基于S变换和模糊KNN的暂态电能质量扰动分类

王燕

摘 要：该文提出了基于S变换和KNN的暂态电能质量扰动分类的识别方法。首先应用S变换对暂态扰动信号进行时频分析，从信号的S变换得到相应S变换模时频矩阵，并对时频矩阵进行分析，从中提取出8个有效特征量，再由特征量组成的特征向量输入模糊KNN算法分类器中，完成对扰动信号的智能分类。该文用Matlab7.0软件产生了6种常见暂态电能质量扰动信号类型，并进行了相应的分类。仿真结果表明，该方法结构简单，所需特征量少，并能准确的对扰动类型进行辨识。

关键词：暂态电能质量扰动 分类 S变换 模糊KNN

中图分类号：TM71 文献标识码：A 文章编号：1672-3791（2015）03（a）-0004-02

Abstract：This paper proposed a new method to classify transient powerquality disturbances using S transform and K-nearestneighbor classifier.First，S-transform was applied to perform time-frequency analysis on thepower quality disturbance signals，and the S-transform mode time-frequency matrix was achieved from the S-transform，and we got 8 valid features extracted from the matrix， then the feature vectors who consisted of the former features were input into the Fuzzy KNN classifier to perform the disturbing signals intelligent classification.This paper utilized matlab7.0 to generate 6 kinds of common transient power quality disturbance signals，and accomplish the corresponding classification.The result showed that the structure of the proposed method was simple，the number of the needed features was few and it was doing well in classifying these types of transient powerquality disturbances.

Key words：Transient power quality disturbance；Classification；S-transform；Fuzzy KNN

暂态电能质量扰动问题成为电力部门和用户近年来密切关注的问题，扰动问题会造成敏感负载不能正常运行，损坏电力电子设备，微处理器智能设备重启和保护失灵等严重后果[1-2]。对各种电能质量扰动进行准确的识别是控制和治理电能质量问题的基本前提。

小波变换由于具有良好的时频特性被广泛用于电能质量扰动信号的特征提取，但小波变换的结果缺乏直观性，存在频谱泄露及易受噪声影响，且母小波系数难以确定等问题。而短时傅里叶变换存在需要选择窗口类型和宽度及窗口宽度固定等缺陷，在电能质量分析中的使用也收到限制[3-4]。S变换作为小波变换和算式傅里叶变换的继承和发展，S变换采用高斯窗函数且宽度与频率的倒数成正比，其结果具有直观性且不易受噪声影响。S变换的结果为一个复时频矩阵，其中包含幅值，频率和相位等分布信息，非常适合进行电能质量扰动信号的特征提取。KNN（K-Nearest Neighbor）是一种理论上比较成熟的算法，具有结构简单，训练速度快等优点，模糊K最近邻算法（Fuzzy KNN）是将模糊理论与K最近邻法相结合的一种改进算法。该文用Matlab7.0仿真6种常见电能质量扰动信号，提出了基于S变换的特征提取算法，并结合模糊KNN算法分类器的暂态电能质量扰动的自动分类。

1 S变换基本原理

S是一种时频可逆分析方法，其思想是对连续小波变换和短时傅里叶变换的发展。

信号h（kT）经过S变换得到一个复时频矩阵，记为S矩阵，其列元素对应时间采样点，行元素对应频率采样点。将S矩阵各个元素求模后得到的矩阵为S模时频矩阵，其列向量表示信号某一时刻的幅值随频率变换的分布，其行向量表示信号某一频率处的幅值随时间变化的分布，因此S模时频矩阵某位置元素的大小就是相对应的频率和时间处信号S变换的幅值大小[4]。

N点信号的S变换经上述计算步骤会得到N2点（N行N列）的S变换值，但由于傅里叶变换具有共轭对称性，完成S变换需要做N/2+1次N点的快速傅里叶变换，故S变换模时频矩阵为N/2+1行和N列矩阵。

2 基于S变换的电能质量扰动信号检测分析

根据文献[4]中的扰动信号的数学模型，用Matlab7.0仿真产生6种类型的信号：S1—理想电压信号、S2—暂降电压信号、S3—暂升电压信号、S4—电压中断信号、S5—暂态振荡信号和S6—短时谐波信号。其中工频频率为50Hz，除高频振荡信号其他信号的采样频率fs=1 000，即每周波采样20个点，共采样50个周波，而高频振荡信号的采样频率为fs=3 200，为了更好的模拟实际情况，各种扰动信号的幅值参数，扰动时刻起止参数，扰动持续时间参数及频率参数等随机产生。通过S变换得到模时频矩阵，并由行向量包络线和列向量包络线分别得到相应的时域和频域特性曲线。

S变换能够直观的表示出各种扰动信号的时频特性。对于电压暂降，电压中断时域特性曲线中幅度先下降后回升且后者的下降幅度更大，电压暂升信号时域特性曲线幅度先上升后下降。上升和下降的时刻，持续时间与它们相对应的扰动起止时刻，扰动持续时间一致，并且它们在频域特性曲线中只有一个波峰点，说明只含有工频频率。而对于高频振荡信号和短时谐波信号其时域特性曲线基本保持不变，并且在基波及谐波处存在波峰。

3 扰动信号的特征提取

根据对扰动信号时频特性曲线的分析，从S变换的模时频矩阵中分别对每种扰动信号提取8个自动识别所需的特征量，特征量为：基频幅值均值F1、基频幅值中幅值大于标准值105%的采样点个数F2（标准幅值M=0.4959）、基频幅值中幅值小于标准值95%的采样点个数F3、基频幅值中幅值小于标准值10%的采样点个数F4、频率包络线波峰个数F5、行向量极大值时间包络线中提取大于等于3倍基频的均值F6、时域包络线标准差F7、频谱的标准差F8。

从定性分析中得知，特征1可以将理想电压信号、暂态振荡信号和短时谐波信号与电压暂升、电压暂降和电压中断区分开；特征2、特征3和特征4可以将电压暂升同电压暂降、电压中断区分开；特征5和特征6可以将短时谐波信号与暂态振荡信号同其他扰动信号区分开；特征7和特征8可以将短时谐波和暂态振荡信号同其他信号区分开。

4 模糊K最邻近法（Fuzzy K-Nearest Neighbor）

KNN算法是取未知样本的K个近邻，这K个近邻中的多数属于哪一类，就把归为哪一类。假定有3个样本集和1个未知样本，假定K=5，在距离最近的5个训练样本中，3个属于，1个属于，1个属于，根据KNN决策规则，将其归为类别 。

但当学习样本类别分布不均的时候，如果仅考虑排序后的K个最近邻而忽视样本间的不同距离，势必会降低KNN的分类精度，模糊k最近邻算法（Fuzzy KNN）就是将模糊理论与K最近邻法相结合的一种监督学习技术，它有效解决了上述问题，它将未知样本与k个最近邻的距离模糊化，并为每个类别都设置了相应的隶属度，而不像KNN那样简单的将未知样本的归类定为“属于”或者“不属于”。

5 仿真结果与分析

用MatlaB7.0软件共产生600个训练样本（每种信号100个），每种信号再产生20个测试样本。表1为每种信号的分类正确率及总体分类正确率。

从仿真的结果分析，本文提出的方法可以将上述6种信号有效的进行识别分类，对于每种扰动信号都有很高的识别率。

6 结语

该文用Matlab7.0仿真了6种不同的常见典型信号，并通过S变换对信号进行了数据处理得到相应的模时频矩阵，从中提取8个有效特征量。并结合FKNN分类器，对6种信号进行智能分类，FKNN作为一种监督学习技术，将对每一个未知样本进行相同的算法处理，且由于其算法不是迭代过程，因此也不存在不收敛的现象。在m=2，k=3时FKNN对6种电能质量信号总体识别率达98.3%，分类效果较好。

参考文献

[1] 付娟，周汉勇，姜勤.基于S变换的暂态电能质量扰动检测与仿真[J].电力系统保护与控制，2009，37（21）：86-90.

[2] Bhends CN，Mishra S，Panigrahi BK.Detection and classification of power quality disturbances using S-transform and modular neural network[J].IEEE Transactions on Power Delivery，2008，23（1）：122-128.

[3] 李新华.基于S变换和径向基神经网络的暂态电能质量扰动识别[J].电力系统自动化，2011.

[4] Kaewarsa S.Classification of power quality disturbances using S-transform based artificial neural networks[J]. Intelligent Computing and Intelligent Systems（ICIS），2009（1）：566-570.