基于拟合提升小波和均值分析的电能质量扰动识别方法与流程

本发明涉及一种对电能质量暂态事件的扰动进行检测的方法，特别是一种基于拟合提升小波和均值分析的电能质量扰动识别方法。

背景技术：

电能作为一种实用、清洁且易于传输和控制的能源，被广泛应用于国民经济生产的各个行业和领域。随着我国经济的快速发展和对电能需求的飞速增加，提供稳定、可靠和高质量的电能对于保障电网和电气设备安全经济地运行以及人民的日常生活具有十分重要的意义。

近年来，由于电力电子装置的非线性等原因，电能质量正成为日益突出的问题。在电力系统中，电能质量问题主要分为两类：稳态和暂态；其中，暂态电能质量问题主要包括短时电压改变和各种暂态现象，而前者正成为工程实际中较为常见的典型问题。当电压事件发生时，其起止时刻的幅值将发生突变。小波分析因其具有出色的奇异性检测能力，可被应用于对扰动起止时刻的检测。由于不同的小波具有不同特性，结合模极大值方法对扰动进行检测时可能得到不一样的分析效果。

小波分析具有出色的局部化能力和奇异值检测特性，因此被广泛地应用于信号的分析与处理。针对电能质量暂态事件中的扰动识别问题，目前，主要采用经典小波和提升小波来实现对扰动起止时刻的定位以及扰动类型的识别。对于经典小波而言，其变换过程需借助卷积运算来实现，因而计算量较大，实时性较差，并且新小波的构造过程十分复杂；对于提升小波，当前研究大多是对已有的小波按照提升步骤进行提升或者直接选用对称的提升小波来对电能质量暂态事件的扰动进行定位和分类，虽然在计算量和实时性上有了提升，但小波的构造仍不够灵活，分析的准确性仍有待提高。本发明中采用基于数据拟合的提升算法，可大大提高小波构造的灵活性；同时，采用范数准则和均值算法，可进一步地减小非确定性因素的影响，提高对扰动定位、分类以及严重程度判定的准确性。

技术实现要素：

本发明目的在于：通过提供一种基于拟合提升小波和均值分析的电能质量扰动识别方法，实现对电能质量扰动的起止时刻的准确定位，以及对扰动的类型和严重程度的准确识别，为电能质量治理装置的研发提供合理有效的依据。

为实现上述目的，本发明是采用技术方案实现的：

一种基于拟合提升小波和均值分析的电能质量扰动识别方法，用于对电能质量暂态事件的扰动进行准确检测，其特征在于，包括以下步骤：

步骤1、选用基于拟合提升算法构造的三种具有不同特性的小波对监测信号进行冗余分解；

步骤2、对分解所得的三组高频细节信号分别求取归一化l^p范数，取范数值小的两组高频细节信号作为最优分解结果并求取模极大值，得到两组扰动开始时刻和结束时刻的判定值，对开始时刻的两组值和结束时刻的两组值分别求取均值作为最终的判定值，实现对扰动的定位，并分析扰动持续时间；

步骤3、结合电源电压正弦波的特点，向前求取与扰动开始时刻对应的整周期时刻，取未出现模极大值的两个时刻的电压值求均值，并与扰动开始时刻的电压值求取比值，根据比值结果判定扰动的类型以及严重程度。

本发明的有益效果在于：

(1)本发明选用多种小波对扰动的起止时刻进行识别，参照一定的判据从多组分析结果中选优，并再次对选优结果取均值，可在很大程度上提高对扰动定位的精确度。

(2)本发明针对扰动的分类识别问题，结合不同类型扰动的定义及电源电压为正弦波的特性，采用对扰动开始时刻和同周期下无扰动时刻的电压值求取比值的方法来进行分析。为尽可能提高分析准确度，选取多个同周期下无扰动时刻的电压值并对其取均值，再与扰动开始时刻的电压值取比值。由此不仅可定性地判断扰动类型，也可更准确地定量判断扰动的严重程度。

附图说明

图1是本发明的总体流程图；

图2是基于数据拟合的最小二乘法和提升算法构造的三种不同小波。

具体实施方式

下面结合附图对本发明的具体实施例进行详细说明。

如图1所示，该实施例提供了一种基于拟合提升小波和均值分析的电能质量扰动识别方法，其具体包括以下步骤：

步骤1、选用基于拟合提升算法构造的三种具有不同特性的小波对监测信号进行冗余分解；

该步骤中，中应用数据拟合最小二乘法和提升算法构造出三种各具不同特性的新小波函数，并依次选用三种不同小波对由监测终端采集得到的电源电压信号进行一层冗余提升小波分解，对应得到三组低频逼近信号a1、a2、a3和高频细节信号d1、d2、d3。其中：

三种小波函数φ分别为：

(1)φ1(x)＝x^k；

(2)φ2(x)＝x^2·k；

(3)φ3(x)＝x^0.5·k。

其中k＝0,1,2,…n，n为基函数的维数。

应用三种各具不同特性的小波对电能质量电源电压信号进行冗余提升小波分解，为后续的均值计算提供数据基础。

步骤2、对分解所得的三组高频细节信号分别求取归一化l^p范数，取范数值小的两组高频细节信号作为最优分解结果并求取模极大值，得到两组扰动开始时刻和结束时刻的判定值，对开始时刻的两组值和结束时刻的两组值分别求取均值作为最终的判定值，实现对扰动的定位，并分析扰动持续时间；

对于不含噪声的情形，通常采用l⁰范数(即数据向量中非零元素的个数)来衡量样本的稀疏性；而对于含有噪声的情形，由于较弱噪声的加入很可能使得原本稀疏的样本变成完全非稀疏的样本，因此需要选取其他参数。常用的方法是应用l^p范数来代替l⁰范数。

具体地，在该步骤中，对三组高频细节信号dk求归一化l^p范数，相应的计算公式为：

式中，pk为dk的归一化l^p范数；dk,i为dk中的第i个系数；k＝1,2,3分别对应所采用的三种小波；l为信号的样本长度。

上述计算公式的原理在juhakarvanenandandrzejcichocki共同发表的论文“measuringsparsenessofnoisysignals”中有详细说明(https://www.researchgate.net/publication/2570268)。

该实施例中，对三个||pk||p进行比较，舍弃最大范数值对应的dk而保留较小范数值对应的另外两组dk，并记为dopt1、dopt2。分别对dopt1、dopt2求取模极大值，即得到两组扰动开始时和结束时刻的判定值，分别为与dopt1对应的tstart1和tend1以及与dopt2对应的tstart2和tend2；然后进行均值计算：

取均值和作为最终确定的扰动的开始时刻和结束时刻，实现对扰动的定位。同时，根据电能质量暂态事件的定义，对扰动的持续时间进行分析，计算公式如下：

式中，tduration为扰动持续时间。对tduration进行判断：若满足0.01s≤tduration≤60s，则判定发生电能质量暂态事件；反之，判定此次发生的不是电能质量暂态事件，继续采集电能质量监测信号，并按照上述两个步骤再次进行分析。

通过对基于l^p范数准则选取的最优dk求取模极大值进而作均值计算来确定扰动的开始时刻和结束时刻，可提高对扰动定位检测的准确度。

步骤3、结合电源电压正弦波的特点，向前求取与扰动开始时刻对应的整周期时刻，取未出现模极大值的两个时刻的电压值求均值，并与扰动开始时刻的电压值求取比值，根据比值结果判定扰动的类型以及严重程度。

在该步骤中，根据理想电源电压为正弦波的特点，向前取扰动开始时刻的整周期时刻，判断所取时刻是否出现模极大值；取未出现模极大值的两组整周期时刻值t1、t2，与一起计算三个时刻对应的电压值，相应的计算公式为：

式中，a为时刻的电压值；tperiod＝1/50＝0.02(s)为电源电压的周期；k＝0,1,2为整数，表示周期的整数倍；当k＝0时即计算的电压值a0，k分别为另外两个正整数值时即计算t1、t2的电压值a1、a2。计算a1、a2的均值并与a0求取比值即：r＝a0/(a1+a2)。根据r进行判断：若1.1≤r≤1.8，则该扰动为电压暂升事件，且r越大，扰动就越严重；若0.1≤r≤0.9，则该扰动为电压暂降事件；且r越小，扰动就越严重；若r<0.1，则该扰动为短时电压中断事件；且r越小，扰动越严重。

如图2所示，为基于数据拟合的最小二乘法和提升算法构造的三种不同的新小波：图中，小波波形图上方的数字序号表示该小波是通过采用同序号的基函数构造而得到的。

本发明以扰动起止时刻分别为1.842s和2.612s、扰动幅值为标准电压值的0.5倍的电能质量暂降事件为实施例对本发明的技术方案进行说明：

首先、应用数据拟合和提升算法构造三种各具不同特性的新小波。取样本点数m和基函数的维数n的值分别为4和3，则由φ1(x)＝x^k构造得到wavelet1；由φ2(x)＝x^2·k构造得到wavelet2；由φ3(x)＝x^0.5·k构造得到wavelet3。选用wavelet1、2、3依次对扰动信号进行冗余提升小波分解，将对应得到三组低频逼近信号a1、a2、a3和高频细节信号d1、d2、d3。

其次、按照计算公式对d1、d2、d3分别求取归一化的l^p范数，所述l^p范数中，p的取值为0.1，得打d1的计算结果为4.8720×10³⁴；d2的计算结果为1.0984×10³⁵；d3的计算结果为1.0896×10³⁵。比较可知：d1的l^p值最小，d3的l^p值居中，d2的l^p值最大。因此，舍弃d2而保留d1和d3，并分别对d1和d3求取模极大值。其中，由d1模极大值得到的扰动起止时刻分别为1.842s和2.612s；由d3模极大值得到的扰动起止时刻分别为1.843s和2.613s。对1.842s和1.843s取平均为1.8425s作为最终确定的扰动开始时刻；对2.612s和2.611s取平均为2.6125s作为最终确定的扰动结束时刻，实现对扰动的定位。同时，根据电能质量暂态事件的定义，对扰动的持续时间进行分析，根据计算公式可得此次扰动的持续时间为2.6125s-1.8425s＝0.77s，判断0.77s在[0.01s，60s]的范围内，因此可判定此次发生电能质量暂态事件。

最后、根据理想电源电压为正弦波的特点，对扰动开始时刻1.8425s向前取整周期时刻即1.8425-k·0.02(k为整数)，判断当k＝1时即t＝1.8225s时刻是否出现模极大值；继续判断当k＝2时即t＝1.8025s时刻是否出现模极大值；继续令k＝3,4,…，以此类推。取未出现模极大值的两个时刻，如本实施例中k＝1即t＝1.8225s和k＝2即t＝1.8025s两个时刻均未出现模极大值，则取该两时刻的电压值即cos(2·π·50·1.8225)＝0.7071和cos(2·π·50·1.8025)＝0.7071，取两者的均值仍为0.7071；再计算扰动开始时刻t＝1.8425s时刻的电压值为cos(2·π·50·1.8425)＝0.3536；求取比值0.3536/0.7071＝0.5。由于0.5在范围[0.1，0.9]以内，判断该扰动为电压暂降事件，并且电压跌落幅值为50％，由此最终完成对电能质量暂态事件扰动的识别。

虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。