基于EEMD的HHT在電能質量多擾動分類識別中的應用

曹玲芝 劉俊飛 鄭曉婉

?

基于EEMD的HHT在電能質量多擾動分類識別中的應用

曹玲芝 劉俊飛 鄭曉婉

（鄭州輕工業學院，鄭州 450002）

現有的電能質量擾動分類識別方法對電能質量多擾動的分類準確性和識別能力較低，本文提出了將基于聚類經驗模態分解（EEMD）的希爾伯特—黃變換（HHT）應用于電能質量多擾動的分類識別方法。它依據電能質量多擾動信號就是在電能基波上疊加不同頻率和不同幅值波形的特性，首先利用EEMD對含擾動信號分解得到信號的固有模態函數（IMF），濾除殘余噪聲后，將得到的IMF分量作為特征值對擾動進行分類，再對IMF進行Hilbert變換得到其瞬時頻率和瞬時幅值，瞬時頻率的突變點反映電能質量擾動的起止時刻，瞬時幅值反映電能質量擾動的幅度，根據對突變點的觀測實現對各個擾動的準確識別。Matlab仿真分析結果表明，該方法能夠準確的對電能質量多擾動的擾動類型進行分類，并確定電能質量各個擾動信號的時間、幅值和頻率。

電能質量多擾動；希爾伯特-黃變換；聚類經驗模態分解

電能質量擾動的分類識別一直是電能質量問題研究的核心課題，近年來研究電能質量擾動識別的方法越來越多，大部分學者主要使用小波變換法[1-4]、短時傅里葉變換[5-6]、S變換[7-9]、數學形態學等數學理論及其他方法[10-15]對擾動信號進行分析，取得了大量的研究成果，能夠對電能質量的單一擾動進行準確的分類識別，只有少部分學者針對兩種同類擾動進行疊加研究[16]，研究對象與實際電能質量擾動信號差距太大，研究成果實用性不強。因此，研究一種能夠同時對電能質量中疊加的多種擾動進行分類識別的方法，對電能質量問題的研究具有重要的意義。

針對此問題，本文利用HHT的自適能力和精確識別能力，同時為了解決HHT過程中經驗模態分解（EMD）造成的模態混疊和過零點失效現象，提出了用基于EEMD的HHT方法對電能質量多擾動進行分類識別的方法。由于EEMD方法是按照頻率由高到底的順序將信號分解成不同的IMF，所以對IMF去噪后，每一個IMF就是一種頻率的擾動特征成分（由于頻率相同，電壓中斷、暫降、暫升仍存在與基波中），根據IMF的波形以及對IMF進行Hilbert變換后得到的瞬時頻率和瞬時幅值波形，可以對擾動信號進行準確分類識別。仿真結果表明，該方法可以對復合擾動進行準確識別分類，并根據對IMF分量的Hilbert變換，在時間和幅值上準確地對各種擾動進行定位定量的描述。

1 電能質量擾動的分類和特征

目前電能質量擾動分類識別研究中主要的研究對象為諧波、電壓中斷、暫態脈沖、暫態震蕩、電壓暫升和電壓暫降。本文按照擾動時參數突變的不同性質對這些擾動進行了劃分，確定了兩種擾動類型，分別為加性擾動和幅值擾動，見表1。其中加性擾動由于其頻率與基波頻率不同，按照EEMD按頻率由高到低分解原則，可以將加性擾動的特征分量分解到不同的IMF中；而幅值擾動由于其頻率與基波頻率相同，在進行EEMD分解時，不能將其分解為單獨的IMF分量，其擾動特征仍包含于基波IMF分量中，通過Hilbert變換得到基波IMF分量的瞬時頻率和瞬時幅值進行分類識別。

表1 電能質量擾動類型的分類

2 基于EEMD的HHT方法原理

HHT方法的關鍵是EMD，它能使復雜信號分解為有限個IMF，所分解出來的各IMF分量包含了原信號的不同時間尺度的局部特征信號。但是EMD在分解的過程中存在嚴重的模態混疊問題，在同一個IMF中包含有不同時間特征尺度的特征分量，無法對擾動進行有效地分類識別。

針對EMD的模態混疊問題，Zhaohua Wu和N. E. Huang等人提出了EEMD方法。EEMD的分解過程如下[17]：

1）添加高斯白噪聲到目標信號。

2）用EMD法將添加后的信號分解為IMF。

3）重復步驟1和2，但每次添加的白噪聲是隨機的。

4）將每次分解的IMF做均值后，作為最后的分解結果。

為了更好的提取信號的擾動特征，引入瞬時頻率和瞬時幅值對擾動進行分析。首先對得到的IMF分量進行Hilbert變換：

對變換后的信號進行反變換，即

（2）

（4）

瞬時頻率為

本文將基于EEMD的HHT方法應用于多擾動信號的識別問題，首先對待檢測信號做EEMD分解處理，對得到的若干個IMF分量給出適當的閾值進行篩選并進行信號的重構，即得到單一成分的信號，此時對該單一信號進行希爾伯特變換，再根據變換后得到的信號的瞬時幅值、瞬時頻率描繪的圖譜對其擾動類型進行分析。

3 電能質量多擾動分類識別仿真分析

利用Matlab軟件對表1中的幾種電能質量擾動進行疊加，并通過本文提出的方法進行分類識別的仿真。為了驗證本文方法對多擾動的有效性和準確性，分別對2個、3個和5個擾動信號進行仿真。

3.1 暫態震蕩和暫態脈沖復合擾動

Matlab編程產生暫態脈沖和暫態震蕩信號，設置基波信號頻率為=50Hz，暫態震蕩發生的時間區間為0.16～0.17s，震蕩頻率z=500Hz，震蕩幅度為0.8V；暫態脈沖發生的區間為0.19～0.191s，脈沖幅度為1.5V，采樣頻率為s=8kHz。仿真波形如圖1所示。

由圖1（a）可以看出，IMF1為原始信號中含有暫態震蕩和暫態脈沖擾動部分，圖1（b）中暫態震蕩和暫態脈沖的檢測參數見表2。

（a）原始信號和EEMD分解圖

（b）IMF1信號的Hilbert變換

圖1 震蕩和脈沖信號HHT仿真分析

表2 暫態振蕩和脈沖信號參數檢測結果

3.2 電壓暫降、電壓中斷、暫態震蕩復合擾動

設定基波信號頻率=50Hz，電壓中斷時間為0.08～0.12s，暫降時間為0.16～0.24s，暫降幅度為0.5p.u.，暫態震蕩時間為0.16～0.17s，震蕩頻率z=500Hz，震蕩幅值為0.8V，采樣頻率為8kHz。仿真波形如圖2所示。

（a）原始信號和EEMD分解圖

（b）IMF信號的Hilbert變換

圖2 暫降、中斷和震蕩信號HHT仿真分析

在圖2（a）中，IMF1為原始信號中的高頻震蕩信號，IMF2為原始信號中的低頻部分。對IMF1 和IMF2進行Hilbert變化，由圖2（b）的瞬時頻率和瞬時幅值確定各擾動的參數見表3。

表3 電壓暫降、暫態振蕩和脈沖信號參數檢測結果

3.3 諧波、電壓暫降、暫態震蕩和暫態脈沖復合擾動

仿真參數設置如下：在信號中加入3次和5次諧波，諧波幅值為0.2V，電壓暫降開始時間為0.16s，結束時間為0.24s，暫降幅度為0.5p.u.，震蕩開始時間為0.16s，結束時間為0.17s，震蕩頻率500Hz，幅值為0.8V，脈沖開始時間為0.25s，結束時間為0.251s幅值為1.5V，采樣頻率為8000Hz。HHT仿真波形如圖3所示。

圖3（a）中，IMF1為原始信號高頻的暫態震蕩和暫態脈沖分量，IMF2為疊加的5次諧波分量，IMF3為3次諧波分量，IMF4為基波的暫降分量，圖3（b）、（c）為圖3（a）中各個分量進行Hilbert變換得到的瞬時幅值和瞬時頻率圖。

（a）原始信號EEMD分解圖

（b）IMF信號的Hilbert變換

（c）IMF信號的Hilbert變換

從圖3中可以確定各個擾動發生的時間，見表4。

表4 諧波、暫降、暫態振蕩和脈沖信號參數檢測結果

分析圖1、圖2、圖3可知，EEMD具有較好的模態分析能力，能夠把每一個符合擾動特征的擾動量分離出來，實現對多擾動的有效分類。對比表2、表3、表4，本方法對電壓暫降（暫升）、電壓中斷和諧波的檢測定位誤差很小，誤差值剛好為一個采樣間隔。而噪聲的影響對暫態震蕩和暫態脈沖的檢測誤差相對較大，但也保持在2個采樣間隔內。

4 結論

本文依據電能質量多擾動信號是由基波信號與各個擾動信號疊加而成的特性，提出了用EEMD方法對多擾動信號按照特征時間尺度進行分解，并將分解得到的IMF進行Hilbert變換引入瞬時頻率和瞬時幅值對擾動特征進行分析。該方法具有以下特點：

1）該方法是對傳統HHT方法的改進，用于電能質量的多擾動分析中，能夠有效的避免各個擾動之間的模態混疊問題。

2）通過本文對目前電網中幾種最常見擾動進行疊加的仿真分析，該方法可以有效的對多擾動中包含的諧波、電壓暫降（暫升）、電壓中斷、暫態震蕩、暫態脈沖等擾動的疊加電能質量信號進行特征提取，并準確分類識別。

對電能質量多擾動的分類識別準確性并不受疊加擾動的個數影響。

[1] 王林泓, 陳學昌. 基于雙密度雙樹小波變換的電能質量擾動識別方法[J]. 電測與儀表, 2012, 49(8): 18-21, 26.

[2] 關維國, 姚清志, 高陽, 等. 基于db4小波的配電網暫態電能質量擾動的檢測與定位[J]. 電力系統保護與控制, 2015, 43(8): 102-106.

[3] 黨克, 張超. 基于小波分析的諧波電流檢測[J]. 電氣開關, 2015, 53(6): 39-41, 45.

[4] 雷汝海, 郝震. 基于小波變換Mallat算法的電網諧波檢測方法[J]. 工礦自動化, 2014, 40(12): 65-69.

[5] 徐健, 張語勍, 李彥斌, 等. 短時傅里葉變換和S變換用于檢測電壓暫降的對比研究[J]. 電力系統保護與控制, 2014, 42(24): 44-48.

[6] 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.

[7] 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, 32(4): 77-84.

[8] 張志禹, 滿蔚仕, 郗壘, 等. 快速S變換在電能質量分析中的應用[J]. 電網技術, 2013, 37(5): 1285-1290.

[9] 尹柏強, 何怡剛, 朱彥卿. 一種廣義S變換及模糊SOM網絡的電能質量多擾動檢測和識別方法[J]. 中國電機工程學報, 2015, 35(4): 866-872.

[10] 李天云, 陳昌雷, 周博, 等. 奇異值分解和最小二乘支持向量機在電能質量擾動識別中的應用[J]. 中國電機工程學報, 2008, 28(34): 124-128.

[11] 楊耿煌, 溫渤嬰. 基于量子行為粒子群優化-人工神經網絡的電能質量擾動識別[J]. 中國電機工程學報, 2008, 28(10): 123-129.

[12] 朱玲, 劉志剛, 胡巧琳, 等. 基于CWD譜峭度的暫態電能質量擾動識別[J]. 電力自動化設備, 2014, 34(2): 125-131.

[13] 陳春玲, 許童羽, 鄭偉, 等. 多類分類SVM在電能質量擾動識別中的應用[J]. 電力系統保護與控制, 2010, 38(13): 74-78.

[14] 欒佳雨, 王海瑞, 畢貴紅, 等. 非負矩陣分解方法識別電能質量擾動信號[J]. 計算機工程與應用, 2013, 49(4): 240-244, 253.

[15] 劉志剛, 王英, 范福強. 基于內稟模態奇異值偽熵特征提取的電能質量擾動識別[J]. 電力科學與技術學報, 2013, 28(2): 3-9.

[16] 沈躍, 張瀚文, 劉國海, 等. 基于判別字典學習的電能質量擾動識別方法[J]. 儀器儀表學報, 2015, 36(10): 2167-2173.

[17] Wu Z, Huang N E. Ensemble empirical mode decomposition-anoise-assisted data analysis method［R］. Calverton, USA: Centerfor Ocean-Land-Atmosphere Studies, 2005.

Classification and Recognition of Power Quality Multi-disturbance based on EEMD-HHT

Cao Lingzhi Liu Junfei Zheng Xiaowan

(Zhengzhou University of Light Industry, Zhengzhou 450002)

For the reason that existing classification and recognition methods of power quality multi-disturbance have lower classification accuracy and recognition ability, the EEMD-HHT method is introduced to classifying the power quality multi-disturbance, which is based on the characteristics of power quality multi-disturbance. Firstly, the signal was decomposed into Intrinsic Mode Function (IMF) by the EEMD. Then the noise in the components is suppressed through thresholding and reconstructing each IMF with adaptive thresholds. Finally, the instantaneous attributes and start-stop time of the power quality multi-disturbance signals can be extracted with Hilbert transform. Simulation results in matlab show that the proposed method can effectively detect, locate and analyze power quality multi- disturbance.

power quality multi-disturbances; hilbert huang transform; ensemble empirical mode decomposition

曹玲芝（1965-），女，教授，碩士生導師，從事網絡化測試技術、非線性控制理論應用方面的研究開發工作。