一种采用二维形态学降噪的电能质量复合扰动识别方法
【专利摘要】本发明是一种采用二维形态学滤波的扰动信号识别方法，其特征是，包括电能质量扰动信号采集、对扰动信号开展多分辨率快速S变换、二维形态学降噪、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，具有科学合理，简便易行，无需训练，实时性好，能够满足现场应用要求，抗噪声能力强，识别准确率高等优点。
【专利说明】一种采用二维形态学降噪的电能质量复合扰动识别方法
【技术领域】
[0001] 本发明是一种采用二维形态学降噪的电能质量复合扰动识别方法，应用于高噪工 业环境下的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。
【背景技术】
[0002] 随着近年来电力电子设备的广泛应用与分布式电源的大量接入，电能质量问题的 影响日益突出。电能质量暂态扰动的精确识别是电能质量扰动治理与电能质量分析的前提 与基础，近年来国内外研宄者针对扰动识别做出大量工作，取得了良好的识别效果。但是， 现有扰动识别方法的准确率易受噪声干扰，部分分类器过于复杂，实时性低，不能满足实际 工业环境需求。在高噪声环境下，对持续时间较短的扰动信号（特别是暂态振荡信号）识 别准确率下降明显。此外，由于分布式可再生能源大量接入，高次谐波（40次以下）作为光 伏、风电等分布式电源接入的重要电能质量指标，也列入需要监控分析的范畴。由此，导致 谐波含振荡类型复合扰动中振荡成分与谐波成分在不同频域均存在交叉。因此，不能简单 的通过不同频域特征，将谐波含振荡复合扰动简单视为不同频域内的单一扰动识别。需要 对谐波含振荡类型的复合扰动的精确识别进一步深入研宄。
[0003] 现有的一种方法，S变换（S-transform，ST)及其改进形式被广泛应用于扰动信 号特征提取，并取得了较好的效果。ST通过采用高斯窗函数，在不同频率范围内获得不 同的时-频分辨率，满足提取不同时-频特征的需要。但是ST运算的时间复杂度与空间 复杂度很高，如果处理高采样率扰动信号时，效率较低；现有的另一种快速S变换（Fast S-transform，FST)方法，通过选取主要频率点或扰动频率点，并且只针对选定频率进行傅 里叶快速逆变换（inverse fast Fourier transform，IFFT)，以降低运算量与空间复杂度。 但是，针对高噪环境下的扰动信号主要频率点选择欠佳，同时，由于暂态振荡的频域分布于 广泛的高频范围，且持续时间短，扰动能量小，在高噪声环境下，难以通过对信号FFT谱分 析得到其频域分布，因此，现有FST方法尚不能完全满足扰动信号的识别需要；现有的又一 种广义S变换（Generalized S-Transform，GST)方法，在处理不同类型的扰动信号识别过 程中，通过改变窗宽调整因子，可以得到更具针对性的时-频分辨率，进一步提升S变换的 特征表现能力，但GST需要根据原始信号的快速傅里叶变换（Fast Fourier Transform， FFT)的谱特征进行初步分析，确定窗宽调整因子，因此，一定程度上增加了分类算法的复杂 度。同时，由于电力系统中存在大量更加复杂的复合扰动，如谐波含暂降等。复合扰动中存 在的不同成分识别所需的时-频分辨率往往存在一定矛盾。如谐波含暂降类型复合扰动中 的谐波成分分析需要更高的频率分辨率，而暂降成分分析则需要更高的时间分辨率，因此， GST尚不能满足复合扰动的识别要求。
[0004] 在暂态扰动分类器设计领域，神经网络、支持向量机、模糊专家系统、决策树等方 法都已经应用于扰动信号识别。从分类效率、实现难易程度等直接影响分类系统实际工业 应用的角度比较，决策树方法具有较明显优势，其结构简单，分类效率高，不需训练。但决策 树的分类效果取决于特征的选择与分类阈值的确定。由于噪声干扰，不同噪声水平下的决 策树各节点最优分类阈值不同，很难设计满足不同噪声水平的决策树分类系统。同类研宄 成果一般只能应用于信噪比较高的环境下。因此，降低噪声干扰是提高决策树方法可应用 性的重要前提。
【发明内容】
[0005] 本发明的目的是，对现有技术进行实质性改进和创新，提供一种科学合理，简便易 行，无需训练，实时性好，满足现场应用要求，具有抗噪声能力强，识别准确率高的采用二维 形态学降噪的电能质量复合扰动识别方法。
[0006] 本发明的目的是通过以下技术方案来实现：一种采用二维形态学降噪的电能质量 复合扰动识别方法，其特征是，它包括以下步骤：
[0007] 1)电能质量扰动信号采集
[0008] 利用变电站中的故障录波器及二次设备对相关扰动信号进行采集和记录，鉴于实 测信号不能完全覆盖全部电能质量现象类型与参数范围，查阅国家标准《GB/T 12325-2008 电能质量供电电压偏差》、《GB/T 15543-2008电能质量三相电压不平衡度》、《GB/T 12326-2008电能质量电压波动和闪变》、《GB/T 14549-1993电能质量公用电网谐波》，通过 MATLAB 7. 0软件数学模型仿真生成不同信噪比环境下覆盖所有参数范围的完整的样本用 于训练与测试分类与畸变监测方法的有效性；
[0009] 2)对扰动信号开展多分辨率快速S变换
[0010] 综合考虑现有扰动特征分布情况，通过从ST基频与高频频域用于提取特征，保留 原始信号FFT变换后的基频与部分高频频域变换结果进行IFFT，以降低ST的算法复杂度， 并根据特征表现需要，获得在不同频率范围具有不同时-频分辨率的多分辨率快速S变换， 亦为MFST，
[0011] MFST的离散表达为：
【权利要求】
1. 一种采用二维形态学降噪的电能质量复合扰动识别方法，其特征是，它包括以下步 骤： 1) 电能质量扰动信号采集 利用变电站中的故障录波器及二次设备对相关扰动信号进行采集和记录，鉴于实测 信号不能完全覆盖全部电能质量现象类型与参数范围，查阅国家标准《GB/T12325-2008 电能质量供电电压偏差》、《GB/T15543-2008电能质量三相电压不平衡度》、《GB/T 12326-2008电能质量电压波动和闪变》、《GB/T14549-1993电能质量公用电网谐波》，通过 MATLAB7. 0软件数学模型仿真生成不同信噪比环境下覆盖所有参数范围的完整的样本用于 训练与测试分类与畸变监测方法的有效性； 2) 对扰动信号开展多分辨率快速S变换 综合考虑现有扰动特征分布情况，通过从ST基频与高频频域用于提取特征，保留原始 信号FFT变换后的基频与部分高频频域变换结果进行IFFT，以降低ST的算法复杂度，并根 据特征表现需要，获得在不同频率范围具有不同时-频分辨率的多分辨率快速S变换，亦为 MFST， MFST的离散表达为：
其中，T为采样间隔，N为采样点数，&为基频，μBF为基频的高斯窗宽因子，μHF为高 频窗宽调整因子，Vh^3保留高频频域最小频率值，VHH为保留高频频域最大频率值，k和 nx为计算的流程控制参数， 采用基频特征识别扰动，需要更高的时间分辨率，即变换结果准确体现基频幅值变化 情况，因此，处理基频的高斯窗宽因子yBF，选择较小Ubf= 〇. 1，高频窗宽调整因子μHF选 择yHF= 5,根据所选特征要求，VHL= 701Hz,VJffl=IOOOHz; 3) 二维形态学降噪 二维形态学降噪分为两部分：阈值降噪和灰度图像开运算降噪， a) 阈值降噪 当采用MFST处理含噪声扰动信号时，需要对时-频矩阵先进行阈值滤波处理： 设阈值为△，矩阵内第i行、j列的时-频点幅值为fH(Xi,yP; 如果faUi,yj)彡Δ，贝Ij滤波后的时-频点幅值为fH'（Xi,y」）=〇;否贝1」，fH'（Xi,y」）= fH (Xi，Yj)， 经统计实验，滤波阈值取0. 02pu，PU即标幺值； b) 灰度图像开运算降噪 在阈值滤波后的MFST模时频矩阵高频部分fH中，VΗ?= 701Hz，Vffl= 1000Hz，振荡与 噪声成分呈纵向带状分布，且时域宽度较窄；谐波能量呈横向分布，时域宽度较宽，因此，采 用角度为〇的线段结构元，保证滤波效果前提下，尽量减少滤波运算复杂度， 线段结构元的大小根据电能质量信号时域分布特点确定，高频频域内的震荡信号和噪 声信号时域分布特性不同，高频震荡一般维持〇. 5周波以上，时域分布相对较宽；而噪声时 域分布很窄；谐波信号分布时域宽度最宽，因此，结构元宽度应小于阈值滤波后振荡时-域 分布宽度，且大于噪声时域分布宽度，由于仿真实验信号采样率5KHz，在统计实验基础上， 最终确定结构元为线段型O角度结构元，长度为25 ; 4)扰动信号特征提取 在通过MFST与二维形态学降噪处理后，从原始信号、原始信号FFT谱、MFST基频幅值 曲线和MFST高频矩阵中提取6条特征，组成六维特征向量卢用于识别扰动信号，
六维特征向量组/中各元素意义如下： a) Sign1为电压波形的总谐波畸变率或单次谐波电压含有率是否超过国家标准《GB/ T14549-1993电能质量公用电网谐波》中的规定值
其中，THD为总谐波畸变率；HRUh为第h次谐波电压含有率;Mh-一第h次谐波分量的 方均根值;M1-一基波分量方均根值；Kh-一第h次谐波电压兼容水平； b) Sign2为基频对应幅值最小值是否大于规定值
其中，Antlmin为基频幅值曲线的最小值； c) Sign3为基频对应幅值最大值是否小于规定值
其中Antlmax为基频幅值曲线的最大值； d) σSTD为基频对应幅值标准差； 其中，AnCI(t)为基频幅值向量，N为采样点数，〇STI^基频向量所有幅值元素的标准差， e)D(R)为信号1/4周期能量跌落幅度
其中，R(m)是原始信号各个1/4周期的均方根值，亦为RMS，Rtl为1/4周期无噪声标准 电能质量信号RMS f) 为形态学去噪后，fH各个频率所对应幅值的均方差的平均值
其中，S'（t，j)指形态学去噪后的MFST高频矩阵，?为fH各个频率所对应幅值的均 方差的平均值； 5)设计决策树分类器对样本进行分类 采用决策树实现扰动信号的自动识别，所识别的电能质量信号包括含噪声标准信号C0、电压暂降C1、电压暂升C2、电压中断C3、闪变C4、谐波C5、谐波含暂降C6、谐波含暂升 C7、谐波含闪变C8、暂态振荡C9、暂降含振荡C10、暂升含振荡C11、闪变含振荡C12、谐波含 振荡C13,决策树阈值确定以统计实验结果分类准确率最高为衡量指标。
【文档编号】G01R31/00GK104459398SQ201410740863
【公开日】2015年3月25日 申请日期:2014年12月8日 优先权日:2014年12月8日
【发明者】黄南天, 蔡国伟, 张卫辉, 张书鑫 申请人:东北电力大学