论文部分内容阅读
摘要：随着电力行业的发展、新型电力电子器件和大量非线性负荷的使用，致使电能质量问题正变得越來越严重，同时，电力供应商和电能消费者均对电能质量提出更高的要求。电能质量扰动信号的识别分类是进行电能质量扰动参数分析、定位扰动信号发生的源头，并对电能质量进行改善的重要前提。本文对几种电能质量暂态扰动信号的定位与识别方法进行了探讨，简析它们在处理电能质量扰动信号上的优缺，为后续的相关工作提供参考。
关键词：电能质量；扰动；定位与分类
1 电能质量扰动检测方法
1.1 傅里叶变换
傅里叶变换就是把时域上的信息映射到了频域上，因此可以分别从时域和频域两个角度来观察信号所具有的特性。但傅里叶变换只能反映信号在整个时间轴上的整体信息，却不能反映局部时间上频率特性。因此，傅里叶变换只适合处理一些平稳的、随时间周期变化的信号，否则会出现栅栏效应和频谱泄露。离散傅里叶变换（Discrete Fourier Transform，DFT）在频域检测中也得到了广泛的应用，通过加窗、插值及频谱校正等方式在傅里叶方法上进行了改善，使得变换速度和计算精度得到了很大的提高。而后又提出了快速傅里叶变换（Fast Fourier Transform，FFT），因其克服了DFT的计算量大等问题，使得其运算速度得到很大的提升。
1.2 小波变换
小波变换是一常用的处理电能质量的时频域分析法。小波变换可以很好的处理非平稳的信号，并且它能够同时从时域和频域进行观察，可以用一个二维矩阵实现信号的重构和局部变化，它的时频窗口可以自适应变化，具有良好的时频局部化特性。而能否选取合适的小波基使得小波变换的分析结果差别很大，而且小波变换的冗余度和计算量都较大。连续小波变换、离散小波变换、小波包变换等改进型方法克服了小波变换的缺陷在实际中得到大量应用。
1.3 希尔伯特黄变换
希尔伯特黄变换（Hilbert.Huang Transform，HHT）也是一种时频域分析法，实现了完全自适应并对非平稳信号有着精准的分析。能同时满足时间域和频率轴上所要求的精度要求，对突变信号的处理性更强。但其需要复杂的递回，运算时间反而比短时傅里叶变换要长。由于HHT拥有自身的有点，填补了FT先天系统的制约，将两种方法交相使用后，对信号的分析得到能力大大加强，得到更多的信号讯息。
1.4 S变换
S变换是在FT和小波变换基础上提出的一种可逆的时频分析算法。S变换有着更强的局部分析能力和很强的自适应性，兼并了FT和小波变换两者的优点，也很大程度上克服了两者的缺陷。S变换所加的窗宽与频率的倒数成正比[1]，正好克服了小波变换在低频下时间分辨率较差和在高频下频率分辨率较差这一缺点，而且拥有比小波变换更好的抗噪性和表征信号的特征量。但由于S变换计算比较繁琐，难以实现对扰动信号的实时监测。像广义的S变换，双曲S变换和多分辨率的广义S变换等，其计算精度和算法速度得到很大的提高。
2 电能质量扰动分类
2.1 人工神经网络
人工神经网络（Artificial Neural Networks，ANN）是一种基于分布式并行信息处理的算法模型。其由大量的神经元组合而成，根据组合方式的不同可得到BP神经网络、概率神经网络、广义回归神经网络和自组织神经网络等。使用该算法实现对扰动信号的模式识别分类，需要将扰动信号特征量输入人工神经网络分类器中，然后根据分类规则进行分类。由于人工神经网络通过判别函数去计算已知类的样本，而对于未知类样本不做任何监督，特别是当数据不充分时，神经网络就无法工作。
2.2 决策树
决策树利用归纳的算法制定分类规则，利用分层操作，对样本数据中的每个属性进行逐一划分，越向下的分支分的越细。所以决策树算法的执行效率高，分类结果明显，而且比较适合处理复合的电能质量扰动信号。但决策树比较依赖于训练样本，训练样本的好坏直接影响分类结果，并且决策树算法缺乏伸缩性，难以处理庞大的数据。
2.3 支持向量机
支持向量机（Support Vector Machine，SVM）就是通过一个平面或是超平面将分布式的样本划分为两类。特别在处理小样本、非线性以及高维模式中显示出诸多优点。在实际情况下，信号类别有很多种，想要对多个类别进行归类时SVM无法实现，所以多分类SVM被提出并应用。但由于寻求一个最优支持向量机核函数和参数显得比较困难，所以核函数和参数的选取是问题的关键所在，并直接影响分类结果。
2.4 人工免疫系统
人工免疫系统（Artifical Immune System，AIS）是在生物免疫系统信息处理机制上发展起来的一种数据处理、归纳和推理策略。该方法将各特征量作为抗原，计算抗原与训练好的记忆细胞中抗体的亲和度，根据亲和度的大小得到抗原的类别[2]，实现分类。由于该算法需要通过大量的训练样本来找到更好的训练方法，使该算法速度在实际应用中受到一定的限制，不适合在线实时监测的场合。
3 结语
电能质量作为应用最为广泛的能源之一，从侧面反映了一个国家的经济科技发展状况。电能质量的好坏直接影响着经济发展状况。由电能质量所引发的问题不只是降低了用户的生产力，削弱企业的竞争力，甚至可能会影响到就业问题，对社会造成重大影响。因此，迅速、准确、可靠地对电能质量扰动信号进行检测定位与识别分类，能够使相关设备及时、准确地动作，保证了设备、产品的安全，切实地维护了用户和电力供应商的利益。
参考文献：
[1]刘博.基于模糊逻辑的电能质量暂态扰动分类研究[D].哈尔滨工业大学，2016.
[2]张亚萍.电能质量扰动检测与定位方法研究[D]. 湖南大学，2016.
作者简介：杨正凡（1993），男，汉族，江苏盐城人，硕士，研究方向：智能控制。
关键词：电能质量；扰动；定位与分类
1 电能质量扰动检测方法
1.1 傅里叶变换
傅里叶变换就是把时域上的信息映射到了频域上，因此可以分别从时域和频域两个角度来观察信号所具有的特性。但傅里叶变换只能反映信号在整个时间轴上的整体信息，却不能反映局部时间上频率特性。因此，傅里叶变换只适合处理一些平稳的、随时间周期变化的信号，否则会出现栅栏效应和频谱泄露。离散傅里叶变换（Discrete Fourier Transform，DFT）在频域检测中也得到了广泛的应用，通过加窗、插值及频谱校正等方式在傅里叶方法上进行了改善，使得变换速度和计算精度得到了很大的提高。而后又提出了快速傅里叶变换（Fast Fourier Transform，FFT），因其克服了DFT的计算量大等问题，使得其运算速度得到很大的提升。
1.2 小波变换
小波变换是一常用的处理电能质量的时频域分析法。小波变换可以很好的处理非平稳的信号，并且它能够同时从时域和频域进行观察，可以用一个二维矩阵实现信号的重构和局部变化，它的时频窗口可以自适应变化，具有良好的时频局部化特性。而能否选取合适的小波基使得小波变换的分析结果差别很大，而且小波变换的冗余度和计算量都较大。连续小波变换、离散小波变换、小波包变换等改进型方法克服了小波变换的缺陷在实际中得到大量应用。
1.3 希尔伯特黄变换
希尔伯特黄变换（Hilbert.Huang Transform，HHT）也是一种时频域分析法，实现了完全自适应并对非平稳信号有着精准的分析。能同时满足时间域和频率轴上所要求的精度要求，对突变信号的处理性更强。但其需要复杂的递回，运算时间反而比短时傅里叶变换要长。由于HHT拥有自身的有点，填补了FT先天系统的制约，将两种方法交相使用后，对信号的分析得到能力大大加强，得到更多的信号讯息。
1.4 S变换
S变换是在FT和小波变换基础上提出的一种可逆的时频分析算法。S变换有着更强的局部分析能力和很强的自适应性，兼并了FT和小波变换两者的优点，也很大程度上克服了两者的缺陷。S变换所加的窗宽与频率的倒数成正比[1]，正好克服了小波变换在低频下时间分辨率较差和在高频下频率分辨率较差这一缺点，而且拥有比小波变换更好的抗噪性和表征信号的特征量。但由于S变换计算比较繁琐，难以实现对扰动信号的实时监测。像广义的S变换，双曲S变换和多分辨率的广义S变换等，其计算精度和算法速度得到很大的提高。
2 电能质量扰动分类
2.1 人工神经网络
人工神经网络（Artificial Neural Networks，ANN）是一种基于分布式并行信息处理的算法模型。其由大量的神经元组合而成，根据组合方式的不同可得到BP神经网络、概率神经网络、广义回归神经网络和自组织神经网络等。使用该算法实现对扰动信号的模式识别分类，需要将扰动信号特征量输入人工神经网络分类器中，然后根据分类规则进行分类。由于人工神经网络通过判别函数去计算已知类的样本，而对于未知类样本不做任何监督，特别是当数据不充分时，神经网络就无法工作。
2.2 决策树
决策树利用归纳的算法制定分类规则，利用分层操作，对样本数据中的每个属性进行逐一划分，越向下的分支分的越细。所以决策树算法的执行效率高，分类结果明显，而且比较适合处理复合的电能质量扰动信号。但决策树比较依赖于训练样本，训练样本的好坏直接影响分类结果，并且决策树算法缺乏伸缩性，难以处理庞大的数据。
2.3 支持向量机
支持向量机（Support Vector Machine，SVM）就是通过一个平面或是超平面将分布式的样本划分为两类。特别在处理小样本、非线性以及高维模式中显示出诸多优点。在实际情况下，信号类别有很多种，想要对多个类别进行归类时SVM无法实现，所以多分类SVM被提出并应用。但由于寻求一个最优支持向量机核函数和参数显得比较困难，所以核函数和参数的选取是问题的关键所在，并直接影响分类结果。
2.4 人工免疫系统
人工免疫系统（Artifical Immune System，AIS）是在生物免疫系统信息处理机制上发展起来的一种数据处理、归纳和推理策略。该方法将各特征量作为抗原，计算抗原与训练好的记忆细胞中抗体的亲和度，根据亲和度的大小得到抗原的类别[2]，实现分类。由于该算法需要通过大量的训练样本来找到更好的训练方法，使该算法速度在实际应用中受到一定的限制，不适合在线实时监测的场合。
3 结语
电能质量作为应用最为广泛的能源之一，从侧面反映了一个国家的经济科技发展状况。电能质量的好坏直接影响着经济发展状况。由电能质量所引发的问题不只是降低了用户的生产力，削弱企业的竞争力，甚至可能会影响到就业问题，对社会造成重大影响。因此，迅速、准确、可靠地对电能质量扰动信号进行检测定位与识别分类，能够使相关设备及时、准确地动作，保证了设备、产品的安全，切实地维护了用户和电力供应商的利益。
参考文献：
[1]刘博.基于模糊逻辑的电能质量暂态扰动分类研究[D].哈尔滨工业大学，2016.
[2]张亚萍.电能质量扰动检测与定位方法研究[D]. 湖南大学，2016.
作者简介：杨正凡（1993），男，汉族，江苏盐城人，硕士，研究方向：智能控制。