-)，男，山東臨沂人，教授，碩士，主要從事電力系統(tǒng)自動(dòng)化、電力電子技術(shù)與應(yīng)用等方面的研究工作，E-mail:sdgmf@163.com。

TD611

A網(wǎng)絡(luò)出版時(shí)間：2016-04-29 11:25

公茂法， 侯林源， 梁龍金，等.基于小波包和PNN的電能質(zhì)量擾動(dòng)定位與分類[J].工礦自動(dòng)化，2016,42(5)：40-44.