基于广义尺度小波熵的电网传输电能质量扰动信号分析

陈宝大

（大连海洋大学应用技术学院，辽宁大连 116300）

基于广义尺度小波熵的电网传输电能质量扰动信号分析

陈宝大

（大连海洋大学应用技术学院，辽宁大连 116300）

提出了一种基于广义小波熵算法进行电网传输电能质量扰动信号分析和识别的算法。计算多个尺度下不同电能质量扰动信号的小波熵数值分布特点，给出了广义小波熵应用于电能质量分析的尺度选择特点以及分布规律，并结合支持向量机进行了不同电能质量扰动信号的识别与分类，达到了96%以上的分类正确率。

智能电网；广义小波熵；电能；扰动；识别

大型用电设备已广泛应用于日常生活中。高质量的电网系统可为人们的经济、安全用电提供保证[1-2]。然而在现实情况中，电能信号中总会受到各种外源噪声的干扰。常见的噪声可归纳为以下2个因素：1）非线性负荷、大功率整流技术等的大量使用，导致电网中的电压不稳定，发生波动；2）暴风雨、雷电等自然现象的影响。这些因素常会造成电能信号中出现各种干扰，如骤降、中断、骤升、脉冲暂态、谐波和闪变等[3-6]，这些干扰会严重影响电能质量。其中，骤降、中断和骤升等干扰常会造成设备停运及敏感负载无法正常运行；谐波的危害在于造成变压器等设备出现发热，造成旋转电机使用寿命缩短；闪变可能会造成伺服电机运转不正常。因此，只有将这些干扰去除，才能保证电力系统的正常运行，而电能质量扰动的分类方法则是有效去除扰动的前提保证，将电能系统中的扰动进行有效分类在大型输电线路的监测、电力系统的监测与维护中是至关重要。针对电能质量扰动现象，不同的技术手段已被用于其分类。

作为电能质量扰动去除的第一步，扰动的分类对于后续对电网中不同用电设备发生故障的检测等一系列过程均起着基础性作用，能否有效将其分类直接影响到人们的用电质量。对电能质量日益提升的要求使得电能质量扰动分类算法在过去的几十年得到了蓬勃发展。大致可分为以下2类：1）基于信号的时频特性的分类器算法；2）基于信号的非线性特征提取特征量的分类器算法[7-8]。

基于信号的时频特性分类器算法主要采用信号变换的手段，有如下4个方面。1）用于信号分析中最基本的频域分析方法傅里叶变换，且有快速算法快速傅里叶变换，是信号分类中的一个重要手段。但由于傅里叶变换方法的局限性，不适合处理电能质量扰动这类的非线性信号，否则会出现栅栏效应等问题。为提高对于电能质量扰动分类的精确程度，前人提出了一系列的修正手段，包括加窗等方法。而对于快速傅里叶变换，由于其的积分区间是在整个时域内，则导致了信息不能被充分利用。因此，傅里叶变换的分类方法已无法满足对于电能质量扰动进行分类的要求，需要更先进、更精确的方法的出现。2）小波变换具有时频局部化的特点，相比于傅里叶变换，小波变换更适合于非线性及统计非平稳信号处理。小波函数可依照频段对信号进行分解与分析，信号不同的时频特征通过不同频段上的小波系数表现出来。然而，信号分解空间带有的固定基底小波基函数选取困难。3）S变换：该种变换方法与小波变换相似，具有时频分辨特性，但其使高斯窗能够平移，因此是小波变换的一种延伸。不过，S变换存在的问题是其在电能质量扰动的特征值提取方面的精度仍不够高[9-10]。

因此，需要一种分类算法来适应非线性和非平稳的电能信号，最大限度的将含有不同扰动的电能信号进行有效分类。在此考虑若开发一种完全非线性的算法，能在实现电能质量扰动分类的同时，保护有用信息，且效率最高，这无疑将是一种最优选择。本方法在以上算法的基础上进行了改进，提出了基于广义小波熵的分类算法，计算出代表不同类型扰动信号的广义小波熵特征量来实现分类。

1 广义小波熵

经典的电能质量信号分析，从数学模型角度而言，将其理解为叠加在一个周期信号上的不同非线性扰动[11]。信息熵的概念是香农在20世纪60年代信息论中，符号定义了平均信息量和信源的平均不确定性。多尺度分析的小波方法可将单一信号依照其频率段，分解为多个尺度的小波系数矢量，每个尺度的小波系数可看成一个概率分布序列，其信号潜在的信息量能够通过信息熵计算。不同尺度下的电能扰动信号的小波系数，能反映引起该扰动地不同信源的信息特征，将提取的不同电能质量扰动信号，差异性用于构成区别特征向量，并结合分类算法实现电能质量扰动信号的识别。

电能质量扰动信号f（t）的广义小波熵的方法是通过离散小波函数φj，k（t）对尺度参数a与位移参数b进行离散化得到的，具体需要设定m个尺度离散小波变换。φj，k（t）被描述如下：

式中：φ*j，k（t）为φj，k（t）的共轭。记尺度j上的小波系数矢量为

则尺度j上Wj的熵值H（Wj）定义如下：

其中，小波熵pji计算如下：

通过计算电能扰动信号的尺度小波熵，并结合SVM的分类方法，可以实现对不同扰动信号的分类预测研究。

2 广义小波熵电能扰动识别算法

本文分析和讨论常见的电压暂降、电压中断、电压暂升、电压尖峰、振荡、谐波和电压波动7种电能质量扰动。具体处理描述如下。

1）获取电能的电流或电压信号。参考文献[3]的数据采集方式完成对数据的采集。对于采样率，通常分析针对特定的电能频率信号，如对于50 Hz的信号为20 ms，而对于60 Hz的信号通常为16.66 ms。一般分析采用多个周期结合的方式，周期数通常可选择为T（T≥10）。获取连续10个周期的采样数据，其中可能含有骤降、中断、骤升、脉冲暂态、谐波和闪变等干扰，依据本文提出的小波熵算法进行识别。共获取7 000个样本，使每一类扰动包含1 000个样本信号。对信号进行降噪声处理，将其信噪比改善至40 dB以上。每个样本信号f（t）为N点时间序列{x（n）}= x（1），x（2），…，x（N）。

2）计算通过上步获得的每一个样本信号的广义小波熵。对于给定的N点时间序列x（i）可作如下处理。

①对电能扰动信号f（t）进行m个尺度的离散小波变换，用φj，k（t）表示离散小波函数表示尺度参数，b=kb0表示平移参数，获得离散小波细节系数Djk。②对得到的各层小波系数按照小波熵的计算方法得到各尺度的熵值。对HRV信号f（t）进行8个尺度的离散小波变换，小波函数为

便可获得离散小波系数Djk，在此将获得的第1到第8层的小波系数分别记作D1，D2，…，D7，D8。记尺度Wj上的小波系数矢量为

式中：n为该尺度上小波系数的长度。尺度j上Wj的熵值为

其中

3）选用支持向量机（SVM）进行电能扰动质量分析。由于分类器设计目标是在通过学习后，可自动将数据分到已知类别，所以针对模型的不同，有不同的分支；根据信号的特点，还可以采用的分类器包括Bayes分类器、BP神经网络分类器和自组织映射等。

3 实验验证及结果

软件仿真生成不含有噪声的原始信号，获取7 000个样本。实验中的数据信号是以6 400 Hz进行采样，对7类扰动类型的分类，使每一类扰动包含1 000个事件，并将其分为同样数量的2组，一组用来训练，另一组用来试验。在电能信号中掺入不同类型的扰动信号，以达到对真实含有各种扰动电能系统的仿真效果，可采取对原始干净的信号进行加噪声处理[12-13]。文中将7种干扰加入到原始噪声后，控制信噪比到40 dB以上。选用db8作为小波基函数，分解8层以使得各尺度系数能够反映对应电能扰动活动的不同特征，从而得到广义小波熵值。采用支持向量机完成交叉验证，检验结果正确性。

图1给出了仿真实验的参考信号，实验计算得到基于db8分解的8层小波细节系数，分别记作D1，D2，…，D7，D8，进一步采用置信度为0.05的统计t检验的方式分析得到，具有统计差异性的尺度小波系数层。遴选出的D2，D3，D6层小波熵值分布。

图1 展示了7种不同电能质量扰动信号和正常信号Fig.1 Seven different power quality disturbance signals and normal signal are demonstrated

由图2可知，在D2，D3，D63个尺度上，不同电能质量扰动信号的广义小波熵数据取值范围差异显著，可见广义小波熵特征可作为良好的特征向量用于表征电能质量扰动的内在变化差异性。

图2 展示了一组7种不同电能质量扰动信号和正常信号的尺度小波熵Fig.2 Scale wavelet entropy of seven different power quality disturbance signals and normal signal demonstrated

图3中在D2，D3尺度上，谐波扰动的熵值明显比其他扰动和正常信号低，体现出了负熵特点，意味着信息量的增加，同时也较好的说明了广义小波熵的计算在识别谐波类的电能扰动上具有突出的优势。

广义小波熵可敏感捕获到不同的扰动特点，本文对比了2种其他类型的电能质量扰动信号分析算法，来说明本算法的优点和结果。

图3 展示7种不同电能质量扰动信号和正常信号的广义小波熵分布Fig.3 General wavelet entropy distribution of seven different power quality disturbance signals and normal signal demonstrated

将本文提出的算法与这2种方法进行对比，并结合支持向量机分类验证，其结果评价表格如表1所示。

表1 广义小波熵与时域、频域方法进行电能质量扰动分类结果比较Tab.1 Results of power quality disturbance signals classification by the general wavelet entropy verse the one by the time domain and frequency domain method %

表1中采用了准确率（correctRate），敏感性（sensitivity），特异性（specificity）3个参数给出对比实验的效果，其定义如下：

式中：TP，TN，FP以及FN分别为分类结果的真阳数、真阴数、假阳数及假阴数。由表1可知，本文提出的基于广义小波熵的方法在分类结果的正确性、特异性以及显著性上均具有明显优势。

4 结语

本文从广义小波熵角度分析了不同的电能质量扰动信号之间的差异性，通过实验验证了不同尺度的小波系数熵值能够将不同的扰动信号的特征反应出来，通过和现有的基于时域，频域的算法相比，本文的识别准确度更高，能够有效地解决电能扰动辨识问题，进一步的研究重点在于融合其他特征提取算法，通过多特征融合的方式，来完善电能质量扰动信号分类分析。

[1]张逸，林焱，吴丹岳.电能质量监测系统研究现状及发展趋势[J].电力系统保护与控制，2015，43（2）:138-147.ZHANG Yi，LIN Yan，WU Danyue.Power quality monitoring system research status and development trend[J].Power System Protection and Control，2015，43（2）:138-147（in Chinese）.

[2]刘大鹏.光伏并网发电与电能质量调节统一控制研究[D].秦皇岛:燕山大学，2015.

[3]张淑清，李盼，师荣艳，等.基于改进S变换的电能质量扰动分类新方法[J].仪器仪表学报，2015，36（4）:927-934.ZHANG Shuqing，LI Pan，SHI Rongyan，et al.A new method of power quality disturbance classification based on improved s-transform[J].Chinese Journal of Scientific Instrument，2015，36（4）:927-934（in Chinese）.

[4]朱云芳，戴朝华，陈维荣，等.压缩感知理论及其电能质量应用与展望[J].电力系统及其自动化学报，2015，27（1）:80-85.ZHU Yunfang，DAI Zhaohua，CHEN Weirong，et al.Compression sensing theory and itsapplication and prospect of power quality[J].Journal of Power System and Its Automation，2015，27（1）:80-85（in Chinese）.

[5]黎金英，艾欣，邓玉辉.微电网的电能质量及改善方法研究[J].电力科学与工程，2015，31（1）:54-60.LI Jinying，AI Xin，DENG Yuhui.Study on power quality and improvement method of micro-grid[J].Electric Power Science and Engineering，2015，31（1）:54-60（in Chinese）.

[6]刘晓胜，刘博，徐殿国.基于类别语言值的电能质量信号模糊分类[J].电工技术学报，2015，30（12）:392-399.LIU Xiaosheng，LIU Bo，XU Dianguo.Fuzzy classification of power quality signals based on classification linguistic value[J].Techniques in Electrotechnics，2015，30（12）: 392-399（in Chinese）.

[7]江辉，郑岳怀，王志忠，等.基于数字图像处理技术的暂态电能质量扰动分类[J].电力系统保护与控制，2015，43（13）:72-78.JIANG Hui，ZHENG Yuehuai，WANG Zhizhong，et al.Classification of transient power quality disturbances based on digital image processing technology[J].Power System Protection and Control，2015，43（13）:72-78（in Chinese）.

[8]周娟娟.改进S变换在电能质量扰动检测中的应用研究[D].北京:华北电力大学，2015.

[9]付学谦，陈皓勇.基于加权秩和比法的电能质量综合评估[J].电力自动化设备，2015，35（1）:128-132.FU Xueqian，CHEN Haoyong.A comprehensive evaluation of power quality based on weighted rank sum ratio method[J].Power Automation Equipment，2015，35（1）: 128-132（in Chinese）.

[10]宋海军，黄传金，刘宏超，等.基于改进LMD的电能质量扰动检测新方法[J].中国电机工程学报，2014（10）: 1700-1708.SONG Haijun，HUANG Chuanjin，LIU Hongchao，et al.A new power quality disturbance detection method based on improved LMD[J].Proceedings of the Chinese Society for Electrical Engineering，2014（10）:1700-1708（in Chinese）.

[11]郭俊文，李开成.基于改进S变换和复合特征量的多级支持向量机的电能质量扰动分类[J].电测与仪表，2014，51（8）:19-25.GUO Junwen，LI Kaicheng.Classification of power quality disturbances based on improved S-transform and multilevel support vector machines with multi-feature[J].Electric Measurement and Instrumentation，2014，51（8）:19-25（in Chinese）.

[12]王玲，徐柏榆，李玎，等.电能质量监测装置全自动校准系统设计与应用[J].电测与仪表，2014（1）:95-100.WANG Ling，XU Boyu，LI Ding，et al.Design and application of automatic calibration system for power quality monitoring device[J].Techniques in Electrical Measurement and Instrumentation，2014（1）:95-100（in Chinese）.

[13]李正明，施诗，潘天红，等.基于灰色关联度和理想解法的电能质量综合评估方法[J].电力系统保护与控制，2014，42（6）:14-19.LI Zhengming，SHI Shi，PAN Tianhong，et al.Comprehensive evaluation method of power quality based on gray relational grade and ideal solution[J].Power System Protection and Control，2014，42（6）:14-19（in Chinese）.

Disturbance Signal Analysis Based on Wavelet Entropy Generalized Scale Transmission Network Power Quality

CHEN Baoda
（Applied Technology College，Dalian Ocean University，Dalian 116300，Liaoning，China）

A novel method for identifying and recognizing the common power quality disturbance signals based on the general wavelet entropy is presented in this paper.The wavelet entropy of different power quality disturbance signals in a series of scales is calculated，and the general wavelet entropy distribution characteristics of different power quality disturbance signals and important scale selection of sample entropy algorithm are given.Finally，a support vector machine is applied for different power quality disturbance signals recognition and the result shows that the average classification accuracy is above 96%.

smart grid；general wavelet entropy；power quality；disturbance；recognition

2016-05-27。

陈宝大（1967—），男，本科，讲师，研究方向为计算机网络。

（编辑 张晓娟）

国家自然科学基金（61033004）。

Project Supported by the National Natural Science Foundation of China（61033004）.

1674-3814（2016）12-0077-05

TM76

A