[发明专利]一种电能质量扰动信号分类方法及装置

说明书

本发明实施例公开了一种电能质量扰动信号分类方法及装置，用于解决现有技术中S变换和神经网络并不能有机结合而容易导致电能质量扰动信号分类准确性不足，且稳定性差的技术问题。本发明实施例方法包括：选取正常电压信号和七种电能质量扰动信号；对正常电压信号及七种电能质量扰动信号进行预定义编码类别，并以正常电压信号和七种电能质量扰动信号作为输入，以编码类别作为输出，构建一个基于S变换的四层的神经网络，并对神经网络进行训练，得到训练好的神经网络；将实时采集到的电压信号输入到训练好的神经网络，并将获得的神经网络的输出值与编码类别进行对比，获得对电压信号的分类结果。

技术领域

本发明涉及电能质量监测领域，尤其涉及一种电能质量扰动信号分类方法及装置。

背景技术

近年来，随着电网中电力电子设备的广泛应用以及光伏、风电等分布式电源的大量接入，其所引起的电能质量问题日益突出。在精密加工以及人们生活对电能质量要求日趋严格的条件下，需对电能质量干扰进行精确分类，进而分析引起电能质量扰动的原因和采取相应的治理措施。

电能质量扰动分类包括特征提取和分类器分类两个步骤。在特征提取方法中，S变换作为短时傅里叶变换和小波变换的继承和发展，结合了两者的优点，在高频段具有较高的时间分辨率，在低频段具有较高的频率分辨率，更有利于对非平稳信号进行处理，已广泛应用于电能质量扰动的特征提取。在分类器选取方面，人工神经网络由大量处理单元互联组成，具有自学习、自组织、自适应等特点，已成功应用于对电能质量扰动进行分类。如何将S变换特征提取方法和神经网络分类器的优势结合起来，成为人们关注的问题。

为将两者优势有机结合，传统的方法是基于S变换进行电能质量扰动信号特征向量提取，并将特征向量作为网络的输入进行分类。但可以看出，S变换和神经网络在分类过程中是两个完全独立的部分，S变换和神经网络并不能有机结合而容易导致电能质量扰动信号分类准确性不足，且稳定性差等问题。

发明内容

本发明实施例提供了一种电能质量扰动信号分类方法及装置，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分，S变换和神经网络并不能有机结合而容易导致电能质量扰动信号分类准确性不足，且稳定性差的技术问题。

本发明实施例提供的一种电能质量扰动信号分类方法，包括：

选取正常电压信号和七种电能质量扰动信号，七种电能质量扰动信号包括电压骤升信号、电压骤降信号、电压中断信号、暂态脉冲信号、暂态振荡信号、谐波信号、电压闪变信号；

对正常电压信号及七种电能质量扰动信号进行预定义编码类别，并以正常电压信号和七种电能质量扰动信号作为输入，以编码类别作为输出，构建一个基于S变换的四层的神经网络，并对神经网络进行训练，得到训练好的神经网络；

将实时采集到的电压信号输入到训练好的神经网络，并将获得的神经网络的输出值与编码类别进行对比，获得对电压信号的分类结果。

优选地，神经网络包括输入层、S变换层、隐含层和输出层。

优选地，神经网络的输出具体为：

其中x(k)为网络输入层的第k个输入值，x(k)所在求和项的上界K为网络输入层的节点数；w_ji为S变换层节点j和隐含层节点i的连接权值，w_ji所在求和项的上界J为S变换层的节点数；w_ip为隐含层节点i和输出层节点p的连接权值，w_ip所在求和项的上界I为隐含层的节点数；O_p为输出层的输出值，下标p为输出层的节点数；H(k,m_j,n_j)为网络S变换层采用的基函数；m_j和n_j为位置因子；σ(·)为网络隐含层和输出层采用的传递函数，均为sigmoid函数。