韓玉環(huán)，趙慶生，郭賀宏，王振起，張學(xué)軍

(1.太原理工大學(xué)電力系統(tǒng)運行與控制山西省重點實驗室，山西 太原 030024；2.國網(wǎng)晉中供電公司，山西 晉中 030600；3.山西大學(xué), 山西 太原 030006)

基于FCM的暫態(tài)電能質(zhì)量擾動識別

韓玉環(huán)1，趙慶生1，郭賀宏2，王振起2，張學(xué)軍3

(1.太原理工大學(xué)電力系統(tǒng)運行與控制山西省重點實驗室，山西 太原 030024；2.國網(wǎng)晉中供電公司，山西 晉中 030600；3.山西大學(xué), 山西 太原 030006)

提出一種應(yīng)用模糊C均值聚類(FCM)對暫態(tài)電能質(zhì)量擾動進行識別的新方法。該識別方法分層實現(xiàn)，第一層判斷信號中是否包含暫態(tài)振蕩擾動，第二層判斷是否包含暫態(tài)脈沖擾動，第三層判斷是否包含幅值擾動及綜合判斷出各種復(fù)合擾動的類型。通過與集合經(jīng)驗?zāi)B(tài)分解(EEMD)和奇異值分解方法的結(jié)合，分層提取出有效特征量，并將其作為 FCM的輸入，得到聚類中心和隸屬度矩陣。最后通過計算待測樣本與已知樣本的聚類中心的歐氏距離實現(xiàn)擾動類型識別。通過仿真分析，該分層識別方法準(zhǔn)確可行。

模糊C均值聚類算法；暫態(tài)識別；集合經(jīng)驗?zāi)B(tài)分解；奇異值分解；分層識別

0 引言

近幾年電網(wǎng)成分有了新的變化。一方面，在電源側(cè)，電網(wǎng)中間歇性能源裝機容量增加，使得電網(wǎng)中的電源出力會有一定的波動性；另一方面，在負(fù)荷側(cè)，非線性負(fù)荷的接入，這都導(dǎo)致電網(wǎng)的電能質(zhì)量下降，尤其是暫態(tài)電能質(zhì)量。暫態(tài)電能質(zhì)量問題一般持續(xù)時間較短，發(fā)生的隨機性較大，但因此產(chǎn)生的后果往往比較嚴(yán)重，且其常為復(fù)合擾動，這都導(dǎo)致識別困難。為改善暫態(tài)電能質(zhì)量，需對暫態(tài)電能質(zhì)量進行監(jiān)測和分析，而對暫態(tài)電能質(zhì)量擾動類型進行有效的識別是其重要前提條件[1]。

暫態(tài)擾動從性質(zhì)上可分為基波電壓幅值擾動和加性擾動兩類[2]?；ǚ禂_動包括電壓暫升、暫降、中斷，加性擾動有暫態(tài)振蕩、暫態(tài)脈沖，其中，振蕩頻譜特性較明顯，而脈沖暫態(tài)頻譜特性不明顯[3]。

暫態(tài)擾動信號的分類識別的關(guān)鍵是對其特征參數(shù)的提取。目前特征提取方法有：傅里葉變換、小波變換[4]、S變換[5]、HHT變換[6]等。其中，HHT變換吸取了小波變換多分辨率的優(yōu)勢，克服了小波變換中選取小波基的困難，從信號本身的尺度特征[7]出發(fā)對信號進行分解，也具有良好的局部適應(yīng)性。用于分類的方法有神經(jīng)網(wǎng)絡(luò)[8]、決策樹[9]、支持向量機[10]、專家系統(tǒng)[11]及貝葉斯分類器[12]等。這些方法可靠性高，但特征提取和添加分類器的過程十分復(fù)雜，因此尋找簡單易行的方法進行識別是非常有必要的。

FCM聚類算法是Bezde[13]在1974年提出的一種聚類分析算法，作為早期硬C均值聚類方法的一種改進，已成功應(yīng)用到模式識別、圖像處理、模糊控制和基因識別等多個領(lǐng)域。

本文將模糊C均值聚類(FCM)應(yīng)用于暫態(tài)電能質(zhì)量擾動類型識別中，利用EEMD和奇異值分解方法得到信號的有效特征向量，作為FCM的輸入，實現(xiàn)擾動類型的識別。

1 EEMD方法和奇異值分解

1.1EEMD方法

經(jīng)驗?zāi)B(tài)分解(EMD)[14]是一種自適應(yīng)時間–頻率信號分析方法，已被各領(lǐng)域?qū)W者成功用于處理各種問題。但是仍存在一些問題沒有解決。其中比較嚴(yán)重的問題為易產(chǎn)生模態(tài)混疊[6]，具體表現(xiàn)在：①一個單獨的IMF中含有全異尺度；②相同尺度出現(xiàn)在不同的IMF中。

集合經(jīng)驗?zāi)B(tài)分解(EEMD)則是針對EMD的模態(tài)混疊問題由Huang等提出的一種信號處理的新方法，在 EMD篩分過程中給信號 ()xt添加一個高斯白噪聲信號 ()wt，不同尺度的信號區(qū)域?qū)⒆詣佑成涞脚c背景白噪聲相關(guān)的適當(dāng)尺度上去，解決模態(tài)混疊問題。它不需要預(yù)先設(shè)定基函數(shù)，不僅適用于平穩(wěn)信號，也適用于非平穩(wěn)信號[15]。

EEMD[16]的具體分解步驟如下：

1) 對EMD試驗總次數(shù)M和白噪聲幅值系數(shù)進行初始化，進行EMD實驗的第一次迭代。

2) 執(zhí)行第g次EMD試驗。

① 信號 x (t)疊加一組高斯白噪聲信號 wg(t)，獲得一個總體信號：

② 對 Xg(t)進行EMD分解，得到對應(yīng)的IMF分量：

而IMF分量總個數(shù)：

式中：N為輸入信號的采樣點數(shù)；fix代表向0靠攏取整。

③ 判斷如果g

3) 由于高斯白噪聲頻譜有零均值原理，可消除高斯白噪聲作為時域分布參考結(jié)構(gòu)帶來的影響，將M次EMD試驗得到的IMF分量和剩余分量進行均值計算。

1.2 奇異值分解

奇異值分解(SVD)是線性代數(shù)學(xué)中一類重要的矩陣分解，在信號處理、統(tǒng)計學(xué)等領(lǐng)域都有重要的應(yīng)用。其可將包含樣本特征信息的矩陣分解到不同的子空間中，是一種能夠在擾動和噪聲下保持信號特征相對穩(wěn)定的特征量提取方法[17]。

一個m n′ 階實矩陣A的奇異值分解定義為

2 模糊C均值聚類(FCM)算法

模糊C均值方法是一種非監(jiān)督動態(tài)聚類方法，它是通過優(yōu)化目標(biāo)函數(shù)得到每個樣本點對所有類中心的隸屬度，從而決定樣本點的類屬以達到自動對樣本數(shù)據(jù)進行分類的目的[18]。假定是要將樣本空間分為c類，定義樣本點ix屬于第j(1 ≤ j ≤ c)類的程度為iju(0 ≤iju≤1)，如果認(rèn)為某一類樣本是樣本集合x上的一個模糊子集，它們所對應(yīng)的隸屬度矩陣就是一個模糊隸屬度矩陣，用表示，元素 uij代表第i個樣本屬于第j類的模糊隸屬度。隸屬度矩陣U具有如下性質(zhì)：

模糊C均值算法就是在以上三式的約束條件下對目標(biāo)函數(shù)fcmJ 進行優(yōu)化，即

式中：m為模糊加權(quán)指數(shù)，要求m>1； cj是所要劃分的c類中第j類的中心，是樣本點 xi到聚類中心 cj的歐氏距離。FCM 算法是采用迭代的方法來使目標(biāo)函數(shù)最小化，其迭代過程如下：

1) 設(shè)定聚類類別數(shù)c，模糊加權(quán)數(shù)m，迭代停止閾值e，迭代次數(shù)k=0以及算法最大的迭代次數(shù)kmax，按約束條件來初始化隸屬度矩陣 Uk；

2) 根據(jù)矩陣計算聚類中心[19]

3) 根據(jù)聚類中心jc更新隸屬度矩陣(1)k+U ，即

3 暫態(tài)電能質(zhì)量擾動識別

3.1 暫態(tài)電能質(zhì)量擾動信號模型

暫態(tài)電能質(zhì)量擾動類型總體來說有單一擾動和復(fù)合擾動兩類。根據(jù)文獻[20]指出的復(fù)合擾動的組合原則，本論文建立了9類典型的暫態(tài)電能質(zhì)量擾動信號模型，分別為電壓暫降、電壓暫升、電壓中斷、暫態(tài)脈沖、暫態(tài)振蕩、暫態(tài)脈沖和暫降的復(fù)合擾動、暫態(tài)脈沖和暫升的復(fù)合擾動、暫態(tài)振蕩和暫降的復(fù)合擾動以及暫態(tài)振蕩與暫升的復(fù)合擾動，其參數(shù)設(shè)置依照IEEE1159標(biāo)準(zhǔn)設(shè)定。

本文是采用Matlab生成擾動樣本信號，設(shè)定采樣頻率為 3 200 Hz，電壓的基波頻率為 50 Hz，擾動信號長度為25個周波。

3.2 暫態(tài)電能質(zhì)量擾動識別過程

EEMD方法可對信號進行分解，得到各IMF分量，每個IMF分量只包含單一的模態(tài)，這些分量從高頻到低頻排成一系列。而矩陣的奇異值對于矩陣元素的擾動變化是不敏感的，具有相對穩(wěn)定性，并可降低其維數(shù)。本文采用EEMD和SVD結(jié)合的方法提取特征量，用于擾動信號的分類識別。

1) F1、F2：EEMD方法分解得到的前兩個固有模態(tài)分量組成的矩陣的奇異值。

2) F3、F4、F5：EEMD分解得到的前三個IMF分量組成的矩陣的奇異值。

3) F6：電壓擾動信號幅值的平均值。4) F7：電壓擾動信號幅值最大值與額定值的比。5) F8：電壓擾動信號幅值最小值與額定值的比?；谀：鼵均值聚類思想，在對各類仿真信號進行特征量提取后，分層分模塊進行 FCM聚類，得到各模塊的聚類中心和聚類隸屬度。讓待測信號的特征量與對應(yīng)模塊的聚類中心進行歐幾里得距離判定，距離值小的代表待測信號屬于該聚類中心對應(yīng)的信號擾動類型，即判斷出待測信號所屬類別。

識別流程如圖1所示。其中識別流程分為三層：第一層判斷出信號是否包含暫態(tài)振蕩擾動，暫態(tài)振蕩的高頻擾動明顯，因此選擇EEMD分解得到的高頻分量IMF2、IMF3的奇異值F1、F2作為有效特征向量，以此作為FCM的輸入，將信號聚類為含暫態(tài)振蕩和不含暫態(tài)振蕩兩大類，得到兩類的聚類中心。

圖1 擾動識別原理Fig. 1 Disturbance identification schematic

第二層是在判斷出信號中不含暫態(tài)振蕩的基礎(chǔ)上，判斷信號中是否包含暫態(tài)脈沖。由于暫態(tài)脈沖雖與暫態(tài)振蕩同屬于加性擾動類中，但其頻率擾動特性不明顯，單以高頻分量為特征不能將其與幅值擾動識別開，選擇再添加幅值作為特征，因其對平均幅值的影響也不大，故易于與暫降、暫升、中斷區(qū)別開。選擇有效特征向量F1、F2、F6作為FCM的輸入，將信號聚類為含暫態(tài)脈沖和不含暫態(tài)脈沖兩大類。

第三層有三個模塊組成，一個模塊是在第一層判斷出信號中含有暫態(tài)振蕩的基礎(chǔ)上，以特征向量F3、F4、F5作為FCM的輸入，將信號聚類為單一的暫態(tài)振蕩、暫態(tài)振蕩和電壓暫降的復(fù)合擾動、暫態(tài)振蕩和電壓暫升的復(fù)合擾動三大類；一個模塊是在第二層判斷出信號中含有暫態(tài)脈沖的基礎(chǔ)上，以特征向量F3、F4、F5作為FCM的輸入，將信號聚類為單一的暫態(tài)脈沖、暫態(tài)脈沖和電壓暫降的復(fù)合擾動、暫態(tài)脈沖和電壓暫升的復(fù)合擾動三大類；還有一個模塊是在第二層判斷出信號中不含有暫態(tài)脈沖的基礎(chǔ)上，表明信號中只含幅值擾動，以特征向量F7、F8作為FCM的輸入，將信號聚類為電壓暫降、暫升、中斷三大類。

4 仿真分析

4.1 函數(shù)模塊實現(xiàn)

在Matlab平臺下，對本文9類典型暫態(tài)電能質(zhì)量擾動信號進行仿真，實現(xiàn)圖1中各模塊功能。

1) 第一函數(shù)模塊

該模塊識別出信號中是否包含暫態(tài)振蕩。

在Matlab中生成13個仿真信號，其中兩個電壓暫降信號、兩個電壓暫升信號、兩個電壓中斷信號、一個暫態(tài)脈沖信號、一個暫態(tài)脈沖和電壓暫降的復(fù)合擾動信號、一個暫態(tài)脈沖和電壓暫升的復(fù)合擾動信號、兩個暫態(tài)振蕩信號、一個暫態(tài)振蕩和電壓暫降的復(fù)合擾動信號以及一個暫態(tài)振蕩和電壓暫升的復(fù)合擾動信號。仿真信號的參數(shù)隨機設(shè)置。

基于EEMD方法和SVD方法，得到各個信號的有效特征量F1、F2，組成特征量矩陣1T。

將特征量矩陣1T輸入FCM中，得到其隸屬度矩陣1U為

2) 第二函數(shù)模塊

在確定信號中含暫態(tài)振蕩后，該模塊識別信號是單一的暫態(tài)振蕩，還是暫態(tài)振蕩和電壓暫降的復(fù)合擾動，亦或是暫態(tài)振蕩和電壓暫升的復(fù)合擾動。

在Matlab中生成9個仿真信號，其中三個暫態(tài)振蕩擾動信號，三個暫態(tài)振蕩和電壓暫降的復(fù)合擾動信號以及三個暫態(tài)振蕩和電壓暫升的復(fù)合擾動信號。仿真信號的參數(shù)隨機設(shè)置。

3) 第三函數(shù)模塊

在確定信號中不含暫態(tài)振蕩的基礎(chǔ)上，識別出信號是否包含暫態(tài)脈沖擾動。

在Matlab中生成12個仿真信號，其中三個電壓暫降信號、兩個電壓暫升信號、三個電壓中斷信號、兩個暫態(tài)脈沖信號、一個暫態(tài)脈沖和電壓暫降的復(fù)合擾動信號、一個暫態(tài)脈沖和電壓暫升的復(fù)合擾動信號。仿真信號的參數(shù)隨機設(shè)置。

同理于第一函數(shù)模塊，得到含暫態(tài)脈沖擾動的信號類型的聚類中心為不含暫態(tài)脈沖的信號類型的聚類中心為

4) 第四函數(shù)模塊

確定信號中含暫態(tài)脈沖擾動后，該模塊識別信號是單一的暫態(tài)脈沖，還是暫態(tài)脈沖和電壓暫降的復(fù)合擾動，亦或是暫態(tài)脈沖和電壓暫升的復(fù)合擾動。

在Matlab中生成9個仿真信號，其中三個暫態(tài)脈沖擾動信號，三個暫態(tài)脈沖和電壓暫降的復(fù)合擾動信號以及三個暫態(tài)脈沖和電壓暫升的復(fù)合擾動信號。仿真信號的參數(shù)隨機設(shè)置。

5) 第五函數(shù)模塊

在確定信號中不含暫態(tài)脈沖和暫態(tài)振蕩的基礎(chǔ)上，該模塊識別電壓暫降、電壓暫升、電壓中斷。

在Matlab中生成10個仿真信號，其中三個電壓暫降擾動信號，三個電壓暫升擾動信號以及四個電壓中斷擾動信號。仿真信號的參數(shù)隨機設(shè)置。

4.2 擾動識別仿真分析

為了驗證該分層識別系統(tǒng)的可行性，對18組未知樣本信號進行上述處理。下述各表中加粗部分為每個樣本的最小歐氏距離，得到對應(yīng)樣本的分類。

1) 按照處理流程，對18組待測樣本進行特征量F1、F2提取，與第一函數(shù)模塊的聚類中心進行歐幾里得距離判定，得到結(jié)果如表1所示。

2) 對1)步中測得的含暫態(tài)振蕩的待測樣本進行特征量 F3、F4、F5的提取，與第二函數(shù)模塊的聚類中心進行距離判定，得到結(jié)果如表2所示。

3) 將1)步中測得的不含暫態(tài)振蕩的待測樣本進行特征量 F1、F2、F6的提取，與第三函數(shù)模塊的聚類中心進行距離判定，得到結(jié)果如表3所示。

4) 將3)步中測得的含暫態(tài)脈沖的待測樣本進行特征量 F3、F4、F5的提取，與第四函數(shù)模塊的聚類中心進行距離判定，得到結(jié)果如表4所示。

5) 將3)步中測得的不含暫態(tài)脈沖的待測樣本進行特征量 F7、F8的提取，與第五函數(shù)模塊的聚類中心進行歐幾里得距離判定，得到結(jié)果如表5所示。

表1 待測樣本是否包含暫態(tài)振蕩擾動的判定結(jié)果Table 1 Diagnosis results of sample under test whether include transient oscillation disturbance

表2 判定出待測樣本具體是何種暫態(tài)振蕩擾動Table 2 Determine the specific type of transient oscillation disturbance samples

表3 待測樣本是否包含暫態(tài)脈沖擾動的判定結(jié)果Table 3 Diagnosis results of sample under test whether include transient pulse disturbance

表4 判定出待測樣本具體是何種暫態(tài)脈沖擾動Table 4 Determine the specific type of transient pulse disturbance samples

表5 判定出待測樣本具體是何種幅值擾動Table 5 Determine the specific type of amplitude disturbance samples

5 結(jié)論

本文根據(jù)模糊 C均值聚類思想，結(jié)合 EEMD和SVD方法提取特征量，構(gòu)建了暫態(tài)電能質(zhì)量擾動的分層識別系統(tǒng)。該系統(tǒng)成功將 FCM應(yīng)用到暫態(tài)電能質(zhì)量擾動識別中，克服了以往分類器過程過于復(fù)雜、識別速度緩慢的缺點，使得識別系統(tǒng)原理清晰，識別速度快，準(zhǔn)確率高。

實際電網(wǎng)中出現(xiàn)的暫態(tài)電能質(zhì)量構(gòu)成復(fù)雜，常伴有噪聲等因素，利用本文提出的EEMD和SVD方法可以有效提取出實際信號中的擾動特征成分，使得該系統(tǒng)能更好地適用于實際暫態(tài)電能質(zhì)量擾動信號的識別。

[1] 田振果, 傅成華, 吳浩, 等. 基于 HHT的電能質(zhì)量擾動定位與分類[J]. 電力系統(tǒng)保護與控制, 2015, 43(16): 36-42. TIAN Zhenguo, FU Chenghua, WU Hao, et al. Power quality disturbance for location and classification based on HHT[J]. Power System Protection and Control, 2015, 43(16): 36-42.

[2] 唐軼, 劉昊, 方永麗. 基于時域特征分析的電能質(zhì)量擾動分類[J]. 電力系統(tǒng)自動化, 2008, 32(17): 50-54. TANG Yi, LIU Hao, FANG Yongli. A power quality disturbance classification method based on the analysis in time domain[J]. Automation of Electric Power Systems, 2008, 32(17): 50-54.

[3] HAO Zhenghang, YAO Zhiqing, LI Shaohua, et al. The contribution of double-fed wind farms to transient voltage and damping of power grids[J]. Technical Gazette, 2015, 22(1): 43-49.

[4] 關(guān)維國, 姚清志, 高陽, 等. 基于db4小波的配電網(wǎng)暫態(tài)電能質(zhì)量擾動的檢測與定位[J]. 電力系統(tǒng)保護與控制, 2015, 43(8): 102-106. GUAN Weiguo, YAO Qingzhi, GAO Yang, et al. Transient power quality detection and location of distribution network based on db4 wavelet transform[J]. Power System Protection and Control, 2015, 43(8): 102-106.

[5] BHENDE C N, MISHRA S, PANIGRAHI B K. Detection and classification of power quality disturbances using S-transform and modular neural network[J]. IEEE Transactions on Power Delivery, 2008, 23(1): 122-128.

[6] 李天云, 趙妍, 李楠, 等. 基于 HHT的電能質(zhì)量檢測新方法[J]. 中國電機工程學(xué)報, 2005, 25(17): 52-56. LI Tianyun, ZHAO Yan, LI Nan, et al. A new method for power quality detection based on HHT[J]. Proceedings of the CSEE, 2005, 25(17): 52-56.

[7] 姚致清, 張茜, 劉喜梅. 基于PSCAD/EMTDC的三相光伏并網(wǎng)發(fā)電系統(tǒng)仿真研究[J]. 電力系統(tǒng)保護與控制, 2010, 38(17): 76-81. YAO Zhiqing, ZHANG Qian, LIU Ximei. Research on simulation of a three-phase grid-connected photovoltaic generation system based on PSCAD/EMTDC[J]. Power System Protection and Control, 2010, 38(17): 76-81.

[8] 羅新, 牛海清, 來立永, 等. 粒子群優(yōu)化自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)在帶電局放信號識別中的應(yīng)用[J]. 電工技術(shù)學(xué)報, 2014, 29(10): 327-333. LUO Xin, NIU Haiqing, LAI Liyong, et al. Application of adaptive wavelet neural network based on particle swarm optimization algorithm in online PD pattern recognition[J]. Transactions of China Electrotechnical Society, 2014, 29(10): 327-333.

[9] 趙鳳展, 楊仁剛. 基于 S變換和時域分析的電能質(zhì)量擾動識別[J]. 電網(wǎng)技術(shù), 2006, 30(15): 90-94. ZHAO Fengzhan, YANG Rengang. Power quality disturbances classification based on S-transform and timedomain analysis[J]. Power System Technology, 2006, 30(15): 90-94.

[10] 張瑾, 潘必超. 基于支持向量機高壓靜電場閃絡(luò)信號的模糊識別[J]. 電網(wǎng)與清潔能源, 2015, 31(8): 1-5. ZHANG Jin, PAN Bichao. Fuzzy recognition for flashover signal in high voltage electrostatic field based on support vector machines[J]. Power System and Clean Energy, 2015, 31(8): 1-5.

[11] 楊洪耕, 劉守亮, 肖先勇, 等. 基于S變換的電壓凹陷分類專家系統(tǒng)[J]. 中國電機工程學(xué)報, 2007, 27(1): 98-104. YANG Honggeng, LIU Shouliang, XIAO Xianyong, et al. S-transform-based expert system for classification of voltage dips[J]. Proceedings of the CSEE, 2007, 27(1): 98-104.

[12] 周雒維, 管春, 盧偉國. 多標(biāo)簽分類法在電能質(zhì)量復(fù)合擾動分類中的應(yīng)用[J]. 中國電機工程學(xué)報, 2011, 31(4): 45-50. ZHOU Luowei, GUAN Chun, LU Weiguo. Application of multi-label classification method to catagorization of multiple power quality disturbances[J]. Proceedings of the CSEE, 2011, 31(4): 45-50.

[13] BEZDEK J C. Cluster validity with fuzzy sets[J]. Journal of Cybernetics, 1974, 3(3): 58-72.

[14] 孫一航, 武建文, 廉世軍, 等. 結(jié)合經(jīng)驗?zāi)B(tài)分解能量總量法的斷路器振動信號特征向量提取[J]. 電工技術(shù)學(xué)報, 2014, 29(3): 228-236. SUN Yihang, WU Jianwen, LIAN Shijun, et al. Extraction of vibration signal feature vector of circuit breaker based on empirical mode decomposition amount of energy[J]. Transactions of China Electrotechnical Society, 2014, 29(3): 228-236.

[15] 王新, 孟玲玲. 基于 EEMD-LSSVM的超短期負(fù)荷預(yù)測[J]. 電力系統(tǒng)保護與控制, 2015, 43(1): 61-66. WANG Xin, MENG Lingling. Ultra-short-term load forecasting based on EEMD-LSSVM[J]. Power System Protection and Control, 2015, 43(1): 61-66.

[16] 茆美琴, 龔文劍, 張榴晨, 等. 基于 EEMD-SVM方法的光伏電站短期出力預(yù)測[J]. 中國電機工程學(xué)報, 2013, 33(34): 17-24. MAO Meiqin, GONG Wenjian, ZHANG Liuchen, et al. Short-term photovoltaic generation forecasting based on EEMD-SVM combined method[J]. Proceedings of the CSEE, 2013, 33(34): 17-24.

[17] 阮羚, 李成華, 宿磊, 等. 基于奇異值分解的局部放電模式識別方法[J]. 電工技術(shù)學(xué)報, 2015, 30(18): 223-228. RUAN Ling, LI Chenghua, SU Lei, et al. Pattern recognition for partial discharging using singular value decomposition[J]. Transactions of China Electrotechnical Society, 2015, 30(18): 223-228.

[18] 吳浩, 李群湛, 易東. 基于廣域狀態(tài)信息和模糊C均值聚類的電網(wǎng)故障區(qū)域判別[J]. 電力自動化設(shè)備, 2013, 33(7): 39-45. WU Hao, LI Qunzhan, YI Dong. Faulty region identification based on wide-area state information and fuzzy C-means clustering[J]. Electric Power Automation Equipment, 2013, 33(7): 39-45.

[19] 謝靜, 束洪春, 王科, 等. 基于 FCM 算法的高壓開關(guān)柜局部放電狀態(tài)評價方法研究[J]. 高壓電器, 2015, 51(10): 82-90, 96. XIE Jing, SHU Hongchun, WANG Ke, et al. Study on state evaluation of partial discharge in high voltage switchgear based on fuzzy clustering algorithm[J]. High Voltage Apparatus, 2015, 51(10): 82-90, 96.

[20] 劉志剛, 張巧革, 張楊. 電能質(zhì)量復(fù)合擾動分類的研究進展[J]. 電力系統(tǒng)保護與控制, 2013, 41(13): 146-153. LIU Zhigang, ZHANG Qiaoge, ZHANG Yang. Review of power quality mixed disturbances identification[J]. Power System Protection and Control, 2013, 41(13): 146-153.

Identification of transient power quality disturbances based on FCM

HAN Yuhuan1, ZHAO Qingsheng1, GUO Hehong2, WANG Zhenqi2, ZHANG Xuejun3
(1. Shanxi Key Laboratory of Power System Operation and Control, Taiyuan University of Technology , Taiyuan 030024, China; 2. Jinzhong Electric Power Company, Jinzhong 030600, China; 3. Shanxi University, Taiyuan 030006, China)

A new method to identify the transient power quality disturbance based on FCM is proposed. This recognition method is implemented hierarchically. The first layer can judge whether transient oscillation disturbance is included in the signal. The second layer judges whether transient oscillation pulse is contained in the signal. The third layer judges whether the signal contains the magnitude of the disturbance and has a comprehensive judgment on the specific type of complex disturbances. Through combination with the ensemble empirical mode decomposition (EEMD) and singular value decomposition method, effective feature vectors can be extracted hierarchically, which is used as the input of FCM. In this way, the optimized classified matrix and clustering centers are obtained. Calculating the Euclidean distance between the unknown-sample samples and the known-sample ones, the disturbance type is identified. The simulation result indicates that this method is accurate and feasible.

This work is supported by National Natural Science Foundation of Shanxi (No. 2015011057) and National Natural Science Foundation of China (No. 51505317).

fuzzy C mean clustering arithmetic; transient identification; ensemble empirical mode decomposition; singular value decomposition; hierarchical identification

10.7667/PSPC150959

：2015-08-14

韓玉環(huán)(1990-)，女，碩士研究生，主要研究方向為電能質(zhì)量運行與控制；E-mail: xiaohuankaka@163.com

(編輯 魏小麗)

山西省自然科學(xué)基金項目(2015011057)；國家自然科學(xué)青年基金項目(51505317)

趙慶生(1969-)，男，通信作者，博士，副教授，主要研究方向為電力系統(tǒng)運行與控制和電力系統(tǒng)建模與仿真。E-mail: zhaoqs1996@163.com