電能質量擾動分析中廣義S變換算法的改進與實現

劉軍，黃純，江亞群，朱彩虹

（湖南大學電氣與信息工程學院，長沙410082）

電能質量擾動分析中廣義S變換算法的改進與實現

劉軍，黃純，江亞群，朱彩虹

（湖南大學電氣與信息工程學院，長沙410082）

基于傳統廣義S變換的電能質量擾動分析方法計算量大，不利于信號的實時檢測與分類，且存在信噪比不高時檢測精度仍較低和分類正確率不高的問題。該文對傳統廣義S變換算法進行改進并應用于電能質量擾動分析。首先，利用快速傅里葉變換估計信號頻率，縮小頻域分析范圍，大幅度節省計算時間；其次，用雙高斯窗替代傳統高斯窗，解決傳統廣義S變換檢測擾動起止時間的幅值曲線變化緩慢的問題，并通過自適應選擇雙高斯窗參數，信號變換后得到的模時頻矩陣信息更加可靠。最后，借助MatlabR2010b仿真平臺引入新的電能質量擾動指標準確估計擾動起止時間信息和依據提取有效特征信息直接分類或借助簡單的判別樹識別特定擾動，提高了分類效率和正確率。通過對12種電能質量擾動信號的分析結果，驗證了文中方法的有效性。

S變換；電能質量擾動；檢測；定位；分類

由于電力電子器件的大量使用，分布式電源并網、非線性負載增多，電網頻繁受到各類干擾，電能質量問題越來越受到關注。檢測并分類不同的電能質量問題是改善電能質量問題的一項重大措施。一般來說，檢測的關鍵在于定義合適的電能質量指標，分類需要從電能質量擾動信號中提取有效特征量，再根據特征量對擾動進行分類[1]。

傅里葉變換被廣泛應用于分析平穩信號，但在非平穩信號的分析中卻遇到了較大的局限性，因此，不適用于分析暫態電能質量擾動[4]。小波變換具有多尺度分析特性，由于受限于分解層數和小波基的選取且對噪聲敏感，不適用于處理噪聲干擾大的電氣信號[3]。數學形態學在有噪聲和信號過零點突變等情形下仍具有良好的檢測效果，其最大的缺陷在于結構元素的選取僅憑經驗，分析結果易受結構元素形狀和幅值的影響，可靠性不強[5]。聚類經驗模態分解雖然能夠自適應分解信號、抗干擾能力強，但不能普遍適用于各類擾動信號，尤其在分析諧波和間諧波時存在一定問題。當信號能量和幅頻比不符合要求時，不能完全避免模態混疊問題[6]。神經網絡具有結構簡單和問題求解能力強的優點，且對噪聲不敏感，但算法存在局部最優問題，收斂性較差，計算速度慢，可靠性有限。支持向量機具有很強的解決非線性、小樣本及高維模式識別問題的能力，但識別能力受自身參數影響較大。貝葉斯分類法需要知道確切的分布概率，而實際電網中并不能獲取確切的分布概率。模糊識別需要一定的先驗知識，但對參數選擇依賴性較強[7-8]。

本文首先對傳統廣義S變換算法進行改進得到快速自適應雙高斯廣義S變換FBGST（fastadap?tive bi-Gaussian generalized S-transform），繼而將其應用于分析12種電能質量擾動信號，引入新的電能質量擾動指標準確估計擾動起止時間信息，同時從信號變換后求模得到的模時頻矩陣中提取有效特征量，并直接分類或借助簡單的判別樹對擾動信號進行正確分類，滿足電能質量擾動分析實時性和準確性的要求，具有一定的潛在實用價值。

1 快速自適應雙高斯廣義S變換

1.1 廣義S變換

傳統廣義S變換為

式中，k為窗寬調整系數。

傳統廣義S變換離散形式為

式中：T為時域采樣間隔；N為采樣點數，f→n/()

NT,τ→iT，i=0,1,???,N-1。由式（2）可以得到復時頻矩陣，其行對應頻率，列對應時間采樣點。

1.2 頻率采樣范圍的選擇

由于傳統S變換對所有頻率點進行采樣，因此存在大量冗余計算，不利于實時分析電能質量擾動信號。

合適的頻率采樣范圍是快速計算的決定性因素。對信號進行快速傅里葉變換，基于最大噪聲功率取閾值為0.01，幅值小于0.01的頻率點忽略[12]。設u（n）為長度為N的輸入時域信號，對其進行快速傅里葉變換得

1.3 自適應雙高斯窗原理

S變換的時間分辨率是一個降解的時間分辨率。用于電能質量擾動檢測時，擾動起止時間幅值曲線變化緩慢，不利于快速準確定位擾動起止時間。文獻[9]提出雙高斯S變換，由兩個半高斯窗構成不對稱的雙高斯窗，特別是當窗口的不對稱性隨著頻率的增加而減小時，雙高斯S變換對擾動時間定位準確率更高。高斯窗與雙高斯窗時域圖如圖1所示。雙高斯窗時域表達式為

依據測不準原理，式（4）和式（5）中雙高斯窗提高了時間分辨率同時也減小了頻率分辨率。為了提高頻率分辨率，引入誤差函數得到修正后的雙高斯窗頻域表達式為

為了更好地控制窗口的形狀，提高時頻能量聚集度，文中將雙高斯中引入新的參數集。廣義S變換（GST）定義為

式中P={r,α,β,γ}，廣義高斯窗函數引入3個新的參數，窗函數標準差的表達式修改為

廣義雙高斯窗函數在時域的表達式為

式中：α、β定義窗寬度變化模式；γ決定窗寬度變化速率；r為窗寬度因子。

圖2為相對于參數集P變化的高斯窗形狀，窗的形狀變化自適應地為每一個采樣頻率獲得較高能量集中的時間-頻率分布。

2 FBGST算法

對廣義S變換離散形式進行傅里葉變換得到

A的另一種表達形式為

估算出上式中的CM值后，返回式（17）改變參數集P，直到求得的最小值，得到，最終達到減少計算量的目的。

3 電能質量擾動信號檢測與分類

本文利用Matlab依據文獻[7，11]提供的擾動信號模型生成12種擾動信號，擾動幅值做歸一化處理，取采樣頻率為1 000Hz，基頻為50Hz，采樣點數為500個。

3.1擾動信號檢測

傳統電能質量擾動指標將復雜的時頻信號量化為一個數，容易被誤解和誤用，無法準確分析非平穩信號的時變頻譜[2]。本文引入一個新的指標來估計擾動信號相對于基頻的總體偏差百分比來分析擾動起止時間，該指標得到的波形是一條能準確直觀追蹤暫態擾動信號的曲線。

式中：n為采樣時間點；f1為基頻；G為最大的諧波次數。

本文以電壓暫降擾動信號為例驗證FBGST算法有助于解決傳統廣義S變換檢測擾動信號起止時間幅值曲線變化緩慢，兩種算法檢測結果對比見圖3，從圖中可以看出本文算法得到的時間幅值曲線下降和上升斜率的絕對值明顯大于傳統廣義S變換。

借助MatlabR2010b仿真平臺得到12種擾動信號及特征信息IHDR，見圖4。其中，圖4（a）～（l）中上面部分為原始信號，下面部分為特征信息IH?DR。以電壓暫降、電壓暫升、電壓中斷為例將傳統廣義S變換與FBGST算法檢測起止時間的精確度進行對比，詳細參數如表1所示。對表1中具體數據分析可知，FBGST算法對擾動時間定位準確性有明顯的提高，尤其是起始擾動時間。此外，本文方法也適用于擾動信號變化幅度檢測，其結果見表4。由表4可以看出本文方法的檢測擾動信號變化幅度精度較高。

表2是計算環境為core i3 CPU 2.53GHz，2GB RAM，windows XP，MatlabR2010b的不同采樣點數用傳統GST和FBGST算法運行時間對比，可以看出FBGST運行時間遠小于傳統GST，當采樣點數N= 213時，傳統GST運行時間需132.746 s，而FBGST計算時間不到0.1 s。

3.2 擾動信號分類

本文考慮12種電能質量擾動信號，令每種擾動信號的參數在允許的范圍內隨機變化，每種信號隨機產生200個樣本，共2 400個樣本，文中從信號FB?GST算法變換求模得到的模時頻矩陣中提取多個特征量，經多次重復實驗得到如下4個有效特征量。

（1）X1為信號經FBGST算法變換求模得到的模時頻矩陣每列標準差的最大值。

（2）X2為信號經FBGST算法變換求模得到的模時頻矩陣基頻自相關的最大值。

（3）X3為信號經FBGST算法變換求模得到的模時頻矩陣平方根的最大值。

（4）X4為信號經FBGST算法變換求模得到的模時頻矩陣每行標準差的最小值。

式中：max、min、std和abs分別為Matlab中用于計算最大值、最小值、標準差和絕對值的函數；FSM為信號經FBGST算法變換后得到的復時頻矩陣。

3.2.1 無噪電能質量擾動分類

統計特征量X1～X4，對其詳細數據進行分析可知，當特征值X1＜0.06時可以區分出暫降加中斷；當特征值X3＜0.701 0時可以區分出電壓缺口；當特征值X4＜0.006 3時可以區分出電壓中斷。首先搜索是否滿足以上4個條件，若滿足直接分類，否則通過圖5所示判別樹來識別。本文提出的電能質量擾動自動分類流程簡單可靠，如圖6所示。

3.2.2 有噪電能質量擾動分類

為了驗證本文提出的電能質量擾動自動識別系統的實用性，給2 400個無噪隨機樣本加入均值為0的白噪聲，產生信噪比分別為15 dB、25 dB、35 dB的擾動信號。應用本文提出的電能質量擾動自動分類系統，其結果見表3。

由表3可知，當信噪比分別為15 dB、25 dB、35 dB時，分類正確率很高，均大于95%，在信噪比為35 dB時接近99%，驗證了本文提出的電能質量擾動分類系統具有對噪聲不敏感的優點，這將是電能質量擾動信號分類的一個較好的選擇。如果提高采樣頻率，減小噪聲干擾，可進一步提高分類準確度，限于篇幅筆者不再贅述。

4 結語

本文對傳統廣義S變換算法進行了改進得到快速自適應雙高斯廣義S變換，并將其用于分析電能質量擾動信號。該方法基于傅里葉頻譜分析結果合理選取頻域分析范圍，減小了計算量，并通過雙高斯窗和自適應選取窗函數參數提高了檢測擾動起止時間精度，引入新的電能質量擾動指標準確估計擾動起止時間信息。從信號經FBGST變換得到的模時頻矩陣中提取統計特征量，并直接分類或借助簡單的判別樹，實現12種電能質量擾動信號的自動分類，省去人工智能方法的訓練過程所需時間和因受自身參數影響引起的誤差。仿真分析結果表明，本文方法能夠實時準確自動檢測與分類電能質量擾動，具有潛在的實用價值。

[1]林海雪（Lin Haixue）.現代電能質量的基本問題（Main problem ofmodern power quality）[J].電網技術（Power System Technology），2001，25（10）：5-12．

[2]HeydtCT，JewellW T.Pitfallsofelectric powerquality in?dices[J].IEEE Trans on Power Delivery，1998，13（2）：570-578．

[3]張秀娟，徐永海，肖湘寧（Zhang Xiujuan，Xu Yonghai，Xiao Xiangning）.電能質量擾動小波變換檢測與識別方法的發展（Developmentofwavelet-transform-based pow?er quality disturbance detection and identification）[J].電力自動化設備（Electric Power Automation Equipment），2003，23（9）：67-71．

[4]Heydt G T，Fjeld P S，Liu C C，et al.Applications of the window FFT to electric power quality assessment[J].IEEE Transon Power Delivery，1999，14（4）：1411-1416．

[5]凌玲，徐政（Ling Ling，Xu Zheng）.基于數學形態學的動態電能質量擾動的檢測與分類方法（Mathematicalmor?phology based detection and classification of dynamic power quality disturbances）[J].電網技術（Power System Technology），2006，30（5）：62-66．

[6]張楊，劉志剛（Zhang Yang，Liu Zhigang）.EEMD在電能質量擾動檢測中的應用（Application of EEMD in power quality disturbance detection）[J].電力自動化設備（Elec?tric Power Automation Equipment），2011，31（12）：86-91.

[7]馮宇，唐軼，石延輝，等（Feng Yu，Tang Yi，Shi Yanhui，etal）.電能質量分析與參數估計的研究方法綜述（Sur?vey on researchmethod of power quality analysis and pa?rameter estimate）[J].電力系統及其自動化學報（Pro?ceedingsof the CSU-EPSA），2010，22（3）：78-85．

[8]黃南天，徐殿國，劉曉勝（Huang Nantian，Xu Dianguo，Liu Xiaosheng）.基于S變換與SVM的電能質量復合擾動識別（Identification of power quality complex distur?bancesbased on S-transform and SVM）[J].電工技術學報（Transactions of China Electrotechnical Society），2011，26（10）：23-30．

[9]Pinnegar C R，Mansinha L.The bi-Gaussian S-transform [J].SIAM Journal on Scientific Computing，2002，24（5）：1678-1692．

[10]Djurovic I，Sejdic E，Jin Jiang.Frequency-based window width optimization for S-transform[J].AEU-International Journalof Electronicsand Communications，2008，62（4）：245-250．

[11]王晶，沈月月，翁國慶，等（Wang Jing，Shen Yueyue，Weng Guoqing，etal）.廣義S變換在電能質量擾動識別中的應用（Application ofgeneralized S-transform in pow?er quality disturbances analysis）[J].電力系統及其自動化學報（Proceedings of the CSU-EPSA），2010，22（6）：57-61．

[12]Biswal M，Dash P K.Detection and characterization of multiple power quality disturbances with a fast S-trans?form and decision tree based classifier[J].Digital Signal Processing，2013，23（4）：1071-1083．

[13]Biswal M，Dash P K.Estimation of time-varying power quality indiceswith an adaptivewindow-based fastgener?alized S-transform[J].IETScience，Measurement&Tech?nology，2012，6（4）：189-197．

[14]汪洋，徐方維，陳禮頻，等（Wang Yang，Xu Fangwei，Chen Lipin，etal）.基于改進S變換的電壓暫降起止時刻檢測（Voltage sag starting-endingmoment detection based on improved S-transform）[J].電力系統及其自動化學報（Proceedingsof the CSU-EPSA），2014，26（7）：28-33．

[15]吳兆剛，李唐兵，姚建剛，等（Wu Zhaogang，LiTangbing，Yao Jiangang，etal）.基于小波和改進神經樹的電能質量擾動分類（Power quality disturbance classification based on a wavelet and improved neural tree）[J].電力系統保護與控制（Power System Protection and Control），2014，42（24）：86-92．

Im proved Generalized S-transform Algorithm for Power Quality Disturbances Analysis and Its Im plementation

LIU Jun，HUANGChun，JIANGYaqun，ZHUCaihong
（College of Electricaland Information Engineering，Hunan University，Changsha 410082，China）

As the power quality disturbances analysis based on traditional generalized S-transform（GST）is of large amount of calculation，it is not conductive to the real time detection and classification of signals.Moreover，and there exist problems including low precision detection and low classification accuracy when the signal-to-noise ratio is not higher enough.In this paper，the traditionalGST algorithm is improved and applied to the analysis ofpower quality dis?turbances.Firstly，fast Fourier transform is used to estimate signal frequency，narrow the range of frequency domain analysis，and saves the computation time obviously.Secondly，considering that the disturbance amplitude curve chang?es slowly at the startand stop timewhen using the traditional S transform，bi-gaussian window isused instead of tradi?tionalGaussian window，and an adaptive parameter selection window function is used to obtain the analogmatrix infor?mationmore reliably after transformation.Finally，with the aid ofMatlabR2010b simulation platform，a new index is in?troduced to accurately estimate the startand stop time information of disturbances，extracteffective features to conduct classification directly，or identify particular disturbancesbymeansofsimple discrimination tree，which improves theef?ficiency and accuracy of classification.Through the analysis results of 12 kinds of power quality disturbance signals，the effectivenessof the proposedmethod is verified.

S-transform；powerquality disturbance；detection；positioning；classification

TM933

A

1003-8930（2017）03-0035-07

10.3969/j.issn.1003-8930.2017.03.006

劉軍（1988—），男，碩士研究生，研究方向為電氣信號檢測。Email：190147168@qq.com

2014-04-08；

2016-04-28

國家自然科學基金資助項目（51677060）

黃純（1966—），男，通信作者，博士，教授，研究方向為電能質量分析與控制。Email：yellowpure@hotmail.com

江亞群（1971—），女，博士，副教授，研究方向為電能質量分析、檢測與控制。Email：yaqunjiang@21cn.com