隨著電網(wǎng)的持續(xù)發(fā)展，各種非線性、沖擊性負(fù)荷和電力電子設(shè)備的不斷增加，電能質(zhì)量問題日趨嚴(yán)重，已成為世界各國高度關(guān)注的問題。對電能質(zhì)量擾動（Power Quality Disturbances, PQD）信號進(jìn)行準(zhǔn)確檢測和有效辨識是電能質(zhì)量問題實行評估、預(yù)測、診斷、維護(hù)和管理的重要依據(jù)，是改善和提高電能質(zhì)量的前提與關(guān)鍵。

目前，電能質(zhì)量擾動信號的檢測和識別方法較多，但大多包含對擾動信號進(jìn)行特征向量提取和依據(jù)特征向量對擾動信號進(jìn)行辨識兩大步驟。

擾動信號特征向量提取方法主要包括快速傅里葉變換（Fast Fourier Transform, FFT）及其改進(jìn)算法、短時傅里葉變換（Short Time Fourier Transform, STFT）、小波變換（Wavelet Transform, WT）、希爾伯特黃變換（Hilbert-Huang Transform, HHT）、S變換等。

FFT因具有正交、完備等諸多優(yōu)點而在電能質(zhì)量檢測領(lǐng)域被廣泛應(yīng)用，但FFT在信號分析中面臨時域和頻域局部化矛盾，因而只適合平穩(wěn)信號分析，無法滿足對具有暫態(tài)、突變等非平穩(wěn)特性的電能質(zhì)量擾動信號的分析要求。

STFT雖然在一定程度上克服了FFT及其改進(jìn)算法不能進(jìn)行局部分析的缺陷，但其窗函數(shù)長度固定，使得同一信號采用不同窗函數(shù)的STFT分析結(jié)果相差甚遠(yuǎn)。WT具備時頻分析能力且適合具有突變特性的非平穩(wěn)信號分析，但其易受噪聲影響，且存在計算量較大、母函數(shù)選擇困難等問題。

HHT是非平穩(wěn)信號分析的另一常用方法，該方法對信號的奇異點較為敏感，在分析暫態(tài)電能質(zhì)量問題時有較好的動態(tài)性能，但其同樣存在抗噪性能差、高次樣條插值耗時長等問題。S變換作為WT和STFT的結(jié)合，不僅具備良好的時頻分析能力，且變換結(jié)果與其傅里葉變換直接相關(guān)，無需滿足小波容許條件，非常適合電能質(zhì)量擾動信號特征的提取，但其計算量大，限制了其在嵌入式系統(tǒng)中的應(yīng)用。

電能質(zhì)量擾動信號特征向量分類識別方法主要有模糊邏輯（Fuzzy Logic, FL）、決策樹（Decision Tree, DT）、支持向量機(jī)（Support Vector Machine, SVM）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）等。FL和DT可統(tǒng)一歸類為規(guī)則判別方法，這兩種方法均具有原理簡單、易于理解等優(yōu)點，但隨著擾動信號類型的增多，系統(tǒng)的容錯能力和復(fù)雜度會極大地限制其分類能力。

SVM雖然算法簡單，但當(dāng)樣本數(shù)量增加且樣本間存在相互混疊時，會導(dǎo)致支持向量數(shù)目增加、訓(xùn)練難度增大等問題。ANN在理論上可以對任意連續(xù)函數(shù)進(jìn)行學(xué)習(xí)和逼近，具有大規(guī)模并行處理、分布式存儲和處理、自學(xué)習(xí)和自適應(yīng)能力強等優(yōu)點，特別是其中結(jié)構(gòu)簡單的學(xué)習(xí)向量量化（Learning Vector Quantization, LVQ）神經(jīng)網(wǎng)絡(luò)，僅需計算輸入向量和競爭層之間的距離就可完成分類處理和類型識別，已被廣泛地應(yīng)用于故障診斷、模式識別和圖像處理等領(lǐng)域。

為實現(xiàn)電能質(zhì)量擾動的準(zhǔn)確分類識別及其在嵌入式系統(tǒng)中的應(yīng)用，本文提出一種基于雙分辨率S變換（Double Resolution S Transform, DRST）和LVQ神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動信號檢測新方法。DRST通過可變時頻帶寬積實現(xiàn)對電能質(zhì)量擾動信號特征向量進(jìn)行準(zhǔn)確提取。

為便于嵌入式系統(tǒng)實現(xiàn)，本文在不影響特征提取準(zhǔn)確度的前提下對DRST進(jìn)行簡化，采用只計算關(guān)鍵頻率點，忽略其他無關(guān)頻率點的方式來減少算法運算量。而后通過LVQ神經(jīng)網(wǎng)絡(luò)來對所提取的特征向量進(jìn)行辨識。在訓(xùn)練階段，所提取的特征向量被發(fā)送至PC對LVQ網(wǎng)絡(luò)進(jìn)行訓(xùn)練以得到網(wǎng)絡(luò)模型參數(shù)。訓(xùn)練結(jié)束后，將得到的模型參數(shù)保存到下位機(jī)中。在分類階段，下位機(jī)利用經(jīng)過訓(xùn)練的模型參數(shù)構(gòu)建LVQ神經(jīng)網(wǎng)絡(luò)實現(xiàn)電能質(zhì)量擾動信號的辨識。

本文在無噪聲、有噪聲以及基波頻率波動等條件下對算法進(jìn)行仿真分析，并且與其他電能質(zhì)量擾動識別算法進(jìn)行對比，仿真與對比結(jié)果表明本文算法能夠準(zhǔn)確、快速地對電能質(zhì)量擾動信號進(jìn)行分類識別。實際構(gòu)建的硬件測試平臺驗證了本文算法的準(zhǔn)確性和有效性。

圖8 硬件測試平臺

總結(jié)

本文提出了一種基于DRST和LVQ神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動檢測方法。算法首先通過可變時頻帶寬積的DRST實現(xiàn)電能質(zhì)量擾動信號特征向量的準(zhǔn)確提取。在不影響特征提取準(zhǔn)確度的條件下，通過對DRST算法進(jìn)行簡化并給出其快速算法的實現(xiàn)流程，極大地減少了算法的計算量和運行時間。此外，根據(jù)各擾動信號的類型特點，本文通過引入多個競爭層獲勝神經(jīng)元模式實現(xiàn)LVQ神經(jīng)網(wǎng)絡(luò)的優(yōu)化，提高了分類的準(zhǔn)確率。

仿真和實際測試結(jié)果表明，本文提出的電能質(zhì)量擾動檢測方法進(jìn)行電能質(zhì)量擾動信號檢測的準(zhǔn)確率高、速度快，非常適合電力系統(tǒng)擾動信號的嵌入式實時檢測。