[发明专利]一种采用二维形态学降噪的电能质量复合扰动识别方法

说明书

技术领域

本发明是一种采用二维形态学降噪的电能质量复合扰动识别方法，应用于高噪工业环境下的电能质量暂态扰动自动分类及定位、设备状态在线监测及评估以及电能质量治理。

背景技术

随着近年来电力电子设备的广泛应用与分布式电源的大量接入，电能质量问题的影响日益突出。电能质量暂态扰动的精确识别是电能质量扰动治理与电能质量分析的前提与基础，近年来国内外研究者针对扰动识别做出大量工作，取得了良好的识别效果。但是，现有扰动识别方法的准确率易受噪声干扰，部分分类器过于复杂，实时性低，不能满足实际工业环境需求。在高噪声环境下，对持续时间较短的扰动信号(特别是暂态振荡信号)识别准确率下降明显。此外，由于分布式可再生能源大量接入，高次谐波(40次以下)作为光伏、风电等分布式电源接入的重要电能质量指标，也列入需要监控分析的范畴。由此，导致谐波含振荡类型复合扰动中振荡成分与谐波成分在不同频域均存在交叉。因此，不能简单的通过不同频域特征，将谐波含振荡复合扰动简单视为不同频域内的单一扰动识别。需要对谐波含振荡类型的复合扰动的精确识别进一步深入研究。

现有的一种方法，S变换(S-transform，ST)及其改进形式被广泛应用于扰动信号特征提取，并取得了较好的效果。ST通过采用高斯窗函数，在不同频率范围内获得不同的时-频分辨率，满足提取不同时-频特征的需要。但是ST运算的时间复杂度与空间复杂度很高，如果处理高采样率扰动信号时，效率较低；现有的另一种快速S变换(Fast S-transform，FST)方法，通过选取主要频率点或扰动频率点，并且只针对选定频率进行傅里叶快速逆变换(inverse fast Fourier transform，IFFT)，以降低运算量与空间复杂度。但是，针对高噪环境下的扰动信号主要频率点选择欠佳，同时，由于暂态振荡的频域分布于广泛的高频范围，且持续时间短，扰动能量小，在高噪声环境下，难以通过对信号FFT谱分析得到其频域分布，因此，现有FST方法尚不能完全满足扰动信号的识别需要；现有的又一种广义S变换(Generalized S-Transform，GST)方法，在处理不同类型的扰动信号识别过程中，通过改变窗宽调整因子，可以得到更具针对性的时-频分辨率，进一步提升S变换的特征表现能力，但GST需要根据原始信号的快速傅里叶变换(Fast Fourier Transform，FFT)的谱特征进行初步分析，确定窗宽调整因子，因此，一定程度上增加了分类算法的复杂度。同时，由于电力系统中存在大量更加复杂的复合扰动，如谐波含暂降等。复合扰动中存在的不同成分识别所需的时-频分辨率往往存在一定矛盾。如谐波含暂降类型复合扰动中的谐波成分分析需要更高的频率分辨率，而暂降成分分析则需要更高的时间分辨率，因此，GST尚不能满足复合扰动的识别要求。

在暂态扰动分类器设计领域，神经网络、支持向量机、模糊专家系统、决策树等方法都已经应用于扰动信号识别。从分类效率、实现难易程度等直接影响分类系统实际工业应用的角度比较，决策树方法具有较明显优势，其结构简单，分类效率高，不需训练。但决策树的分类效果取决于特征的选择与分类阈值的确定。由于噪声干扰，不同噪声水平下的决策树各节点最优分类阈值不同，很难设计满足不同噪声水平的决策树分类系统。同类研究成果一般只能应用于信噪比较高的环境下。因此，降低噪声干扰是提高决策树方法可应用性的重要前提。

发明内容

本发明的目的是，对现有技术进行实质性改进和创新，提供一种科学合理，简便易行，无需训练，实时性好，满足现场应用要求，具有抗噪声能力强，识别准确率高的采用二维形态学降噪的电能质量复合扰动识别方法。

本发明的目的是通过以下技术方案来实现：一种采用二维形态学降噪的电能质量复合扰动识别方法，其特征是，它包括以下步骤：

1)电能质量扰动信号采集

利用变电站中的故障录波器及二次设备对相关扰动信号进行采集和记录，鉴于实测信号不能完全覆盖全部电能质量现象类型与参数范围，查阅国家标准《GB/T 12325-2008电能质量供电电压偏差》、《GB/T 15543-2008电能质量三相电压不平衡度》、《GB/T 12326-2008电能质量电压波动和闪变》、《GB/T 14549-1993电能质量公用电网谐波》，通过MATLAB 7.0软件数学模型仿真生成不同信噪比环境下覆盖所有参数范围的完整的样本用于训练与测试分类与畸变监测方法的有效性；

2)对扰动信号开展多分辨率快速S变换