干扰效率检测「数电噪声容限计算公式」

今天带来干扰效率检测「数电噪声容限计算公式」，关于干扰效率检测「数电噪声容限计算公式」很多人还不知道，现在让我们一起来看看吧！

湖南师范大学工程与设计学院、湖南大学电气与信息工程学院、中国电力科学研究院的研究人员李建闽、林海军、梁成斌、滕召胜、成达，在2019年第16期《电工技术学报》上撰文指出（论文标题为“基于双分辨率S变换和学习向量量化神经网络的电能质量扰动检测方法”），随着实际电网中非线性负荷以及冲击性负荷的不断增加，电能质量问题日趋严重。实现电能质量扰动信号的准确、快速检测对于查找电能质量问题根源、改善电能质量、确保电网安全、保障经济稳定具有重大意义。

为此，提出一种基于双分辨率S变换和学习向量量化（LVQ）神经网络的电能质量扰动信号检测方法。算法先采用双分辨率S变换实现扰动信号特征向量的准确、快速提取。在获得扰动信号的特征向量后对各特征向量进行归一化处理并利用经过训练的LVQ神经网络对扰动信号进行分类识别。

仿真和实际测试结果表明，该文提出的基于双分辨率S变换和LVQ神经网络的电能质量扰动检测算法具有训练速度快、分类准确率高、适合嵌入式实现等优点。

随着电网的持续发展，各种非线性、冲击性负荷和电力电子设备的不断增加，电能质量问题日趋严重，已成为世界各国高度关注的问题。对电能质量扰动（Power Quality Disturbances, PQD）信号进行准确检测和有效辨识是电能质量问题实行评估、预测、诊断、维护和管理的重要依据，是改善和提高电能质量的前提与关键。

目前，电能质量扰动信号的检测和识别方法较多，但大多包含对扰动信号进行特征向量提取和依据特征向量对扰动信号进行辨识两大步骤。

扰动信号特征向量提取方法主要包括快速傅里叶变换（Fast Fourier Transform, FFT）及其改进算法、短时傅里叶变换（Short Time Fourier Transform, STFT）、小波变换（Wavelet Transform, WT）、希尔伯特黄变换（Hilbert-Huang Transform, HHT）、S变换等。

FFT因具有正交、完备等诸多优点而在电能质量检测领域被广泛应用，但FFT在信号分析中面临时域和频域局部化矛盾，因而只适合平稳信号分析，无法满足对具有暂态、突变等非平稳特性的电能质量扰动信号的分析要求。

STFT虽然在一定程度上克服了FFT及其改进算法不能进行局部分析的缺陷，但其窗函数长度固定，使得同一信号采用不同窗函数的STFT分析结果相差甚远。WT具备时频分析能力且适合具有突变特性的非平稳信号分析，但其易受噪声影响，且存在计算量较大、母函数选择困难等问题。

HHT是非平稳信号分析的另一常用方法，该方法对信号的奇异点较为敏感，在分析暂态电能质量问题时有较好的动态性能，但其同样存在抗噪性能差、高次样条插值耗时长等问题。S变换作为WT和STFT的结合，不仅具备良好的时频分析能力，且变换结果与其傅里叶变换直接相关，无需满足小波容许条件，非常适合电能质量扰动信号特征的提取，但其计算量大，限制了其在嵌入式系统中的应用。

电能质量扰动信号特征向量分类识别方法主要有模糊逻辑（Fuzzy Logic, FL）、决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）、人工神经网络（Artificial Neural Network, ANN）等。FL和DT可统一归类为规则判别方法，这两种方法均具有原理简单、易于理解等优点，但随着扰动信号类型的增多，系统的容错能力和复杂度会极大地限制其分类能力。

SVM虽然算法简单，但当样本数量增加且样本间存在相互混叠时，会导致支持向量数目增加、训练难度增大等问题。ANN在理论上可以对任意连续函数进行学习和逼近，具有大规模并行处理、分布式存储和处理、自学习和自适应能力强等优点，特别是其中结构简单的学习向量量化（Learning Vector Quantization, LVQ）神经网络，仅需计算输入向量和竞争层之间的距离就可完成分类处理和类型识别，已被广泛地应用于故障诊断、模式识别和图像处理等领域。

为实现电能质量扰动的准确分类识别及其在嵌入式系统中的应用，本文提出一种基于双分辨率S变换（Double Resolution S Transform, DRST）和LVQ神经网络的电能质量扰动信号检测新方法。DRST通过可变时频带宽积实现对电能质量扰动信号特征向量进行准确提取。

为便于嵌入式系统实现，本文在不影响特征提取准确度的前提下对DRST进行简化，采用只计算关键频率点，忽略其他无关频率点的方式来减少算法运算量。而后通过LVQ神经网络来对所提取的特征向量进行辨识。在训练阶段，所提取的特征向量被发送至PC对LVQ网络进行训练以得到网络模型参数。训练结束后，将得到的模型参数保存到下位机中。在分类阶段，下位机利用经过训练的模型参数构建LVQ神经网络实现电能质量扰动信号的辨识。

本文在无噪声、有噪声以及基波频率波动等条件下对算法进行仿真分析，并且与其他电能质量扰动识别算法进行对比，仿真与对比结果表明本文算法能够准确、快速地对电能质量扰动信号进行分类识别。实际构建的硬件测试平台验证了本文算法的准确性和有效性。

图8 硬件测试平台

本文提出了一种基于DRST和LVQ神经网络的电能质量扰动检测方法。算法首先通过可变时频带宽积的DRST实现电能质量扰动信号特征向量的准确提取。在不影响特征提取准确度的条件下，通过对DRST算法进行简化并给出其快速算法的实现流程，极大地减少了算法的计算量和运行时间。此外，根据各扰动信号的类型特点，本文通过引入多个竞争层获胜神经元模式实现LVQ神经网络的优化，提高了分类的准确率。

仿真和实际测试结果表明，本文提出的电能质量扰动检测方法进行电能质量扰动信号检测的准确率高、速度快，非常适合电力系统扰动信号的嵌入式实时检测。