采用自适应多分辨率广义S变换的电能质量扰动识别方法技术

本发明专利技术是一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，其特点是，包括电能质量扰动信号采集、将扰动信号利用自适应多分辨率广义S变换进行处理、扰动信号特征提取和设计决策树分类器对样本进行分类等步骤。与以往的电能质量扰动分类方法相比，在保证了单一扰动的识别准确率基础上，考虑到各频域特征的表现需要，分频域设计窗宽调整因子，能够进一步提高复合扰动的识别准确率，具有科学合理，适应性强，较高的推广应用价值等优点。

【技术实现步骤摘要】

本专利技术是一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，应用于电能质量暂态扰动自动分类及定位、设备状态在线监测及评估以及电能质量治理。
技术介绍
电能质量暂态扰动自动分类是电能质量分析与控制的重要基础，对暂态治理、电力电子设备状态监控、扰动源定位等工作具有重要意义。随着智能电网将“安全、经济、电能质量”作为建设核心，电能质量的监控与分析已经逐渐由发电、输电环节向配电环节扩展，对扰动识别的准确性、实时性提出了更高的要求。研究重点逐渐从单一扰动识别向单一扰动与复合扰动共同识别过渡。常用的扰动识别方法一般包括信号处理与模式识别2个步骤。传统的电能质量暂态扰动自动分类方法常采用希尔伯特-黄变换(Hilbert-Huang Transform，HHT)、小波变换(Wavelet Transform)、S变换(S-transform，ST)和Hyperbolic S变换(Hyperbolic S-transform，HST)等作为信号处理手段。但由于时-频测不准原理，难以将时间分辨率与频率分辨率兼顾。模式识别方面，常用的方法包括神经网络(Neural Networks，NNs)、支持向量机(Support Vector Machine，SVM)与决策树(Decision Tree，DT)等。相比其他方法，决策树分类效率高、实现简单，适用于实时性要求高的现场应用环境。但分类效果依赖于特征的分类能力，且不同噪声水平下，最优分类阈值变化较大。需要对采用的特征及相关阈值设定进行深入分析。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种科学合理，识别准确率高，适应性强，具有较高推广应用价值的采用自适应多分辨率广义S变换的电能质量扰动识别方法。本专利技术的目的是通过以下技术方案来实现的：一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，其特征是，它包括以下步骤：1)电能质量扰动信号采集利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行采集和记录；2)将扰动信号利用自适应多分辨率广义S变换，亦称AMGST进行处理：AMGST是广义S变换的扩展，其关键在于对广义S变换高斯窗函数的傅里叶变换结果中窗宽因子的调整，具体设置如下：在低频部分，计算公式为：S[jT,nNT]=Σm=0N-1H[m+nNT]exp(-2π2m2/λLF2n2)exp(i2πmj/N)---(1)]]>其中：低频部分为1Hz至100Hz，在此范围内令低频窗宽调整因子λLF＝2；在中频部分，计算公式为：S[jT,nNT]=Σm=0N-1H[m+nNT]exp(-2π2m2/λMF2n2)exp(i2πmj/N)---(2)]]>其中：中频部分为101Hz至700Hz，在此范围内令中频窗宽调整因子在高频部分，计算公式为：S[jT,nNT]=Σm=0N-1H[m+nNT]exp(-2π2m2/λHF2n2)exp(i2πmj/N)---(3)]]>其中：高频部分为701Hz至(fs/2)Hz，fs为系统采样率；通过基频50Hz傅里叶谱判断信号是否含有基频扰动，若无扰动，取高频窗宽调整因子否则，取3)扰动信号特征提取确定6种特征构建分类决策树，从原始信号和AMGST计算结果矩阵中提取分类所需特征，用于分类的特征向量为：X＝(Ad,Ar,σF0,Anorm,AMmax,EHF)，特征向量中各元素含义及计算方法如下：Ad表示原始信号1/4周期能量跌落幅度，计算方法为原始信号各1/4周期的均方根值的最小值比上无噪声标准电能质量信号的1/4周期均方根值；Ar表示原始信号1/4周期能量上升幅度，计算方法为原始信号各1/4周期的均方根值的最大值比上无噪声标准电能质量信号的1/4周期均方根值；表示AMGST计算结果矩阵中基频对应幅值标准差；Anorm表示AMGST计算结果矩阵中基频归一化幅值因子，计算方法为基频各采样点对应幅值中的最大值加最小值再减1pu后再整体除以2；AMmax表示AMGST计算结果矩阵中,101Hz到700Hz部分，各个频率对应平均幅值最大值；EHF表示改进的高频能量，计算公式为：EHF=Σn=701fs/2Σj=1fsSTh2(n,j)---(4)]]>STh为高频频域内幅值大于0.02pu的元素；4)设计决策树分类器对样本进行分类针对所涉及的13种扰动设计决策树进行分类，其中包括电压暂降C1、电压暂升C2、电压中断C3、闪变C4、暂态振荡C5、谐波C6、电压切痕C7、电压尖峰C8单一扰动8种，和谐波含暂降C9、谐波含暂升C10、谐波含闪变C11、谐波含振荡C12、暂降含振荡C13复合扰动5种；决策树的每个决策节点的阈值设定方面，无交叉样本节点阈值由无交叉特征值范围的中间值确定；含交叉样本的节点阈值提出最小分类损失原则进行确定，如果最后仍不能确定确切阈值，则选取可行范围的中值作为阈值；最小分类损失原则原理如下：定义误识别率Er，令其中p为选定阈值后，待分类样本被误识别的个数，M为样本总数，分别设定交叉范围内样本特征值为分类阈值，并寻找Er最小值对应的阈值，即确定具有最小分类损失的阈值。利用本专利技术的一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，由于能够根据不同类型扰动信号能量在模时-频矩阵中的频域分布特点，将信号经快速傅里叶变换后获得的频谱分为低频、中频、高频3个频域，分别设定S变换窗函数窗宽调整因子，使其在各个频域具有不同的时-频分辨率，满足不同扰动信号识别要求；并针对高频振荡识别问题，设计基于基频傅里叶谱特征的自适应窗宽调整方法；在此基础上，从自适应多分辨率广义S变换时-频模矩阵和原始信号中提取6种特征用于构建决策树；最后，提出最小分类损失原则，确定决策树节点分类阈值，设计基于决策树的扰动分类器对电能质量扰动进行自动识别，充分反应本专利技术对电能质量暂态扰动的识别的准确性和实用性，与以往的电能质量扰动分类方法相比，在保证了单一扰动的识别准确率基础上，考虑到各频域特征的表现需要，分频域设计窗宽调整因子，能够进一步提高复合扰动的识别准确率，科学合理，适应性强，具有较高的推广应用价值。附图说明图1为本专利技术的总体算法流程图；图2为AMGST的计算流程图；图3为根据最小分类损失原则确定阈值的示意图；图4为训练样本为1000组时，决策节点随阈值变化的误识别率变化曲线；图5为决策树结构图本文档来自技高网...

【技术保护点】
一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，其特征是，它包括以下步骤：1)电能质量扰动信号采集利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行采集和记录；2)将扰动信号利用自适应多分辨率广义S变换，亦称AMGST进行处理：AMGST是广义S变换的扩展，其关键在于对广义S变换高斯窗函数的傅里叶变换结果中窗宽因子的调整，具体设置如下：在低频部分，计算公式为：S[jT,nNT]=Σm=0N-1H[m+nNT]exp(-2π2m2/λLF2n2)exp(i2πmj/N)---(1)]]>其中：低频部分为1Hz至100Hz，在此范围内令低频窗宽调整因子λLF＝2；在中频部分，计算公式为：S[jT,nNT]=Σm=0N-1H[m+nNT]exp(-2π2m2/λMF2n2)exp(i2πmj/N)---(2)]]>其中：中频部分为101Hz至700Hz，在此范围内令中频窗宽调整因子在高频部分，计算公式为：S[jT,nNT]=Σm=0N-1H[m+nNT]exp(-2π2m2/λHF2n2)exp(i2πmj/N)---(3)]]>其中：高频部分为701Hz至(fs/2)Hz，fs为系统采样率；通过基频50Hz傅里叶谱判断信号是否含有基频扰动，若无扰动，取高频窗宽调整因子否则，取3)扰动信号特征提取确定6种特征构建分类决策树，从原始信号和AMGST计算结果矩阵中提取分类所需特征，用于分类的特征向量为：特征向量中各元素含义及计算方法如下：Ad表示原始信号1/4周期能量跌落幅度，计算方法为原始信号各1/4周期的均方根值的最小值比上无噪声标准电能质量信号的1/4周期均方根值；Ar表示原始信号1/4周期能量上升幅度，计算方法为原始信号各1/4周期的均方根值的最大值比上无噪声标准电能质量信号的1/4周期均方根值；表示AMGST计算结果矩阵中基频对应幅值标准差；Anorm表示AMGST计算结果矩阵中基频归一化幅值因子，计算方法为基频各采样点对应幅值中的最大值加最小值再减1pu后再整体除以2；AMmax表示AMGST计算结果矩阵中,101Hz到700Hz部分，各个频率对应平均幅值最大值；EHF表示改进的高频能量，计算公式为：EHF=Σn=701fs/2Σj=1fsSTh2(n,j)---(4)]]>STh为高频频域内幅值大于0.02pu的元素；4)设计决策树分类器对样本进行分类针对所涉及的13种扰动设计决策树进行分类，其中包括电压暂降C1、电压暂升C2、电压中断C3、闪变C4、暂态振荡C5、谐波C6、电压切痕C7、电压尖峰C8单一扰动8种，和谐波含暂降C9、谐波含暂升C10、谐波含闪变C11、谐波含振荡C12、暂降含振荡C13复合扰动5种；决策树的每个决策节点的阈值设定原则是，无交叉样本节点阈值由无交叉特征值范围的中间值确定；含交叉样本的节点阈值提出最小分类损失原则进行确定，如果最后仍不能确定确切阈值，则选取可行范围的中值作为阈值；最小分类损失原则原理如下：定义误识别率Er，令其中p为选定阈值后，待分类样本被误识别的个数，M为样本总数，分别设定交叉范围内样本特征值为分类阈值，并寻找Er最小值对应的阈值，即确定具有最小分类损失的阈值。...

【技术特征摘要】
1.一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，其特征是，它包
括以下步骤：
1)电能质量扰动信号采集
利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行采集和记录；
2)将扰动信号利用自适应多分辨率广义S变换，亦称AMGST进行处理：
AMGST是广义S变换的扩展，其关键在于对广义S变换高斯窗函数的傅里叶变换结
果中窗宽因子的调整，具体设置如下：
在低频部分，计算公式为：
S[jT,nNT]=Σm=0N-1H[m+nNT]exp(-2π2m2/λLF2n2)exp(i2πmj/N)---(1)]]>其中：低频部分为1Hz至100Hz，在此范围内令低频窗宽调整因子λLF＝2；
在中频部分，计算公式为：
S[jT,nNT]=Σm=0N-1H[m+nNT]exp(-2π2m2/λMF2n2)exp(i2πmj/N)---(2)]]>其中：中频部分为101Hz至700Hz，在此范围内令中频窗宽调整因子在高频部分，计算公式为：
S[jT,nNT]=Σm=0N-1H[m+nNT]exp(-2π2m2/λHF2n2)exp(i2πmj/N)---(3)]]>其中：高频部分为701Hz至(fs/2)Hz，fs为系统采样率；通过基频50Hz傅里叶谱判断信号
是否含有基频扰动，若无扰动，取高频窗宽调整因子否则，取3)扰动信号特征提取
确定6种特征构建分类决策树，从原始信号和AMGST计算结果矩阵中提取分类所需
特征，用于分类的特征向量为：特征向量中各元素含义及计
算方法如下：
Ad表示原始信号1/4周期能量跌落幅度，计算...

【专利技术属性】
技术研发人员：黄南天，蔡国伟，张书鑫，张卫辉，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林;22