基于频域分割的电能质量复合扰动识别技术研究

The complex power quality disturbances recognition is one of the most important and difficult issues in short duration disturbances recognition. However, the existing researches still have shortages, such as poor time-frequency presentation abilities in signal processing, difficulties in feature selection, and low recognition accuracies for limited types of complex disturbances. Aiming to solve these problems, this project will focus on the following issues. 1) An adaptive algorithm to adjust the factors of window function for S-transform will be constructed to get better time-frequency presentation abilities. 2) A rough classification method will be proposed to separate the original disturbances into subsets by exploring the frequency distributions of disturbance components. Feature selections will be realized respectively in different subsets to satisfy the requirements of multiple types of complex disturbances recognition. 3) A frequency segmentation algorithm based on Intuitionistic Fuzzy Sets theory will be constructed to segment the S-transform results into several frequency domains. The classifier in each domain will be separately designed by using probabilistic neural network, deformable model template and intuitionistic fuzzy clustering methods.4) An information fusion method will be proposed to combine multiple classifiers' recognition results. The fused results of multiple classifiers will be used to obtain the final recognition result of complex disturbances. This project will achieve the precise recognition of complex disturbances and be very useful for disturbances management and power quality control.

电力系统电能质量复合扰动识别是暂态识别领域中的重点与难点问题。现有复合扰动识别研究尚存在信号处理方法特征表现能力不足，特征选择困难，复合扰动识别种类有限、识别率低等问题。针对上述问题，本项目重点展开以下研究：1)建立S变换窗函数的自适应调整方法，提高其时-频特征表现能力；2)对原始信号类型集合进行基于扰动成分频域分布的粗分类，设计针对不同扰动类型子集的特征选择算法，以满足含多类复合扰动信号识别的特征选择要求；3)建立基于直觉模糊理论的频域分割理论，S变换结果将被精确分割为若干频域，并针对不同频域设计分类器，分别建立基于概率神经网络、可变形模型模板和直觉模糊聚类的频域分类器；4)设计各分类器分类结果信息融合方法，融合不同分类器分类结论，实现复合扰动的准确识别。本项研究将实现电能质量复合扰动的精确识别，对暂态扰动治理与电能质量控制具有重要意义。

电能质量暂态扰动识别是电能质量分析与控制的重要基础。目前，研究热点正从单一扰动向复合扰动转变。电能质量复合扰动特征选择与识别困难，效率较低，面临新的挑战。本项目的研究目标是：1、实现扰动信号的自适应处理；2、设计不同频域范围内的扰动信号特征选择算法；3、构建具有严格理论与实际工程依据的自适应广义S 变换结果频域分割方法；4、在此基础上，设计针对不同频域范围的分类器，研究分类器分类结果的信息融合方法，最终实现复合扰动信号的有效识别。研究内容主要包括电能质量信号的高效压缩、电能质量信号处理方法优化、扰动信号特征提取与特征选择方法等。主要解决问题包括：标准S变换时-频特征表现能力提高；高噪声环境下海量电能质量数据的高效压缩；高维特征集合下高效分类决策树的自动构建与特征选择；高噪声环境下的抗过拟合高效分类。取得的成果有：(1) 研究单类支持向量机与归一化距离测度的电能质量信号压缩，实现了高噪声环境下的电能质量信号的高效压缩与重构；(2)根据信号扰动成分时-频域分布特点，提出多分辨率广义S变换，根据扰动成分分布特性，调整不同频域范围内的窗宽因子，提高方法时-频分析能力；(3)根据峭度-误差分布确定不同频域内最优窗宽调整因子，提高传统广义S变换的特征表现能力；(4) 通过形态学降噪，提取局部范围信号能量特征，提高高噪声环境下的特征分类能力且有效保留传统方法处理时容易损失的微弱高频扰动成分；(5) 研究扰动信号特征选择与最优决策树自动构建方法。分类与回归树采用基于基尼重要度的嵌入式特征选择方法，从67个特征中选取6个构成最优特征子集，并通过代价复杂度后剪枝方法完成最优分类树的自动构建；(6) 研究具有高鲁棒性的随机森林熵重要度特征选择与扰动识别方法，进一步避免了决策树存在的过拟合问题，提高了高噪环境下的扰动识别特征选择效果与分类准确率。未来工作将集中于进一步提高方法整体识别效率与复杂复合扰动分类能力。