曹玲芝 劉俊飛 鄭曉婉

?

基于EEMD的HHT在電能質(zhì)量多擾動(dòng)分類識(shí)別中的應(yīng)用

曹玲芝 劉俊飛 鄭曉婉

（鄭州輕工業(yè)學(xué)院，鄭州 450002）

現(xiàn)有的電能質(zhì)量擾動(dòng)分類識(shí)別方法對(duì)電能質(zhì)量多擾動(dòng)的分類準(zhǔn)確性和識(shí)別能力較低，本文提出了將基于聚類經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）的希爾伯特—黃變換（HHT）應(yīng)用于電能質(zhì)量多擾動(dòng)的分類識(shí)別方法。它依據(jù)電能質(zhì)量多擾動(dòng)信號(hào)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(duì)含擾動(dòng)信號(hào)分解得到信號(hào)的固有模態(tài)函數(shù)（IMF），濾除殘余噪聲后，將得到的IMF分量作為特征值對(duì)擾動(dòng)進(jìn)行分類，再對(duì)IMF進(jìn)行Hilbert變換得到其瞬時(shí)頻率和瞬時(shí)幅值，瞬時(shí)頻率的突變點(diǎn)反映電能質(zhì)量擾動(dòng)的起止時(shí)刻，瞬時(shí)幅值反映電能質(zhì)量擾動(dòng)的幅度，根據(jù)對(duì)突變點(diǎn)的觀測(cè)實(shí)現(xiàn)對(duì)各個(gè)擾動(dòng)的準(zhǔn)確識(shí)別。Matlab仿真分析結(jié)果表明，該方法能夠準(zhǔn)確的對(duì)電能質(zhì)量多擾動(dòng)的擾動(dòng)類型進(jìn)行分類，并確定電能質(zhì)量各個(gè)擾動(dòng)信號(hào)的時(shí)間、幅值和頻率。

電能質(zhì)量多擾動(dòng)；希爾伯特-黃變換；聚類經(jīng)驗(yàn)?zāi)B(tài)分解

電能質(zhì)量擾動(dòng)的分類識(shí)別一直是電能質(zhì)量問題研究的核心課題，近年來研究電能質(zhì)量擾動(dòng)識(shí)別的方法越來越多，大部分學(xué)者主要使用小波變換法[1-4]、短時(shí)傅里葉變換[5-6]、S變換[7-9]、數(shù)學(xué)形態(tài)學(xué)等數(shù)學(xué)理論及其他方法[10-15]對(duì)擾動(dòng)信號(hào)進(jìn)行分析，取得了大量的研究成果，能夠?qū)﹄娔苜|(zhì)量的單一擾動(dòng)進(jìn)行準(zhǔn)確的分類識(shí)別，只有少部分學(xué)者針對(duì)兩種同類擾動(dòng)進(jìn)行疊加研究[16]，研究對(duì)象與實(shí)際電能質(zhì)量擾動(dòng)信號(hào)差距太大，研究成果實(shí)用性不強(qiáng)。因此，研究一種能夠同時(shí)對(duì)電能質(zhì)量中疊加的多種擾動(dòng)進(jìn)行分類識(shí)別的方法，對(duì)電能質(zhì)量問題的研究具有重要的意義。

針對(duì)此問題，本文利用HHT的自適能力和精確識(shí)別能力，同時(shí)為了解決HHT過程中經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）造成的模態(tài)混疊和過零點(diǎn)失效現(xiàn)象，提出了用基于EEMD的HHT方法對(duì)電能質(zhì)量多擾動(dòng)進(jìn)行分類識(shí)別的方法。由于EEMD方法是按照頻率由高到底的順序?qū)⑿盘?hào)分解成不同的IMF，所以對(duì)IMF去噪后，每一個(gè)IMF就是一種頻率的擾動(dòng)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(jù)IMF的波形以及對(duì)IMF進(jìn)行Hilbert變換后得到的瞬時(shí)頻率和瞬時(shí)幅值波形，可以對(duì)擾動(dòng)信號(hào)進(jìn)行準(zhǔn)確分類識(shí)別。仿真結(jié)果表明，該方法可以對(duì)復(fù)合擾動(dòng)進(jìn)行準(zhǔn)確識(shí)別分類，并根據(jù)對(duì)IMF分量的Hilbert變換，在時(shí)間和幅值上準(zhǔn)確地對(duì)各種擾動(dòng)進(jìn)行定位定量的描述。

1 電能質(zhì)量擾動(dòng)的分類和特征

目前電能質(zhì)量擾動(dòng)分類識(shí)別研究中主要的研究對(duì)象為諧波、電壓中斷、暫態(tài)脈沖、暫態(tài)震蕩、電壓暫升和電壓暫降。本文按照擾動(dòng)時(shí)參數(shù)突變的不同性質(zhì)對(duì)這些擾動(dòng)進(jìn)行了劃分，確定了兩種擾動(dòng)類型，分別為加性擾動(dòng)和幅值擾動(dòng)，見表1。其中加性擾動(dòng)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(dòng)的特征分量分解到不同的IMF中；而幅值擾動(dòng)由于其頻率與基波頻率相同，在進(jìn)行EEMD分解時(shí)，不能將其分解為單獨(dú)的IMF分量，其擾動(dòng)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(shí)頻率和瞬時(shí)幅值進(jìn)行分類識(shí)別。

表1 電能質(zhì)量擾動(dòng)類型的分類

2 基于EEMD的HHT方法原理

HHT方法的關(guān)鍵是EMD，它能使復(fù)雜信號(hào)分解為有限個(gè)IMF，所分解出來的各IMF分量包含了原信號(hào)的不同時(shí)間尺度的局部特征信號(hào)。但是EMD在分解的過程中存在嚴(yán)重的模態(tài)混疊問題，在同一個(gè)IMF中包含有不同時(shí)間特征尺度的特征分量，無法對(duì)擾動(dòng)進(jìn)行有效地分類識(shí)別。

針對(duì)EMD的模態(tài)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(biāo)信號(hào)。

2）用EMD法將添加后的信號(hào)分解為IMF。

3）重復(fù)步驟1和2，但每次添加的白噪聲是隨機(jī)的。

4）將每次分解的IMF做均值后，作為最后的分解結(jié)果。

為了更好的提取信號(hào)的擾動(dòng)特征，引入瞬時(shí)頻率和瞬時(shí)幅值對(duì)擾動(dòng)進(jìn)行分析。首先對(duì)得到的IMF分量進(jìn)行Hilbert變換：

對(duì)變換后的信號(hào)進(jìn)行反變換，即

（2）

（4）

瞬時(shí)頻率為

本文將基于EEMD的HHT方法應(yīng)用于多擾動(dòng)信號(hào)的識(shí)別問題，首先對(duì)待檢測(cè)信號(hào)做EEMD分解處理，對(duì)得到的若干個(gè)IMF分量給出適當(dāng)?shù)拈撝颠M(jìn)行篩選并進(jìn)行信號(hào)的重構(gòu)，即得到單一成分的信號(hào)，此時(shí)對(duì)該單一信號(hào)進(jìn)行希爾伯特變換，再根據(jù)變換后得到的信號(hào)的瞬時(shí)幅值、瞬時(shí)頻率描繪的圖譜對(duì)其擾動(dòng)類型進(jìn)行分析。

3 電能質(zhì)量多擾動(dòng)分類識(shí)別仿真分析

利用Matlab軟件對(duì)表1中的幾種電能質(zhì)量擾動(dòng)進(jìn)行疊加，并通過本文提出的方法進(jìn)行分類識(shí)別的仿真。為了驗(yàn)證本文方法對(duì)多擾動(dòng)的有效性和準(zhǔn)確性，分別對(duì)2個(gè)、3個(gè)和5個(gè)擾動(dòng)信號(hào)進(jìn)行仿真。

3.1 暫態(tài)震蕩和暫態(tài)脈沖復(fù)合擾動(dòng)

Matlab編程產(chǎn)生暫態(tài)脈沖和暫態(tài)震蕩信號(hào)，設(shè)置基波信號(hào)頻率為=50Hz，暫態(tài)震蕩發(fā)生的時(shí)間區(qū)間為0.16～0.17s，震蕩頻率z=500Hz，震蕩幅度為0.8V；暫態(tài)脈沖發(fā)生的區(qū)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(hào)中含有暫態(tài)震蕩和暫態(tài)脈沖擾動(dòng)部分，圖1（b）中暫態(tài)震蕩和暫態(tài)脈沖的檢測(cè)參數(shù)見表2。

（a）原始信號(hào)和EEMD分解圖

（b）IMF1信號(hào)的Hilbert變換

圖1 震蕩和脈沖信號(hào)HHT仿真分析

表2 暫態(tài)振蕩和脈沖信號(hào)參數(shù)檢測(cè)結(jié)果

3.2 電壓暫降、電壓中斷、暫態(tài)震蕩復(fù)合擾動(dòng)

設(shè)定基波信號(hào)頻率=50Hz，電壓中斷時(shí)間為0.08～0.12s，暫降時(shí)間為0.16～0.24s，暫降幅度為0.5p.u.，暫態(tài)震蕩時(shí)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(hào)和EEMD分解圖

（b）IMF信號(hào)的Hilbert變換

圖2 暫降、中斷和震蕩信號(hào)HHT仿真分析

在圖2（a）中，IMF1為原始信號(hào)中的高頻震蕩信號(hào)，IMF2為原始信號(hào)中的低頻部分。對(duì)IMF1 和IMF2進(jìn)行Hilbert變化，由圖2（b）的瞬時(shí)頻率和瞬時(shí)幅值確定各擾動(dòng)的參數(shù)見表3。

表3 電壓暫降、暫態(tài)振蕩和脈沖信號(hào)參數(shù)檢測(cè)結(jié)果

3.3 諧波、電壓暫降、暫態(tài)震蕩和暫態(tài)脈沖復(fù)合擾動(dòng)

仿真參數(shù)設(shè)置如下：在信號(hào)中加入3次和5次諧波，諧波幅值為0.2V，電壓暫降開始時(shí)間為0.16s，結(jié)束時(shí)間為0.24s，暫降幅度為0.5p.u.，震蕩開始時(shí)間為0.16s，結(jié)束時(shí)間為0.17s，震蕩頻率500Hz，幅值為0.8V，脈沖開始時(shí)間為0.25s，結(jié)束時(shí)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(hào)高頻的暫態(tài)震蕩和暫態(tài)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(gè)分量進(jìn)行Hilbert變換得到的瞬時(shí)幅值和瞬時(shí)頻率圖。

（a）原始信號(hào)EEMD分解圖

（b）IMF信號(hào)的Hilbert變換

（c）IMF信號(hào)的Hilbert變換

從圖3中可以確定各個(gè)擾動(dòng)發(fā)生的時(shí)間，見表4。

表4 諧波、暫降、暫態(tài)振蕩和脈沖信號(hào)參數(shù)檢測(cè)結(jié)果

分析圖1、圖2、圖3可知，EEMD具有較好的模態(tài)分析能力，能夠把每一個(gè)符合擾動(dòng)特征的擾動(dòng)量分離出來，實(shí)現(xiàn)對(duì)多擾動(dòng)的有效分類。對(duì)比表2、表3、表4，本方法對(duì)電壓暫降（暫升）、電壓中斷和諧波的檢測(cè)定位誤差很小，誤差值剛好為一個(gè)采樣間隔。而噪聲的影響對(duì)暫態(tài)震蕩和暫態(tài)脈沖的檢測(cè)誤差相對(duì)較大，但也保持在2個(gè)采樣間隔內(nèi)。

4 結(jié)論

本文依據(jù)電能質(zhì)量多擾動(dòng)信號(hào)是由基波信號(hào)與各個(gè)擾動(dòng)信號(hào)疊加而成的特性，提出了用EEMD方法對(duì)多擾動(dòng)信號(hào)按照特征時(shí)間尺度進(jìn)行分解，并將分解得到的IMF進(jìn)行Hilbert變換引入瞬時(shí)頻率和瞬時(shí)幅值對(duì)擾動(dòng)特征進(jìn)行分析。該方法具有以下特點(diǎn)：

1）該方法是對(duì)傳統(tǒng)HHT方法的改進(jìn)，用于電能質(zhì)量的多擾動(dòng)分析中，能夠有效的避免各個(gè)擾動(dòng)之間的模態(tài)混疊問題。

2）通過本文對(duì)目前電網(wǎng)中幾種最常見擾動(dòng)進(jìn)行疊加的仿真分析，該方法可以有效的對(duì)多擾動(dòng)中包含的諧波、電壓暫降（暫升）、電壓中斷、暫態(tài)震蕩、暫態(tài)脈沖等擾動(dòng)的疊加電能質(zhì)量信號(hào)進(jìn)行特征提取，并準(zhǔn)確分類識(shí)別。

對(duì)電能質(zhì)量多擾動(dòng)的分類識(shí)別準(zhǔn)確性并不受疊加擾動(dòng)的個(gè)數(shù)影響。

[1] 王林泓, 陳學(xué)昌. 基于雙密度雙樹小波變換的電能質(zhì)量擾動(dòng)識(shí)別方法[J]. 電測(cè)與儀表, 2012, 49(8): 18-21, 26.

[2] 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(dòng)的檢測(cè)與定位[J]. 電力系統(tǒng)保護(hù)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(cè)[J]. 電氣開關(guān), 2015, 53(6): 39-41, 45.

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

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

[6] 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.

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

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

[9] 尹柏強(qiáng), 何怡剛, 朱彥卿. 一種廣義S變換及模糊SOM網(wǎng)絡(luò)的電能質(zhì)量多擾動(dòng)檢測(cè)和識(shí)別方法[J]. 中國電機(jī)工程學(xué)報(bào), 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(jī)在電能質(zhì)量擾動(dòng)識(shí)別中的應(yīng)用[J]. 中國電機(jī)工程學(xué)報(bào), 2008, 28(34): 124-128.

[11] 楊耿煌, 溫渤嬰. 基于量子行為粒子群優(yōu)化-人工神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)識(shí)別[J]. 中國電機(jī)工程學(xué)報(bào), 2008, 28(10): 123-129.

[12] 朱玲, 劉志剛, 胡巧琳, 等. 基于CWD譜峭度的暫態(tài)電能質(zhì)量擾動(dòng)識(shí)別[J]. 電力自動(dòng)化設(shè)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(zhì)量擾動(dòng)識(shí)別中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2010, 38(13): 74-78.

[14] 欒佳雨, 王海瑞, 畢貴紅, 等. 非負(fù)矩陣分解方法識(shí)別電能質(zhì)量擾動(dòng)信號(hào)[J]. 計(jì)算機(jī)工程與應(yīng)用, 2013, 49(4): 240-244, 253.

[15] 劉志剛, 王英, 范福強(qiáng). 基于內(nèi)稟模態(tài)奇異值偽熵特征提取的電能質(zhì)量擾動(dòng)識(shí)別[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2013, 28(2): 3-9.

[16] 沈躍, 張瀚文, 劉國海, 等. 基于判別字典學(xué)習(xí)的電能質(zhì)量擾動(dòng)識(shí)別方法[J]. 儀器儀表學(xué)報(bào), 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(dǎo)師，從事網(wǎng)絡(luò)化測(cè)試技術(shù)、非線性控制理論應(yīng)用方面的研究開發(fā)工作。