一种实时电能质量扰动分类方法
中国电工技术学会主办，2017年6月21-24日在河北省张北县举办，大会围绕新能源发展战略、系统关键技术、微电网及储能等重要议题展开交流。浏览会议详情和在线报名参会请长按识别二维码。
强电磁工程与新技术国家重点实验室华中科技大学、长江大学电子与信息学院、湖北工业大学太阳能高效利用湖北省协同创新中心、国网湖南电力公司电力科学研究院的研究人员在2017年第3期《电工技术学报》上撰文，针对电能质量扰动实时分类的需求,提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法。
强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题。强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量,以此识别暂态扰动和谐波。
该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本;最后将分类器用于电能质量扰动识别。为了提高极限学习机分类精度,提出了对少量边界错分样本的类别进行校正的规则校正法。
仿真表明改进后的方法能够识别包括两种复合扰动在内的10种电能质量扰动信号,并具有良好抗噪性。与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比,该方法训练和分类速度快,分类准确率高,适合于在线应用。
电能质量扰动检测和分类的主要任务是从海量的电能质量数据中将电能质量扰动事件准确快速地捕获和识别。正确检测和分类扰动是分析电能质量情况和排除电能质量故障的前提条件。
目前除了单一的电能质量扰动事件以外，复合扰动事件也时有发生，正确识别扰动事件的难度日益增大，扰动分类已成为电能质量分析领域的一个重要方向。电能质量扰动分类过程包括特征提取和模式识别两个环节。特征提取是指对信号波形进行变换，再提取出能反映扰动事件特征的特征量。
常用的特征提取方法包括：傅里叶变换、小波变换、Teager能量算子、S变换、希尔伯特-黄变换（HHT）、Kalman滤波等。傅里叶变换反映的是分析时段上的整体信息，无法反映信号的局部特性。小波变换适合于分析平稳信号和非平稳信号，但小波变换系数不能直观体现电能质量扰动事件的特征，导致分类器复杂和计算量大，不适合于实时应用。相比于傅里叶变换和小波变换，S变换在时频表现方面更加直观，通过获取扰动信号的时间幅值谱和频率幅值谱，能检测到主要频率分量及其幅值变化，并具有良好的噪声免疫性。
文献[2,8,9]采用S变换作为特征提取方法并结合其他分类器实现了电能质量扰动识别。但是S变换对信号奇异点的检测不如小波变换敏感，而且检测含谐波加暂升、谐波加暂降等复合扰动信号的扰动幅值时会存在误差。
另外,S变换的计算复杂度是采样点数目的立方数量级，运算量大，限制了S变换的实时应用。Teager能量算子能迅速准确定位扰动的发生，但高频振荡和噪声对算法性能影响较大。HHT变换能自适应地分析非平稳信号，具有检测精度高，抗噪性能好的特点，但存在端点效应和模态混叠现象。
Kalman滤波通过模型预测的方式能实时检测基波和各次谐波的幅值和相角的变化，具有运算量小，便于实时应用的特点。但其缺陷是当被测信号长时间平稳再突然变化时，Kalman滤波算法无法对变化作出及时响应，从而丧失对信号的跟踪能力。
另外模型不匹配、初始参数设置不合理均会导致滤波器发散或测量不准确。模式识别用于确定扰动事件所属的类别，主要分类方法包括基于规则的分类[8]、支持向量机[2,6]、人工神经网络[4]、模糊逻辑[9]等。其中支持向量机分类法和基于规则的分类法能识别的扰动种类较多且分类精度较高。
支持向量机本质上是一个二分类法，对于多分类的应用需要设计多个二分类器，增加了分类器设计的难度，另外支持向量机模型参数的选择会影响分类的精度和速度，参数寻优过程提高了分类精度但增加了运算量。
基于规则的分类法虽然可以实现在线分类，但是规则一旦制定，除非人为改变，是无法实现自动变更的，这种分类模型对于新的扰动类型适应能力比较差。强跟踪滤波器通过引入时变的次优渐消因子（本文简称为渐消因子），状态预测误差协方差阵和增益阵能够实时在线调整，提高了扩展Kalman滤波器对状态变量突变的跟踪能力[12,13]。
电能质量扰动相对于正常信号来讲是突变，渐消因子不仅能够检测到这些扰动而且还能检测到扰动的大小。相对于S变换和小波变换，使用强跟踪滤波器的渐消因子进行扰动检测具有三个主要优势：①能精确定位扰动起止时刻；②对不同类型的扰动体现出不同的特征；③对噪声的敏感性可调。
极限学习机是一种新型单隐层前馈神经网络，与传统的梯度下降学习法不同，极限学习机使用求解线性方程组的最小范数最小二乘解的方式来训练网络参数，具有训练速度快、泛化性能好的特点[14,15]。
极限学习机的输入权值和偏置可以随机生成，输出权值通过求解Moore-Penrose广义逆来确定，因此参数设置简单，在工程上有较强的应用价值。目前极限学习机理论及其衍生理论已在微电网短期负荷预测[16]和暂态稳定评估[17]等方面得到应用，但在电能质量扰动分类中还未见其应用。
极限学习机具有多输入到多输出的非线性映射能力，因此非常适合多分类设计，同时神经网络具有自学习功能，对于新的扰动类别也有良好的适应性。然而极限学习机在应用于多分类时会出现少量边界样本错分问题，影响了分类精度。
本文提出一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法，首先对扰动信号运用强跟踪滤波器算法获取四个扰动特征量组成特征向量，再将特征向量集合作为极限学习机分类模型的训练样本。
针对边界样本错分问题，本文提出了对极限学习机进行规则校正的方法，最后将校正后的分类器用于电能质量扰动识别。仿真实验表明该方法能够识别包括正常信号和两种复合扰动在内的11种电能质量扰动信号，具有训练和测试速度快、分类准确率高的特点。
图4 CBR-STF-ELM算法原理图
结论
本文提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法。应用低阶强跟踪滤波模型获得渐消因子频度均值特征量，应用高阶强跟踪滤波模型获得基波幅值的最大值特征量、最小值特征量和有效穿越次数特征量，仿真表明了所提特征量的有效性。
提出使用基于规则校正的极限学习机进行分类器设计，改进了原始极限学习机的分类精度，仿真实验表明该方法能精确识别包括正常信号和10类电能质量扰动信号，具有抗噪性能好、训练和测试时间短、分类准确率高的特点，适合于实时应用。
本文工作基于计算机仿真实验之上，因此为进一步证明新方法的实用性，下一步需要将新方法应用于实际电能质量扰动识别之中以检验其性能。