一種采用二維形態(tài)學(xué)降噪的電能質(zhì)量復(fù)合擾動識別方法
【專利摘要】本發(fā)明是一種采用二維形態(tài)學(xué)濾波的擾動信號識別方法，其特征是，包括電能質(zhì)量擾動信號采集、對擾動信號開展多分辨率快速S變換、二維形態(tài)學(xué)降噪、擾動信號特征提取和設(shè)計(jì)決策樹分類器對樣本進(jìn)行分類等步驟，具有科學(xué)合理，簡便易行，無需訓(xùn)練，實(shí)時(shí)性好，能夠滿足現(xiàn)場應(yīng)用要求，抗噪聲能力強(qiáng)，識別準(zhǔn)確率高等優(yōu)點(diǎn)。
【專利說明】一種采用二維形態(tài)學(xué)降噪的電能質(zhì)量復(fù)合擾動識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明是一種采用二維形態(tài)學(xué)降噪的電能質(zhì)量復(fù)合擾動識別方法，應(yīng)用于高噪工 業(yè)環(huán)境下的電能質(zhì)量暫態(tài)擾動自動分類及定位、設(shè)備狀態(tài)在線監(jiān)測及評估以及電能質(zhì)量治 理。

【背景技術(shù)】
[0002] 隨著近年來電力電子設(shè)備的廣泛應(yīng)用與分布式電源的大量接入，電能質(zhì)量問題的 影響日益突出。電能質(zhì)量暫態(tài)擾動的精確識別是電能質(zhì)量擾動治理與電能質(zhì)量分析的前提 與基礎(chǔ)，近年來國內(nèi)外研宄者針對擾動識別做出大量工作，取得了良好的識別效果。但是， 現(xiàn)有擾動識別方法的準(zhǔn)確率易受噪聲干擾，部分分類器過于復(fù)雜，實(shí)時(shí)性低，不能滿足實(shí)際 工業(yè)環(huán)境需求。在高噪聲環(huán)境下，對持續(xù)時(shí)間較短的擾動信號（特別是暫態(tài)振蕩信號）識 別準(zhǔn)確率下降明顯。此外，由于分布式可再生能源大量接入，高次諧波（40次以下）作為光 伏、風(fēng)電等分布式電源接入的重要電能質(zhì)量指標(biāo)，也列入需要監(jiān)控分析的范疇。由此，導(dǎo)致 諧波含振蕩類型復(fù)合擾動中振蕩成分與諧波成分在不同頻域均存在交叉。因此，不能簡單 的通過不同頻域特征，將諧波含振蕩復(fù)合擾動簡單視為不同頻域內(nèi)的單一擾動識別。需要 對諧波含振蕩類型的復(fù)合擾動的精確識別進(jìn)一步深入研宄。
[0003] 現(xiàn)有的一種方法，S變換（S-transform，ST)及其改進(jìn)形式被廣泛應(yīng)用于擾動信 號特征提取，并取得了較好的效果。ST通過采用高斯窗函數(shù)，在不同頻率范圍內(nèi)獲得不 同的時(shí)-頻分辨率，滿足提取不同時(shí)-頻特征的需要。但是ST運(yùn)算的時(shí)間復(fù)雜度與空間 復(fù)雜度很高，如果處理高采樣率擾動信號時(shí)，效率較低；現(xiàn)有的另一種快速S變換（Fast S-transform，F(xiàn)ST)方法，通過選取主要頻率點(diǎn)或擾動頻率點(diǎn)，并且只針對選定頻率進(jìn)行傅 里葉快速逆變換（inverse fast Fourier transform，IFFT)，以降低運(yùn)算量與空間復(fù)雜度。 但是，針對高噪環(huán)境下的擾動信號主要頻率點(diǎn)選擇欠佳，同時(shí)，由于暫態(tài)振蕩的頻域分布于 廣泛的高頻范圍，且持續(xù)時(shí)間短，擾動能量小，在高噪聲環(huán)境下，難以通過對信號FFT譜分 析得到其頻域分布，因此，現(xiàn)有FST方法尚不能完全滿足擾動信號的識別需要；現(xiàn)有的又一 種廣義S變換（Generalized S-Transform，GST)方法，在處理不同類型的擾動信號識別過 程中，通過改變窗寬調(diào)整因子，可以得到更具針對性的時(shí)-頻分辨率，進(jìn)一步提升S變換的 特征表現(xiàn)能力，但GST需要根據(jù)原始信號的快速傅里葉變換（Fast Fourier Transform， FFT)的譜特征進(jìn)行初步分析，確定窗寬調(diào)整因子，因此，一定程度上增加了分類算法的復(fù)雜 度。同時(shí)，由于電力系統(tǒng)中存在大量更加復(fù)雜的復(fù)合擾動，如諧波含暫降等。復(fù)合擾動中存 在的不同成分識別所需的時(shí)-頻分辨率往往存在一定矛盾。如諧波含暫降類型復(fù)合擾動中 的諧波成分分析需要更高的頻率分辨率，而暫降成分分析則需要更高的時(shí)間分辨率，因此， GST尚不能滿足復(fù)合擾動的識別要求。
[0004] 在暫態(tài)擾動分類器設(shè)計(jì)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊專家系統(tǒng)、決策樹等方 法都已經(jīng)應(yīng)用于擾動信號識別。從分類效率、實(shí)現(xiàn)難易程度等直接影響分類系統(tǒng)實(shí)際工業(yè) 應(yīng)用的角度比較，決策樹方法具有較明顯優(yōu)勢，其結(jié)構(gòu)簡單，分類效率高，不需訓(xùn)練。但決策 樹的分類效果取決于特征的選擇與分類閾值的確定。由于噪聲干擾，不同噪聲水平下的決 策樹各節(jié)點(diǎn)最優(yōu)分類閾值不同，很難設(shè)計(jì)滿足不同噪聲水平的決策樹分類系統(tǒng)。同類研宄 成果一般只能應(yīng)用于信噪比較高的環(huán)境下。因此，降低噪聲干擾是提高決策樹方法可應(yīng)用 性的重要前提。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是，對現(xiàn)有技術(shù)進(jìn)行實(shí)質(zhì)性改進(jìn)和創(chuàng)新，提供一種科學(xué)合理，簡便易 行，無需訓(xùn)練，實(shí)時(shí)性好，滿足現(xiàn)場應(yīng)用要求，具有抗噪聲能力強(qiáng)，識別準(zhǔn)確率高的采用二維 形態(tài)學(xué)降噪的電能質(zhì)量復(fù)合擾動識別方法。
[0006] 本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)：一種采用二維形態(tài)學(xué)降噪的電能質(zhì)量 復(fù)合擾動識別方法，其特征是，它包括以下步驟：
[0007] 1)電能質(zhì)量擾動信號采集
[0008] 利用變電站中的故障錄波器及二次設(shè)備對相關(guān)擾動信號進(jìn)行采集和記錄，鑒于實(shí) 測信號不能完全覆蓋全部電能質(zhì)量現(xiàn)象類型與參數(shù)范圍，查閱國家標(biāo)準(zhǔn)《GB/T 12325-2008 電能質(zhì)量供電電壓偏差》、《GB/T 15543-2008電能質(zhì)量三相電壓不平衡度》、《GB/T 12326-2008電能質(zhì)量電壓波動和閃變》、《GB/T 14549-1993電能質(zhì)量公用電網(wǎng)諧波》，通過 MATLAB 7. 0軟件數(shù)學(xué)模型仿真生成不同信噪比環(huán)境下覆蓋所有參數(shù)范圍的完整的樣本用 于訓(xùn)練與測試分類與畸變監(jiān)測方法的有效性；
[0009] 2)對擾動信號開展多分辨率快速S變換
[0010] 綜合考慮現(xiàn)有擾動特征分布情況，通過從ST基頻與高頻頻域用于提取特征，保留 原始信號FFT變換后的基頻與部分高頻頻域變換結(jié)果進(jìn)行IFFT，以降低ST的算法復(fù)雜度， 并根據(jù)特征表現(xiàn)需要，獲得在不同頻率范圍具有不同時(shí)-頻分辨率的多分辨率快速S變換， 亦為MFST，
[0011] MFST的離散表達(dá)為：

【權(quán)利要求】
1. 一種采用二維形態(tài)學(xué)降噪的電能質(zhì)量復(fù)合擾動識別方法，其特征是，它包括以下步 驟： 1) 電能質(zhì)量擾動信號采集 利用變電站中的故障錄波器及二次設(shè)備對相關(guān)擾動信號進(jìn)行采集和記錄，鑒于實(shí)測 信號不能完全覆蓋全部電能質(zhì)量現(xiàn)象類型與參數(shù)范圍，查閱國家標(biāo)準(zhǔn)《GB/T12325-2008 電能質(zhì)量供電電壓偏差》、《GB/T15543-2008電能質(zhì)量三相電壓不平衡度》、《GB/T 12326-2008電能質(zhì)量電壓波動和閃變》、《GB/T14549-1993電能質(zhì)量公用電網(wǎng)諧波》，通過 MATLAB7. 0軟件數(shù)學(xué)模型仿真生成不同信噪比環(huán)境下覆蓋所有參數(shù)范圍的完整的樣本用于 訓(xùn)練與測試分類與畸變監(jiān)測方法的有效性； 2) 對擾動信號開展多分辨率快速S變換 綜合考慮現(xiàn)有擾動特征分布情況，通過從ST基頻與高頻頻域用于提取特征，保留原始 信號FFT變換后的基頻與部分高頻頻域變換結(jié)果進(jìn)行IFFT，以降低ST的算法復(fù)雜度，并根 據(jù)特征表現(xiàn)需要，獲得在不同頻率范圍具有不同時(shí)-頻分辨率的多分辨率快速S變換，亦為 MFST， MFST的離散表達(dá)為：
其中，T為采樣間隔，N為采樣點(diǎn)數(shù)，&為基頻，μBF為基頻的高斯窗寬因子，μHF為高 頻窗寬調(diào)整因子，Vh^3保留高頻頻域最小頻率值，VHH為保留高頻頻域最大頻率值，k和 nx為計(jì)算的流程控制參數(shù)， 采用基頻特征識別擾動，需要更高的時(shí)間分辨率，即變換結(jié)果準(zhǔn)確體現(xiàn)基頻幅值變化 情況，因此，處理基頻的高斯窗寬因子yBF，選擇較小Ubf= 〇. 1，高頻窗寬調(diào)整因子μHF選 擇yHF= 5,根據(jù)所選特征要求，VHL= 701Hz,VJffl=IOOOHz; 3) 二維形態(tài)學(xué)降噪 二維形態(tài)學(xué)降噪分為兩部分：閾值降噪和灰度圖像開運(yùn)算降噪， a) 閾值降噪 當(dāng)采用MFST處理含噪聲擾動信號時(shí)，需要對時(shí)-頻矩陣先進(jìn)行閾值濾波處理： 設(shè)閾值為△，矩陣內(nèi)第i行、j列的時(shí)-頻點(diǎn)幅值為fH(Xi,yP; 如果faUi,yj)彡Δ，貝Ij濾波后的時(shí)-頻點(diǎn)幅值為fH'（Xi,y」）=〇;否貝1」，fH'（Xi,y」）= fH (Xi，Yj)， 經(jīng)統(tǒng)計(jì)實(shí)驗(yàn)，濾波閾值取0. 02pu，PU即標(biāo)幺值； b) 灰度圖像開運(yùn)算降噪 在閾值濾波后的MFST模時(shí)頻矩陣高頻部分fH中，VΗ?= 701Hz，Vffl= 1000Hz，振蕩與 噪聲成分呈縱向帶狀分布，且時(shí)域?qū)挾容^窄；諧波能量呈橫向分布，時(shí)域?qū)挾容^寬，因此，采 用角度為〇的線段結(jié)構(gòu)元，保證濾波效果前提下，盡量減少濾波運(yùn)算復(fù)雜度， 線段結(jié)構(gòu)元的大小根據(jù)電能質(zhì)量信號時(shí)域分布特點(diǎn)確定，高頻頻域內(nèi)的震蕩信號和噪 聲信號時(shí)域分布特性不同，高頻震蕩一般維持〇. 5周波以上，時(shí)域分布相對較寬；而噪聲時(shí) 域分布很窄；諧波信號分布時(shí)域?qū)挾茸顚挘虼?，結(jié)構(gòu)元寬度應(yīng)小于閾值濾波后振蕩時(shí)-域 分布寬度，且大于噪聲時(shí)域分布寬度，由于仿真實(shí)驗(yàn)信號采樣率5KHz，在統(tǒng)計(jì)實(shí)驗(yàn)基礎(chǔ)上， 最終確定結(jié)構(gòu)元為線段型O角度結(jié)構(gòu)元，長度為25 ; 4)擾動信號特征提取 在通過MFST與二維形態(tài)學(xué)降噪處理后，從原始信號、原始信號FFT譜、MFST基頻幅值 曲線和MFST高頻矩陣中提取6條特征，組成六維特征向量盧用于識別擾動信號，
六維特征向量組/中各元素意義如下： a) Sign1為電壓波形的總諧波畸變率或單次諧波電壓含有率是否超過國家標(biāo)準(zhǔn)《GB/ T14549-1993電能質(zhì)量公用電網(wǎng)諧波》中的規(guī)定值
其中，THD為總諧波畸變率；HRUh為第h次諧波電壓含有率;Mh-一第h次諧波分量的 方均根值;M1-一基波分量方均根值；Kh-一第h次諧波電壓兼容水平； b) Sign2為基頻對應(yīng)幅值最小值是否大于規(guī)定值
其中，Antlmin為基頻幅值曲線的最小值； c) Sign3為基頻對應(yīng)幅值最大值是否小于規(guī)定值
其中Antlmax為基頻幅值曲線的最大值； d) σSTD為基頻對應(yīng)幅值標(biāo)準(zhǔn)差； 其中，AnCI(t)為基頻幅值向量，N為采樣點(diǎn)數(shù)，〇STI^基頻向量所有幅值元素的標(biāo)準(zhǔn)差， e)D(R)為信號1/4周期能量跌落幅度
其中，R(m)是原始信號各個(gè)1/4周期的均方根值，亦為RMS，Rtl為1/4周期無噪聲標(biāo)準(zhǔn) 電能質(zhì)量信號RMS f) 為形態(tài)學(xué)去噪后，fH各個(gè)頻率所對應(yīng)幅值的均方差的平均值
其中，S'（t，j)指形態(tài)學(xué)去噪后的MFST高頻矩陣，?為fH各個(gè)頻率所對應(yīng)幅值的均 方差的平均值； 5)設(shè)計(jì)決策樹分類器對樣本進(jìn)行分類 采用決策樹實(shí)現(xiàn)擾動信號的自動識別，所識別的電能質(zhì)量信號包括含噪聲標(biāo)準(zhǔn)信號C0、電壓暫降C1、電壓暫升C2、電壓中斷C3、閃變C4、諧波C5、諧波含暫降C6、諧波含暫升 C7、諧波含閃變C8、暫態(tài)振蕩C9、暫降含振蕩C10、暫升含振蕩C11、閃變含振蕩C12、諧波含 振蕩C13,決策樹閾值確定以統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果分類準(zhǔn)確率最高為衡量指標(biāo)。
【文檔編號】G01R31/00GK104459398SQ201410740863
【公開日】2015年3月25日 申請日期:2014年12月8日 優(yōu)先權(quán)日:2014年12月8日
【發(fā)明者】黃南天, 蔡國偉, 張衛(wèi)輝, 張書鑫 申請人:東北電力大學(xué)