隨著電網(wǎng)的持續(xù)發(fā)展，各種非線性、沖擊性負(fù)荷和電力電子設(shè)備的不斷增加，電能質(zhì)量問題日趨嚴(yán)重，已成為世界各國(guó)高度關(guān)注的問題。對(duì)電能質(zhì)量擾動(dòng)（Power Quality Disturbances, PQD）信號(hào)進(jìn)行準(zhǔn)確檢測(cè)和有效辨識(shí)是電能質(zhì)量問題實(shí)行評(píng)估、預(yù)測(cè)、診斷、維護(hù)和管理的重要依據(jù)，是改善和提高電能質(zhì)量的前提與關(guān)鍵。

目前，電能質(zhì)量擾動(dòng)信號(hào)的檢測(cè)和識(shí)別方法較多，但大多包含對(duì)擾動(dòng)信號(hào)進(jìn)行特征向量提取和依據(jù)特征向量對(duì)擾動(dòng)信號(hào)進(jìn)行辨識(shí)兩大步驟。

擾動(dòng)信號(hào)特征向量提取方法主要包括快速傅里葉變換（Fast Fourier Transform, FFT）及其改進(jìn)算法、短時(shí)傅里葉變換（Short Time Fourier Transform, STFT）、小波變換（Wavelet Transform, WT）、希爾伯特黃變換（Hilbert-Huang Transform, HHT）、S變換等。

FFT因具有正交、完備等諸多優(yōu)點(diǎn)而在電能質(zhì)量檢測(cè)領(lǐng)域被廣泛應(yīng)用，但FFT在信號(hào)分析中面臨時(shí)域和頻域局部化矛盾，因而只適合平穩(wěn)信號(hào)分析，無法滿足對(duì)具有暫態(tài)、突變等非平穩(wěn)特性的電能質(zhì)量擾動(dòng)信號(hào)的分析要求。

STFT雖然在一定程度上克服了FFT及其改進(jìn)算法不能進(jìn)行局部分析的缺陷，但其窗函數(shù)長(zhǎng)度固定，使得同一信號(hào)采用不同窗函數(shù)的STFT分析結(jié)果相差甚遠(yuǎn)。WT具備時(shí)頻分析能力且適合具有突變特性的非平穩(wěn)信號(hào)分析，但其易受噪聲影響，且存在計(jì)算量較大、母函數(shù)選擇困難等問題。

HHT是非平穩(wěn)信號(hào)分析的另一常用方法，該方法對(duì)信號(hào)的奇異點(diǎn)較為敏感，在分析暫態(tài)電能質(zhì)量問題時(shí)有較好的動(dòng)態(tài)性能，但其同樣存在抗噪性能差、高次樣條插值耗時(shí)長(zhǎng)等問題。S變換作為WT和STFT的結(jié)合，不僅具備良好的時(shí)頻分析能力，且變換結(jié)果與其傅里葉變換直接相關(guān)，無需滿足小波容許條件，非常適合電能質(zhì)量擾動(dòng)信號(hào)特征的提取，但其計(jì)算量大，限制了其在嵌入式系統(tǒng)中的應(yīng)用。

電能質(zhì)量擾動(dòng)信號(hào)特征向量分類識(shí)別方法主要有模糊邏輯（Fuzzy Logic, FL）、決策樹（Decision Tree, DT）、支持向量機(jī)（Support Vector Machine, SVM）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）等。FL和DT可統(tǒng)一歸類為規(guī)則判別方法，這兩種方法均具有原理簡(jiǎn)單、易于理解等優(yōu)點(diǎn)，但隨著擾動(dòng)信號(hào)類型的增多，系統(tǒng)的容錯(cuò)能力和復(fù)雜度會(huì)極大地限制其分類能力。

SVM雖然算法簡(jiǎn)單，但當(dāng)樣本數(shù)量增加且樣本間存在相互混疊時(shí)，會(huì)導(dǎo)致支持向量數(shù)目增加、訓(xùn)練難度增大等問題。ANN在理論上可以對(duì)任意連續(xù)函數(shù)進(jìn)行學(xué)習(xí)和逼近，具有大規(guī)模并行處理、分布式存儲(chǔ)和處理、自學(xué)習(xí)和自適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)，特別是其中結(jié)構(gòu)簡(jiǎn)單的學(xué)習(xí)向量量化（Learning Vector Quantization, LVQ）神經(jīng)網(wǎng)絡(luò)，僅需計(jì)算輸入向量和競(jìng)爭(zhēng)層之間的距離就可完成分類處理和類型識(shí)別，已被廣泛地應(yīng)用于故障診斷、模式識(shí)別和圖像處理等領(lǐng)域。

為實(shí)現(xiàn)電能質(zhì)量擾動(dòng)的準(zhǔn)確分類識(shí)別及其在嵌入式系統(tǒng)中的應(yīng)用，本文提出一種基于雙分辨率S變換（Double Resolution S Transform, DRST）和LVQ神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)檢測(cè)新方法。DRST通過可變時(shí)頻帶寬積實(shí)現(xiàn)對(duì)電能質(zhì)量擾動(dòng)信號(hào)特征向量進(jìn)行準(zhǔn)確提取。

為便于嵌入式系統(tǒng)實(shí)現(xiàn)，本文在不影響特征提取準(zhǔn)確度的前提下對(duì)DRST進(jìn)行簡(jiǎn)化，采用只計(jì)算關(guān)鍵頻率點(diǎn)，忽略其他無關(guān)頻率點(diǎn)的方式來減少算法運(yùn)算量。而后通過LVQ神經(jīng)網(wǎng)絡(luò)來對(duì)所提取的特征向量進(jìn)行辨識(shí)。在訓(xùn)練階段，所提取的特征向量被發(fā)送至PC對(duì)LVQ網(wǎng)絡(luò)進(jìn)行訓(xùn)練以得到網(wǎng)絡(luò)模型參數(shù)。訓(xùn)練結(jié)束后，將得到的模型參數(shù)保存到下位機(jī)中。在分類階段，下位機(jī)利用經(jīng)過訓(xùn)練的模型參數(shù)構(gòu)建LVQ神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)電能質(zhì)量擾動(dòng)信號(hào)的辨識(shí)。

本文在無噪聲、有噪聲以及基波頻率波動(dòng)等條件下對(duì)算法進(jìn)行仿真分析，并且與其他電能質(zhì)量擾動(dòng)識(shí)別算法進(jìn)行對(duì)比，仿真與對(duì)比結(jié)果表明本文算法能夠準(zhǔn)確、快速地對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行分類識(shí)別。實(shí)際構(gòu)建的硬件測(cè)試平臺(tái)驗(yàn)證了本文算法的準(zhǔn)確性和有效性。

圖8 硬件測(cè)試平臺(tái)

總結(jié)

本文提出了一種基于DRST和LVQ神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)檢測(cè)方法。算法首先通過可變時(shí)頻帶寬積的DRST實(shí)現(xiàn)電能質(zhì)量擾動(dòng)信號(hào)特征向量的準(zhǔn)確提取。在不影響特征提取準(zhǔn)確度的條件下，通過對(duì)DRST算法進(jìn)行簡(jiǎn)化并給出其快速算法的實(shí)現(xiàn)流程，極大地減少了算法的計(jì)算量和運(yùn)行時(shí)間。此外，根據(jù)各擾動(dòng)信號(hào)的類型特點(diǎn)，本文通過引入多個(gè)競(jìng)爭(zhēng)層獲勝神經(jīng)元模式實(shí)現(xiàn)LVQ神經(jīng)網(wǎng)絡(luò)的優(yōu)化，提高了分類的準(zhǔn)確率。

仿真和實(shí)際測(cè)試結(jié)果表明，本文提出的電能質(zhì)量擾動(dòng)檢測(cè)方法進(jìn)行電能質(zhì)量擾動(dòng)信號(hào)檢測(cè)的準(zhǔn)確率高、速度快，非常適合電力系統(tǒng)擾動(dòng)信號(hào)的嵌入式實(shí)時(shí)檢測(cè)。