电能质量检测系统研究现状

       目前，我国对电能质量检测系统的研究正在由检测仪器发展的第三阶段向第四阶段过渡。比如，2015年西安交通大学的宋政湘教授在中国电子技术学会中，提出了一种基于STM32F407 的电源检测系统设计方法。实验表明：该方法能够同步采集多个节点的电压、电流信息，并通过以太网将数据发送至上位机，实现大数据技术在电能质量检测中的应用。重庆大学输配电装备及系统安全与新技术国家重点实验室的景飞等人，在 2017 年提出了基于 ADALINE（Adaptive Linear Neuron,自适应线性神经网络）神经网络的电能质量检测系统设计。该设计基于 DSP（Digital Signal Processor，数字信号处理器）和 ADALINE 算法，较好的实现了对稳态谐波和暂态扰动的检测，实验表明：该设计对 3-19 次谐波的检测误差不超过 4%。2017 年，哈尔滨理工大学的王剑雄在他的硕士学位论文中，提出基于 FPGA（Field－Programmable Gate Array,现场可编程门阵列）的电能质量检测系统设计。该系统以 FPGA 作为核心数据处理模块，采用 Db4 小波检测算法实现暂态扰动信号的检测工作。实验表明：该设计能够实现五种典型扰动信号源的检测，且定位扰动时间的误差不超过 0.9%。西安工程大学的周著斌在他的硕士学位论文中，研究了基于 ARM（Advanced RISC Machines，进阶精简指令集机器）与 DSP 的嵌入式电能质量检测系统，该文以 FFT（Fast Fourier Transformation，快速傅立叶变换）作为检测算法，实现了对供电系统中电压扰动和闪变的检测，实验表明：该设计的电压检测误差在±0.2%以内，频率检测误差在±0.01Hz 以内，功率检测误差在±0.5%以内。
       在国外的研究中：2018 年 Ribeiro 和 Mendes 等研究人员提出了一种电能质量检测系统的研究。该系统可以对 20 余项电能质量扰动信号进行分类识别，总识别正确率达到 97%[21]。Sani 与 Manish 等人研究了基于快速时间变换和小残差极限学习机的电网综合系统电能质量扰动分类技术，该研究使用快速时间变换对单相电压信号提取特征，然后使用小残差极限学习机进行识别分类，实现了对电压暂升、电压中断、不平衡、谐波、电压凹陷等电能扰动问题的识别和分类，其平均正确识别率达到 97.93%。
       以上这些研究表明：国内外对电能质量检测系统的研究已经由原始的电压幅值、频率和突变时间检测，上升到对各类电能质量扰动进行精确检测及分类识别的层面。综合来看，现有电能质量检测系统的研究中，主要是检测和识别分类两个方面，其基本实现方法为：第一，使用检测算法对扰动信号进行检测并提取特征量；第二，使用分类器实现信号的分类识别或诊断。因此选择合适的检测算法和分类器算法就显得尤为重要。

       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%。