专利名称：一种电力系统单一或多重电能扰动事件在线监测与识别方法
技术领域：
本发明涉及一种电能扰动事件在线监测与识别方法，尤其是涉及一种电力系统单一或多重电能扰动事件在线监测与识别方法。
背景技术：
近年来，随着各种电力电子器件的广泛使用以及非线性、冲击性、波动性负荷的不断增加，电力系统中各种电能质量扰动事件对工业生产和居民生活造成了严重影响。由于不同类型的电能扰动事件对不同用户的影响程度是不相同的，精确监测电力系统波形中各种类型电能扰动事件的特征参数并进行准确的类型识别显得尤为重要。同时，在未来开放的电力市场环境中，精确的电能质量信息可以为电价的确定提供依据，减少用户与电力企业之间的纠纷。电能扰动事件的特征参数测量是电能扰动类型识别的重要环节。傅立叶变换的测量精度受到频谱泄漏和栅栏效应的影响，不适合非平稳的电能扰动信号分析。S变换结果只包含若干个特定频率分量(由时间窗决定)在不同时刻的幅值信息，无法精确测量基波频率波动以及间谐波的特征参数。复连续小波变换(Continuous Wavelet Transform, CffT) 的电能扰动事件监测方法，由于中心频率相近的小波函数频域窗口存在重叠，影响了谐波或间谐波分量特征参数的测量，不利于多重电能质量事件类型的准确判别。关于各种类型电能质量事件的分类识别，应用和研究中的方法有人工神经网络 (Artificial Neural Network, ANN) >^^fiiil (Support VectorMachine, SVM)
统(Expert System, ES)等。基于常规ANN的分类器训练速度较慢，准确性也有待提高；而基于SVM的分类器计算量较大，以上两种方法均难以实现对同时存在的多重电能质量事件的分类与识别。而随着电能质量事件种类的增加，ES容易产生组合爆炸问题。
发明内容
本发明主要是解决现有技术所存在的难以实现对同时存在的多重电能质量事件的分类与识别等的技术问题；提供了一种能够有效抑制邻近频率分量的相互干扰，可以精确地测量基波、谐波和间谐波分量的频率、幅值、相位等各电能质量事件特征参数，并构造物理意义明确、指标具体的模式特征向量的一种电力系统单一或多重电能扰动事件在线监测与识别方法。本发明还有一目的是解决现有技术所存在的电能质量事件种类的增加，ES容易产生组合爆炸问题等的技术问题；提供了一种具有较好的动态响应速度，同时测量精度不受基波频率波动的影响(即无需同步采样)；并能够准确识别电能扰动波形中单一或同时存在的多重电能质量事件，对其严重程度进行直观表达，且能动态反映多重电能质量事件各自的发展变化轨迹一种电力系统单一或多重电能扰动事件在线监测与识别方法。本发明再有一目的是解决现有技术所存在的等的技术问题；提供了一种。
本发明的上述技术问题主要是通过下述技术方案得以解决的一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，包括以下步骤步骤1、应用时频原子变换测量电力系统波形中单一或多重稳态、暂态电能扰动事件中每一采样时刻分量的特征参数，包括频率、幅值以及持续时间，并应用时频原子变换提取每一时刻分量对应的模式特征向量；步骤2、采用自组织映射人工神经网络分类器依据模式特征向量进行电能质量事件的分类与识别。本发明创造性的利用时频原子变换能够有效抑制邻近频率分量的相互干扰，可以精确地测量基波、谐波和间谐波分量的频率、幅值、相位等各电能质量事件特征参数，并构造物理意义明确、指标具体的模式特征向量；本监测方法具有较好的动态响应速度，同时测量精度不受基波频率波动的影响(即无需同步采样)。利用时频原子变换方法提取的特征向量，改进型自组织映射人工神经网络能够准确识别电能扰动波形中单一或同时存在的多重电能质量事件，对其严重程度进行直观表达，且能动态反映多重电能质量事件各自的发展变化轨迹。本发明首先利用时频原子变换提取基波分量幅值U1、基波分量频率f、谐波畸变率THD1、间谐波畸变率THD2、基波分量幅值波动值的百分数d(以下简称为波动值)组成一个五维向量；然后采用改进型自组织映射人工神经网络，依据模式特征向量实现电压暂升、 电压暂降、短时断电、谐波、间谐波、频率偏移和电压波动七种电能质量事件的分类与识另O。 在模式特征向量中增加扰动持续时间、三相不平衡度等参数可进一步识别三相不平衡和过电压、欠电压等电能质量事件。在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的步骤1中，所述的分量包括基波分量、谐波分量和间谐波分量。在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的基波分量的特征参数的测量的方法为定义时频原子函数的频窗半径和频窗中心，应用时频原子变换测量基波分量在每个采样时刻的特征参数。在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的谐波分量和间谐波分量的特征参数的测量的方法为将时频原子函数的中心频率分别设置为 1Ηζ、3Ηζ、直至采样频率的一半，调整尺度参数使频率窗口半径为1Hz，应用时频原子变换可以得到谐波在每个采样时刻的特征参数和间谐波分量在每个采样时刻的特征参数。在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的模式特征向量为利用时频原子变换提取基波分量幅值U1、基波分量频率f、谐波畸变率THD1、 间谐波畸变率THD2、基波分量幅值波动值的百分数组成一个五维向量，其中，波动值
U - U .d = ~——Sii^ χ 100%，Ul为基波分量的正常/额定值(标么)，Umax，Umin为0. Is时间窗口内基波分量幅值的最大值和最小值；所述的模式特征向量是基于基波分量在每个采样时刻的特征参数、 谐波在每个采样时刻的特征参数和间谐波分量在每个采样时刻的特征参数获取。在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的时频原子变换定义为实值信号s (t)与时频原子函数VVJO的内积，其输出为
CO Ψψ(α,ωη,τ)=^\ψααη (t-τ)) = j sit^ (t-r)d
-co变换输出的频域表达式为=，式中G(CJ)是g(t)的频率特性。在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的时频原子函数定义为对一具有低通频率特性的高斯函数g(t)进行如下的调制和伸缩处理
Ψ a,COlSt) = A=Si-) exp(y 0
_t2Λ/α a
其中g(o = e_T，为调制(频率)参数，《为尺度(伸缩)参数；在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的时频原子函数频域表达式为ψαΛ {ω) =-ωη))时频原子函数具有带通频率特性，其通带表达式为[ωη±Δωβ/ει]其中八(08是8(0的频率窗口半径，Δ cog/a取值为0. 112526/Δ ·。在上述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，所述的自组织映射人工神经网络分类器的具体定义如下首先，采用时频原子变换方法提取典型电能质量事件的模式特征作为训练样本来训练自组织改进型自组织映射网络，使其输出层的不同区域对应于不同的模式特征；进一步，采用测试样本对训练好的改进型自组织映射网络进行测试；最后，将其作为自组织映射人工神经网络分类器识别电能扰动波形中单一或同时存在的多个电能质量事件，并在输出层直观表达这些电能质量事件各自的发生、变化和结束过程，实现电能质量事件的直观表达和准确分类和识别。因此，本发明具有如下优点1能够有效抑制邻近频率分量的相互干扰，可以精确地测量基波、谐波和间谐波分量的频率、幅值、相位等各电能质量事件特征参数，并构造物理意义明确、指标具体的模式特征向量；2.具有较好的动态响应速度，同时测量精度不受基波频率波动的影响(即无需同步采样)；并能够准确识别电能扰动波形中单一或同时存在的多重电能质量事件，对其严重程度进行直观表达，且能动态反映多重电能质量事件各自的发展变化轨迹。
附图1 (a)是本发明的基于TFT的电压暂降监测示意图；附图1 (b)是本发明的基于TFT的电压暂降监测示意图；附图2(a)是本发明的基于TFT的频率偏移测量示意图；附图2(b)是本发明的基于TFT的频率偏移测量示意图；附图2(c)是本发明的基于TFT的频率偏移测量示意图；附图3(a)是本发明的基于TFT的电压波动测量示意附图3(b)是本发明的基于TFT的电压波动测量示意图；附图4(a)是本发明的基于TFT的谐波、间谐波测量示意图；附图4(b)是本发明的基于TFT的谐波、间谐波测量示意图；附图5(a)是本发明的基于TFT多重扰动基波测量结果示意图附图5(b)是本发明的基于TFT多重扰动基波测量结果示意图附图5(c)是本发明的基于TFT多重扰动基波测量结果示意图附图6(a)是本发明的基于TFT的多重扰动谐波、间谐波监测示意图；附图6(b)是本发明的基于TFT的多重扰动谐波、间谐波监测示意图；附图7是本发明训练后的SOM输出层平面示意图；附图8是本发明测试样本对应的BMU示意具体实施例方式下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。实施例首先介绍一下时频原子变换1. 1时频原子变换算法以时频原子(Time-frequency Atom, TFA)函数为变换核的时频原子变换 (Time-frequency Transform, TFT)是与以小波函数(Wavelet)为变换核的连续小波变换 (Centinuous Wavelet Transform, CffT)相类似的、面向非平稳信号的新型信号处理方法。 所不同的是，TFT克服了 CWT在频率域的缺陷且可以根据需要灵活调整各项性能，更适合于信号实时监测。时频原子函数被定义为对一具有低通频率特性的实函数g(t)进行如下的调制和伸缩处理
权利要求
1.一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，包括以下步骤步骤1、应用时频原子变换测量电力系统波形中单一或多重稳态、暂态电能扰动事件中每一采样时刻分量的特征参数，包括频率、幅值以及持续时间，并应用时频原子变换提取每一时刻分量对应的模式特征向量；步骤2、采用自组织映射人工神经网络分类器依据模式特征向量进行电能质量事件的分类与识别。
2.根据权利要求1所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，所述的步骤1中，所述的分量包括基波分量、谐波分量和间谐波分量。
3.根据权利要求1所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，所述的基波分量的特征参数的测量的方法为定义时频原子函数的频窗半径和频窗中心，应用时频原子变换测量基波分量在每个采样时刻的特征参数。
4.根据权利要求2所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，所述的谐波分量和间谐波分量的特征参数的测量的方法为将时频原子函数的中心频率分别设置为1Ηζ、3Ηζ、直至采样频率的一半，调整尺度参数使频率窗口半径为1Hz，应用时频原子变换可以得到谐波在每个采样时刻的特征参数和间谐波分量在每个采样时刻的特征参数。
5.根据权利要求2所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，所述的模式特征向量为利用时频原子变换提取基波分量幅值U1、基波分量频率f、谐波畸变率THD1、间谐波畸变率THD2、基波分量幅值波动值的百分数组成一个五维向量，其中，波动值
6.根据权利要求1所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，所述的时频原子变换定义为实值信、与时频原子函数的内积，其输出为为
7.根据权利要求6所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，所述的时频原子函数定义为对一具有低通频率特性的高斯函数S 进行如下的调制和伸缩处理
8.根据权利要求5所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，所述的时频原子函数频域表达式为
9.根据权利要求5所述的一种电力系统单一或多重电能扰动事件在线监测与识别方法，其特征在于，所述的自组织映射人工神经网络分类器的具体定义如下首先，采用时频原子变换方法提取典型电能质量事件的模式特征作为训练样本来训练自组织改进型自组织映射网络，使其输出层的不同区域对应于不同的模式特征；进一步，采用测试样本对训练好的改进型自组织映射网络进行测试；最后，将其作为自组织映射人工神经网络分类器识别电能扰动波形中单一或同时存在的多个电能质量事件，并在输出层直观表达这些电能质量事件各自的发生、变化和结束过程，实现电能质量事件的直观表达和准确分类和识别。
全文摘要
本发明涉及一种电能扰动事件在线监测与识别方法，尤其是涉及一种电力系统单一或多重电能扰动事件在线监测与识别方法。本发明创造性的利用时频原子变换能够有效抑制邻近频率分量的相互干扰，可以精确地测量基波、谐波和间谐波分量的频率、幅值、相位等各电能质量事件特征参数，并构造物理意义明确、指标具体的模式特征向量；本监测方法具有较好的动态响应速度，同时测量精度不受基波频率波动的影响。利用时频原子变换方法提取的特征向量，改进型自组织映射人工神经网络能够准确识别电能扰动波形中单一或同时存在的多重电能质量事件,对其严重程度进行直观表达，且能动态反映多重电能质量事件各自的发展变化轨迹。
文档编号G06N3/08GK102230951SQ20111007408
公开日2011年11月2日 申请日期2011年3月28日 优先权日2011年3月28日
发明者徐遐龄, 曹健, 林涛 申请人:武汉大学