胡汉铖,刘明萍,张 震,张镇涛,汪庆年
(南昌大学信息工程学院,南昌 330031)
近年来随着光伏发电、风电等间歇式、分布式新能源的并网以及大量冲击性、波动性、非线性负荷的投入,给电网造成一系列电能质量的问题,例如暂态振荡、闪变和谐波污染等。为选取妥善合理的措施改善电能质量,必须对扰动信号进行正确、有效的辨识,这是开展电能质量检测的前提和关键。
电能质量扰动辨识[1]主要包括特征提取与模式识别。特征提取是指提取扰动信号的特征量,通常采用信号分析法。常用的分析方法有短时傅立叶变换(short-time Fourier transform,STFT)[2]、小波变换[3]、S变换[4]及希尔伯特黄变换(Hilbert-Huang transform,HHT)[5-6]等。这些方法拥有良好的检测效果,但也存在某些问题。STFT由于结构中缺少可变窗口,难以分析突变信号;小波变换的问题在于如何准确选取合适的基函数;S变换的难点在于如何确认窗函数的宽度;HHT 变换由经验模态分解(Empirical mode decomposition,EMD)[7]与HHT 构成,其中EMD 存在较严重的端点效应、模态混叠问题。Dragomiretskiy等[8]独创了变分模态分解(Variational mode decomposition,VMD),相较EMD 方法,它很好地克服了端点效应和模态混叠的缺陷,且计算效率更高、分解层数更少、鲁棒性更好。因此,引进VMD算法对HHT变换进行改进,并应用于特征提取。
模式识别指的是将特征选择所产生的特征向量进行识别分类。当今主流的方法有人工神经网络[9]、支持向量机(Support vector machine,SVM)[10]和随机森林[11]等。人工神经网络具有数学灵活性,但也存在麻痹现象,学习速度不快;随机森林因为采取了集成算法,其精度比大多数单一算法高,但当随机森林中决策树的数量过多时,训练所需的时间和空间会较大;……