[发明专利]基于最大方差展开法的电能质量扰动识别方法

说明书

本发明属于电能质量扰动识别技术领域，尤其基于最大方差展开法的电能质量扰动识别方法，包括如下步骤：利用Mallat算法对PQD信号进行小波分解，得到信号的小波能量作为原始特征集；利用MVU算法对原始特征集进行特征向量降维，在MVU算法中引入核函数将非凸二次规划转化为凸半正定最优化问题，得到预分类的低维PQD特征向量；将预分类的低维PQD特征向量作为分类器的输入，结合分类器算法完成PQD识别。由于特征向量个数的缩减和MVU算法的预分类，从而减轻了后续PQD的分类压力，减少了分类运算时间，提高了PQD识别准确率。

技术领域

本发明涉及电能质量分析技术领域，尤其涉及基于最大方差展开法的电能质量扰动识别方法。

背景技术

随着大量的非线性负载和电力电子设备接入电网中，为了保障电能质量满足用户的性能要求，有必要对输电和配电系统中的电能质量进行有效检测和分析。其中，电能质量扰动(power quality disturbance，PQD)信号是分析电能质量的重要参数。

PQD识别技术已成为电能质量分析领域的一个重要研究方向，PQD识别的目的是从海量的电能质量数据中将PQD快速准确地定位和识别，PQD识别过程包括特征提取和模式识别两部分，而PQD特征提取则是PQD识别的关键所在，好的PQD特征能有效地提高识别准确度和减少计算复杂度。

PQD特征提取是通过映射变换提取到能反映扰动信号波形特征的特征量。目前，常用的特征提取方法包括:傅里叶变换、小波变换等。其中，傅里叶变换着重反映分析信号的整体信息，但是由于忽略了信号的局部特性，且对于非平稳信号不具备时间局部性，因此不满足时频分析要求。虽然小波变换已被广泛应用于PQD特征提取，该变换从各层小波分解系数中提取特征向量，适用于平稳和非平稳信号进行分析，可获得较好的效果，但是小波变换的算法复杂度较高，并且有进一步被压缩简约的空间。

发明内容

针对上述问题，本发明提出了一种基于最大方差展开法的电能质量扰动识别方法，包括3个步骤：

步骤1：利用Mallat算法对PQD信号进行小波分解，得到PQD信号的小波能量作为原始特征集；

步骤2：利用MVU算法对步骤1所得到的原始特征集进行特征向量降维，在MVU算法中引入核函数将非凸二次规划转化为凸半正定最优化问题，得到预分类的低维PQD特征向量；

步骤3：将步骤2所得到的预分类的低维PQD特征向量作为分类器的输入，结合分类器算法完成PQD识别。

所述步骤1具体包括：利用Mallat算法快速实现小波变换，通过重复使用低通滤波器和高通滤波器来实现分解，滤波器得到的低频分量和高频分量各占信号频带的1/2，对得到的新的低频分量重复上述分解过程，得到下一层的高频分量和低频分量，

根据Parseval定理，能量小波系数公式为：

∫[f(t)]2dt＝∑[aj(k)]2+∑[dj(k)]2 (1)

其中，f(t)为待分解信号；t为时间；k＝{1，2，…，n},n为自然数,取值视实际情况决定；aj(k)为小波分解第j层的近似系数；dj(k)为小波分解第j层的细节系数，