论文部分内容阅读
随着智能电网的快速发展,非线性功率电力负载和敏感设备负荷日益增多,使得电网中电能质量问题日益恶化。由于各电能质量扰动信号在电网中发生的随机性较强且不易检测,难以找到确切的事故原因,被形象地称为电力系统的幽灵现象,不仅影响电力设备的正常运行,还会在电网中传播造成更严重的损失,对供电系统形成重大安全隐患。为了保障电力系统安全稳定运行、各类负载安全用电以及减少国民经济损失,电能质量扰动信号的快速准确检测与识别成为电能质量研究的重中之重。因此本文围绕电能质量扰动检测与识别分别提出相应的改进算法,主要研究内容如下:(1)针对在检测电网中的非平稳复合电能质量扰动时存在检测精度不理想,现有检测方法无法满足大量复合扰动的准确检测的问题,提出一种自适应改进不完全S变换电能质量扰动检测方法。通过引入自适应窗口调节因子调整高斯窗函数的尺度,满足不同电能质量扰动对时频分辨率的不同需求。首先利用多尺度极大值算法提取复合电能质量扰动事件的特征频率。然后定义残差差分曲线放大电能质量扰动突变局部,获取脉冲数并以此为依据结合特征频率自适应确定窗口调节因子。最后对特征频率局部进行变换处理实现信号的自适应检测。仿真实验和实测信号分析表明,提出的自适应改进不完全S变换方法抗噪性强、运算复杂度小、检测精度高,适用于电能质量扰动信号的时频分析。(2)针对电能质量扰动信号分类识别问题,提出了基于二维快速离散正交S变换与KISSME算法的电能质量扰动事件识别方法。由于电能质量扰动本质上是一维信号,传统电能质量识别方法是寻找基于一维信号处理方法的特征提取与分类识别方法。本文提出利用二维信号处理的方式进行特征提取,将一维信号转换为行数和列数相等的二维信号。首先在数学建模的基础上,综合生成了包含噪声的17种不同的信号,并转换为行列相等的二维信号。其次通过二维快速离散正交S变换从二维信号中获得振幅矩阵,并在此基础上创建基于统计的特征以及基于能量和图像的特征。然后利用度量理论,通过KISSME方法学习一个最优度量,降低样本特征向量之间的相关性,使用SVM分类器构建电能质量扰动分类模型。对比实验及仿真结果表明,所提算法有效提升了分类算法准确度及对噪声的鲁棒性。