王燕

摘 要：該文提出了基于S變換和KNN的暫態(tài)電能質(zhì)量擾動(dòng)分類的識(shí)別方法。首先應(yīng)用S變換對(duì)暫態(tài)擾動(dòng)信號(hào)進(jìn)行時(shí)頻分析，從信號(hào)的S變換得到相應(yīng)S變換模時(shí)頻矩陣，并對(duì)時(shí)頻矩陣進(jìn)行分析，從中提取出8個(gè)有效特征量，再由特征量組成的特征向量輸入模糊KNN算法分類器中，完成對(duì)擾動(dòng)信號(hào)的智能分類。該文用Matlab7.0軟件產(chǎn)生了6種常見暫態(tài)電能質(zhì)量擾動(dòng)信號(hào)類型，并進(jìn)行了相應(yīng)的分類。仿真結(jié)果表明，該方法結(jié)構(gòu)簡單，所需特征量少，并能準(zhǔn)確的對(duì)擾動(dòng)類型進(jìn)行辨識(shí)。

關(guān)鍵詞：暫態(tài)電能質(zhì)量擾動(dòng) 分類 S變換 模糊KNN

中圖分類號(hào)：TM71 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2015）03（a）-0004-02

Abstract：This paper proposed a new method to classify transient powerquality disturbances using S transform and K-nearestneighbor classifier.First，S-transform was applied to perform time-frequency analysis on thepower quality disturbance signals，and the S-transform mode time-frequency matrix was achieved from the S-transform，and we got 8 valid features extracted from the matrix， then the feature vectors who consisted of the former features were input into the Fuzzy KNN classifier to perform the disturbing signals intelligent classification.This paper utilized matlab7.0 to generate 6 kinds of common transient power quality disturbance signals，and accomplish the corresponding classification.The result showed that the structure of the proposed method was simple，the number of the needed features was few and it was doing well in classifying these types of transient powerquality disturbances.

Key words：Transient power quality disturbance；Classification；S-transform；Fuzzy KNN

暫態(tài)電能質(zhì)量擾動(dòng)問題成為電力部門和用戶近年來密切關(guān)注的問題，擾動(dòng)問題會(huì)造成敏感負(fù)載不能正常運(yùn)行，損壞電力電子設(shè)備，微處理器智能設(shè)備重啟和保護(hù)失靈等嚴(yán)重后果[1-2]。對(duì)各種電能質(zhì)量擾動(dòng)進(jìn)行準(zhǔn)確的識(shí)別是控制和治理電能質(zhì)量問題的基本前提。

小波變換由于具有良好的時(shí)頻特性被廣泛用于電能質(zhì)量擾動(dòng)信號(hào)的特征提取，但小波變換的結(jié)果缺乏直觀性，存在頻譜泄露及易受噪聲影響，且母小波系數(shù)難以確定等問題。而短時(shí)傅里葉變換存在需要選擇窗口類型和寬度及窗口寬度固定等缺陷，在電能質(zhì)量分析中的使用也收到限制[3-4]。S變換作為小波變換和算式傅里葉變換的繼承和發(fā)展，S變換采用高斯窗函數(shù)且寬度與頻率的倒數(shù)成正比，其結(jié)果具有直觀性且不易受噪聲影響。S變換的結(jié)果為一個(gè)復(fù)時(shí)頻矩陣，其中包含幅值，頻率和相位等分布信息，非常適合進(jìn)行電能質(zhì)量擾動(dòng)信號(hào)的特征提取。KNN（K-Nearest Neighbor）是一種理論上比較成熟的算法，具有結(jié)構(gòu)簡單，訓(xùn)練速度快等優(yōu)點(diǎn)，模糊K最近鄰算法（Fuzzy KNN）是將模糊理論與K最近鄰法相結(jié)合的一種改進(jìn)算法。該文用Matlab7.0仿真6種常見電能質(zhì)量擾動(dòng)信號(hào)，提出了基于S變換的特征提取算法，并結(jié)合模糊KNN算法分類器的暫態(tài)電能質(zhì)量擾動(dòng)的自動(dòng)分類。

1 S變換基本原理

S是一種時(shí)頻可逆分析方法，其思想是對(duì)連續(xù)小波變換和短時(shí)傅里葉變換的發(fā)展。

信號(hào)h（kT）經(jīng)過S變換得到一個(gè)復(fù)時(shí)頻矩陣，記為S矩陣，其列元素對(duì)應(yīng)時(shí)間采樣點(diǎn)，行元素對(duì)應(yīng)頻率采樣點(diǎn)。將S矩陣各個(gè)元素求模后得到的矩陣為S模時(shí)頻矩陣，其列向量表示信號(hào)某一時(shí)刻的幅值隨頻率變換的分布，其行向量表示信號(hào)某一頻率處的幅值隨時(shí)間變化的分布，因此S模時(shí)頻矩陣某位置元素的大小就是相對(duì)應(yīng)的頻率和時(shí)間處信號(hào)S變換的幅值大小[4]。

N點(diǎn)信號(hào)的S變換經(jīng)上述計(jì)算步驟會(huì)得到N2點(diǎn)（N行N列）的S變換值，但由于傅里葉變換具有共軛對(duì)稱性，完成S變換需要做N/2+1次N點(diǎn)的快速傅里葉變換，故S變換模時(shí)頻矩陣為N/2+1行和N列矩陣。

2 基于S變換的電能質(zhì)量擾動(dòng)信號(hào)檢測分析

根據(jù)文獻(xiàn)[4]中的擾動(dòng)信號(hào)的數(shù)學(xué)模型，用Matlab7.0仿真產(chǎn)生6種類型的信號(hào)：S1—理想電壓信號(hào)、S2—暫降電壓信號(hào)、S3—暫升電壓信號(hào)、S4—電壓中斷信號(hào)、S5—暫態(tài)振蕩信號(hào)和S6—短時(shí)諧波信號(hào)。其中工頻頻率為50Hz，除高頻振蕩信號(hào)其他信號(hào)的采樣頻率fs=1 000，即每周波采樣20個(gè)點(diǎn)，共采樣50個(gè)周波，而高頻振蕩信號(hào)的采樣頻率為fs=3 200，為了更好的模擬實(shí)際情況，各種擾動(dòng)信號(hào)的幅值參數(shù)，擾動(dòng)時(shí)刻起止參數(shù)，擾動(dòng)持續(xù)時(shí)間參數(shù)及頻率參數(shù)等隨機(jī)產(chǎn)生。通過S變換得到模時(shí)頻矩陣，并由行向量包絡(luò)線和列向量包絡(luò)線分別得到相應(yīng)的時(shí)域和頻域特性曲線。

S變換能夠直觀的表示出各種擾動(dòng)信號(hào)的時(shí)頻特性。對(duì)于電壓暫降，電壓中斷時(shí)域特性曲線中幅度先下降后回升且后者的下降幅度更大，電壓暫升信號(hào)時(shí)域特性曲線幅度先上升后下降。上升和下降的時(shí)刻，持續(xù)時(shí)間與它們相對(duì)應(yīng)的擾動(dòng)起止時(shí)刻，擾動(dòng)持續(xù)時(shí)間一致，并且它們?cè)陬l域特性曲線中只有一個(gè)波峰點(diǎn)，說明只含有工頻頻率。而對(duì)于高頻振蕩信號(hào)和短時(shí)諧波信號(hào)其時(shí)域特性曲線基本保持不變，并且在基波及諧波處存在波峰。

3 擾動(dòng)信號(hào)的特征提取

根據(jù)對(duì)擾動(dòng)信號(hào)時(shí)頻特性曲線的分析，從S變換的模時(shí)頻矩陣中分別對(duì)每種擾動(dòng)信號(hào)提取8個(gè)自動(dòng)識(shí)別所需的特征量，特征量為：基頻幅值均值F1、基頻幅值中幅值大于標(biāo)準(zhǔn)值105%的采樣點(diǎn)個(gè)數(shù)F2（標(biāo)準(zhǔn)幅值M=0.4959）、基頻幅值中幅值小于標(biāo)準(zhǔn)值95%的采樣點(diǎn)個(gè)數(shù)F3、基頻幅值中幅值小于標(biāo)準(zhǔn)值10%的采樣點(diǎn)個(gè)數(shù)F4、頻率包絡(luò)線波峰個(gè)數(shù)F5、行向量極大值時(shí)間包絡(luò)線中提取大于等于3倍基頻的均值F6、時(shí)域包絡(luò)線標(biāo)準(zhǔn)差F7、頻譜的標(biāo)準(zhǔn)差F8。

從定性分析中得知，特征1可以將理想電壓信號(hào)、暫態(tài)振蕩信號(hào)和短時(shí)諧波信號(hào)與電壓暫升、電壓暫降和電壓中斷區(qū)分開；特征2、特征3和特征4可以將電壓暫升同電壓暫降、電壓中斷區(qū)分開；特征5和特征6可以將短時(shí)諧波信號(hào)與暫態(tài)振蕩信號(hào)同其他擾動(dòng)信號(hào)區(qū)分開；特征7和特征8可以將短時(shí)諧波和暫態(tài)振蕩信號(hào)同其他信號(hào)區(qū)分開。

4 模糊K最鄰近法（Fuzzy K-Nearest Neighbor）

KNN算法是取未知樣本的K個(gè)近鄰，這K個(gè)近鄰中的多數(shù)屬于哪一類，就把歸為哪一類。假定有3個(gè)樣本集和1個(gè)未知樣本，假定K=5，在距離最近的5個(gè)訓(xùn)練樣本中，3個(gè)屬于，1個(gè)屬于，1個(gè)屬于，根據(jù)KNN決策規(guī)則，將其歸為類別 。

但當(dāng)學(xué)習(xí)樣本類別分布不均的時(shí)候，如果僅考慮排序后的K個(gè)最近鄰而忽視樣本間的不同距離，勢必會(huì)降低KNN的分類精度，模糊k最近鄰算法（Fuzzy KNN）就是將模糊理論與K最近鄰法相結(jié)合的一種監(jiān)督學(xué)習(xí)技術(shù)，它有效解決了上述問題，它將未知樣本與k個(gè)最近鄰的距離模糊化，并為每個(gè)類別都設(shè)置了相應(yīng)的隸屬度，而不像KNN那樣簡單的將未知樣本的歸類定為“屬于”或者“不屬于”。

5 仿真結(jié)果與分析

用MatlaB7.0軟件共產(chǎn)生600個(gè)訓(xùn)練樣本（每種信號(hào)100個(gè)），每種信號(hào)再產(chǎn)生20個(gè)測試樣本。表1為每種信號(hào)的分類正確率及總體分類正確率。

從仿真的結(jié)果分析，本文提出的方法可以將上述6種信號(hào)有效的進(jìn)行識(shí)別分類，對(duì)于每種擾動(dòng)信號(hào)都有很高的識(shí)別率。

6 結(jié)語

該文用Matlab7.0仿真了6種不同的常見典型信號(hào)，并通過S變換對(duì)信號(hào)進(jìn)行了數(shù)據(jù)處理得到相應(yīng)的模時(shí)頻矩陣，從中提取8個(gè)有效特征量。并結(jié)合FKNN分類器，對(duì)6種信號(hào)進(jìn)行智能分類，F(xiàn)KNN作為一種監(jiān)督學(xué)習(xí)技術(shù)，將對(duì)每一個(gè)未知樣本進(jìn)行相同的算法處理，且由于其算法不是迭代過程，因此也不存在不收斂的現(xiàn)象。在m=2，k=3時(shí)FKNN對(duì)6種電能質(zhì)量信號(hào)總體識(shí)別率達(dá)98.3%，分類效果較好。

參考文獻(xiàn)

[1] 付娟，周漢勇，姜勤.基于S變換的暫態(tài)電能質(zhì)量擾動(dòng)檢測與仿真[J].電力系統(tǒng)保護(hù)與控制，2009，37（21）：86-90.

[2] Bhends CN，Mishra S，Panigrahi BK.Detection and classification of power quality disturbances using S-transform and modular neural network[J].IEEE Transactions on Power Delivery，2008，23（1）：122-128.

[3] 李新華.基于S變換和徑向基神經(jīng)網(wǎng)絡(luò)的暫態(tài)電能質(zhì)量擾動(dòng)識(shí)別[J].電力系統(tǒng)自動(dòng)化，2011.

[4] Kaewarsa S.Classification of power quality disturbances using S-transform based artificial neural networks[J]. Intelligent Computing and Intelligent Systems（ICIS），2009（1）：566-570.