总的来说,电能质量检测系统是一种能够实现对多种类型扰动进行检测和识别分类,以及发布电能质量相关信息的系统。因此,检测系统应具备的功能有:第一,能够对电能质量扰动信号频谱成分、持续时间、电压幅值进行准确检测;第二,能够实现扰动信号自动分类功能,并实时向检测人员进行反馈。下面对检测算法和分类算法在电能质量检测领域中的的研究现状进行介绍。
1.3.2 检测算法研究现状
在电能质量检测领域中,国内外研究人员对检测算法的研究主要有傅立叶变换算法、小波变换算法、矢量变换算法、HHT(Hilbert-Huang Transformation,希尔伯特-黄变换)算法及 S 变换算法。下面通过国内外对各类算法的研究情况来了解各算法的优缺点,以便选择本文所需的航空地面电源电能质量检测算法。
1.3.2.1 傅立叶变换算法国内外研究现状
傅立叶变换算法是一种常用的信号分析方法,在电能质量检测领域经常作为经典工具来使用。由于傅立叶变换容易出现频谱泄漏,所以现在的研究中已经较少单独使用它对扰动信号进行检测分析。2007 年北京航空航天大学的孙静与陕西电力公司的张斌合作研发了一种基于快速傅立叶变换算法和 Mallat 算法的电能质量分析方法。他们为了弥补傅立叶变换的缺点,使用快速傅立叶变换与 Mallat 算法相结合的电能质量分析方法,对电压暂升、暂降、断电进行了准确地检测。
华北电力大学的徐勇海教授介绍了一种将混合基快速傅立叶变换用于电能质量分析系统的方法。该方法中,将基 2 分时 FFT 算法改进成为混合基 FFT 算法,经Matlab 仿真实验表明:在扰动信号信噪比为 40dB 的情况下,能够准确检测电压暂升、电压暂降的幅值。
在国外的研究中:Heydt、Fjeld 等人研究了插窗快速傅立叶变换,该研究在数学原理方面对快速傅立叶变换中高斯窗的窗宽进行了讨论,实验表明:在插窗快速傅立叶变换中,宽窗口可以快速地评估大量数据,而窄窗口可以对交流电进行分析。研究人员 Deokar.S.A 在 2014 年发表了基于离散小波变换与快速傅立叶变换相结合的电能质量扰动分析方法。据该论文分析,使用离散小波变换对输入波形进行处理后,可以有效减小噪声对检测结果的影响,进而实现对电压中断、谐波、电压暂升、电压暂降的准确检测和分类。仿真实验表明:该方法的分类准确度可以达到 99.04%。Valenzuela,Pontt 等人针对电网系统间谐波的检测方法进行了研究。该研究使用 FFT 算法对电网中由非线性负载所产生的间谐波进行了检测。通过实验证明,该方法的检测精度可以达到±3Hz,因此使用此 FFT算法可以实现对间谐波的实时检测。
从以上关于傅立叶变换的研究文献中可以看出,将傅立叶变换进行插窗改进或与其他变换算法相结合使用,可以对电能质量扰动进行有效地检测。虽然插窗FFT 算法能够直接对谐波和间谐波进行有效地检测,但是由于海森堡不确定性原理,窗宽过窄会导致频域分辨率差,窗宽过宽会导致时域分辨率差,因此对窗宽的选择是一个难点。由此可以看出,傅里叶变换算法的实现较为简单,但是其分辨率难以满足多种频率检测要求。因此在工程应用中,较多用于精度要求较低、频率变化较小的检测仪器中。
1.3.2.2 小波变换算法国内外研究现状
小波变换是一种时频局部化(或称为时频定位)的工具,在信号检测方面具有极其重要的作用。目前国内的研究有:2018 年国网上海电力研究院的李建宁等人提出了基于多分辨率信号分解技术的小波变换算法。该算法主要利用了多分辨率分解技术能够检测和定位瞬态事件的能力,并通过提取扰动信号的特征值对不同的电能质量扰动进行区分。他们使用 db4 小波作为小波基进行了仿真实验,最后精确地检测到电压间断、电压骤降、电压骤升、暂态振荡、暂态脉冲的起止时间、持续时间和幅值大小。2017 年东北电力大学的龙艳在她的硕士学位论文中,研究了使用小波变换与改进 S 变换对电能质量复合扰动进行检测的方法。实验结果显示:使用 S 变换的识别正确率比使用小波变换的识别正确率高 7.57%,达到 99.54%。国防科技大学的叶湘斌教授等人研究了一种短时能量与小波变换相结合的消噪算法,在实际应用实验中,能够去除大部分噪音进而得到较为完整的信号,是一种非常好的消噪方法。
在国外的研究中,印度理工学院的 Shantanu 等人介绍了利用广义经验小波对暂态电能质量扰动进行分析的方法。该方法首先将信号进行自适应分割,然后设计适当的滤波器提取各频率分量。实验表明:该方法能够对电压波动、电压暂升、电压暂降、电压中断进行有效地检测。文章通过仿真实验将该方法与 FFT、FST(Fast S-Transform,快速 S 变换)所得结果进行对比,结果显示:该方法的检测误差为 0.08%,小于 FFT 与 FST 的检测误差。巴基斯坦工程科技大学的Khokhar 等人研究了基于离散小波变换的电能质量扰动信号检测方法。该研究通过广义经验小波变换提取特征量后,使用 PNN(Probabilistic Neural Networks,概率神经网络)进行分类。实验结果显示:该方法能够对电压暂降、电压暂升、电压中断进行有效检测,在无噪声情况下其识别分类正确率达到 99.87%。斯普利特大学的 Bosnić J A、Petrović G 等人研究了一种基于小波变换和支持向量机的电能质量扰动分类方法,该方法将信号分解为时域和频域中六个层次的分解系数。在实验中,他们使用了八种特征组合方法来提取每种干扰信号的特征,最后使用支持向量机对电能质量扰动进行分类。实验结果显示:该方法在有噪声和无噪声的环境下均具有较高的分类精度,在扰动信号信噪比为 30dB 的情况下,平均分类正确率达到 98.69%。
联系人:林经理
手机:18158520369
地址: 杭州市西湖区西园五路6号奥强大厦1号楼11层1102