采用高效时-频特征提取与选择的电能质量扰动识别

摘要

电能质量是智能电网的主要控制目标，也是电力价格以质定价的基础。因此，需要对具有不同噪声水平的各接入点的分布式电源电能质量开展深入监控与分析。对电能质量扰动信号进行高效、精确识别是扰动源定位、电能质量针对性治理的前提，具有重要的意义。本文针对现有电能质量扰动信号识别中存在的信号处理效率低、信息存储空间大等不足，采用了高信号处理效率、低信息存储空间的电能质量扰动识别方法。 特征提取方面，对于单一扰动信号和复杂扰动信号，分别采用两种信号处理方法进行特征提取。（1）为了提高单类电能质量扰动的信号处理效率，以9种单类扰动信号为分析对象，提出一种基于图像特征增强技术的单类电能质量扰动特征提取方法。首先，将电能质量信号转换为灰度图像；其次，使用伽马校正、边缘检测与峰谷检测3种特征增强方法对灰度图像特征进行增强，得到二值图像；最后，对二值图像提取扰动特征，构建原始特征集合。（2）为了降低复合电能质量扰动分析中的信息存储压力，以包括复合扰动在内的17类扰动信号为分析对象，提出一种基于时域压缩最优多分辨率快速S变换的复合电能质量扰动特征提取方法。首先，对S变换时-频矩阵进行时域和频域压缩，得到中间矩阵，再对其提取扰动特征，构建原始特征集合。 获得原始特征集合之后，为了去除冗余特征，采用基于特征基尼重要度分析与序列前向搜索策略的特征选择方法。首先，计算原始特征集合中所有特征的基尼重要度，得到重要度排序；其次，以特征重要度降序排序为依据，使用序列前向搜索策略计算每个子特征集合下的分类准确率；最后，综合考虑特征维数和准确率，确定最优特征子集。 使用最优特征子集训练随机森林分类器与旋转森林分类器，分别对单类扰动信号和复杂扰动信号进行识别。在随机森林分类器构建过程中，以泛化误差最小为目标，使用贝叶斯优化算法对分类器参数进行寻优。在旋转森林分类器构建过程中，以分类精度和两种差异性度量指标为标准，确定分类器最优参数。最后以最优分类器进行电能质量扰动识别，输出识别结果。使用葡萄牙某配电网实测电能质量信号证明了新方法在实际工业应用中的有效性。 本研究实现了复杂噪声环境下电能质量扰动信号的精确识别，同时显著提高了单类扰动信号的处理效率，降低了复杂扰动信号分析过程中的信息存储压力。新方法更加满足实际工程应用的需求，进一步促进了扰动识别技术在电力系统电能质量监测与诊断方面的应用，对保障电力系统的安全运行具有重要意义。

目录

第1章 绪 论

1.1 课题研究的背景与意义

1.2 电能质量扰动信号识别的国内外研究现状

1.2.1 电能质量扰动信号特征提取

1.2.2 电能质量扰动信号特征选择

1.2.3 电能质量扰动信号模式识别

1.3 本文的主要研究内容

第2章 基于特征增强技术的单类电能质量扰动特征提取

2.1 引言

2.2.1 电能质量概述及标准

2.2.2 常见电能质量扰动信号数学模型

2.3 电能质量扰动信号灰度变换原理

2.4.1 伽马校正

2.4.2 边缘检测

2.4.3 峰谷检测

2.5 仿真实验分析

2.5.1 基于图像处理技术的电能质量扰动信号处理

2.5.2 电能质量扰动信号特征提取

2.6 本章小结

第3章 基于随机森林的单类电能质量扰动特征选择与识别

3.1 引言

3.2.1 随机森林分类理论

3.2.2 基于贝叶斯优化的随机森林

3.3.1 特征Gini重要度计算原理

3.3.2 序列前向搜索策略

3.4 仿真实验分析

3.4.1 特征选择与特征分类能力分析

3.4.2 随机森林参数寻优与扰动识别

3.5 本章小结

第4章 基于时域压缩最优多分辨率快速S变换的复合电能质量扰动特征提取

4.1 引言

4.2 ST及OMFST的时频特性分析

4.2.1 ST在电能质量扰动识别中的应用

4.2.2 OMFST在电能质量扰动识别中的应用

4.3 仿真实验分析

4.3.1 时域压缩OMFST的基本原理

4.3.2 时域压缩过程分析与仿真数据验证

4.4 本章小结

第5章 基于旋转森林的复合电能质量扰动特征选择与识别

5.1 引言

5.2 旋转森林算法

5.3 仿真实验分析

5.3.1 基于特征Gini重要度与SFS策略的电能质量扰动特征选择

5.3.2 基于旋转森林算法的电能质量扰动识别

5.4 实测数据实验分析

5.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢