基于小波变换和ann的电能质量分析 摘要：电能质量扰动分类是电能 .docVIP

基于小波变换和ANN的电能质量分析 摘要：电能质量扰动分类是电能质量控制的重要工作之一,本文主要针对电力系统的暂态扰动现象，利用小波分析和神经网络的混合方法来对暂态电能质量进行分类。这种混合的方法包含两个阶段的内容，首先是利用小波变换对电力系统中的扰动信号进行检测和扰动发生时间进行定位，第二阶段的工作是利用神经网络对小波变换提取的特征向量进行归类，进而实现暂态电能质量扰动的自动识别。此方法能有效的识别电压暂降、电压瞬升、电压中断、瞬时脉冲等电能扰动。 关键词：电能质量；扰动分类；小波变换；BP神经网络； 0引言 电能质量问题已经成为电力部门及其用户密切关注的问题。随着现代电力系统中大功率电器负荷的广泛使用，由于其非线性、冲击性以及不平衡的用电特性，使电网的电压波形发生畸变，引起系统频率波动等，供电质量下降，由此产生了电能质量问题。要改善电能质量，首先要对电能质量进行正确的检测、分析。小波变换方法具有很好的时频局部化特点，它的时频窗口大小将随着分析频率的变化而变化。它通过采用多尺度分析，可以聚焦到信号的细节，特别适合于对电能质量中电压幅值或频率随时间冲击性变化的畸变波形的分析。小波变换早已经被应用于电能扰动的分析，通过多分辨率分析的方法在时域和频域内对扰动信号进行分析。对这些扰动信号进行分类是非常重要的。通过多分辨率分析[1]，可以对不同的变化信号进行特征分析。结果可以被用来进行更进一步的人工神经网络分析，从而确定它们的扰动类型。在本文中，一个智能的混合系统将用来把扰动的信号进行分类。 1 小波变换基本原理 小波变换发展了传统的傅立叶变换思想，它在时域和频域都具有良好的局部特性，特别是对非平稳信号的分析明显优于傅立叶变换[2]。对函数 当且仅当 满足允许条件： （1） 时，称是一个基本小波或母小波。 2 电能扰动特征值的提取 2.1 特征值的提取方法 本文应用小波变换的方法来提取扰动特征量，然后根据提取的时频特性来对扰动进行分类，首先给出4种电能扰动的信号模型，见表1。 表1 信号模型 类型 信号模型 参数 电压骤升 电压骤降 电压中断 瞬时脉冲 2.2 特征向量的提取 小波分解的实质是对被检测信号的多带通滤波暂态电能质量的波形的各频带成分是不同的。通过对暂态电能质量的小波分解，可以捕捉其扰动信息，从而达到故障特征提取的标准[3]。 图1 电能质量扰动识别流程图 采用 db3 小波基对样本信号进行 3 层小波分解，提取出 1 个低频系数和3个高频系数，然后求出各个系数能量值，将其按照顺序排成一列向量，该向量就是对应某一故障的特征向量。 这里给出小波能量的定义方法。定义测试信号 在子空间内的小波能量为： （2） 下面为提取特征向量的主要步骤： （1） 利用小波分析将电能质量扰动信号进行3层分解，便能得到4个频带的小波系数。重构个节点小波分解系数，则原信号S可用分解后的信号表示为：。 图2 扰动信号分解图 （2） 得到3个权重序列（j=1,2,3）进一步计算得到表征各尺度能量的序列。 （3） 式中：（j=0,1,2,3,4 k=1,2…..,n）表示重构信号有的离散点的幅值。 （3）特征向量的构造。以能量为元素构造一个特征向量Q,则 （4） 能量较大时，由于的数值较大，所以为了简化计算，需要对特征向量进行归一化处理，令 （5） 则有，归一化后的向量为： （6） 3 BP神经网络的设计 （1）网络输入和目标样本的获得。把提取的能量特征向量进行归一化，作为神经网络的特征数据（样本数据见表 2）。 表2 样本数据 样本序号 样本输入特征数据 类别 1 16.6667 0.4156 0.2369 0.1856 电压骤升 2 17.1828 0.4256 0.2069 0.1604 3 17.8017 0.4387 0.1735 0.1303 4 18.5520 0.4559 0.1374 0.0958 5 17.4661 0.4172 0.3514 0.2797 电压骤降 6