一种基于多特征量的复合电能质量扰动自动识别方法

刘德建，焦琛钧，郑晓龙

(1.西南交通大学 电气工程学院，四川 成都 610031;2.新疆电力公司培训中心，新疆 乌鲁木齐 830002)

一种基于多特征量的复合电能质量扰动自动识别方法

刘德建1，焦琛钧2，郑晓龙1

(1.西南交通大学 电气工程学院，四川 成都 610031;2.新疆电力公司培训中心，新疆 乌鲁木齐 830002)

针对电能质量复合扰动识别困难的问题，提出了一种电能质量扰动信号识别新方法.该方法利用信号的S变换幅值矩阵和动态测度提取的频率特征然后结合聚类经验模态分解方法对扰动信号进行表征，并设计了一种简单的决策树进行快速的识别.避免了因训练样本不足引起的较大误差，在较大程度上缩短了识别时间.仿真试验结果表明，该方法识别率高，抗噪能力强，可同时适用于单一和复合电能质量扰动信号的识别，可准确识别16种复合扰动在内的24种电能质量扰动信号.

电能质量;扰动识别;S变换;动态测度;聚类经验模态分解;决策树

0 引言

近年来，电能质量问题日益突出，治理并改善电能质量势在必行，其前提是必须对电能质量进行准确监测并做出科学分析，而如何能够准确地提取各种电能质量扰动信号的特征参数并识别出其类别是监测分析的关键.

目前，针对电能质量扰动信号的识别方法有神经网络、多标签、支持向量机、决策树、专家系统等［1－10］.但每种方法都有适合自身的特殊信号，而在信号复杂、类别较多时识别性能会大幅下降.对此，本研究拟将3种方法相结合，即，首先利用动态测度法检测出主要频率点特征，然后利用S变换提取扰动基频和高频幅值特征，再结合聚类经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)提取的2个模态特征，并设计了一种决策树对扰动信号进行分类.通过以上3种特征提取方法的结合，充分利用每种方法的优点进行特征提取，克服了单一方法的不足.同时，利用本方法对8种单一扰动和16种复合扰动在内的24种信号进行了识别，试验结果验证了该方法的有效性.

1 电能质量扰动信号的特征提取

电能质量扰动信号种类繁多，参数复杂，难于获取各种扰动的大量实测样本，现有文献均采用仿真方法获取样本进行相关分析研究.本研究考虑的电能质量扰动有，电压尖峰、脉冲暂态、电压中断、电压暂降、电压暂升、振荡暂态、谐波、电压波动，其分别用R1、R2、…、R8表示.通常，复合电能质量扰动信号由单一扰动复合而来，复合扰动中单一扰动之间用“＆"连接，如脉冲暂态和电压暂降复合而成的扰动信号记为R2＆R4.本研究涉及的复合扰动信号有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.

电能质量扰动信号数学模型仿真生成本研究所涉及的扰动信号如表1所示.采样频率为3.2 kHz，信号长度为20个周波，模型中信号幅值归一化为1.

1.1 利用动态测度提取主要频率点

对于谐波、切痕等稳态扰动，其频谱特性能够直观地呈现在FFT变换所得的频谱图中，通过设定合适的阈值便可得到其主要频率点特征，即扰动信号中含有的主要频率成分.但当上述稳态扰动叠加暂态扰动后，频域特性就会受到“污染”.图1是由Matlab产生的谐波+暂升复合扰动信号，采样频率为3.2 kHz，即每周期采样64点，其中3、5、7次谐波系数均为0.02，信噪比为40 dB.图2为图1中信号的频谱图，从图2中可以看出，在谐波成分很弱的情况下，频谱图中仍然可以明显地呈现出其频率对应的峰值，但由于暂升信号的叠加，在信号叠加的起点和终点处会出现突变点，这些突变点会在频谱图中基频附近呈现出峰值，通过阈值筛选则会错误地将这些频率点判决为主要频率点.因此，本研究首先求取频谱图中极值点的包络线而后用动态测度法［11］检测包络线的主要频率点.

表1 电能质量扰动信号模型［7，11］

图1 谐波+暂升信号

图2 频谱

图3的点划线为求得的图2中频谱的极大值包络.不难发现，基频附近的峰值被筛除而有价值的峰值得以保留.对图3中的极大值包络求取动态测度谱结果如图4所示.显然，对极大值包络求取动态测度后噪声所对应的频率成分被削弱，主要极值点的动态测度比较大，而其他点的动态测度则很小.因此，只需设定一阈值便可筛选出所需的主要频率点.

图3 极大值点包络

图4 动态测度谱

利用动态测度法提取的特征如下:

1)频谱高频段是否含有主要频率点的特征量Nh.振荡扰动的振荡频率较高，在动态测度谱中分布在高频段.在寻找主要频率点时，取Thr=3%，频率分析范围为500～1 600 Hz.如果高频段存在主要频率点，则Nh=1，否则Nh=0.

2)表征谐波频率点特征量N1.阈值Thr设定为3%时，若信号中含有3、5、7次谐波成分，动态测度谱中就会呈现出其对应的主要频率点.特征N1表示信号中是否含有3、5、7次谐波成分，如果是，则N1=1，否则 N1=0.

3)是否含有整数倍基波频率点特征N2.电压尖峰中含有大量整数倍谐波成分，阈值Thr设定为2%，频率分析范围为60～500 Hz时，在检测到的主要频率点中去除3、5、7次谐波后仍含有主要频率点，则N2=1，表示含有电压尖峰，否则N2=0.

4)表征扰动信号为单频还是多频信号的特征量Nf.当信号中含有振荡、谐波、电压尖峰成分时动态测度谱中就会出现多个主要频率点.若扰动信号的动态测度谱中只含基波成分所对应的一个主要频率点，则令Nf=0，否则Nf=1.

1.2 S变换方法的特征提取

离散S变换的结果为一复矩阵，对其矩阵中各元素求模后得 S变换模矩阵，表示为，As=A(t，w)，行向量代表信号在某频率下的时域分布，列向量代表某时刻信号幅频特性.S变换提取的特征如下:

1)表征基频幅值的特征 Sav、Smin、Smax和Sstd.

定义S变换模矩阵基频时域曲线为Vfb(t)，其表达式为，

式中:t为采样时刻，wb为基本频率.

S变换基频幅值均值特征，

S变换基频幅值标准差特征，

S变换基频幅值最小值特征，

S变换基频幅值最大值特征，

Sav、Smin、Smax和Sstd反应了基频幅值变化情况，对其设定合适的阈值区分含有电压暂将、电压中断、电压暂升等幅值变化的扰动信号.

2)S变换矩阵高频部分最大幅值特征量SM.

在S变换模矩阵，As=A(t，w)，中取 w ＞500 Hz得一子矩阵A's，其表达式为:

1.3 EEMD方法的特征提取

EEMD是针对经验模态分解(Empirical Mode Decomposition，EMD)中由于信号的不连续造成的模态混叠现象而提出的一种改进方法，通过向信号中加入高斯白噪声，利用其频率均匀分布的特性使信号具有连续性，从而避免了EMD方法中的模态混叠现象［12］，尤其适用于复合电能质量扰动信号的分析.

本研究采用EEMD方法提取的特征如下:

1)EEMD分解得到的第一个模态(Intrinsic Mode Function，IMF)的瞬时幅值最大值特征量M1，由于第一个模态包含的是原始信号中频率最高的成分，如果信号中不含脉冲成分则第一个模态为信号的噪声成分，最大幅值远小于含脉冲时的最大幅值，如图5～8所示.该特征用来描述扰动信号是否为脉冲信号或复合扰动信号中是否含有脉冲成分.

图5 电压波动+脉冲暂态

图6 电压波动+脉冲暂态信号第一个IMF

图7 电压波动+暂升信号

图8 电压波动+暂升信号第一个IMF

2)EEMD分解得到的第一个模态(IMF)各点取模后的幅值之和特征量M2.振荡暂态的频率较高，当信号中含有振荡暂态成分时高频的振荡成分也会分解到第一个模态，由于其持续时间远大于脉冲暂态，因此振荡成分的特征量M2较大.该特征作为振荡暂态和脉冲暂态的辅助判据.

2 分类器设计

决策树结构具有清晰、直观的特点，特别是在类别数目较大时更能体现其优势，使用决策树结构的关键是特征量的选取以及其阈值确定［13］.本研究采用决策树对扰动信号进行分类，设计出的决策树如图9所示.对待识别的扰动信号采用动态测度法提取4个特征，Nf、N1、N2、Nh;采用 S 变换提取 5 个特征，SM、Sav、Smin、Smax、Sstd;采用 EEMD 提取 2 个特征 M1、M2.将这11个特征构造成特征向量T，将T作为分类器的输入，分类器就能自动识别出扰动信号的类型，具体过程如图9所示.对本研究涉及的24种扰动信号根据表1中的参数范围均随机生成200个样本，并对每个样本添加30 dB的高斯白噪声，然后对各个特征进行组合，从而确定图9中决策树分支结构并对特征进行统计分析，得出特征取值范围.

对每种待分类扰动信号提取11个特征，首先判别动态测度法提取的频率特征是否满足分支②的条件，若满足则为R1，若不满足则继续判别是否满足分支①的条件，如果仍然不能满足分支①的条件就归类为分支③对应的扰动类别.这样就将可R1之外的扰动信号类型初步分为2大类:一类为R2/R3/R4/R5/R8/R2＆R3/R2＆R4/R2＆R5/R2＆R8/R3＆R8/R4＆R8/R5＆R8，此类扰动信号的动态测度谱中只有基频对应的一个主要极值点，即为单频信号;另一类为 R6/R7/R3＆R6/R4＆R6/R5＆R6/R3＆R7/R4＆R7/R5＆R7/R7＆R8/R2＆R7/R6＆R7，这些信号的动态测度谱中含有多个主要频率点.然后，按照分支④～○39进行后续分类，在上述 R2/R3/R4/R5/R8/R2＆R3/R2＆R4/R2＆R5/R2＆R8/R3＆R8/R4＆R8/R5＆R8中，当扰动信号中含有R2扰动成分时，用于判别R2信号的特征M1、M2，可将含R2成分的扰动信号进一步分类为 R2/R2＆R3/R2＆R4/R2＆R5/R2＆R8，剩余的 R3/R4/R5/R8/R3＆R8/R4＆R8/R5＆R8归为另一类.而 在 R6/R7/R3＆R6/R4＆R6/R5＆R6/R3＆R7/R4＆R7/R5＆R7/R7＆R8/R2＆R7/R6＆R7一大类中可通过特征Nh、M2和N1实现进一步分类，将含有R6成分的扰动信号分为 R6/R3＆R6/R4＆R6/R5＆R6，不含 R6成分的为另一类，即，R7/R3＆R7/R4＆R7/R5＆R7/R7＆R8/R2＆R7/R6＆R7.通 过 ④ ～ ⑦ 分支即把扰动类型分为4个子类，这4个子类均可通过S变换提取的特征进行进一步分类，最终实现每种扰动类型的自动判别.

图9 决策树分类器

3 仿真测试结果

为验证本研究方法的准确性和有效性，使用Matlab对所述24种电能质量扰动信号依据表1模型随机生成测试样本.每类信号均生成600个测试样本，并对每类样本中的200个分别随机添加40、35、30 dB的高斯白噪声，共14 400组，然后利用本研究所述方法提取特征后作为分类器的输入检验分类系统的准确率，测试结果如表2所示.

由表2可以看出，系统识别准确率很高，且抗噪能力强.在噪声改变的情况下对一些信号的识别率仍然可保持在100%，即使信噪比为30 dB的情况下，平均分类准确率仍可达到98.038%.

表2 仿真测试结果

4 结论

本研究针对复合电能质量扰动信号难以识别，以及识别率低的问题，提出了一种基于多特征量的扰动识别方法，即采用动态测度法、S变换和聚类经验模态分解方法3种特征提取手段，对复合电能质量扰动信号进行处理分析，同时，对信号频率和幅值信息进行深度挖掘，提取多个特征对电能质量扰动信号进行全面表征，达到自动识别的目的，克服了复合电能质量扰动信号难以识别的问题.仿真结果表明，本方法能够准确识别24种电能质量扰动信号且抗噪能力强，识别性能稳定，并可同时识别单一电能质量扰动信号与复合电能质量扰动信号.

［1］徐永海，赵燕.基于短时傅里叶变换的电能质量扰动识别与采用奇异值分解的扰动时间定位［J］.电网技术，2011，35(8):174 －180.

［2］陈祥训.采用小波技术的几种电能质量扰动的测量与分类方法［J］.中国电机工程学报，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］王宁，李林川，贾清泉，等.应用原子分解的电能质量扰动信号分类方法［J］.中国电机工程学报，2011，48(4):51－58.

［7］黄南天，徐殿国，刘晓胜.基于S变换与SVM的电能质量复合扰动识别［J］.电工技术学报，2011，26(10):23－30.

［8］赵凤展，杨仁刚.基于S变换和时域分析的电能质量扰动识别［J］.电网技术，2006，30(15):90 －94.

［9］徐方维，杨洪耕，叶茂清，等.基于改进S变换的电能质量扰动分类［J］.中国电机工程学报，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］陈华丰，张葛祥.基于决策树和支持向量机的电能质量扰动识别［J］.电网技术，2013，37(5):1272 －1278.

［12］张杨，刘志刚.EEMD在电能质量扰动检测中的应用［J］.电力自动化设备，2011，31(12):86 －91.

［13］易吉良.基于S变换的电能质量扰动分析［D］.长沙:湖南大学，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.

刘德建(1987—)，男，硕士研究生，从事电能质量监测分析技术研究.