[发明专利]基于WT与GA-PNN的复合电能质量扰动分类方法

说明书

本发明公开了一种基于WT与GA‑PNN的复合电能质量扰动分类方法，主要包括如下步骤：1、电能质量扰动信号输入；2、电能质量扰动信号预处理；3、电能质量扰动信号特征值提取；4、电能质量扰动信号分类5、电能质量扰动信号分类结果输出。本发明的复合电能质量扰动信号分类方法，利用小波阈值对电能质量扰动信号进行预处理；采用最大峰值、最小峰值、能量平均偏差为特征量构成特征向量；采用优化PNN神经网络作为分类器。本发明的复合电能质量扰动信号分类方法不仅能识别单一扰动信号，还能识别多种复合扰动。

技术领域

本发明涉及电能质量检测领域，特别涉及一种基于WT与GA-PNN的复合电能质量扰动分类方法。

背景技术

随着现代科学技术的迅猛发展，电力电子设备的应用领域越来越广，特别是各类冲击负荷、非线性负荷容量的不断发展，导致电网中电压波形畸变，电压波动、闪变和三相不平衡等问题时有发生，严重影响电能质量。这些影响造成巨大经济损失。因此，电能质量的检测与识别至关重要。

电能质量扰动问题从持续的时间上可以分为稳态电能质量扰动和暂态电能质量扰动两大类。稳态电能质量扰动问题一般表现在长时间的波形畸变，通常持续时间都在1分钟以上，如电压偏差、谐波以及间谐波等。暂态电能质量扰动问题一般表现在短时间或瞬间的电压波动，如电压暂升、电压中断、暂态脉冲等。但是，在实际的电网发生扰动情况复杂，并不是单一扰动，而是多种扰动混合在一起。因此，根据扰动种类可以分为单一电能质量扰动和复合电能质量扰动。

电能质量扰动识别主要步骤包括:信号处理、特征量提取、特征分类。根据电能质扰动的识别的步骤，国内外众多专家、学者提出了大量有效解决方法来解决电能质量扰动问题。在信号处理方面有傅里叶变换、S变化、希尔伯特-黄变化、小波变换等方法。在特征量提取方面有极大峰值、极小峰值、偏差量、多分辨分析的奇异值等形式。在特征分类方面有决策数、支持向量机、神经网络等方法，但目前上述方式进行的复合电能质量扰动分类存在精度低的问题。

发明内容

本发明的目的在于，提供一种基于WT与GA-PNN的复合电能质量扰动分类方法。本发明对复合电能质量扰动识别具有较高的识别精度。

本发明的技术方案：基于WT与GA-PNN的复合电能质量扰动分类方法，包括如下步骤：

a、建立电能质量扰动信号；

b、采用小波阈值法对电能质量扰动信号进行预处理，包括：

b1、采用小波变换方法对电能质量扰动信号进行分解，得到各层的小波细节系数；

b2、采用硬阈值函数处理各层的小波细节系数；

b3、将处理后的各层的小波细节系数进行重构，得到处理后的电能质量扰动信号；

c、确定电能质量扰动信号特征向量；

c1、选取处理后的电能质量扰动信号的极大峰值Amax、极小峰值Amin和平均偏差Amean；

c2、采用小波多分辨率分析处理后的电能质量扰动信号，提取特征量；

c3、将极大峰值Amax、极小峰值Amin、平均偏差Amean和提取特征量构成特征向量；

d、将步骤c中构成的特征向量当做测试集输入到GA-PNN分类器中进行训练，以训练完成的GA-PNN分类器完成电能质量扰动信号的识别。

上述的基于WT与GA-PNN的复合电能质量扰动分类方法，步骤a中，电能质量扰动信号x(t)表示为：

x(t)＝f(t)+ε(t)

式中，f(t)为无噪声的电能质量扰动信号；ε(t)为噪音信号。

前述的基于WT与GA-PNN的复合电能质量扰动分类方法，步骤b1中，小波变换方法具体指：