電能質(zhì)量暫態(tài)擾動(dòng)模糊分類(lèi)分析

, , ,

(1.國(guó)網(wǎng)安徽省電力有限公司，合肥 230000;2.南瑞集團(tuán)有限公司(國(guó)網(wǎng)電力科學(xué)研究院有限公司)，南京 210000)

0 引言

隨著電網(wǎng)規(guī)模的不斷發(fā)展，各類(lèi)用電設(shè)備越來(lái)越多。一些性能高、效率高的敏感性高科技設(shè)備對(duì)電能質(zhì)量的要求也在不斷提高，要求電網(wǎng)電能質(zhì)量能滿足不同設(shè)備的使用需求[1-3]。而設(shè)備運(yùn)行過(guò)程中容易產(chǎn)生電磁擾動(dòng)信號(hào)等，對(duì)電能質(zhì)量造成很大影響，對(duì)電能質(zhì)量擾動(dòng)信號(hào)的分類(lèi)監(jiān)測(cè)成為重點(diǎn)[4-6]。電能質(zhì)量擾動(dòng)分類(lèi)主要從擾動(dòng)信號(hào)特征提取和信號(hào)識(shí)別來(lái)實(shí)現(xiàn)[7]。目前應(yīng)用較多的特征信號(hào)提取法包括小波變換[8-10]、傅里葉變換[11-13]、S變換[14]，對(duì)特信號(hào)的識(shí)別主要包括基于規(guī)則的分類(lèi)[15]、基于支持向量機(jī)分類(lèi)[16-18]和人工神經(jīng)網(wǎng)絡(luò)分類(lèi)法[19]等。本文在綜合相關(guān)研究方法的基礎(chǔ)上，采用小波變化來(lái)實(shí)現(xiàn)對(duì)平穩(wěn)信號(hào)和非平穩(wěn)信號(hào)的特征提取，并通過(guò)改進(jìn)的支持向量基法來(lái)實(shí)現(xiàn)一對(duì)多的特征向量分類(lèi)，從而滿足電網(wǎng)電能質(zhì)量暫態(tài)擾動(dòng)信號(hào)的識(shí)別和分類(lèi)。

1 特征擾動(dòng)信號(hào)提取

1.1 小波信號(hào)去噪

電能質(zhì)量暫態(tài)擾動(dòng)主要有電壓的暫升和暫降，電壓終端、暫態(tài)脈沖和暫態(tài)振蕩。該類(lèi)型擾動(dòng)信號(hào)通常采用暫態(tài)時(shí)間與電壓的變化關(guān)系來(lái)展現(xiàn)。這種暫態(tài)擾動(dòng)在某一時(shí)間段內(nèi)，不僅可以以單一形式發(fā)生，同時(shí)幾種擾動(dòng)信號(hào)能夠相互組合，如電壓暫降和暫態(tài)振蕩等，變?yōu)閺?fù)雜度更高的組合電能質(zhì)量暫態(tài)擾動(dòng)。因此，電網(wǎng)質(zhì)量暫態(tài)擾動(dòng)信號(hào)是一種多變的形式。

實(shí)際電網(wǎng)中，由于設(shè)備運(yùn)行、外界環(huán)境電磁干擾等使得設(shè)備采集到的電能擾動(dòng)信號(hào)包括多種復(fù)雜的噪聲信號(hào)，使得造成擾動(dòng)信號(hào)完全掩蓋了噪聲信號(hào)，因此就需要去掉信號(hào)中的噪聲分布。根據(jù)小波去噪遠(yuǎn)離，對(duì)于一個(gè)噪聲信號(hào)，可表示為式(1)。

S(t)=f(t)+ε*e(t)t=0,1,…n-1

(1)

上式中：S(t)為帶噪信號(hào)；f(t)為擾動(dòng)信號(hào)；e(t)為噪聲信號(hào)；ε為信號(hào)偏差。對(duì)于e(t)可以認(rèn)為是一個(gè)服從N(0,1)的高斯白噪聲。

獲得了電能質(zhì)量信號(hào)后，若需要從信號(hào)中提取擾動(dòng)信號(hào)，首先需要將噪聲信號(hào)從擾動(dòng)信號(hào)分離。對(duì)于電網(wǎng)中電能質(zhì)量擾動(dòng)信號(hào)通常為一類(lèi)低頻穩(wěn)定信號(hào)，而噪聲信號(hào)更多的表現(xiàn)為高頻信號(hào)。在經(jīng)過(guò)小波變換后，擾動(dòng)信號(hào)的小波系數(shù)具有較大幅值，而噪聲信號(hào)則依然表現(xiàn)為高斯分布，具有的小波系數(shù)幅值較小。因此，可通過(guò)選定合適的閾值來(lái)分離噪聲信號(hào)和擾動(dòng)信號(hào)，考慮到軟硬閾值在缺陷，本文采用一種改進(jìn)的閾值函數(shù)來(lái)進(jìn)行信號(hào)的分離，如式(2)。

(2)

圖1 小波去噪信號(hào)流程

1.2 小波信號(hào)提取

在進(jìn)行擾動(dòng)信號(hào)分類(lèi)前，需對(duì)信號(hào)進(jìn)行處理選取能夠表征擾動(dòng)信號(hào)的特征量來(lái)作為輸入量。特征量的選取直接關(guān)系到后續(xù)電能質(zhì)量擾動(dòng)信號(hào)的的分類(lèi)效果，其中電能擾動(dòng)信號(hào)的小波變換系數(shù)和分解層數(shù)的確定是實(shí)現(xiàn)小波信號(hào)提取的關(guān)鍵[20]。

1.2.1 小波基函數(shù)的確定

目前針對(duì)小波函數(shù)的選取主要根據(jù)工程經(jīng)驗(yàn)、應(yīng)用對(duì)象以及小波基函數(shù)的性質(zhì)來(lái)選取。針對(duì)電能質(zhì)量擾動(dòng)信號(hào)特征，要求選取的小波函數(shù)在時(shí)域和頻域上具備優(yōu)異的局部性，且對(duì)電網(wǎng)中的不規(guī)則變化能較快反應(yīng)。同時(shí)，在對(duì)于暫態(tài)電能質(zhì)量，在進(jìn)行時(shí)域分析時(shí)，要求小波變換能夠準(zhǔn)確提取非穩(wěn)態(tài)信號(hào)的突變成分，即在特定尺度上實(shí)現(xiàn)電能質(zhì)量暫態(tài)擾動(dòng)信號(hào)的小波變換。

本文在參考多種小波函數(shù)的，針對(duì)暫態(tài)擾動(dòng)信號(hào)特點(diǎn)，決定采用Daubechise小波函數(shù)進(jìn)行電能質(zhì)量擾動(dòng)信號(hào)的提取。Daubechise小波函數(shù)具有具有正交、時(shí)頻域支撐，具備快速速衰減的優(yōu)勢(shì)，能滿足電能質(zhì)量擾動(dòng)信號(hào)奇異點(diǎn)的檢測(cè)。在參考相關(guān)文獻(xiàn)[21]的基礎(chǔ)上，對(duì)比了Daubechise系列，決定采用濾波長(zhǎng)度系數(shù)為4的Db4系列作為電能質(zhì)量問(wèn)題分析。

1.2.2 分解層數(shù)的確定

合理的確定小波變換分解層數(shù)是準(zhǔn)確提取電能質(zhì)量擾動(dòng)信號(hào)特征量的重點(diǎn)[22]。為滿足電能質(zhì)量暫態(tài)擾動(dòng)的時(shí)頻域暫態(tài)特性，保證基頻處于最低子頻帶中心，降低子頻帶受基頻分量的影響。本文根據(jù)信號(hào)采樣來(lái)確定小波分解層數(shù)。小波分解頻帶劃分采用式(3)。

(3)

式中：fs和f0分別為信號(hào)采用頻率和信號(hào)基頻；P為分解層數(shù)。

1.2.3 小波變換的特征提取

擾動(dòng)信號(hào)經(jīng)過(guò)多尺度分解成一系列相對(duì)應(yīng)的系數(shù)。當(dāng)對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行l(wèi)層分解后，定義小波變化在各層的能量分布為式(4)。

(4)

式中：j=1,2,…,l。擾動(dòng)信號(hào)經(jīng)過(guò)l層分解得到一個(gè)l維特征向量P作為向量機(jī)輸入值，即可得到式(5)。

P=[ED1,ED2…EDl]

(5)

由于上述方法獲得的擾動(dòng)信號(hào)能量分布特征向量較為接近，在實(shí)際應(yīng)用過(guò)程中很難進(jìn)行分類(lèi)，因此通常在獲得的P中減去理想電壓信號(hào)Pref，獲得二者的能量差分布特征向量ΔP作為向量機(jī)的輸入值。

1.3 電能質(zhì)量暫態(tài)擾動(dòng)分類(lèi)

支持向量機(jī)(SVM)是將不同種類(lèi)樣本通過(guò)原始空間或映射到高維空間構(gòu)造成最優(yōu)超平面[23]。如圖2所示。

圖2 線性可分下的超平面示意圖

圖2中的兩類(lèi)點(diǎn)分別為兩種樣本。假設(shè)樣本是線性可分的，則通過(guò)SVM獲得的學(xué)習(xí)結(jié)果是一個(gè)超平面，將獲得的超平面稱(chēng)之為判別函數(shù)。根據(jù)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則，有無(wú)數(shù)個(gè)相同類(lèi)型的超平面，因而能夠達(dá)到較好的分類(lèi)目的，但卻不具備強(qiáng)度的預(yù)測(cè)推廣力。根據(jù)統(tǒng)計(jì)學(xué)理論結(jié)構(gòu)最小化準(zhǔn)則，通過(guò)學(xué)習(xí)獲得的最終結(jié)果應(yīng)是尋找到系統(tǒng)的最優(yōu)超平面P0，要求P0同時(shí)具備較大的分類(lèi)間隔和理想的分類(lèi)效果。

本文中主要是針對(duì)電網(wǎng)電能質(zhì)量暫態(tài)擾動(dòng)進(jìn)行分類(lèi)，因此，選擇采用多類(lèi)分類(lèi)支持向量機(jī)。即每個(gè)SVM分類(lèi)器只針對(duì)一個(gè)電能質(zhì)量暫態(tài)擾動(dòng)判別，如針對(duì)電壓暫態(tài)問(wèn)題，當(dāng)經(jīng)過(guò)分類(lèi)器判定輸入波形為電壓暫升類(lèi)型時(shí)，對(duì)應(yīng)的分類(lèi)器輸出為1，否則為0。類(lèi)似的其他SVM輸入結(jié)果為0或1，最終獲得輸出向量O=[o1,o2,…ol]，理論上，只有對(duì)應(yīng)的SVM輸出為1，其余均為0，當(dāng)輸出向量中存在多個(gè)1時(shí)，表明該擾動(dòng)為符合擾動(dòng)類(lèi)型。

在分類(lèi)步驟可以看出，采用SVM分類(lèi)中可知，用SVM作分類(lèi)時(shí)需要對(duì)核函數(shù)參數(shù)g以及懲罰參數(shù)c等進(jìn)行調(diào)節(jié)才能獲得較理想的分類(lèi)結(jié)果。本文采取交叉驗(yàn)證思想來(lái)選定最優(yōu)參數(shù)。選用K-CV方法選定核函數(shù)g和最佳懲罰函數(shù)c的相關(guān)參數(shù)。具體步驟為：將g、c參數(shù)在(2-10,210)選定值；利用網(wǎng)格搜索法獲得相應(yīng)的參數(shù)度(2-10,210)(ci,gi),i=1,2,…m,j=1,2,…n；利用K-CV交叉驗(yàn)證法對(duì)參數(shù)對(duì)(ci,gi)確定分類(lèi)最佳參數(shù)對(duì)(cbest,gbest)，若有多組(ci,gi)對(duì)應(yīng)相同的最佳參數(shù)對(duì)，則選定最小的參數(shù)對(duì)(ci,gi)作為最佳參數(shù)；根據(jù)獲得的最佳參數(shù)對(duì)來(lái)縮小對(duì)應(yīng)的g、c參數(shù)取值范圍，重新進(jìn)行分類(lèi)選擇直到獲得最佳參數(shù)對(duì)(cbest,gbest),電能質(zhì)量擾動(dòng)分類(lèi)流程圖,如圖3所示。

圖3 電能質(zhì)量擾動(dòng)分類(lèi)流程圖

2 仿真實(shí)例驗(yàn)證

為驗(yàn)證基于小波變換對(duì)電能質(zhì)量暫態(tài)擾動(dòng)信號(hào)的識(shí)別和分類(lèi)準(zhǔn)確性，本文選定電壓暫降、電壓暫升、暫態(tài)振蕩和暫態(tài)脈沖、電壓中斷五種單一電能質(zhì)量暫態(tài)擾動(dòng)指標(biāo)和電壓中斷+暫態(tài)振動(dòng)和電壓暫降+暫態(tài)振蕩的復(fù)合型電能暫態(tài)擾動(dòng)信號(hào)進(jìn)行分析，設(shè)計(jì)每種擾動(dòng)樣本各500個(gè)，隨機(jī)選擇其中的350個(gè)樣本用于SVM分類(lèi)訓(xùn)練樣板，剩余150個(gè)用于樣本測(cè)試。為模擬實(shí)際噪聲，在樣本上施加了一個(gè)疊加白噪聲，經(jīng)過(guò)去噪處理后采用選定的DB4小波進(jìn)行10層分解，并提取信號(hào)中的特征向量，構(gòu)建SVM分類(lèi)器，并在基于Mathb軟件上進(jìn)行仿真訓(xùn)練測(cè)試。為表現(xiàn)一對(duì)多方法的優(yōu)越性，本文分別對(duì)比分析了BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器和改進(jìn)的SVM分類(lèi)器的訓(xùn)練和測(cè)試進(jìn)行了對(duì)比分析。獲得的擾動(dòng)結(jié)果分類(lèi)如表1所示。

從獲得的試驗(yàn)結(jié)果可以看出，采用改進(jìn)的SVM電能質(zhì)量暫態(tài)擾動(dòng)分類(lèi)法的單一暫態(tài)擾動(dòng)指標(biāo)的平均準(zhǔn)確了為96.5%，而采用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的分類(lèi)準(zhǔn)確率為91.6%，同時(shí)，加入的兩種通過(guò)仿真結(jié)果對(duì)比分析可知，電壓終端+暫態(tài)振動(dòng)和電壓暫降+暫態(tài)振蕩的復(fù)合型電能暫態(tài)擾動(dòng)信號(hào)準(zhǔn)確率也在94%以上，明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)法的91%，采用改進(jìn)的SVM法能有效識(shí)別電網(wǎng)中存在的電能質(zhì)量暫態(tài)擾動(dòng)。

可以看出，采用改進(jìn)的SVM訓(xùn)練法的訓(xùn)練時(shí)間遠(yuǎn)遠(yuǎn)低于BP神經(jīng)網(wǎng)絡(luò)法，因此，在分類(lèi)快速性和高效性方面采用改兩種不同訓(xùn)練法的訓(xùn)練和測(cè)試試驗(yàn),結(jié)果如表2所示。

表1 電能質(zhì)量暫態(tài)擾動(dòng)分類(lèi)結(jié)果

表2 分類(lèi)器訓(xùn)練測(cè)試時(shí)間

進(jìn)的SVM分類(lèi)法也明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)法。

3 總結(jié)

基于電能質(zhì)量暫態(tài)擾動(dòng)信號(hào)的暫態(tài)多變特征，提出一種基于小波變換來(lái)實(shí)現(xiàn)電能質(zhì)量暫態(tài)擾動(dòng)信號(hào)的特征值識(shí)別和信號(hào)分類(lèi)。提出一種改進(jìn)的閾值函數(shù)來(lái)進(jìn)行信號(hào)的分離，實(shí)現(xiàn)對(duì)電能擾動(dòng)低頻穩(wěn)定信號(hào)和高頻噪聲信號(hào)的分離；采用Daubechise 4小波函數(shù)進(jìn)行電能質(zhì)量擾動(dòng)信號(hào)的提取。為保證基頻處于最低子頻帶中心，降低子頻帶受基頻分量的影響，利用小波分解頻帶進(jìn)行擾動(dòng)信號(hào)分層。并利用K-CV方法選定相關(guān)的擾動(dòng)信號(hào)參數(shù)。實(shí)例驗(yàn)證表明，采用本文提出的改進(jìn)型SVM法能有效提高電能質(zhì)量暫態(tài)擾動(dòng)的分裂準(zhǔn)確率和效率。