一种基于信息融合的电能质量扰动自动识别方法及系统，其特点是：从电能质量监测系统及其它自动化系统中，采集与电能质量扰动相关的稳态测量数据和暂态测量数据，进行去噪声等预处理；利用傅里叶分析、小波多分辨率分解和相关函数分析相结合的方法提取扰动数据的时域、频域和关联特征，建立扰动特征向量，且作为３个概率神经网络的输入特征向量，实现从特征空间到扰动空间的映射；将３个概率神经网络的输出作为彼此独立的证据体，再利用Ｄ－Ｓ证据理论进行信息融合，得到识别结果。本发明专利技术通过正确选择与提取扰动特征向量，分类输入并行神经网络，从多方面反映扰动的状况，有效地提高了扰动的正确识别率，初步实现了电能质量扰动的智能识别。
【技术实现步骤摘要】
本专利技术属于电力系统自动化领域，尤其是一种基于信息融合的电能质量扰动自动识别方法及系统。
技术介绍
电能质量扰动识别的实质是模式识别，目前研究该问题的基本思想是根据快速傅里叶变换和小波变换或其他时频分析方法对信号进行分析，提取特征，结合神经网络、模糊专家系统等模式识别方法进行电能质量扰动的自动识别。现有的方法大多单纯从电能质量监测系统的失真时域波形中提取一个方面的特征量来识别电能质量扰动，缺乏对多源多维信息的协同处理和综合利用。由于这种方法所利用的扰动特征量有限，如果这些特征量受各种噪声干扰影响，可能降低扰动识别精度和可靠性，同时在准确性、可靠性和实用性等方面都存在着不同程度的缺陷。
技术实现思路
本专利技术的目的就是提出一种电能质量扰动识别准确性好、可靠性高、通用性强的基于信息融合的电能质量扰动识别方法；本专利技术的另一目的是提供一种结构合理，能够满足准确性、可靠性和实用性的基于信息融合的电能质量扰动识别系统。本专利技术的基于信息融合的电能质量扰动识别方法，包括以下步骤(1)数据采集和预处理数据采集和预处理是直接在采集到的原始数据层上进行融合，从电能质量监测系统及其它自动化系统(如电能计量系统、负荷管理系统等)中，采集与电能质量扰动相关的稳态测量数据和暂态测量数据(例如，历史数据、统计数据和波形文件)未经预处理之前就进行数据的综合和分析，是最低层次的融合，主要完成原始数据的筛选、检错和校核、数据格式转换、归一化处理等初步的数据处理，主要利用来自不同信息源的、反映同一目标的信息具有相似特征，来判断这些特征不完全相同的数据的真伪，去伪存真，弥补有些信息的不真实性、不确切性。(2)特征提取和局部识别特征提取和局部识别属于中间层次，除完成数据的状态估计外，更主要是对来自不同数据源的原始信息，利用傅里叶分析、小波多分辨率分解和相关函数分析相结合的方法提取扰动数据的时域、频域和关联特征，并对特征信息进行综合分析和处理，建立反映扰动特征的3个特征向量，将3个特征向量分别输入到3个概率神经网络，实现扰动的局部识别。(3)综合识别综合识别是一种高层次融合，运用D-S证据推理理论处理不确定性问题的能力，对步骤(2)提供的时域、频域和关联扰动识别结果进行联合处理，通过它的组合规则进一步优化识别结果，做出最终识别。本专利技术的基于信息融合的电能质量扰动识别系统分成Visual C++、Matlab和Excel工作环境，使用Visual C++进行数据的采集、命令的发送和复杂的流程控制；使用Matlab下开发的COM组件完成复杂的算法实现和数字信号处理编程；使用Excel构建数据库。具体来说，本专利技术基于信息融合的电能质量识别系统由数据采集与预处理模块、扰动识别数据库、特征提取模块、局部扰动识别模块、融合识别模块和用户交互模块构成。本专利技术的基于信息融合的电能质量扰动识别方法的有益效果是1、将概率神经网络识别技术与小波分析技术相结合，实现了电能质量扰动的智能识别，克服了传统方法主观性强的缺点；2、该方法对3个概率神经网络的输出进行信息融合，得到最终的识别结果，识别率高，而且可靠性强。本专利技术基于信息融合的电能质量扰动识别系统结构合理，采集信号准确、真实，初步实现了电能质量监测的智能化。附图说明图1为基于信息融合的电能质量扰动识别方法示意图；图2为基于信息融合的电能质量扰动识别系统结构示意图；图3为基于信息融合的电能质量扰动识别流程图。具体实施例方式下面结合附图及具体实施例对本专利技术作进一步详细说明。如图1所示，一种基于信息融合的电能质量识别方法包括下述步骤(1)数据采集及预处理利用数据访问接口从电能质量监测系统的数据库中，采集与电能质量扰动相关的稳态数据、暂态数据(如谐波、电压波动和闪变、三相不平衡度、暂时过电压和瞬态过电压等指标)、瞬时波形和有效值变化情况及持续时间、峰值大小等相关信息；通过标准访问接口，获取其它自动化系统(如电能计量系统、负荷管理系统等)与该扰动相关的数据；利用小波变换对信号进行去噪声处理。(2)特征提取及局部识别对现场测量取样的失真波形，采用快速傅立叶变换将时域的数字信号迅速地变换为它所对应的谱，从谱中便可以得到关于信号的各种特征(如信号所含谐波的次数、各次谐波的幅值及其初相角等)作为扰动的特征向量；采用小波多分辨率分解将畸变波形转换到不同的频率区域，提取反映各种扰动特征的信号能量；采用相关函数分析方法分析电能质量扰动与电力机车的运行工况的关系，通过相关函数分析与计算得到相关系数值。这样，从各类数据抽取的反映电能质量扰动的特征信息可分为三类①6种时域特征(电压波形，电流波形，有效值，基波幅值和相位，扰动持续时间)；②10种频域特征3、5、7、9次谐波的电压、电流幅值和相位，总谐波畸变率，小波包变换提取不同频带内的能量值)；③3种关联特征(扰动与电力机车速度的相关系数，扰动与电力机车负荷的相关系数，扰动与电力机车行车密度的相关系数)。针对以上3类扰动特征，采用3个并列的三层概率神经网络，构成特征融合级神经网络。神经网络的输入与3个特征向量对应，输出与扰动种类对应，即电压暂降为(1，0，0，0，0)，电压暂升为(0，1，0，0，0)，电压闪变为(0，0，1，0，0)，电压波动为(0，0，0，1，0)，电压中断为(0，0，0，0，1)。判定某类扰动发生的可信度值阈值θ＝0.5为基准，若神经网络输出值大于阈值并接近“1”，则表明某类扰动发生，反之，则接近“0”。从电能质量监测系统中收集以往的扰动数据与试验数据，分别选择适合于3个子神经网络的扰动训练样本，建立3个神经网络并对其进行训练，各自完成从扰动特征参数子空间到整个扰动空间的映射。网络训练完成后，就可以根据输入的扰动特征数据进行识别。神经网络需要把输入的数据归一化到学习算法限制的范围内，因此，将扰动特征数据变换为0或1之间的正数，以避免过大的权重调节淹没部分特征信息，消除各特征参数物理单位的干扰。(3)综合识别每个识别网络的能力是不同的，因此每个网络存在一个可靠性系数即证据的折扣。将各局部神经网络的实际输出值进行归一化处理，再乘以神经网络总的识别率。设第i(i＝1，2，3)个网络的第j(j＝1，2，3，4，5)个输出值为Oi(Aj)，那么它对应在本证据基础上对输出j的信度分配为mi(Aj)=Oi(Aj)αiΣj=1nOi(Aj)---(1)]]>式中，αi为各网络的识别率，n为神经网络的个数， 为理想状态下神经网络各节点的总输出。Aj为扰动识别中的基本扰动模式；mi(Aj)为在扰动框架上对扰动Aj的信度函数分配。经归一化处理后，得到各证据的基本可信度分配。采用D-S证据理论将3个局部网络的识别结果组合进行综合识别。根据电能质量扰动的特性，主要分析几种典型扰动，即电压暂降(E1)、电压暂升(E2)、电压闪变(E3)、电压波动(E4)、电压中断(E5)，确定证据理论中的识别框架，记为＝{E1，E2，E3，E4，E5}。根据证据融合公式(2)对多个神经网络的证据进行融合处理，可得到融合后的各扰动基本可信度分配，由此可实现对扰动的准确识别。m(C)=0,C=φΣAiIBj-cm1(Ai)m2(本文档来自技高网...
【技术保护点】
一种基于信息融合的电能质量自动扰动识别方法，其特征在于：它包括下述步骤：（１）从电能质量监测系统电能计量系统及负荷管理系统中，采集与电能质量扰动相关的稳态测量数据和暂态测量数据，并对数据进行去噪声处理，实现统一时标、综合管理； （２）采用傅里叶分析、小波多分辨率分解及相关函数分析方法对去噪声后的数据进行特征提取，得到反映扰动特征的３种多维特征向量；（３）将提取的多维特征向量分别送入概率神经网络进行训练，训练好的神经网络可对未知扰动进行识别；（４） 将各神经网络的输出结果作为彼此独立的证据，利用Ｄ－Ｓ证据理论进行信息融合，得到最终的识别结果。
【技术特征摘要】
【专利技术属性】
技术研发人员：辛建波，上官帖，李新中，孙旻，
申请(专利权)人：江西省电力科学研究院，
类型：发明
国别省市：36[中国|江西]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。