基于多分辨率标准差及自组织映射网络的电能质量扰动分类识别 power quality disturbance classification based on standard deviation of multi-resolution analysis and self-organizing feature mapping.pdfVIP

第28卷第8期 电力自动化设备 vol，28No．8 ElectricP。werAut。mati。n 2008年8月 Equipment Aug．2008《D 基于多分辨率标准差及自组织映射 网络的电能质量扰动分类识别 张 凯1，关根志1，龙望成1，刘功能2 (1．武汉大学电气工程学院，湖北武汉430072； 2．湖南省超高压管理局，湖南长沙410015) 摘要：基于小渡多分辨率分析和自组织映射网络．提出了一种电力系统电能质量扰动问题的分类识 别方法。在多分辨率分析中，利用小波方程和尺度方程可以对信号进行多层分解。对各层信号进行 统计分析得到标准差，相当于对分解后的信号进行了特征提取．可以反映信号的离散度并作为各层 的特征值，且特征明显、数值量小。对得到的特征值。采用自组织映射网络进行聚类分析，就可以实 现电能质量扰动类别的智能判断。仿真结果表明该方法判别精度高、速度快。可供电能质量问题的 监测分析参考。 关键词：电能质量；扰动；多分辨率分析；小波；标准差；自组织映射； 中图分类号：TM714 文献标识码：A 使神经网络的选取与应用显得盲目。 O引言 本文的主要工作就是先用小波变换对扰动信号 进行多分辨率分析。然后对各层变换的结果进行统计， 随着电力系统的不断发展。电能质量问题越来 得出各层结果的标准差并作为特征值(假设进行12 越受到重视。电能质量的突然恶化，会损害电力系统 层小波分解，就是12个特征值)。通过比较分析，证 中存在的大量敏感负荷。极有可能造成电力系统的重 明了利用这些特征值进行分类识别的有效性。最 大损失。电能质量扰动，是一类危害比较大且常见的 后．根据特征值的特点选择了自组织神经网络进行 电能质量问题，对这类问题进行检测和分析非常重要。 近来，许多信号处理的新方法被应用到扰动问题的 智能分类识别．并通过仿真验证本文方法的样本需 检测与分析中来．尤其是小波变换技术n。91与神经网 要量少、准确性高、训练收敛快。 络技术【lo．-引。小波变换技术具有良好的视频局部化 l 电能质量扰动的小波多分辨率分析 特性和多分辨率的性质。在电能质量扰动问题的滤波、 奇异点分析、特征提取方面显示出强大的功能。将 电能质量扰动问题主要有电压暂升、电压暂降、 神经网络技术与小波变换技术相结合，则可以实现对 电压短时中断、电压暂态振荡等。其波形分别如图l 扰动问题的分类识别。 中曲线M。～u。所示(采样率20kS／s，采样时间0．4s， 在现有的解决方法中，有的将小波变换分析的信 ，I为采样点数)。 号规格化后直接加到神经网络进行训练、判断【10-11]， 2 有的用小波与神经网络组合，组成新的小波神经网 络[12。141，对扰动信号进行分析。这些方法的实质相 ．；．厶＼_普 弋／＼／＼八厂＼／＼／＼／＼／＼／＼， 同，都是用小波变换对信号进行预处理，利用小波的 o也2 多尺度分析特性。提取信号特征，然后由神经网络进 八厂＼厂＼／＼八