av日韩亚洲,一本一本a久久,亚洲一区二区三区,亚洲一区二区三区免费视频

自適應S變換與決策樹的電能質(zhì)量復合擾動識別

來源:期刊VIP網(wǎng)所屬分類:機電一體化時間:瀏覽:

  摘 要:對于電能質(zhì)量問題中的檢測與識別,提出了一種改進窗寬調(diào)節(jié)因子的S變換算法和決策樹算法相結(jié)合的電能質(zhì)量復合擾動識別新方法。首先在離散S變換的基礎(chǔ)上,通過引入窗寬調(diào)節(jié)因子對時頻域分辨率進行改進,結(jié)合能量集中度對調(diào)節(jié)因子進行自適應求取。其次利用統(tǒng)計方法計算提取了8種用于模式識別的特征量,并構(gòu)建了決策樹算法的分類器對樣本進行訓練和分類,并對復合擾動在不同噪聲下進行了仿真驗證。仿真結(jié)果表明,該方案時頻處理、分類能力和學習速度等方面均優(yōu)于廣義S變換且魯棒性強,對于復合擾動的識別具有很好的效果。

  關(guān)鍵詞:復合擾動;自適應改進S變換;決策樹;時頻分析;特征提取

電工電能新技術(shù)

  《電工電能新技術(shù)》創(chuàng)刊于1982年,由中國科學院電工研究所主辦。是電工類綜合性科技刊物,中國科技核心期刊,中文核心期刊,國務院學位與研究生教育重要期刊。由中國科學院電工研究所主辦,國內(nèi)外公開發(fā)行。

  引言

  隨著居民生活水平的不斷提高,在現(xiàn)有的電力系統(tǒng)中接入了越來越多的非線性負荷,導致電能質(zhì)量存在著很多的問題[1]。要對電能質(zhì)量進行優(yōu)化,首先要檢測出電能質(zhì)量中存在著哪種類型的擾動。

  從已有的研究中可以得出,目前最為常用的時頻分析方法有傅里葉法(Fourier Transform)[2]、希爾伯特-黃變換法(Hilbert-Huang Transform-HHT)[3]、dq變換法[4]、小波變換法(Wavelet Transform-WT)[5]等。在真實電力系統(tǒng)中,諧波可能和電壓暫降、電壓暫升等同時存在[6]。

  傳統(tǒng)的STFT算法將非平穩(wěn)信號進行時域頻域的分解,由于所有頻率的窗函數(shù)窗寬大小固定,無法對信號進行動態(tài)跟蹤;較之WT算法,從S變化算法提取的特征量物理意義更明確,抗噪性更強,并且無需選擇基小波[7]。本文基于S變換算法,引入了能夠自適應改變的窗寬調(diào)節(jié)因子,提出了基于能量集中度自適應改進S變換結(jié)合決策樹算法的復合擾動識別新算法,對于驟升,驟降等類型的擾動,以及在幅值擾動中混入諧波等類型的擾動進行了自動分類,并在此結(jié)論中與之前未優(yōu)化的算法進行了對比分析。

  1 擾動概述

  在電網(wǎng)中,經(jīng)常會有大功率負載的投切,使得電力系統(tǒng)產(chǎn)生電壓暫升問題[8]。最常見的以諧波+電壓閃變+電壓暫升信號為例,見圖1所示。

  由圖1可見,各單一擾動之間存在著非常嚴重的相互干擾,由于各單一擾動的疊加,使得幅值參數(shù)隨時間無規(guī)則波動,使分類的特征量提取增加困難。對于分類識別問題,最難的地方在于如何提取最精確的特征量來代表各個擾動的參數(shù),因為多種擾動會同時存在的問題,使得每種特征值代表的含義變的模糊,隨著種類越來越多,導致這些之前提取的特征值會失去作用。

  在參考了文獻[9-10]的基礎(chǔ)上,本文設(shè)計并搭建了多種復合擾動的模型,見表1所示。

  表1 復合擾動數(shù)學表達式

  2 自適應改進S變換算法的提出

  2.1 S變換基本原理

  S變換是stockwell提出的一種時頻處理分析算法,它的一維計算公式可以從小波變換的計算公式中進行推導[11]。S變換的頻率是一個變量,這就使得窗函數(shù)的窗寬可以改變,并且它的高頻處理能力較好。

  2.2 自適應改進S變換

  文獻[13]提出了廣義 S變換表達式為:

  (5)

  式中:k為窗寬調(diào)節(jié)因子。

  本文在廣義S變換的基礎(chǔ)上,將窗寬調(diào)節(jié)因子進行了定量求取,提出了基于能量集中度的改進S變換(Modified S Transform-MST)表達式為:

  (6)

  聯(lián)立以上公式可得自適應改進S變換的離散形式為:

  2.3 窗寬調(diào)節(jié)因子g值的設(shè)置

  對于穩(wěn)態(tài)擾動和暫態(tài)擾動,需要設(shè)置不同的窗寬調(diào)節(jié)因子,以此來提高其頻域分辨率或時域分辨率。通常窗寬調(diào)節(jié)因子只能憑實驗經(jīng)驗選取,通過對比不同g值下的時頻特性,選取一個時頻特性效果較為理想的g值作為窗寬調(diào)節(jié)因子。本文結(jié)合時頻域分析中的能量集中度概念,將改進S變換中的g值進行定量求取,并根據(jù)不同的穩(wěn)態(tài)及暫態(tài)擾動進行自適應調(diào)整,使改進S變換特性曲線更能突出時頻信息,提取特征值更加精確。基于能量集中度的窗寬調(diào)節(jié)因子g值的求取過程如下:

  (1)確定時頻聚集性度量表達式為:

  (2)根據(jù)MST的離散表達式(7),對于穩(wěn)態(tài)及暫態(tài)擾動不同窗寬調(diào)節(jié)因子g值分別計算MST的時頻分布MSTg(?子,f)。

  (3)根據(jù)穩(wěn)態(tài)或暫態(tài)擾動的特定頻率f,分別計算不同g值對應的能量集中度表達式CM。

  (4)記錄CM(f,g)為max時的g值作為最優(yōu)窗寬調(diào)節(jié)因子:

  gopt(f)=arg max[CM(f,g)]

  至此改進S變換窗寬調(diào)節(jié)因子g值求取完成。本文中將電壓暫降的幅值設(shè)定為0.5倍的標幺值,發(fā)生的持續(xù)時間為4個周波,時間為0.2秒,特征量考慮在時域的范圍內(nèi)求取,所以將低頻下的窗寬系數(shù)設(shè)置的較小,從而提高了分辨率。不同調(diào)節(jié)因子下的擾動S變換時間幅值包絡(luò)線見圖2所示。

  根據(jù)圖2所示幅值曲線可以得出,在沒有諧波干擾時,當窗寬系數(shù)取值過大時會使得特征量的時域分辨率急劇降低,可以看出其幅值曲線接近于一條直線,所以應該將窗寬系數(shù)的調(diào)節(jié)因子設(shè)置在0至1的范圍內(nèi),本文選取了窗寬系數(shù)的調(diào)節(jié)因子g1=0.5。

  3 決策樹算法分類器設(shè)計

  3.1 自適應改進S變換特征提取

  離散S變換的結(jié)果為一個復矩陣,稱為S矩陣(S-matrix)。將該矩陣中的各數(shù)值進行求模運算后得到S變換的模矩陣,橫坐標為時間,縱坐標為頻率。本文主要對以下6種復合擾動進行了研究。復合擾動S變換三維時頻圖見圖3。

  在S變換三維時頻圖中,頻率的分辨率隨著傅里葉變換計算的樣本數(shù)量和采樣頻率而發(fā)生相應的改變。本文從各復合擾動特性曲線中提取用于分類識別的特征量見表2所示。

  表2 8種用于電能質(zhì)量復合擾動識別的特征量

  3.2 決策樹分類器構(gòu)建

  利用決策樹算法搭建一個分類器,主要包含樹生成(Tree Growing)和樹剪枝(Tree Pruning)。利用遞歸分治法可以生成樹,在由上而下生成樹的過程之后可以通過剪枝算法,來清除所包含的噪聲,這樣可以極大的解決決策樹算法在訓練的過程中發(fā)生的過度擬合(Over-fitting),從而可以從根本上提高它的精度。對于同一個樣本集,可以生成許多決策樹,本文基于自適應改進S變換提取特征量構(gòu)建決策樹模型見圖4。

  4 仿真驗證

  根據(jù)表1構(gòu)建的模型,本文生成不同種類的擾動信號分別300,其中200條數(shù)據(jù)為模型的訓練數(shù)據(jù),剩余的用來進行分類測試,發(fā)生的時間和幅值都設(shè)置為隨機量。信號的采樣率為3.2kHz,采樣時間為0.2s,基波頻率為50Hz,分類精度均控制在20dB噪聲環(huán)境下,仿真結(jié)果見表3。

  將仿真檢測的擾動信號疊加30dB噪聲信號,通過對該噪聲環(huán)境下特征量的計算發(fā)現(xiàn),該方案具有極好的抗噪性和魯棒性,噪聲環(huán)境下的特征量見表4所示。

  5 結(jié)論

  由表3可得,本文提出的自適應改進S變換結(jié)合決策樹算法相比于文獻[14]提出的改進S變換與SVM算法極大的提高了精確度,其識別精度接近百分之百。本文在對電能質(zhì)量復合擾動信號進行分析的基礎(chǔ)上,將常用的時頻分解S變換算法,改進為能夠自動選取窗寬系數(shù)的自適應改進S變換,結(jié)合決策樹算法構(gòu)造了分類器。利用了統(tǒng)計學原理從改進S變換特性曲線中提取用于分類識別的最優(yōu)特征值,解決了STFT時頻分辨率單一的問題,實驗證明其分類精度和學習速度等方面均優(yōu)于傳統(tǒng)的時頻分析方法。最后在原始擾動信號的基礎(chǔ)上疊加了30dB的高斯白噪聲,驗證了該方法抗噪性好、魯棒性強,接下來可進一步研究如何提高其分類速度。

  參考文獻:

  [1]唐求,王耀南,郭斯羽,等.基于S變換與PNN的電能質(zhì)量多擾動檢測[J].儀器儀表學報,2009,30(8):1668-1673.

  [2]覃思師,劉前進.基于STFT變換和DAGSVMs的電能質(zhì)量擾動識別[J].電力系統(tǒng)保護與控制,2011,39(1):83-86.

  [3]胡雷,陳湘波,熊魁,等.基于改進HHT的電能質(zhì)量擾動檢測方法[J].電測與儀表,2018,55(21):112-118.

  [4]曹玲芝,李振杰.基于dq變換與小波多分辨率分析的電力系統(tǒng)暫態(tài)復合擾動信號檢測方法[J].電力系統(tǒng)保護與控制,2016,44

  (21):138-143.

  [5]陳曉靜,李開成,肖劍,等.一種實時電能質(zhì)量擾動分類方法[J].電工技術(shù)學報,2017,32(3):45-55.

  [6]陳華豐,楊志剛,曾濤.基于S變換和規(guī)則基的復合電能質(zhì)量擾動識別[J].電測與儀表,2015,52(12):122-128.

主站蜘蛛池模板: 江北区| 张北县| 广饶县| 靖州| 东山县| 南宫市| 绥中县| 合作市| 铁岭县| 尚义县| 喀喇沁旗| 隆昌县| 青铜峡市| 平远县| 枞阳县| 苏州市| 新余市| 徐州市| 隆德县| 韩城市| 邓州市| 根河市| 延津县| 东乌珠穆沁旗| 清流县| 灵川县| 滁州市| SHOW| 阿城市| 湛江市| 于都县| 聂拉木县| 绥阳县| 清新县| 班玛县| 蓝田县| 西贡区| 卢湾区| 句容市| 大宁县| 襄城县|