基于变换的电能质量扰动识别方法研究

胡晋星，董建军，田亚丽

（晋城供电分公司，山西 晋城 048000）

基于变换的电能质量扰动识别方法研究

胡晋星，董建军，田亚丽

（晋城供电分公司，山西 晋城 048000）

综述了基于变换的方法在电能质量扰动分析中的应用，分别对基于小波变换、短时傅里叶变换、S变换的分析方法在电能质量扰动检测与扰动类型识别中的应用加以讨论。文中分析了在应用这些方法时涉及到的关键问题以及目前的解决情况，指出了现有一些文献中取得的好的成果及存在的一些问题，并就值得进一步研究的问题以及今后的主要研究方向进行了展望。

电能质量扰动；小波变换；短时傅里叶变换；S变换

0 引言

随着工业规模的扩大和科学技术的发展，越来越多的用户采用了性能好、效率高但对电能质量敏感的高科技设备。与此同时，许多新型的电气设备在其运行中会向电力系统注入各种电磁干扰，对电力系统的安全运行和用电设备的正常工作造成危害，电能质量问题日益严重［1］。为了找出引起电能质量问题的原因并采取针对性的解决办法从而改善和提高电能质量，对各种电能质量扰动进行有效分类识别是解决问题的前提。

目前，进行电能质量扰动分析的方法主要有小波变换、S变换等时频方法；也有些非时频方法，如差变分析法，因其计算速度快，在特定扰动实时监测方面表现出很强的优势，但是它们的缺点是不能对信号进行时间和频率的联合检测。而电能质量扰动信号一般是非平稳信号，其统计特性是随时间变化的，对于非平稳信号局部性能的分析如果依靠信号的局部变换，并使用时域与频域的二维联合表示，必将得到更加精确的描述［2］。

近年来，以小波变换为代表的时频分析方法在电能质量扰动识别方面得到了大量的研究成果。同时其他时频分析方法如S变换、短时傅里叶变换等也在电能质量分析方面取得了一定进展。本文对以上几种时频分析方法在电压暂降、暂升、中断、谐波、脉冲、振荡、电压波动等电能质量扰动分析中的应用进行简要讨论。

1 基于小波变换的扰动检测与识别

利用小波变换进行扰动识别是应用最广泛、研究最深入的的一种方法。小波变换WT（Wavelet Transform） 具有良好的时频局部化特性［3］，时频窗口的宽度可随信号的变化自动调节，即小波在高频用短窗，在低频用长窗。可以实现对信号由表及里、由粗及精的分析，并揭示信号在不同频带内的形态，实现信号时域和频域的定位。同时小波函数本身属于一种暂态波形，因此将小波变换用于电能质量分析领域，尤其是对暂态信号扰动时间定位具有很大优势。

利用小波变换进行研究主要涉及频带划分、小波基的选择、扰动特征检测与提取等问题。

1.1 频带划分

合理的频带划分应使基频位于最低子频带的中心，从而限制它对其他子频带的影响。设采样频率为fs，基频为ff，频带的划分数目由公式（1）取整求得［4］（其中，p为子频带数目）。式中：

fs——采样频率；

ff——基频。

1.2 小波基的选择

小波变换的本质是度量被分析信号波形与所用小波波形的局部相似程度，因此要使识别结果理想，关键问题是要选择合适的小波使之尽可能地与被分析的信号相匹配。小波基的选取没有固定的模式，一般依据其对待分析信号的检测效果来确定。但实际上由于无法提前预知扰动类型，所以就只能采用一种类型的小波基和固定的尺度数去分析所有类型的扰动波形。

在众多小波函数中，Daubechies（db）系列小波具有正交性、时域紧支性，包含了较多的振荡，在时域和频域均具有良好的局域性，且对不规则信号较为敏感，检测结果还具有平移不变性，并有成熟的快速算法，即Mallat算法，因此被广泛地用于电能质量分析中。db 4小波包含了比其他小波更多的振荡，而电能质量扰动信号又是类正弦的，所以db 4小波能更好地识别电能质量扰动，在电能质量扰动检测与定位中得到了最广泛的应用。另外，db 6小波也具有较好的扰动定位能力，db 1小波可以跟踪检测信号低频幅值的变化［5］，db 10小波检测高频突变信息效果好，symlet小波、样条小波、morlet小波和harr小波也曾被用于电能质量扰动检测中。

1.3 基于小波变换的电能质量扰动检测

小波变换在电能质量扰动检测中的应用主要体现在信号奇异性检测、去噪等方面。

小波变换的典型应用是利用小波变换的模极大值原理确定扰动信号的突变点，例如，利用小波系数模极大值可对电压暂降的发生和恢复时刻进行精确定位［6］。小波变换很容易受噪声影响，而电信号又是始终带有噪声的，当噪声污染严重时，信号奇异点可能被湮没，使小波方法失效。为此对信号进行去噪预处理是小波变换实际用于系统的必要环节。其中，在小波分解的基础上采用软阈值去噪方法是常用的去噪方法，但该方法在处理强噪环境下的信号时不尽理想。文献［7］将小波系数在不同尺度上的相关性和软阈值算法结合起来，极大地加强了算法的去噪能力，较好地解决了保护信号局部特征与抑制噪声之间的矛盾。但是，利用小波变换去噪也存在较大的缺陷，一方面是难于自动确定适用于不同噪声水平的阈值；另一方面也增加了检测算法的计算时间。针对这一问题，文献［8］通过算例论证了db 4复小波变换的相位信息对扰动突变更为敏感，其扰动时间定位能力好于实小波，而且可以省略信号的去噪过程。

当扰动起止时刻在工频相角为0°、180°或其附近时，即使噪声很小，采用单一小波变换的方法也可能检测不到扰动突变点。针对这一问题，文献［9］提出了利用双小波组合检测扰动的方法，先利用db 1小波变换检测信号的基频幅值变化，再利用db 24小波变换进行扰动定位，该双小波检测方法综合利用了不同小波的优点，弥补了单一小波用于检测扰动的不足，可以检测波峰或过零点附近的奇异点，但扰动幅值的检测存在一定的误差。

1.4 基于小波变换的扰动识别方法

利用小波变换进行扰动识别主要是从小波系数中提取扰动特征量加以利用，如信号奇异点位置、扰动持续时间、各尺度能量或幅值、小波系数的平均值和方差等。但是由于小波变换得到的各尺度小波系数对应的是信号各频段的信息，很难得到单个频率分量及其精确幅值信息，也就不能给出各类扰动明确的分类限值，从而不能得到简单的扰动分类方法，因此基于小波的扰动识别方法一般与人工智能分类器结合使用［10-11］。但文献［12］根据Daubechies实小波生成复小波，通过改进复小波变换的相位图，实现了对扰动的精确定位，还可以简单地对各种扰动分类，不足之处在于对电压凹陷和凸起的分类不能只根据改进后的相位图，仍要通过原信号的幅值进行判断。

综上所述，小波变换主要应用在扰动的奇异性检测方面，而单纯用小波变换独立完成扰动识别工作存在一定困难。因此在选择适宜的小波函数的基础上，将小波变换与其他方法相结合来提取扰动信号的特征，再选择恰当的分类器是基于小波变换的扰动识别方法的主要研究方向。

2 基于短时傅里叶变换STFT的电能质量扰动识别

STFT（Short-time Fourier Transform） 通过引入滑动的时间局部化“窗口函数”得到信号在每个时窗和频窗内的局部时频信息，得到信号的二维时频分布矩阵，其变化结果表征的含义较小波变换更容易被理解。STFT窗口类型和宽度对信号处理结果有很大的影响，针对这一问题，文献［13］提出了一种将小波变换和STFT相结合测量暂态频率的方法。该方法克服了STFT选择窗函数的盲目性问题，利用该方法可以有效地检测出暂态故障信号的主要高次谐波成分。

总的来说，利用STFT变换进行扰动识别研究仍处于初级阶段，现有的文章一般只给出了直观的分析图形，并没有给出量化的检测结果。目前，STFT变换窗口函数的选择和从扰动信号的STFT变换时频矩阵中提取适当的扰动特征，是利用STFT进行扰动检测与识别的关键问题。

3 基于S变换的电能质量扰动识别方法

S变换继承和发展了小波变换和STFT变换的局部化思想。利用S变换可以独立分析信号各频率分量的幅值变化特征，并且可以得到更高的频率分辨率，已经被广泛应用于电能质量的检测和扰动识别中[14-17]。文献［18］基于S变换模时频矩阵相似度对短时电能质量扰动进行分类。该法直接利用S变换结果，不用增加其他算法或变换，原理简单、计算方便。文献［19］对文献［18］做了改进，它有效地利用了局部区域明确的时频相关性，抗干扰能力比采用全局相似度时更强。目前，基于S变换的扰动自动识别方法一般是从待分析的扰动信号的S变换幅值矩阵中提取特征，并借助人工智能分类器实现的。文献［16］利用S变换提取以下3组特征向量：S变换幅值矩阵中与额定频率对应的行向量、各频率对应的行向量的平均值组成的向量以及各频率对应的行向量的标准差组成的向量，并借助由6个支持向量机分类器组成的分类树，实现了7种单一扰动的有效识别。但借助人工智能方法且需要大量的训练样本，其识别结果必然受到训练样本数量和覆盖面的影响，或系统可能不收敛的影响。针对这一问题，文献［20］利用信号S变换幅值矩阵和时域信息直接提取与各类电能质量扰动相应的特征，并借助简单的规则树实现了不同噪声水平下的多种电能质量扰动的识别。可见此方法具有直观简便、抗噪能力强的优点。但是，该方法在检测含有谐波的电压暂降、暂升或中断等复合扰动信号的扰动幅值时仍存在一定的误差。

可见，利用S变换结果可提取多种时频特征，得到比小波变换更直观、抗噪能力更强的特征向量，是众多数学分析方法中较好的一种扰动分析方法。但是，现有的基于S变换的扰动识别方法都是借助人工智能方法进行分类识别的，这些方法很受样本情况的限制。因此，将S变换与其他能直接检测时间或幅值的方法相结合，提取更适宜的特征，并采用简单的模式分类器是基于S变换的扰动识别方法用于实际检测系统时需要解决的主要问题。

4 结论

综上所述，可以看到电力工作者已在电能质量扰动识别方面做了大量工作，提出了很多行之有效的方法。其中，小波变换方法应用的最多。虽然小波变换与不同人工智能方法的组合使扰动自动识别成为可能，但小波变换不能单独提取任意频次的信号，而且小波系数受噪声影响较大，因此它无法定量检测含噪的、含谐波的扰动信号的幅值特征，有较大的局限性。基于S变换和STFT变换的方法，因其变换结果与信号的频谱有直接的对应关系，能够提取信号任意频率分量的特征，提取的这些扰动特征简便、易于理解，而且抗噪能力强。目前，这两种方法逐渐显现出比小波变换和其他方法更强的扰动检测与识别能力。因此，进一步研究利用S变换、STFT变换或其他适宜的时频分析方法进行扰动检测和特征提取，并选择适宜的、简单的分类器对扰动信号进行有效识别，将具有很大的理论意义和实用前景。

［1］ 肖湘宁.电能质量分析与控制［M］.北京：中国电力出版社，2004.

［2］ 张贤达.现代信号处理［M］.北京：清华大学出版社，2002.

［3］ H.He，J.A.Starzyk.A Self-organizing Learning Array System for PowerQuality Classification Based onWaveletTransform［J］.IEEE Transactionson Power Delivery，2006，21（1）：286-295.

［4］ AngrisaniL.，Daponte P.，D'ApuzzoM.etal.AMeasurementMethod Basedon theWaveletTransform forPowerQualityAnalysis［J］.IEEE Transactionson Power Delivery，1998，13（4）:990-998.

［5］ 石敏，吴正国，尹伟民.基于双小波的短时电压波动信号检测［J］.电网技术，2005，29（6）:17-21.

［6］ 王克星，宋政湘，陈德桂，等.基于小波变换的配电网电压暂降的干扰源辨识［J］.中国电机工程学报，2003，23（6）：29-34．

［7］ 欧阳森，宋政湘，王建华，等.基于信号相关性和小波方法的电能质量去噪算法［J］.电工技术学报,2003，18（3）：111-116.

［8］ 刘守亮，肖先勇.Daubechies复小波的生成及其在短时电能质量扰动检测中的应用［J］.电工技术学报，2005，20（11）：106-110.

［9］ 李天云，陈晓东，赵为红，等.几种短时电能质量扰动分类和检测的双小波分析法［J］.电力系统自动化，2003，27（22）：26-30.

［10］ 樊正伟，林涛.利用小波变换及人工神经网络识别电能扰动［J］.高电压技术，2007（07）:23-27

［11］ M.B.I.Reaz，F.Choong,M.S.Sulaiman，etal.Expert System for Power Quality Disturbance Classifier［J］.IEEE Transactions on Power Delivery，2007，22（3）:1979-1988.

［12］ 冯浩，周雒维，刘毅.基于复小波变换的暂态电能质量扰动检测与分类［J］.电网技术，2010，34（03）：91-95.

［13］ 赵成勇，何明峰.基于特定频带的短时傅里叶分析［J］.电力系统自动化，2004，28（14）：41-44.

［14］ Lee WC，Dash PK.S-transform-based Intelligent System for Classification of Power Quality Disturbance Signals［J］.IEEE Transactionson PowerDelivery，2003，18（3）:800-805.

［15］ Chilukuri MV，Dash PK.Multiresolution S-transform-based Fuzzy Recognition System for Power Quality Events［J］.IEEE Transactionson Power Delivery，2004，19（1）:323-330.

［16］ 占勇，程浩忠，丁屹峰，等.基于S变换的电能质量扰动支持向量机分类识别［J］.中国电机工程学报，2005，25（4）:51-56.

［17］ 刘守亮，肖先勇，杨洪耕.基于S变换模时频矩阵相似度的短时电能质量扰动分类［J］.电网技术，2006，30（5）:67-71.

［18］ 赵俊，刘鑫，杨洪耕.基于S变换模时频矩阵局部相似度的短时电能质量扰动分类［J］.电力系统自动化，2009（08）.

［19］ 赵凤展，杨仁刚.基于S变换和时域分析的电能质量扰动识别［J］.电网技术，2006，30（15）：90-94，100.

Research on Transformation-based Power Quality Disturbance Identification

HU Jin-xing，DONG Jian-jun，TIAN Ya-li
（Jincheng Power Supply Com pany，Jincheng，Shanxi 048000，China）

In this paper,it reviews the application of transformation-based method to power quality disturbances（PQD）.Variousmethods,including the wavelet transformation-basedmethod （WT）， the S-transformation-based method and the short time Fourier transform-based method（STFT） are studied.Their applications to power quality detection and recognition are analyzed.This paper analyzes the key issues involved in the application of transformation-based methods and their current solutions，points out the achievement and problems in the existing literature,and finally discusses the problems to be solved and the main developing direction of PQD.

power quality disturbance；wavelet transformation；STFT；S-transformation

TM712

A

1671-0320-（2011）03-0009-04

2011-01-01，

2011-04-06

胡晋星（1963-），男，1998年毕业于太原电力高等专科学校发电厂及电力系统专业，工程师，从事电网调度管理；董建军（1973-），男，2001年毕业于太原理工大学电力系统及其自动化专业，工程师，从事电网调度运行管理；田亚丽（1973-），女，2006年毕业于太原理工大学计算机科学与技术专业，工程师，从事电网调度运行管理。