[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

摘要

本发明是一种采用二维形态学滤波的扰动信号识别方法，其特征是，包括电能质量扰动信号采集、对扰动信号开展多分辨率快速S变换、二维形态学降噪、扰动信号特征提取和设计决策树分类器对样本进行分类等步骤，具有科学合理，简便易行，无需训练，实时性好，能够满足现场应用要求，抗噪声能力强，识别准确率高等优点。

主权项

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MATLAB7.0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变换综合考虑现有扰动特征分布情况，通过从ST基频与高频频域用于提取特征，保留原始信号FFT变换后的基频与部分高频频域变换结果进行IFFT，以降低ST的算法复杂度，并根据特征表现需要，获得在不同频率范围具有不同时‑频分辨率的多分辨率快速S变换，亦为MFST，MFST的离散表达为：$\left\{\begin{array}{cc}S[\mathrm{jT},\frac{n_x}{\mathrm{NT}}]=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{k+n_x}{\mathrm{NT}}\right]e^{-2{\mathrm{\π}}^2{k}^2/{\mathrm{\μ}}_{\mathrm{HF}}^2{n_x}^2}{e}^{i2\mathrm{\πkj}/N}& n_x\∈[{\mathrm{\ν}}_{\mathrm{HL}},{\mathrm{\ν}}_{\mathrm{HH}}]\\ S[\mathrm{jT},\frac{n_x}{\mathrm{NT}}]=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}H\left[\frac{k+n_x}{\mathrm{NT}}\right]e^{-2{\mathrm{\π}}^2{k}^2/{\mathrm{\μ}}_{\mathrm{BF}}^2{n_x}^2}{e}^{i2\mathrm{\πkj}/N}& n_x=f_0\end{array}\right.---\left(1\right)$其中，T为采样间隔，N为采样点数，f₀为基频，μ_BF为基频的高斯窗宽因子，μ_HF为高频窗宽调整因子，ν_HL为保留高频频域最小频率值，ν_HH为保留高频频域最大频率值，k和n_x为计算的流程控制参数，采用基频特征识别扰动，需要更高的时间分辨率，即变换结果准确体现基频幅值变化情况，因此，处理基频的高斯窗宽因子μ_BF，选择较小μ_BF＝0.1，高频窗宽调整因子μ_HF选择μ_HF＝5，根据所选特征要求，ν_HL＝701Hz,ν_HH＝1000Hz；3)二维形态学降噪二维形态学降噪分为两部分：阈值降噪和灰度图像开运算降噪，a)阈值降噪当采用MFST处理含噪声扰动信号时，需要对时‑频矩阵先进行阈值滤波处理：设阈值为Δ，矩阵内第i行、j列的时‑频点幅值为f_H(x_i,y_j)；如果f_H(x_i,y_j)≤Δ，则滤波后的时‑频点幅值为f_H'(x_i,y_j)＝0；否则，f_H'(x_i,y_j)＝f_H(x_i,y_j)，经统计实验，滤波阈值取0.02pu，pu即标幺值；b)灰度图像开运算降噪在阈值滤波后的MFST模时频矩阵高频部分f_H中，ν_HL＝701Hz,ν_HH＝1000Hz，振荡与噪声成分呈纵向带状分布，且时域宽度较窄；谐波能量呈横向分布，时域宽度较宽，因此，采用角度为0的线段结构元，保证滤波效果前提下，尽量减少滤波运算复杂度，线段结构元的大小根据电能质量信号时域分布特点确定，高频频域内的震荡信号和噪声信号时域分布特性不同，高频震荡一般维持0.5周波以上，时域分布相对较宽；而噪声时域分布很窄；谐波信号分布时域宽度最宽，因此，结构元宽度应小于阈值滤波后振荡时‑域分布宽度，且大于噪声时域分布宽度，由于仿真实验信号采样率5KHz，在统计实验基础上，最终确定结构元为线段型0角度结构元，长度为25；4)扰动信号特征提取在通过MFST与二维形态学降噪处理后，从原始信号、原始信号FFT谱、MFST基频幅值曲线和MFST高频矩阵中提取6条特征，组成六维特征向量用于识别扰动信号，$\stackrel{\→}{F}=\{{\mathrm{Sign}}_1,{\mathrm{Sign}}_2,{\mathrm{Sign}}_3,{\mathrm{\σ}}_{\mathrm{STD}},D\left(R\right)\stackrel{\‾}{{\mathrm{\σ}}_{\mathrm{STD}}}\}---\left(2\right)$六维特征向量组中各元素意义如下：a)Sign₁为电压波形的总谐波畸变率或单次谐波电压含有率是否超过国家标准《GB/T14549‑1993电能质量公用电网谐波》中的规定值${\mathrm{Sign}}_1=\left\{\begin{array}{cc}1& \mathrm{THD}>8\%\mathrm{or}{\mathrm{HRU}}_h>K_h\\ 0& \mathrm{else}\end{array}\right.---\left(3\right)$其中，THD为总谐波畸变率；HRU_h为第h次谐波电压含有率；M_h——第h次谐波分量的方均根值；M₁——基波分量方均根值；K_h——第h次谐波电压兼容水平；b)Sign₂为基频对应幅值最小值是否大于规定值${\mathrm{Sign}}_2=\left\{\begin{array}{cc}1& A_{n0\min }>0.475\\ 0& \mathrm{else}\end{array}\right.---\left(4\right)$其中，A_n0min为基频幅值曲线的最小值；c)Sign₃为基频对应幅值最大值是否小于规定值${\mathrm{Sign}}_3=\left\{\begin{array}{cc}1& A_{n0\max }>0.525\\ 0& \mathrm{else}\end{array}\right.---\left(5\right)$其中A_n0max为基频幅值曲线的最大值；d)σ_STD为基频对应幅值标准差；其中，A_n0(t)为基频幅值向量,N为采样点数，σ_STD为基频向量所有幅值元素的标准差，e)D(R)为信号1/4周期能量跌落幅度$D\left(R\right)=\frac{\min \left[R\left(m\right)\right]}{R_0}---\left(6\right)$其中，R(m)是原始信号各个1/4周期的均方根值，亦为RMS，R₀为1/4周期无噪声标准电能质量信号RMSf)为形态学去噪后，f_H各个频率所对应幅值的均方差的平均值$\stackrel{\‾}{{\mathrm{\σ}}_{\mathrm{STD}}}=\frac{1}{N}\underset{j=f_{\mathrm{HL}}}{\overset{f_{\mathrm{HH}}}{\mathrm{\Σ}}}\sqrt{\frac{1}{N}\underset{t=1}{\overset{N-1}{\mathrm{\Σ}}}{(S^{\′}(t,j)-\frac{1}{N}\underset{t=1}{\overset{N-1}{\mathrm{\Σ}}}{S}^{\′}(t,j))}^2}---\left(7\right)$其中，S'(t,j)指形态学去噪后的MFST高频矩阵，为f_H各个频率所对应幅值的均方差的平均值；5)设计决策树分类器对样本进行分类采用决策树实现扰动信号的自动识别，所识别的电能质量信号包括含噪声标准信号C0、电压暂降C1、电压暂升C2、电压中断C3、闪变C4、谐波C5、谐波含暂降C6、谐波含暂升C7、谐波含闪变C8、暂态振荡C9、暂降含振荡C10、暂升含振荡C11、闪变含振荡C12、谐波含振荡C13，决策树阈值确定以统计实验结果分类准确率最高为衡量指标。