劉德建，焦琛鈞，鄭曉龍

(1.西南交通大學(xué) 電氣工程學(xué)院，四川 成都 610031;2.新疆電力公司培訓(xùn)中心，新疆 烏魯木齊 830002)

一種基于多特征量的復(fù)合電能質(zhì)量擾動(dòng)自動(dòng)識(shí)別方法

劉德建1，焦琛鈞2，鄭曉龍1

(1.西南交通大學(xué) 電氣工程學(xué)院，四川 成都 610031;2.新疆電力公司培訓(xùn)中心，新疆 烏魯木齊 830002)

針對(duì)電能質(zhì)量復(fù)合擾動(dòng)識(shí)別困難的問題，提出了一種電能質(zhì)量擾動(dòng)信號(hào)識(shí)別新方法.該方法利用信號(hào)的S變換幅值矩陣和動(dòng)態(tài)測(cè)度提取的頻率特征然后結(jié)合聚類經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)擾動(dòng)信號(hào)進(jìn)行表征，并設(shè)計(jì)了一種簡單的決策樹進(jìn)行快速的識(shí)別.避免了因訓(xùn)練樣本不足引起的較大誤差，在較大程度上縮短了識(shí)別時(shí)間.仿真試驗(yàn)結(jié)果表明，該方法識(shí)別率高，抗噪能力強(qiáng)，可同時(shí)適用于單一和復(fù)合電能質(zhì)量擾動(dòng)信號(hào)的識(shí)別，可準(zhǔn)確識(shí)別16種復(fù)合擾動(dòng)在內(nèi)的24種電能質(zhì)量擾動(dòng)信號(hào).

電能質(zhì)量;擾動(dòng)識(shí)別;S變換;動(dòng)態(tài)測(cè)度;聚類經(jīng)驗(yàn)?zāi)B(tài)分解;決策樹

0 引言

近年來，電能質(zhì)量問題日益突出，治理并改善電能質(zhì)量勢(shì)在必行，其前提是必須對(duì)電能質(zhì)量進(jìn)行準(zhǔn)確監(jiān)測(cè)并做出科學(xué)分析，而如何能夠準(zhǔn)確地提取各種電能質(zhì)量擾動(dòng)信號(hào)的特征參數(shù)并識(shí)別出其類別是監(jiān)測(cè)分析的關(guān)鍵.

目前，針對(duì)電能質(zhì)量擾動(dòng)信號(hào)的識(shí)別方法有神經(jīng)網(wǎng)絡(luò)、多標(biāo)簽、支持向量機(jī)、決策樹、專家系統(tǒng)等［1－10］.但每種方法都有適合自身的特殊信號(hào)，而在信號(hào)復(fù)雜、類別較多時(shí)識(shí)別性能會(huì)大幅下降.對(duì)此，本研究擬將3種方法相結(jié)合，即，首先利用動(dòng)態(tài)測(cè)度法檢測(cè)出主要頻率點(diǎn)特征，然后利用S變換提取擾動(dòng)基頻和高頻幅值特征，再結(jié)合聚類經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)提取的2個(gè)模態(tài)特征，并設(shè)計(jì)了一種決策樹對(duì)擾動(dòng)信號(hào)進(jìn)行分類.通過以上3種特征提取方法的結(jié)合，充分利用每種方法的優(yōu)點(diǎn)進(jìn)行特征提取，克服了單一方法的不足.同時(shí)，利用本方法對(duì)8種單一擾動(dòng)和16種復(fù)合擾動(dòng)在內(nèi)的24種信號(hào)進(jìn)行了識(shí)別，試驗(yàn)結(jié)果驗(yàn)證了該方法的有效性.

1 電能質(zhì)量擾動(dòng)信號(hào)的特征提取

電能質(zhì)量擾動(dòng)信號(hào)種類繁多，參數(shù)復(fù)雜，難于獲取各種擾動(dòng)的大量實(shí)測(cè)樣本，現(xiàn)有文獻(xiàn)均采用仿真方法獲取樣本進(jìn)行相關(guān)分析研究.本研究考慮的電能質(zhì)量擾動(dòng)有，電壓尖峰、脈沖暫態(tài)、電壓中斷、電壓暫降、電壓暫升、振蕩暫態(tài)、諧波、電壓波動(dòng)，其分別用R1、R2、…、R8表示.通常，復(fù)合電能質(zhì)量擾動(dòng)信號(hào)由單一擾動(dòng)復(fù)合而來，復(fù)合擾動(dòng)中單一擾動(dòng)之間用“＆"連接，如脈沖暫態(tài)和電壓暫降復(fù)合而成的擾動(dòng)信號(hào)記為R2＆R4.本研究涉及的復(fù)合擾動(dòng)信號(hào)有R2＆R5、R2＆R4、R2＆R3、R2＆R8、R3＆R8、R4＆R8、R5＆R8、R3＆R6、R4＆R6、R5＆R6、R3＆R7、R4＆R7、R5＆R7、R7＆R2、R7＆R6、R7＆R8.

電能質(zhì)量擾動(dòng)信號(hào)數(shù)學(xué)模型仿真生成本研究所涉及的擾動(dòng)信號(hào)如表1所示.采樣頻率為3.2 kHz，信號(hào)長度為20個(gè)周波，模型中信號(hào)幅值歸一化為1.

1.1 利用動(dòng)態(tài)測(cè)度提取主要頻率點(diǎn)

對(duì)于諧波、切痕等穩(wěn)態(tài)擾動(dòng)，其頻譜特性能夠直觀地呈現(xiàn)在FFT變換所得的頻譜圖中，通過設(shè)定合適的閾值便可得到其主要頻率點(diǎn)特征，即擾動(dòng)信號(hào)中含有的主要頻率成分.但當(dāng)上述穩(wěn)態(tài)擾動(dòng)疊加暫態(tài)擾動(dòng)后，頻域特性就會(huì)受到“污染”.圖1是由Matlab產(chǎn)生的諧波+暫升復(fù)合擾動(dòng)信號(hào)，采樣頻率為3.2 kHz，即每周期采樣64點(diǎn)，其中3、5、7次諧波系數(shù)均為0.02，信噪比為40 dB.圖2為圖1中信號(hào)的頻譜圖，從圖2中可以看出，在諧波成分很弱的情況下，頻譜圖中仍然可以明顯地呈現(xiàn)出其頻率對(duì)應(yīng)的峰值，但由于暫升信號(hào)的疊加，在信號(hào)疊加的起點(diǎn)和終點(diǎn)處會(huì)出現(xiàn)突變點(diǎn)，這些突變點(diǎn)會(huì)在頻譜圖中基頻附近呈現(xiàn)出峰值，通過閾值篩選則會(huì)錯(cuò)誤地將這些頻率點(diǎn)判決為主要頻率點(diǎn).因此，本研究首先求取頻譜圖中極值點(diǎn)的包絡(luò)線而后用動(dòng)態(tài)測(cè)度法［11］檢測(cè)包絡(luò)線的主要頻率點(diǎn).

表1 電能質(zhì)量擾動(dòng)信號(hào)模型［7，11］

圖1 諧波+暫升信號(hào)

圖2 頻譜

圖3的點(diǎn)劃線為求得的圖2中頻譜的極大值包絡(luò).不難發(fā)現(xiàn)，基頻附近的峰值被篩除而有價(jià)值的峰值得以保留.對(duì)圖3中的極大值包絡(luò)求取動(dòng)態(tài)測(cè)度譜結(jié)果如圖4所示.顯然，對(duì)極大值包絡(luò)求取動(dòng)態(tài)測(cè)度后噪聲所對(duì)應(yīng)的頻率成分被削弱，主要極值點(diǎn)的動(dòng)態(tài)測(cè)度比較大，而其他點(diǎn)的動(dòng)態(tài)測(cè)度則很小.因此，只需設(shè)定一閾值便可篩選出所需的主要頻率點(diǎn).

圖3 極大值點(diǎn)包絡(luò)

圖4 動(dòng)態(tài)測(cè)度譜

利用動(dòng)態(tài)測(cè)度法提取的特征如下:

1)頻譜高頻段是否含有主要頻率點(diǎn)的特征量Nh.振蕩擾動(dòng)的振蕩頻率較高，在動(dòng)態(tài)測(cè)度譜中分布在高頻段.在尋找主要頻率點(diǎn)時(shí)，取Thr=3%，頻率分析范圍為500～1 600 Hz.如果高頻段存在主要頻率點(diǎn)，則Nh=1，否則Nh=0.

2)表征諧波頻率點(diǎn)特征量N1.閾值Thr設(shè)定為3%時(shí)，若信號(hào)中含有3、5、7次諧波成分，動(dòng)態(tài)測(cè)度譜中就會(huì)呈現(xiàn)出其對(duì)應(yīng)的主要頻率點(diǎn).特征N1表示信號(hào)中是否含有3、5、7次諧波成分，如果是，則N1=1，否則 N1=0.

3)是否含有整數(shù)倍基波頻率點(diǎn)特征N2.電壓尖峰中含有大量整數(shù)倍諧波成分，閾值Thr設(shè)定為2%，頻率分析范圍為60～500 Hz時(shí)，在檢測(cè)到的主要頻率點(diǎn)中去除3、5、7次諧波后仍含有主要頻率點(diǎn)，則N2=1，表示含有電壓尖峰，否則N2=0.

4)表征擾動(dòng)信號(hào)為單頻還是多頻信號(hào)的特征量Nf.當(dāng)信號(hào)中含有振蕩、諧波、電壓尖峰成分時(shí)動(dòng)態(tài)測(cè)度譜中就會(huì)出現(xiàn)多個(gè)主要頻率點(diǎn).若擾動(dòng)信號(hào)的動(dòng)態(tài)測(cè)度譜中只含基波成分所對(duì)應(yīng)的一個(gè)主要頻率點(diǎn)，則令Nf=0，否則Nf=1.

1.2 S變換方法的特征提取

離散S變換的結(jié)果為一復(fù)矩陣，對(duì)其矩陣中各元素求模后得 S變換模矩陣，表示為，As=A(t，w)，行向量代表信號(hào)在某頻率下的時(shí)域分布，列向量代表某時(shí)刻信號(hào)幅頻特性.S變換提取的特征如下:

1)表征基頻幅值的特征 Sav、Smin、Smax和Sstd.

定義S變換模矩陣基頻時(shí)域曲線為Vfb(t)，其表達(dá)式為，

式中:t為采樣時(shí)刻，wb為基本頻率.

S變換基頻幅值均值特征，

S變換基頻幅值標(biāo)準(zhǔn)差特征，

S變換基頻幅值最小值特征，

S變換基頻幅值最大值特征，

Sav、Smin、Smax和Sstd反應(yīng)了基頻幅值變化情況，對(duì)其設(shè)定合適的閾值區(qū)分含有電壓暫將、電壓中斷、電壓暫升等幅值變化的擾動(dòng)信號(hào).

2)S變換矩陣高頻部分最大幅值特征量SM.

在S變換模矩陣，As=A(t，w)，中取 w ＞500 Hz得一子矩陣A's，其表達(dá)式為:

1.3 EEMD方法的特征提取

EEMD是針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)中由于信號(hào)的不連續(xù)造成的模態(tài)混疊現(xiàn)象而提出的一種改進(jìn)方法，通過向信號(hào)中加入高斯白噪聲，利用其頻率均勻分布的特性使信號(hào)具有連續(xù)性，從而避免了EMD方法中的模態(tài)混疊現(xiàn)象［12］，尤其適用于復(fù)合電能質(zhì)量擾動(dòng)信號(hào)的分析.

本研究采用EEMD方法提取的特征如下:

1)EEMD分解得到的第一個(gè)模態(tài)(Intrinsic Mode Function，IMF)的瞬時(shí)幅值最大值特征量M1，由于第一個(gè)模態(tài)包含的是原始信號(hào)中頻率最高的成分，如果信號(hào)中不含脈沖成分則第一個(gè)模態(tài)為信號(hào)的噪聲成分，最大幅值遠(yuǎn)小于含脈沖時(shí)的最大幅值，如圖5～8所示.該特征用來描述擾動(dòng)信號(hào)是否為脈沖信號(hào)或復(fù)合擾動(dòng)信號(hào)中是否含有脈沖成分.

圖5 電壓波動(dòng)+脈沖暫態(tài)

圖6 電壓波動(dòng)+脈沖暫態(tài)信號(hào)第一個(gè)IMF

圖7 電壓波動(dòng)+暫升信號(hào)

圖8 電壓波動(dòng)+暫升信號(hào)第一個(gè)IMF

2)EEMD分解得到的第一個(gè)模態(tài)(IMF)各點(diǎn)取模后的幅值之和特征量M2.振蕩暫態(tài)的頻率較高，當(dāng)信號(hào)中含有振蕩暫態(tài)成分時(shí)高頻的振蕩成分也會(huì)分解到第一個(gè)模態(tài)，由于其持續(xù)時(shí)間遠(yuǎn)大于脈沖暫態(tài)，因此振蕩成分的特征量M2較大.該特征作為振蕩暫態(tài)和脈沖暫態(tài)的輔助判據(jù).

2 分類器設(shè)計(jì)

決策樹結(jié)構(gòu)具有清晰、直觀的特點(diǎn)，特別是在類別數(shù)目較大時(shí)更能體現(xiàn)其優(yōu)勢(shì)，使用決策樹結(jié)構(gòu)的關(guān)鍵是特征量的選取以及其閾值確定［13］.本研究采用決策樹對(duì)擾動(dòng)信號(hào)進(jìn)行分類，設(shè)計(jì)出的決策樹如圖9所示.對(duì)待識(shí)別的擾動(dòng)信號(hào)采用動(dòng)態(tài)測(cè)度法提取4個(gè)特征，Nf、N1、N2、Nh;采用 S 變換提取 5 個(gè)特征，SM、Sav、Smin、Smax、Sstd;采用 EEMD 提取 2 個(gè)特征 M1、M2.將這11個(gè)特征構(gòu)造成特征向量T，將T作為分類器的輸入，分類器就能自動(dòng)識(shí)別出擾動(dòng)信號(hào)的類型，具體過程如圖9所示.對(duì)本研究涉及的24種擾動(dòng)信號(hào)根據(jù)表1中的參數(shù)范圍均隨機(jī)生成200個(gè)樣本，并對(duì)每個(gè)樣本添加30 dB的高斯白噪聲，然后對(duì)各個(gè)特征進(jìn)行組合，從而確定圖9中決策樹分支結(jié)構(gòu)并對(duì)特征進(jìn)行統(tǒng)計(jì)分析，得出特征取值范圍.

對(duì)每種待分類擾動(dòng)信號(hào)提取11個(gè)特征，首先判別動(dòng)態(tài)測(cè)度法提取的頻率特征是否滿足分支②的條件，若滿足則為R1，若不滿足則繼續(xù)判別是否滿足分支①的條件，如果仍然不能滿足分支①的條件就歸類為分支③對(duì)應(yīng)的擾動(dòng)類別.這樣就將可R1之外的擾動(dòng)信號(hào)類型初步分為2大類:一類為R2/R3/R4/R5/R8/R2＆R3/R2＆R4/R2＆R5/R2＆R8/R3＆R8/R4＆R8/R5＆R8，此類擾動(dòng)信號(hào)的動(dòng)態(tài)測(cè)度譜中只有基頻對(duì)應(yīng)的一個(gè)主要極值點(diǎn)，即為單頻信號(hào);另一類為 R6/R7/R3＆R6/R4＆R6/R5＆R6/R3＆R7/R4＆R7/R5＆R7/R7＆R8/R2＆R7/R6＆R7，這些信號(hào)的動(dòng)態(tài)測(cè)度譜中含有多個(gè)主要頻率點(diǎn).然后，按照分支④～○39進(jìn)行后續(xù)分類，在上述 R2/R3/R4/R5/R8/R2＆R3/R2＆R4/R2＆R5/R2＆R8/R3＆R8/R4＆R8/R5＆R8中，當(dāng)擾動(dòng)信號(hào)中含有R2擾動(dòng)成分時(shí)，用于判別R2信號(hào)的特征M1、M2，可將含R2成分的擾動(dòng)信號(hào)進(jìn)一步分類為 R2/R2＆R3/R2＆R4/R2＆R5/R2＆R8，剩余的 R3/R4/R5/R8/R3＆R8/R4＆R8/R5＆R8歸為另一類.而 在 R6/R7/R3＆R6/R4＆R6/R5＆R6/R3＆R7/R4＆R7/R5＆R7/R7＆R8/R2＆R7/R6＆R7一大類中可通過特征Nh、M2和N1實(shí)現(xiàn)進(jìn)一步分類，將含有R6成分的擾動(dòng)信號(hào)分為 R6/R3＆R6/R4＆R6/R5＆R6，不含 R6成分的為另一類，即，R7/R3＆R7/R4＆R7/R5＆R7/R7＆R8/R2＆R7/R6＆R7.通 過 ④ ～ ⑦ 分支即把擾動(dòng)類型分為4個(gè)子類，這4個(gè)子類均可通過S變換提取的特征進(jìn)行進(jìn)一步分類，最終實(shí)現(xiàn)每種擾動(dòng)類型的自動(dòng)判別.

圖9 決策樹分類器

3 仿真測(cè)試結(jié)果

為驗(yàn)證本研究方法的準(zhǔn)確性和有效性，使用Matlab對(duì)所述24種電能質(zhì)量擾動(dòng)信號(hào)依據(jù)表1模型隨機(jī)生成測(cè)試樣本.每類信號(hào)均生成600個(gè)測(cè)試樣本，并對(duì)每類樣本中的200個(gè)分別隨機(jī)添加40、35、30 dB的高斯白噪聲，共14 400組，然后利用本研究所述方法提取特征后作為分類器的輸入檢驗(yàn)分類系統(tǒng)的準(zhǔn)確率，測(cè)試結(jié)果如表2所示.

由表2可以看出，系統(tǒng)識(shí)別準(zhǔn)確率很高，且抗噪能力強(qiáng).在噪聲改變的情況下對(duì)一些信號(hào)的識(shí)別率仍然可保持在100%，即使信噪比為30 dB的情況下，平均分類準(zhǔn)確率仍可達(dá)到98.038%.

表2 仿真測(cè)試結(jié)果

4 結(jié)論

本研究針對(duì)復(fù)合電能質(zhì)量擾動(dòng)信號(hào)難以識(shí)別，以及識(shí)別率低的問題，提出了一種基于多特征量的擾動(dòng)識(shí)別方法，即采用動(dòng)態(tài)測(cè)度法、S變換和聚類經(jīng)驗(yàn)?zāi)B(tài)分解方法3種特征提取手段，對(duì)復(fù)合電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行處理分析，同時(shí)，對(duì)信號(hào)頻率和幅值信息進(jìn)行深度挖掘，提取多個(gè)特征對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行全面表征，達(dá)到自動(dòng)識(shí)別的目的，克服了復(fù)合電能質(zhì)量擾動(dòng)信號(hào)難以識(shí)別的問題.仿真結(jié)果表明，本方法能夠準(zhǔn)確識(shí)別24種電能質(zhì)量擾動(dòng)信號(hào)且抗噪能力強(qiáng)，識(shí)別性能穩(wěn)定，并可同時(shí)識(shí)別單一電能質(zhì)量擾動(dòng)信號(hào)與復(fù)合電能質(zhì)量擾動(dòng)信號(hào).

［1］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.

［2］陳祥訓(xùn).采用小波技術(shù)的幾種電能質(zhì)量擾動(dòng)的測(cè)量與分類方法［J］.中國電機(jī)工程學(xué)報(bào)，2002，39(10):2 －7.

［3］Masoum M A S.Detection and classification of power quality disturbances using discrete wavelet transform and wavelet networks［J］.Science，Measurement＆ Technology，IET，2010，4(4):193－205.

［4］Santoso S.Power quality disturbance waveform recognition using wavelet-based neural classifier.I.Theoretical foundation［J］.Power Delivery，IEEE Transactions on，2000，15(1):222－228.

［5］Lin W M.Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM［J］.Power Delivery，IEEE Transactions on，2008，23(4):2575 －2582.

［6］王寧，李林川，賈清泉，等.應(yīng)用原子分解的電能質(zhì)量擾動(dòng)信號(hào)分類方法［J］.中國電機(jī)工程學(xué)報(bào)，2011，48(4):51－58.

［7］黃南天，徐殿國，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.

［8］趙鳳展，楊仁剛.基于S變換和時(shí)域分析的電能質(zhì)量擾動(dòng)識(shí)別［J］.電網(wǎng)技術(shù)，2006，30(15):90 －94.

［9］徐方維，楊洪耕，葉茂清，等.基于改進(jìn)S變換的電能質(zhì)量擾動(dòng)分類［J］.中國電機(jī)工程學(xué)報(bào)，2012，43(4):77－84.

［10］Jayasree T.Power quality disturbance classification using Hilbert transform and RBF networks［J］.Neurocomputing，2010，73(7):1451 －1456.

［11］陳華豐，張葛祥.基于決策樹和支持向量機(jī)的電能質(zhì)量擾動(dòng)識(shí)別［J］.電網(wǎng)技術(shù)，2013，37(5):1272 －1278.

［12］張楊，劉志剛.EEMD在電能質(zhì)量擾動(dòng)檢測(cè)中的應(yīng)用［J］.電力自動(dòng)化設(shè)備，2011，31(12):86 －91.

［13］易吉良.基于S變換的電能質(zhì)量擾動(dòng)分析［D］.長沙:湖南大學(xué)，2010.

Compound Power Quality Disturbance Automatic Identification Method Based On Multi-feature Quantity

LIU Dejian1，JIAO Chenjun2，ZHENG Xiaolong1
(1.School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，China;2.Training Center，Xinjiang Electric Power Corporation，Urumqi 830002，China)

This paper proposes a new method for power quality disturbance signal identification.Using S-transform amplitude matrix and frequency features extracted by dynamic measure method，and combining the ensemble empirical mode decomposition(EEMD)method，the new method characterizes the disturbance signals.A simple decision tree is designed for quick identification.The method avoids large errors caused due to lack of training samples，and shortens the identification time greatly.The simulation results show that the method holds high identification rate and strong anti-noise capability.The method can accurately identify twenty-four power quality disturbance signals including sixteen compound disturbance signals，as well as both single and composite power quality disturbances identification signal.

power quality;disturbance identification;S-transform;dynamic measure method;ensemble empirical mode decomposition(EEMD);decision tree

TM711

A

1004－5422(2014)01－0056－05

2014－01－25.

劉德建(1987—)，男，碩士研究生，從事電能質(zhì)量監(jiān)測(cè)分析技術(shù)研究.