[發明專利]基于多特征融合的電能質量擾動分類方法及系統

在審

• 申請號: 201811081656.5
• 申請日: 2018-09-17
• 公開（公告）號: CN109034277A
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 張秉仁;劉衛平;楊媛如;張煒琛
• 申請（專利權）人: 吉林大學;長春朗音電測儀器有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q50/06
• 代理公司: 長春眾邦菁華知識產權代理有限公司 22214
• 代理人: 張偉

本發明涉及一種基于多特征融合的電能質量擾動分類方法及系統，方法包括以下步驟：分別對歸一化采樣信號進行S變換、傅里葉變換和噪聲強度檢測，得到時頻矩陣、基頻信號和信號噪聲強度；根據時頻矩陣和基頻信號進行時頻特征提取，得到三個特征值；判斷信號噪聲強度是否大于信噪比閾值，若是，則根據三個特征值利用決策樹法對電能質量擾動信號進行分類，否則根據三個特征值利用概率神經網絡法對電能質量擾動信號進行分類；輸出分類結果。本發明彌補了概率神經網絡法和決策樹法各自的缺點，抗噪聲能力強，減少了信號的壓縮處理及計算量，在保證了高噪聲的情況下電能質量擾動分類結果不受影響的同時，提高了低噪聲下電能質量擾動的分類效果和成功率。

技術領域

本發明涉及電力自動化技術領域，特別是涉及一種基于多特征融合的電能質量擾動分類方法及系統。

背景技術

現代電力系統中，電力電子設備的應用越來越廣泛，各種非線性、沖擊性、波動性負載也大量增加，使電力系統所遭受的電能質量污染也日趨嚴重。同時，敏感電子設備則對電能質量提出了更高的要求。

對電能質量進行監測和分析是發現電能質量問題并進行治理和改善的前提條件，如何保證電能質量，如何識別電能質量擾動及如何對其進行快速精確的分類成為新的課題。傳統的電能質量監測診斷方法是通過直接進行時域或者頻域分析，將信號壓縮處理后再行觀察，但用傳統檢測方法存在以下問題:(1)雖然時域檢測方法對單類擾動檢測明顯(尤其對電壓暫態擾動)，但它對穩態擾動例如諧波等擾動十分的不敏感，同樣頻域分析雖然對穩態擾動較為適宜，但暫態擾動卻不那么敏感；(2)對于兩類擾動疊加的情況時，單純的時域或者頻域分析方法難以準確分類，甚至會有誤判的情況：(3)單純時域變換會導致噪聲無法得到有效處理，會加大噪聲污染后的誤判可能性，如果要增加外設處理噪聲卻又會增大產品的成本和體積；(4)頻域變換只能反映信號的某個局部特征，較難反映整體特征。

發明內容

基于此，有必要針對傳統的電能質量監測診斷方法存在的分類準確性低以及抗噪性差的問題，提供一種基于多特征融合的電能質量擾動分類方法及系統。

為解決上述問題，本發明采取如下的技術方案：

一種基于多特征融合的電能質量擾動分類方法，該方法包括以下步驟：

步驟一：在信號采樣區域對電壓信號進行提取后，得到采樣信號，并對所述采樣信號進行歸一化處理，得到歸一化采樣信號；

步驟二：對所述歸一化采樣信號進行S變換，得到時頻矩陣，通過時頻矩陣得到時頻圖像；

步驟三：對所述歸一化采樣信號進行傅里葉變換，得到基頻信號；

步驟四：對所述歸一化采樣信號進行噪聲強度檢測，得到信號噪聲強度；

步驟五：通過觀察不同擾動下的時頻圖像，并根據所述時頻矩陣和所述基頻信號進行時頻特征提取，得到三個特征值，分別為第一特征值、第二特征值和第三特征值，所述第一特征值為所述時頻矩陣的基頻區域內行矩陣每列最大幅值中的最大值，所述第二特征值為所述時頻矩陣的基頻區域內行矩陣每列最大幅值中的最小值，所述第三特征值為所述時頻矩陣的高頻區域內行矩陣每列最大幅值曲線的最小值；

步驟六：判斷所述信號噪聲強度是否大于信噪比閾值，若是，則根據所述第一特征值、所述第二特征值和所述第三特征值利用決策樹法對電能質量擾動信號進行分類；若否，則根據所述第一特征值、所述第二特征值和所述第三特征值利用概率神經網絡法對電能質量擾動信號進行分類；

步驟七：輸出分類結果。

相應地，本發明還提出一種基于多特征融合的電能質量擾動分類系統，該系統包括：

信號采集模塊，用于在信號采樣區域對電壓信號進行提取后，得到采樣信號，并對所述采樣信號進行歸一化處理，得到歸一化采樣信號；