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

摘要

本发明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。

主权项

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：$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\Sigma }}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-{2\pi }^2{m}^2/{{\lambda }_{\mathrm{LF}}}^2{n}^2)\exp (i2\mathrm{\pi mj}/N)---\left(1\right)$其中：低频部分为1Hz至100Hz，在此范围内令低频窗宽调整因子λ_LF＝2；在中频部分，计算公式为：$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\Sigma }}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-{2\pi }^2{m}^2/{{\lambda }_{\mathrm{MF}}}^2{n}^2)\exp (i2\mathrm{\pi mj}/N)---\left(2\right)$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：$S[\mathrm{jT},\frac{n}{\mathrm{NT}}]=\underset{m=0}{\overset{N-1}{\Sigma }}H\left[\frac{m+n}{\mathrm{NT}}\right]\exp (-{2\pi }^2{m}^2/{{\lambda }_{\mathrm{HF}}}^2{n}^2)\exp (i2\mathrm{\pi mj}/N)---\left(3\right)$其中：高频部分为701Hz至(f_s/2)Hz，f_s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：A_d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；A_r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；A_norm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；A_Mmax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；E_HF表示改进的高频能量，计算公式为：$E_{\mathrm{HF}}=\underset{n=701}{\overset{f_s/2}{\Sigma }}\underset{j=1}{\overset{f_s}{\Sigma }}{S_{\mathrm{Th}}}^2(n,j)---\left(4\right)$S_Th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E_r，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E_r最小值对应的阈值，即确定具有最小分类损失的阈值。