公茂法，　侯林源，　梁龍金，　司丹淼,3，　柳巖妮，　王寧

(1.山東科技大學 電氣與自動化工程學院， 山東 青島　266590；2.特變電工股份有限公司， 新疆 昌吉　831100；3.國網(wǎng)山東電力平度供電公司， 山東 平度　266700)

?

基于小波包和PNN的電能質(zhì)量擾動定位與分類

公茂法1，侯林源1，梁龍金2，司丹淼1,3，柳巖妮1，王寧1

(1.山東科技大學 電氣與自動化工程學院， 山東 青島266590；2.特變電工股份有限公司， 新疆 昌吉831100；3.國網(wǎng)山東電力平度供電公司， 山東 平度266700)

根據(jù)暫態(tài)電能質(zhì)量擾動現(xiàn)象的本質(zhì)特征，提出一種基于小波包和PNN的電能質(zhì)量擾動定位與分類新方法。該方法利用小波包對擾動信號進行采樣和分解，提取小波包重構(gòu)系數(shù)并定位信號突變點，然后計算各頻段的能量并進行歸一化處理，構(gòu)造能量特征向量作為PNN的輸入樣本，進行PNN網(wǎng)絡(luò)訓練和測試，最終實現(xiàn)不同擾動信號的分類。Matlab仿真結(jié)果表明，該方法能夠快速、準確地定位和區(qū)分擾動信號。

電能質(zhì)量； 擾動信號定位； 擾動信號分類； 小波包； PNN

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160429.1125.010.html

0　引言

隨著工業(yè)發(fā)展和全球科技進步，電能質(zhì)量問題越來越受到重視。這是由2個方面因素決定的：一方面，電力負荷結(jié)構(gòu)的重大調(diào)整，大量非線性、波動性、沖擊性和不平衡性負荷的廣泛使用，導致電能質(zhì)量下降；另一方面，隨著計算機技術(shù)和半導體技術(shù)的發(fā)展，高自動化和高智能化的電子設(shè)備對電能質(zhì)量提出了越來越高的要求[1-2]。IEEE標準中將電能質(zhì)量擾動分為七大類，其中電力系統(tǒng)中常見的動態(tài)電能質(zhì)量擾動有電壓驟升、電壓驟降、電壓中斷、暫態(tài)脈沖和暫態(tài)振蕩。本文主要針對這5種擾動類型進行分析。

針對如何從擾動信號中定位并提取擾動特性以完成自動分類的問題，國內(nèi)外學者進行了廣泛深入的研究，已提出許多可行的方法。動態(tài)電能質(zhì)量擾動分類包括特征提取與模式識別2個過程。其中，特征提取是對原始波形進行變換和重構(gòu)，并從中提取有效的分類特征，較常用的有Hilbert-Huang變換[2]、FFT和STFT變換[3]、小波變換[4-5]、S變換[6]等。模式識別過程是對擾動信號樣本進行分類，主要方法有神經(jīng)網(wǎng)絡(luò)[7]、支持向量機[8-9]、粒子群算法[9]等。與其他變換方式相比，小波包變換時-頻表現(xiàn)更好，可自適應(yīng)地選擇相應(yīng)頻帶，高頻部分分辨率高，在提取不同頻段特征量的同時可有效定位擾動信號。概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Networks, PNN)是一種結(jié)構(gòu)簡單、訓練簡潔的人工神經(jīng)網(wǎng)絡(luò)，較BP網(wǎng)絡(luò)訓練過程更加簡單，收斂速度更快，穩(wěn)定性更高。

本文首先選用小波包變換對原始信號進行3層分解，利用第3尺度上高頻分解系數(shù)的模極大值點定位擾動信號，并在不同頻率范圍內(nèi)提取重構(gòu)系數(shù)，構(gòu)造特征向量；然后，通過收集特征向量創(chuàng)建并訓練PNN網(wǎng)絡(luò)；最后，利用訓練后的PNN網(wǎng)絡(luò)對電能質(zhì)量擾動信號進行分類。

1　小波包和PNN算法

1.1小波包分析

小波分析作為一種時頻分析方法，具有多分辨率分析的特點，其在分析和處理非平穩(wěn)信號上，可以很好地展現(xiàn)出非平穩(wěn)信號最根本和最關(guān)鍵的時頻局域性質(zhì)。小波包分析能夠?qū)㈩l帶進行多層次劃分，它在對低頻部分進行分解的同時也對高頻部分進一步分解，為信號提供了一種更加精細的分析方法。同時，小波包可自適應(yīng)地選擇相應(yīng)頻帶，與信號頻譜相匹配[10]。

對采樣信號S進行3層小波包分解，小波包分解樹結(jié)構(gòu)如圖1所示，其中每層分解的低頻段用A表示，高頻段用D表示。

圖1　小波包分解樹結(jié)構(gòu)

1.2PNN算法

PNN是基于統(tǒng)計原理的一種前饋型神經(jīng)網(wǎng)絡(luò)模型，它由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來，建立在貝葉斯最小風險準則的理論依據(jù)之上。PNN作為徑向基網(wǎng)絡(luò)的一種，適合于模式分類。PNN的層次模型由輸入層、模式層、求和層、輸出層共4層組成，其基本結(jié)構(gòu)如圖2所示。

圖2　PNN基本結(jié)構(gòu)

PNN的4層結(jié)構(gòu)有著不同的功能。輸入層負責接收訓練樣本的值，再將其特征向量傳遞給整個網(wǎng)絡(luò)。模式層負責計算輸入特征向量與訓練集中各個模式的匹配關(guān)系。模式層神經(jīng)元的個數(shù)等于各類別訓練樣本數(shù)之和，該層每個模式單元的輸出為

(1)

式中：X為輸入向量；Wi為輸入層與模式層連接的權(quán)值；δ為平滑因子，對分類起著至關(guān)重要的作用。

求和層將屬于某一類的概率累加，按式(1)計算，從而得到擾動信號類別的概率密度函數(shù)。輸出層是一種競爭神經(jīng)元，該層的每個神經(jīng)元與一個數(shù)據(jù)類型(即擾動信號類別)形成映射關(guān)系。

1.3小波包和PNN算法實現(xiàn)

小波與PNN相結(jié)合的算法流程如圖3所示。

圖3　小波與PNN相結(jié)合的算法流程

2　基于小波包的擾動信號定位

采用Matlab軟件對本文選取的正常信號和5種常見動態(tài)電能質(zhì)量擾動信號建立模型，見表1。其中A為電壓信號峰值；ω為工頻頻率；u()為階躍函數(shù)；T為工頻周期；α，β為常系數(shù)；t1,t2,tb為常數(shù)；τ為時間系數(shù)；ωb為震蕩頻率。

表1　電能質(zhì)量信號模型

選擇穩(wěn)定、標準的工頻信號，并同時添加電壓驟降、電壓驟升、電壓中斷、暫態(tài)脈沖和暫態(tài)振蕩5種擾動信號作為動態(tài)電能質(zhì)量的擾動信號進行仿真分析，如圖4所示。在信號采樣時對每工頻周期采樣100個點，分解時選用db4小波函數(shù)對采樣信號進行小波包3層分解。

利用小波包分析擾動信號，獲得第3尺度上的信號重構(gòu)系數(shù)如圖5所示。

對原始采樣信號進行小波包系數(shù)分解和重構(gòu)后，不同擾動信號各個頻段和同一擾動信號不同尺度上的重構(gòu)系數(shù)均表現(xiàn)出明顯的差異。因為擾動信號在除擾動起點和終點外的時間段內(nèi)都是連續(xù)的，所以，在小波高頻尺度上，只有突變點才有信息。利用這個性質(zhì)可以定位擾動的起始和終止時刻。小波分析可以計算高頻尺度上的模極大值點，通過確定模極大值點即可定位信號突變點。通過高頻重構(gòu)系數(shù)結(jié)點[3,7]的圖像可以明確定位擾動信號。

圖4　電壓信號初始波形

(a) 結(jié)點[3,0]

(b) 結(jié)點[3,1]

(c) 結(jié)點[3,2]

(d) 結(jié)點[3,3]

(e) 結(jié)點[3,4]

(f) 結(jié)點[3,5]

(g) 結(jié)點[3,6]

(h) 結(jié)點[3,7]

3　基于小波包和PNN的擾動信號分類方法

3.1信號能量特征向量提取

選取PNN擾動信號特征量時，需要使得擾動樣本在最大程度上包含其信息量，最能反映擾動類別。同時，特征向量的構(gòu)建應(yīng)忽略一些無關(guān)量，以減小PNN規(guī)模。原始信號經(jīng)過小波包3層分解重構(gòu)后用8個頻率成分S3j(j=0,1,…,7)代表第3尺度分解8個結(jié)點的頻率范圍。設(shè)頻帶S3j對應(yīng)的能量為E3j，有

(2)

式中xjk(k=1,2,…,n)表示S3j的離散點幅值。

由于擾動信號出現(xiàn)時，會對各頻帶內(nèi)信號的能量有較大的影響，所以，可以為元素構(gòu)造一個特征向量T：

(3)

當能量較大時，E3j通常是一個較大的值，在數(shù)據(jù)分析上會造成不便。因此，可對向量T進行歸一化處理，令

(4)

歸一后的向量T′為

(5)

利用式(2)、式(4)、式(5)計算擾動信號，即可構(gòu)造8個能量特征向量，特征向量的數(shù)據(jù)均轉(zhuǎn)化為[0,1]之間的數(shù)，將其作為PNN網(wǎng)絡(luò)的輸入。選取一組計算后的能量值，見表2。

3.2PNN網(wǎng)絡(luò)訓練與測試

采用Matlab函數(shù)newpnn()來創(chuàng)建PNN，建立擾動信號分類程序，PNN調(diào)用格式：

net=newpnn(P,Q,SPREAD)

(6)

式中：P為輸入向量；Q為目標分類向量；SPREAD為徑向基函數(shù)的擴展速度。

表2　不同信號歸一化處理后的能量值

式(6)表明擾動分類的準確率與訓練樣本數(shù)和參數(shù)spread值有關(guān)。將5種擾動信號分別設(shè)置不同的信號參數(shù)，每種不同的擾動信號都獲得20組訓練樣本及5組測試樣本，共得到100組訓練樣本和25組測試樣本。將所有訓練樣本作為訓練PNN的輸入樣本，利用測試樣本對該網(wǎng)絡(luò)進行測試。使用100組訓練樣本和25組測試樣本的特征向量作為輸入，用數(shù)字1—5分別代表5種不同的擾動信號，作為分類的輸出。

利用Matlab軟件平臺對訓練樣本進行PNN訓練及測試，spread值選為0.9。PNN訓練后的分類結(jié)果及誤差如圖6所示，PNN網(wǎng)絡(luò)的測試樣本分類結(jié)果如圖7所示。

(a)分類結(jié)果(b)分類誤差

圖6PNN訓練后的分類結(jié)果及誤差

由圖6和圖7可知，經(jīng)過訓練，將訓練數(shù)據(jù)輸入已經(jīng)訓練好的PNN網(wǎng)絡(luò)中，只有5個樣本出現(xiàn)判斷錯誤，即總的判斷準確率為95%。當通過預測樣本進行驗證時，只有1個樣本出現(xiàn)了判斷錯誤，即總的判斷準確率為96%。經(jīng)過訓練后的PNN準確率表明，最后得到的網(wǎng)絡(luò)可以用來對更多擾動信號進行分類預測。

圖7　PNN網(wǎng)絡(luò)的測試樣本分類結(jié)果

4　結(jié)語

針對動態(tài)電能質(zhì)量擾動的定位與分類問題，首先闡述了利用小波包系數(shù)分解和重構(gòu)原始信號并在高頻尺度定位擾動信號的方法，然后說明了進行擾動信號能量計算和特征向量構(gòu)造的過程，最后介紹了通過PNN對不同特征向量(即擾動信號)進行分類的方法。Matlab仿真結(jié)果表明，該方法是可行的，具有一定的理論意義和實踐價值。

[1]宋雪雷.基于小波變換和支持向量機的電能質(zhì)量擾動分析方法[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2007.

[2]王暢.基于HHT的微網(wǎng)電能質(zhì)量檢測與分析[D].北京: 華北電力大學, 2014.

[3]徐永海,趙燕.基于短時傅里葉變換的電能質(zhì)量擾動識別與采用奇異值分解的擾動時間定位[J].電網(wǎng)技術(shù), 2011, 35(8):174-180.

[4]黃振威,鄭壽森,祁新梅,等.基于db4小波變換和雙ARM Cortex-M的電能質(zhì)量分析系統(tǒng)[J].電測與儀表,2013, 50(1):83-88.

[5]劉慧芳,陳勇勝,王群,等. 基于小波變換和模糊邏輯的暫態(tài)電能質(zhì)量擾動分類[J].電網(wǎng)技術(shù),2008,32(3): 84-87.

[6]黃南天,徐殿國,劉曉勝. 基于S變換與SVM的電能質(zhì)量復合擾動識別[J].電工技術(shù)學報,2011,26(10): 23-30.

[7]王曦,畢貴紅,祖哲. 基于遞歸特性分析和BP神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動識別與定位[J].電網(wǎng)技術(shù),2012, 36(8):215-222.

[8]李志勇,吳為麟,林震宇. 基于相空間重構(gòu)和支持向量機的電能擾動分類方法[J].電力系統(tǒng)自動化,2007, 31(5):70-75.

[9]楊寧霞,孫皓,公政,等.一種基于PSO-SVM的電能質(zhì)量擾動識別與分類的新方法[J].電測與儀表,2014,51(16): 17-20.

[10]胡昌華,李國華,周濤.基于Matlab 7.x的系統(tǒng)分析與設(shè)計:小波分析[M].3版.西安:西安電子科技大學出版社, 2008:33-37.

Location and classification of power quality disturbance based on wavelet packet and PNN

GONG Maofa1,HOU Linyuan1,LIANG Longjin2,SI Danmiao1,3,LIU Yanni1,WANG Ning1

(1.College of Electrical Engineering and Automation, Shandong University of Science and Technology, Qingdao 266590, China; 2.Tebian Electric Apparatus Stock Co., Ltd., Changji 831100, China; 3.State Grid Shandong Pingdu Electric Power Company, Pingdu 266700, China)

A new method of location and classification of power quality disturbance based on wavelet packet and PNN was proposed according to essential characteristics of transient power quality disturbance. The disturbance signals were sampled and decomposed by using wavelet packet to extract wavelet packet reconstructed coefficient and to locate signal saltation point, then the energy of each band was calculated and normalized, energy feature vectors were constructed as input sample of PNN for network training and testing, and finally classification of different disturbance signal was achieved. Matlab simulation results show that the method can quickly and accurately locate and classify disturbance signal．

power quality; disturbance signal location; disturbance signal classification; wavelet packet; PNN

1671-251X(2016)05-0040-05

10.13272/j.issn.1671-251x.2016.05.010

2015-12-02；

2016-03-09；責任編輯：胡嫻。

公茂法(1959-)，男，山東臨沂人，教授，碩士，主要從事電力系統(tǒng)自動化、電力電子技術(shù)與應(yīng)用等方面的研究工作，E-mail:sdgmf@163.com。

TD611

A網(wǎng)絡(luò)出版時間：2016-04-29 11:25

公茂法， 侯林源， 梁龍金，等.基于小波包和PNN的電能質(zhì)量擾動定位與分類[J].工礦自動化，2016,42(5)：40-44.