下载掌阅APP，畅读海量书库
立即打开
电能质量是智能电网的主要控制目标，也是电力价格以质定价的基础 ［1，2］ 。近年来，随着大量电力电子器件、非线性负载和固态开关等在电力系统中的应用，以及电能在传输过程中受到的各种自然和人为干扰，各种电能质量问题频繁发生 ［3，4］ 。此外，具有随机出力特性的分布式太阳能、风能等可再生电源并网给电力系统电能质量带来更大的影响 ［5，6］ 。我国电网规模巨大且结构复杂，电能质量的恶化给国民经济造成巨大损失。电能质量的下降也不同程度地影响了社会生产和居民生活，例如：短时的电压中断或者电压暂降会造成计算机存储信息的丢失；电压中的谐波成分将造成工业产品质量不达标，进而导致经济损失。
对于整个电力系统，电能质量降低带来的危害包括：输配电线路电能损耗、各种电力设备的使用寿命缩短、重要电力设备产生误动作从而影响正常生产生活，甚至导致严重的电力事故。这些都将对电力系统的安全运行造成严重威胁。对于工业用户而言，所使用的设备基本都配备有数字控制器和功率器件等，这些设备的敏感性较高，一些微弱的电压波动都会影响其正常控制或运行，进而严重影响整个工厂的生产，造成工业损失；对于居民用户而言，各种家用电器的使用寿命会受到电能质量的影响，从而影响居民的正常生活。由于电能质量不达标而造成的损失已经引起了国内外学者的高度关注，据美国官方统计，美国在2007年由于电能质量不达标造成了高达300亿美金的经济损失，我国由于电能质量问题造成的经济损失每年达到1400亿元。由于电压暂降、短时中断，在2012年上海23个典型用户产生了高达900万元的经济损失，其中包括：产品质量不达标损失、生产停工损失、设备损坏及修理损失等。
如图1-1所示，电能质量扰动信号识别作为电能质量评估流程的第一步 ［7］ ，是保证电力系统电能质量的基础和前提 ［8］ 。一方面，电能质量扰动信号发生源较多，且不同类型的扰动信号产生原因各异。例如：大型电力负载（如电动机等）的起动可能会造成电压暂降或电压中断；电容器的频繁投切或自然界的雷击现象会造成瞬态过电压；电力系统中大量整流、换流技术的应用对电力系统产生了谐波；工业生产中使用的大功率设备（如电弧炉等）的运行可能引起电网电压的不正常波动，即电压闪变等。因此，需要对各类电能质量扰动信号进行准确识别，进而有效确定故障源并进行针对性治理。另一方面，在工业发展初期，由于电力系统复杂度较低，负载种类较少，电能质量扰动类别也较单一，因此扰动信号识别较为容易，随着国民经济的发展，海量分布式电源并网以及大量冲击性负载接入，电能质量扰动信号的类别也随之增加并呈现复合发生的趋势，给扰动源的定位带来更大的困难。
图1-1 电能质量评估的基本步骤
随着电网智能化需求的提高，需要记录分析的电能质量数据大幅增长，传统数据采集与记录设备无法满足海量数据的采集与记录要求。因而，针对电能质量数据的高效、准确的数据压缩算法研究已经受到广泛关注。由于压缩后的数据需要满足电能质量暂态扰动识别、参数估计、定位等分析工作的要求，因而电能质量数据压缩时，不仅要考虑压缩比，也要考虑数据的失真度等问题。电能质量数据的采集与记录需求，已经从电网的发电与输电环节逐渐向配电环节扩展，高精度、高压缩比的电能质量数据压缩技术也是未来智能配电网的重要基础。此外，针对设备普及问题，电能质量数据压缩方法不仅需要应用于传统的数字故障录波器等专门用于电网数据采集与记录的设备之中，未来智能电表等设备也需要兼具电能质量数据采集、压缩与传送的功能。因此，设计电能质量数据压缩算法时，还应该尽量降低算法的计算复杂度与实现难度，从而控制设备硬件成本，为促进设备普及打下基础。
在实际工程环境中，扰动信号复杂、数量庞大且信号采样率高，而现有电能质量扰动识别方法的信号处理效率低，信息存储占用空间大，这些都制约了现有方法在实际工程中的应用。因此，提高电能质量扰动信号处理效率、降低信息存储空间就显得尤为重要。电能质量扰动信号的精确识别是电能质量评估的首要任务，在保证扰动信号识别准确率的前提下，如何提高信号处理效率、降低信息存储空间是现有电能质量扰动识别研究的重点与难点。
电能质量扰动检测定位的任务是在电能质量信号中识别是否发生扰动，并且准确定位扰动发生和结束的时间。扰动的检测定位对于扰动源定位、扰动分析等具有重要意义，是扰动分析的重要基础之一。现有扰动检测定位方法包括数学形态学、差分熵法、小波方法、希尔伯特-黄变换等。由于扰动类型多、持续时间短、参数复杂，所以针对各种不同参数、不同类型的扰动检测定位，特别是扰动持续时间非常短的电压尖峰、电压切痕等的定位，仍然是现在研究的难点。
本书的研究成果作为电能质量扰动源定位与针对性治理的基础，为电力系统中电能质量恶化问题的解决提供了重要依据，并具有实际应用价值。此外，国外的相关电能质量监测产品已经将电能质量信号压缩、暂态分类和暂态检测与定位作为重要研究对象，而国内同类设备大多着重于数据采集方面的研发。相比之下，国内设备在电能质量信号压缩、暂态分类和暂态检测与定位方面尚缺少竞争力。本书的相关成果若应用于电能质量监测装置中，可以较好地提高设备的性能。本书研究成果可以有效提高我国电能质量监测分析设备的实用性和实时性，更好满足市场需求。
电能质量数据是分析电网电能质量并进行针对性治理的重要依据。由于电能质量数据采集与记录设备存储容量有限，传统电网通过录波器等设备记录电能质量数据时，其记录范围仅包含电能质量事件发生过程中及相邻较短时间内的电能质量数据，而且电能质量事件发生前后相邻时间的数据也采用降采样率方法记录，记录数据量有限且难以支持高精度电能质量分析的要求。因此，需要通过数据压缩方法处理数据，用有限的存储设备与网络资源实现电能质量数据的高效存储与传输。
现有的电能质量数据压缩方法分为无损压缩与有损压缩两类。应用于电能质量数据压缩的无损压缩方法主要包括自适应Huffman编码 ［9］ 、动态Huffman编码 ［10］ 、改进的动态Huffman编码 ［11］ 、结合Huffman编码和R-L游程编码 ［12］ 、算术编码 ［13］ 、能量阈值法 ［14］ 等。无损压缩方法保存了信号的完整原始信息，能够支持电能质量信号分析的各种要求。但是，由于实际信号采集过程中存在噪声干扰等问题，无损压缩方法的压缩比较低，压缩效果并不理想，不能够完全满足实际工作中对于电能质量数据压缩的高压缩比要求。同时，无损压缩方法未考虑电能质量信号自身特点，电能质量信号在频率空间中相对集中，如暂态扰动中的电压暂降、电压暂升、电压中断等暂态信号，其频率范围主要集中于基频附近，后期分析数据时，也主要考虑基频附近的频率范围的信号变化特点。所以，对于电能质量信号的压缩可以考虑通过有损压损，在控制信号的失真程度并达到理想压缩效果的同时，保留电能质量信号的有效信息，以支持后期的电能质量数据分析。近年来电能质量信号压缩方法的研究主要集中于以小波方法为代表的有损压缩方法。
从本质上看，电能质量信号是较典型的宽频信号，各种暂态分量分布于频域和时域的不同范围，小波变换方法具有良好的时-频聚焦能力，可以有效地提取各种暂态信号时-频成分，非常适用于电能质量数据的压缩。采用小波变换对电能质量信号进行压缩时，首先对原始信号进行 i 层小波变换，每层小波系数的总长度与原始的输入信号长度相同，但是其中数据占比较小的平滑信号描述了原始电能质量信号的主要特征，而数据占比较大的细节信号只保留了信号的局部特征。通过对原始信号的小波系数进行阈值处理，既可以达到有损数据压缩的目的，压缩后的信号仍然可以很好地支持暂态识别、定位等分析的要求。同时，通过阈值处理，过滤了高频部分噪声信号的干扰，也起到了很好的降噪效果。采用基于小波变换方法的电能质量数据压缩方法，各种小波均可以实现电能质量信号的压缩与重构，但是不同的小波基压缩效果不同。此外，压缩比也不宜作为选择小波压缩算法的唯一指标，需要在获得较高压缩比的同时，兼顾小波基正则性、紧支撑性、能量集中性、对称性、失真率、运算量等要求，综合考虑后选择适当的小波基与小波分解层数。
参考文献［15］采用db4小波对电能质量信号进行离散正交小波变换，在获得小波系数后通过设置阈值，使低于阈值的大量小波系数为0，而后仅保留非0的小波系数，从而达到了电能质量数据压缩的要求，获得了较好的压缩效果。
参考文献［16］设计了一种基于软阈值的离散小波变换去噪、压缩方法。通过Brownian Bridge随机过程方法实时计算阈值，该方法能够根据实际工作环境中的具体噪声水平自适应地确定阈值，在一定程度上避免硬阈值法保存原始信号信息与过滤环境噪声之间的矛盾，获得了较好的降噪效果。但是，噪声强度的估计与软阈值的实时计算增加了计算量，对硬件提出了更高的要求。
参考文献［17］通过比较Mallat小波与双正交样条小波（Biorthogonal Spline Wavelet，简写为bior Nr.Nd，其中，Nr、Nd分别为重构和分解消失矩阶数），在综合考虑数据压缩比、信号重构的失真率、故障时刻定位误差率以及计算时间等因素的基础之上，确定bior 3.1双正交小波作为电能质量数据压缩方法，取得了较好的压缩效果与实时性。
参考文献［18］将二维离散小波变换与能量阈值法相结合应用于电能质量数据压缩。通过二维db4小波将电能质量信号中的信号高频成分与噪声分解到不同的方向上，且将能量保留在很少的小波系数中。之后，采用能量均值修正系数设置能量阈值，通过能量阈值，将99%以上的信号能量保存在压缩后的信号中。通过计算信噪比（SNR，单位为dB）、压缩比（CR）、均方误差百分值（MSE）、能量比4个指标，验证了其方法的有效性。
参考文献［19］采用第二代小波变换算法——提升算法处理电能质量信号。同时，通过小波分解层数对应频率范围与工频关系确定最优小波分解层数，有效地降低了运算量。
参考文献［20-22］等将二维提升小波用于电能质量数据压缩，通过有限的简单提升步骤实现了二维小波变换。通过提升滤波算法对二维矩阵的行、列分别进行一维变换，对变换后的二维矩阵数据进行抽取，分别生成近似分量、水平方向细节分量、垂直方向细节分量、对角线方向细节分量4个子带矩阵，并重复以上过程，直至达到预期的小波分解层数。其运算量接近一维小波变换的两倍，且压缩比高于一维小波变换。同时，采用二维小波变换压缩信号其压缩比受到信号原始特征影响，当信号具有周期性时，二维小波变换在减少周期信号冗余方面优于一维小波变换，但是当信号本身周期性较弱时，二维小波变换相较于一维小波变换的压缩比优势明显降低，且运算量高于一维小波变换。因而，实际工作中应该根据具体信号特征选择一维或二维小波变换压缩方法。
参考文献［23］将多小波应用于电能质量数据压缩，与传统小波变换方法比较，采用多小波变换方法分解与重构电能质量信号，其信号的重构误差精度远远高于传统小波变换方法，且具有更高的能量集中率。
除单独使用小波变换方法压缩电能质量信号之外，小波变换方法与人工神经网络相结合也可以起到良好的电能质量信号压缩效果 ［24］ 。在采用样条小波基对原始信号进行二层分解的基础之上，通过阈值减少小波系数，并将减少后的小波系数作为输入数据送入径向基神经网络中进行进一步压缩。可以在小波变换压缩基础上得到进一步压缩，压缩比高于单一使用小波变换方法，但是该方法运算量较大，对于实时性要求较高的应用环境需要更高的硬件系统支持。
综上所述，在电能质量信号压缩领域，能够根据信号频域特点进行压缩的小波变换方法适用于电能质量信号的压缩与降噪，但是小波变换方法的运算量较大，算法实现硬件要求较高。随着智能电网建设的不断深入，需要进行电能质量数据监控的环节已经逐渐由发电、输电环节向配电环节扩展 ［25，26］ 。为满足电网整体的智能化需求，并且兼顾安全、经济、电能质量三大原则 ［27］ ，设计算法时，不仅仅要考虑到算法的压缩比等指标，同时也要考虑到算法的复杂程度，包括时间复杂度、空间复杂度等问题，尽可能设计简单高效的压缩方法，从而控制电能质量数据采集与压缩设备的成本，促进设备的普及，并在此基础上提高电网整体的智能化水平。另一方面，采用小波变换方法设计电能质量数据压缩方法时，采用不同的小波基或阈值，对压缩效果影响较大，目前尚没有确定选择小波基与小波阈值的统一方法。
随着各种冲击性负载接入以及大量分布式电源并网，电力系统中的电能质量扰动信号呈现出种类复杂、持续时间短等特点 ［28，29］ 。常见的扰动类型包括电压暂降、电压暂升、电压中断以及暂态振荡等。对于这些扰动，通常提取其电压幅值、起止时间等特征进行有效区分。在实际工作中，以上扰动通常和电压闪变、谐波等扰动放在一起进行区分 ［30］ 。此外，目前电能质量扰动信号已经向着复杂、复合扰动方向发展，即不同扰动类型同时叠加发生。如振荡含暂降、振荡含暂升等复合扰动信号的出现，给电能质量扰动信号识别带来了新的困难。
电能质量扰动信号识别通常分为特征提取、特征选择和模式识别3个步骤 ［31-33］ ：特征提取环节中信号处理效果的好坏将直接影响所提取特征的有效性，信号处理方法的时间、空间复杂度也对特征提取效率和信息存储造成影响；有效的特征选择可以去除原始特征集合中的冗余特征，简化分类器结构，提高扰动信号的分类效果；在模式识别环节建立准确、高效的分类器是电能质量扰动信号识别过程最重要的环节，分类器的性能将直接影响最终的扰动识别结果。
在对电能质量信号进行时-频处理的基础上可以对扰动信号进行特征提取。在现有电能质量扰动识别的相关研究中，所采用的各种时-频分析（Time-Frequency Analysis，TFA）方法对扰动信号具有较好的时、频分析效果，这为特征提取工作打下了良好的基础。现有研究中常用的TFA方法包括有傅里叶变换（Fourier Transform，FT） ［34］ 、希尔伯特-黄变换（Hilbert-Huang Transform，HHT） ［35］ 、短时傅里叶变换（Short-time Fourier Transform，STFT） ［36，37］ 、小波变换（Wavelet Transform，WT） ［38，39］ 以及S变换（S-Transform，ST） ［40-42］ 及其改进形式的快速S变换（Fast S-Transform，FST） ［43，44］ 等。通过现有研究分析发现，以上各种信号处理方法在对信号进行有效分析的同时，也存在各种不足。下面通过分析各方法性能的优劣进一步了解各方法的特点。
参考文献［36］使用的STFT方法对扰动信号的时-频分辨具有较好效果，然而，由于该方法窗函数的相关特性与时间和频率无相关联系，因此该方法的时-频分辨率较为单一。STFT方法的这种缺点制约了其在不同频率范围内电能质量扰动分析的应用。相较于STFT方法，参考文献［38］使用WT方法具有更好的时-频分析特性，对于较微弱或者不平稳的扰动信号，WT方法的分析能力更强。由于WT方法的函数窗的形状是可以改变的，因此，在算法应用过程中可以通过调节窗口的形状实现算法的时-频分辨率的有效调整。由于WT方法的分析特性满足电能质量扰动信号的畸变分布特点，因此该方法在电能质量检测与分析领域具有较为广泛的应用。然而，WT方法在使用过程中需要设置小波基的类型和信号分解的层数，这种复杂的参数设置需求制约了算法的实际应用。参考文献［40］使用的ST方法已经广泛应用于电能质量识别领域并且取得了良好的效果。相较于其他方法，ST在抗噪能力和时-频分析效果方面均具有更好的表现。然而，ST的运算复杂度较高，信号分析时间较长，是制约其在实际工程中应用的重要原因，无法满足现有海量、高采样率电能质量信号的实时分析的需求。针对ST方法运算复杂度高的缺点，参考文献［43］等使用了FST方法，ST方法需要对信号所有频率点均进行加窗傅里叶变换逆变换，而FST方法只对扰动信号的主要频率点进行处理，从而实现了对ST方法频域上的压缩。在此基础上，参考文献［45］设计了一种最优多分辨率快速S变换（Optimal Multiresolution Fast S-Transform，OMFST）方法，可以自适应调整不同扰动信号识别所需最优窗宽，具有更好的扰动分析能力。相较于ST方法，以上FST方法与OMFST方法虽然可以有效降低扰动特征提取的复杂度，但是，在信号采样率过高，信号采集时间过长情况下，得到的时-频矩阵规模仍较大、空间复杂度仍然较高。因此，在现有研究基础上进一步降低时-频矩阵的空间复杂度，减小信息所需存储空间，进而减轻信息存储压力具有重要的意义。
参考文献［46］将原始时间序列形式的电能质量扰动信号转换为灰度图像，之后通过不同的图像增强技术，对灰度图像中的扰动特征进行增强，取得了一定的效果。相较于传统的信号处理方法，该方法的特征提取效率得到显著提高。该研究中，采用不同的图像特征增强方法分别对不同的电能质量扰动信号进行特征增强，然而，如何判定具体采用何种图像处理方法、采用何种特征开展模式识别均未论述，因此不能很好地应用于实际应用中。参考文献［47］与参考文献［48］针对不同的扰动类型分别使用伽马校正、边缘检测以及峰谷检测等方法，对信号灰度变换后得到的二维灰度图像进行特征增强，在此基础上提取形态学特征用于扰动分析。
初期的电能质量扰动识别的研究中通常不涉及特征选择，然而电能质量扰动信号经特征提取后可得到大量的时-频特征，过高的特征维度不仅增加了特征存储空间与计算时间，冗余特征还会降低扰动信号分类效率与准确率。因此，对原始特征集合进行特征选择，在保证分类效果的前提下降低特征向量维度具有重要意义。
所谓特征选择，就是在获得原始特征集合的基础上，通过对原始特征集合中的所有特征的不同组合的分类能力进行有效分析，在此基础上去除冗余特征，确定最优特征组合。在现有电能质量扰动识别领域中，深入分析特征选择方法的相关研究较少，因此电能质量扰动识别的特征选择目前还处于初步阶段。参考文献［49］中首先使用了统计方法对特征进行了分析，之后通过散点图的分析最终确定最优特征子集，将18维的原始特征集合确定为2维，有效降低了特征维数。该研究通过特征选择提高了特征提取效率，简化了分类器结构。参考文献［50］分别在风能系统、光伏系统以及北欧32母线测试系统三个研究背景下，采用遗传算法进行特征选择。在去除冗余特征之后，最终识别的准确率和效率得到提高。参考文献［51］分别采用了序列前向与后向搜索方法以及格拉姆-施密特正交化方法进行特征选择，实验结果显示，采用序列后向搜索方法的分析效果优于其他两种方法，可以得到较高的识别准确率。然而，以上特征选择方法的效率制约了其在实际工程中的应用。
以上特征选择方法可以归纳为两种：第一种是按照过滤式（Filter）方法，依据特征的统计结果开展，但难以分析特征组合的分类能力 ［52］ ；第二种是采用封装式（Wrapper）方法，结合智能算法，根据分类器分类效果，寻找满足分类准确率要求的特征子集，但寻优效率较低。同时，特征选择方法受噪声影响较大 ［53］ 。因此，在复杂噪声环境下，且能够分析特征组合分类能力并具有良好寻优效率的特征选择方法，是本文研究的重点之一。
电能质量信号在提取原始特征集并确定最优特征子集之后，可建立有效的分类器进行电能质量扰动信号模式识别。现有研究中常用的模式识别方法包括决策树（Decision Tree，DT） ［54-56］ 、支持向量机（Support Vector Machine，SVM） ［57，58］ 、贝叶斯分类器（Bayesian Classification，BC） ［59］ 、神经网络（Neural Networks，NN） ［60］ 和极限学习机（Extreme Learning Machine，ELM） ［61，62］ 等。以上模式识别方法在实际应用中均取得了一定的效果，同时也各自存在着不足之处。
随着电力系统中扰动源的增多，电能质量扰动类型逐渐从单一类型过渡为多种复合类型，因此多类型、复合扰动的识别难度增大。黄广斌 ［61］ 在2006年提出了ELM方法，该方法具有较好的抗噪性，且分类器构建与识别速度较快，具有较好的分类效果，但是在具体应用中容易引起过拟合。参考文献［57］使用了一种SVM识别方法，采用小波核函数精简支持向量的数目，其分类效果也可以达到满意水平，但是SVM在具体使用中需要设置的参数较多，其惩罚因子和核函数的确定将直接影响最终分类效果。此外，SVM在实际应用中也容易发生过拟合问题。相较于以上分类器，DT具有更好的扰动识别效果，参考文献［50］研究发现，在采用相同训练与测试样本集情况下，DT分类准确率优于SVM，但DT的分类阈值设定依赖于训练样本，泛化能力较差。
随着海量电能质量数据的出现，电能质量扰动类型也越来越复杂，实际应用中对电能质量扰动信号的分类准确率和分类器的稳定性要求越来越高。与单一分类器相比，集成分类器可以通过综合分析各基分类器的结果，确定最优分类准确率，分类稳定性得到提高。随机森林（Random Forest，RF）是一种优秀的集成分类算法 ［63］ ，对各基分类器采用多数投票法确定最优分类准确率，相较于DT具有更好的泛化能力。此外，RF可根据各个节点训练过程中的分类效果，获得特征重要度，为最优特征子集的选取提供参考指标。集成算法中基分类器之间的差异性以及分类精度是影响算法表现的两个至关重要的因素，旋转森林（Rotation Forest，ROF） ［64］ 作为一种兼顾基分类器间差异性与分类准确率的优秀集成分类算法，应用于多种模式识别研究领域中。ROF在每次抽取子样本前，对原始特征集合进行随机分割组合，采用特征变换策略有效地增大基分类器之间的差异性。目前在多个公共集合的分类测试中，ROF均可获得最高的识别准确率。
现有电能质量扰动识别研究分为信号特征提取、特征选择、模式识别三部分：通过对扰动信号进行有效的信号处理，可以充分分析信号的时-频特性，在此基础上提取丰富、有效的时-频特征，构建原始特征集合；特征选择环节可以对原始特征集合中的特征进行分析，去除冗余特征，从而提高特征提取效率，简化分类器结构，减少冗余特征对分类效果的影响；模式识别环节是电能质量扰动识别研究中的最后一步，也是至关重要的一步，通过建立高效、准确的分类器可以对复杂的、复合的电能质量扰动信号进行有效分类。
虽然现有文献对各环节均进行了不同程度的研究，并且取得了一定的效果，但是仍然存在着以下不足：
（1）电能质量扰动信号特征提取方面，主要存在两方面的不足：一方面，现有信号处理方法的处理效率较低，无法满足现有海量高采样率电能质量扰动的实时分析需求；另一方面，ST方法及其改进形式的FST、OMFST方法的复杂度较高，时-频矩阵规模较大，因此硬件设备的存储压力较大，制约了其在实际工程中的应用。
（2）电能质量扰动信号特征选择方面：现有特征选择方法的效率较低，且缺少对不同特征组合分类能力的有效分析。
（3）电能质量扰动信号模式识别方面：现有单一分类器的稳定性较低，难以满足复杂、复合电能质量扰动的识别需求。
电能质量的暂态扰动检测定位指的是从连续的电能质量暂态信号中，准确地检测是否存在扰动并确定扰动发生和结束的时间点。通过分析准确的扰动发生和结束的时间点，可以通过扰动信号记录装置推断原始扰动源位置；确定扰动的持续时间对于识别扰动类型、确定暂态过程中电压畸变幅度等也具有重大意义。由于智能电网对扰动信号分析结论的准确性提出了新的要求，定位扰动方法无法精确到具体时间点，已经不能满足检测定位精度的需求。此外电力系统对暂态扰动的控制逐渐严格，持续时间极短、分析困难的电能质量暂态现象（如电压切痕、电压尖峰等）现今也需要进行相关的检测与定位研究，这对电能质量的暂态检测与定位形成了新的挑战。常用的暂态定位检测方法包括数学形态学、小波变换、差分熵等。
当电能质量信号暂态现象发生或者结束时，其信号能量在扰动起、止时间点会发生明显变化。因此采用小波对原始电能质量信号进行小波变换，之后通过不同层次上（特别是高频域）小波系数突变点定位电能质量暂态现象是现有暂态检测定位方法中最有效的一类。参考文献［65-69］即采用小波变换方法实现了电能质量暂态现象的有效定位。
电能质量信号经常受到噪声的污染，当信号信噪比较低时，原始信号的畸变起止点的能量变化经常淹没于噪声信号之中，造成扰动定位误差或者失效。因此，如何高效过滤原始信号中的噪声成分，使之能够适应小波或其他定位方法的信噪比要求，也是暂态检测定位中需要解决的重要部分。在电能质量信号滤波算法中，数学形态学方法被广泛应用于暂态检测定位前的电能质量信号滤波 ［70-72］ 。形态学最早用于研究生物领域中动植物的形状与结构特性，是数字图像处理的有效工具之一，多用于提取图像的区域特征，也可以用于图像的滤波。由于电能质量信号为一维时变信号，所以在处理电能质量信号时，多采用数学形态学方法中的一维离散灰度形态学变换，其计算基础为“膨胀”与“腐蚀”运算。“膨胀”运算相当于将曲线加长或变粗，“腐蚀”运算相当于将曲线细化或者收缩。通过膨胀与腐蚀运算，可以得到数学形态学中的“形态开”与“形态闭”运算结果，并通过形态学开、闭运算进行滤波。通过开运算可滤除信号中的正脉冲噪声，去掉含噪声电能质量信号中的毛刺和孤立点；闭运算可以滤除信号中的负脉冲噪声，填补信号曲线上的缺损部分。其滤波效果取决于使用的形态学变换方法与结构元素。相比较其他滤波方法，形态学滤波方法运算量较小，适用于实时性要求较高的扰动检测定位中信号的预处理工作。
除小波变换方法外，采样值估算法 ［73］ 、S变换 ［74］ 、差分熵 ［75］ 等方法同样被应用于暂态扰动的检测与定位。参考文献［73］采用采样值估算法定位暂态扰动，假设已知标准电能质量信号的电压与频率，则可由已知2个采样点电压幅值推断第3点标准电压幅值。通过比较第3点标准电压幅值与实测电压幅值之间的电压偏差，确定是否发生电压畸变。该方法思路简单，定位速度快，但是在设计电压偏差阈值时没有考虑到噪声的影响，且未验证不同噪声环境下该方法的有效性，其阈值定义的合理性仍然有待证明。参考文献［74］采用S变换的模矩阵幅值平方和均值定位扰动，其方法具有一定的抗噪性能，且能有效定位高频扰动，但是未验证该方法在电压幅值畸变较小和较短持续时间下的暂态扰动定位能力。参考文献［75］采用差分熵方法检测扰动，采用信息论中熵概念判断扰动发生时间，通过检测暂态信号各个时间点的信息熵变化判断是否产生波动，实现了5类暂态扰动的精确定位与检测，考虑了较多类型的暂态信号中参数对检测结果的影响，如噪声水平、电压畸变幅度等，但是其研究对象中未包含扰动时间短、电压幅值变化小的电压切痕与电压尖峰等类型的暂态信号。
综上可知，针对电能质量暂态扰动的检测与定位研究仍然存在以下问题：①检测持续时间较短，电压幅值畸变度较小的电压切痕、电压尖峰等暂态现象的难度较大，此方面的研究较少；②定位过程中，对不同暂态信号参数影响考虑还不够完善，如扰动持续时间、电压幅值畸变程度、暂态振荡的振荡衰减系数等参数的综合影响没有全盘考虑。
准确检测电能质量扰动信号参数的前提是提取有效的特征。国内外学者主要从时域、频域和时-频域方面进行扰动特征的提取。时域特征提取方法是从扰动信号本身出发，根据奇异点的幅值和相位信息 ［76，77］ 提取出检测扰动参数的特征，该方法具有物理意义明确的优点，但当发生复合扰动及多频率谐波扰动时很难进行参数的检测；频域特征提取方法是将扰动信号进行傅里叶变换 ［78］ ，该方法能反映谐波和闪变等稳态扰动的参数，但不能反映暂降、暂升等暂态扰动的参数；时-频特征提取方法是利用小波变换、S变换等方法进行时频分析，通过从时频分析结果中提取特征进行参数检测，其中，小波变换可以较好地检测奇异点的时频参数 ［79，80］ ，但其有抗噪声能力差和需要选择小波基等缺点。S变换继承小波变换高频用小时窗、低频用大时窗的优点，时域和频域均可分解得更加细致。但S变换存在较多冗余计算，采用改进不完全S变换检测电能质量扰动参数，使用参数检测特征向量可取得较高的检测精度。
S变换后生成的时-频模矩阵具有丰富的特征信息。参考文献［81］利用改进S变换方法对电压暂降进行参数检测，通过改进S变换窗宽因子保证基频幅值曲线的平直性，由基频幅值曲线的差分向量检测暂降发生的起止时刻；参考文献［82］提出平方检测法测量电压闪变，由S变换时-频模矩阵的频域特性曲线求得闪变幅值，由模矩阵高频幅值和曲线求得闪变起止时刻；参考文献［83］利用模矩阵频率对应最大值曲线检测电力系统间谐波的频率和幅值；参考文献［84］利用不对称的Hyperbolic代替对称的高斯窗参与S变换从而获得较高的时间分辨率，通过提取各时间点时全部频率的幅值和来定位扰动起止点。
通过以上文献总结可知，电能质量扰动信号的参数主要为扰动幅度、扰动频率、扰动起止时刻。现有扰动参数检测研究仍然存在以下问题：①国内外学者较多地利用时-频特征提取方法进行扰动参数的检测，而忽略了与时域特征提取方法、频域分析方法相结合的应用；②部分文献在检测过程中，对检测方法抗噪性考虑还不够完善，应在实验过程中加入噪声影响或设置单独的噪声抑制环节。
［1］DE S，DEBNATH S.Real-time cross-correlation-based technique for detection and classification of power quality disturbances［J］.IET Generation Transmission & Distribution，2018，12（3）：688-695.
［2］贾清泉，艾丽，董海艳，等。考虑不确定性的电压暂降不兼容度和影响度评价指标及方法［J］。电工技术学报，2017，32（1）：48-57.
［3］SINGH U，SINGH S N.Detection and classification of power quality disturbances based on time-frequency-scale transform［J］.IET Science Measurement & Technology，2017，11，（6）：802-810.
［4］SINGH U，SINGH S N.Application of fractional Fourier transform for classification of power quality disturbances［J］.IET Science Measurement & Technology，2017，11，（1）：67-76.
［5］黄南天，徐殿国，刘晓胜。基于S变换与SVM的电能质量复合扰动识别［J］。电工技术学报，2011，26（10）：23-30.
［6］CHAKRAVORTI T，PATNAIK R K，DASH P K.Detection and classification of islanding and power quality disturbances in microgrid using hybrid signal processing and data mining techniques［J］.IET Signal Processing，2018，12（1）：82-94.
［7］DUGAN R C，DUGAN R C，DUGAN R C，et al.Electrical power systems quality［M］.New York：McGraw-Hill，2003.
［8］WASIAK I，PAWELEK R，MIENSKI R.Energy storage application in low-voltage microgrids for energy management and power quality improvement［J］.IET Generation Transmission & Distribution，2014，8（3）：463-472.
［9］苗世洪，王少荣，刘沛，等。数据压缩技术在电力系统通信中的应用［J］。电力自动化设备，1999，19（3）：32-33.
［10］黄荣辉，周明天，曾家智。动态哈夫曼算法在电力线计算机网络数据压缩中的应用［J］。计算机科学，2000，27（11）：36-38.
［11］朱怀宏，吴楠，夏黎春。利用优化哈夫曼编码进行数据压缩的探索［J］。微机发展，2002，5，1-5.
［12］TEHRANIPOUR M H，NOURANI M，ARABI K.et al.Mixed RL-Huffman encoding for power reduction and data compression in scan test，Circuits and Systems［C］.Proceedings of the 2004 international Symposium（ISCAS'04.），2004.
［13］HSIEH，C-T，HUANG，S J.Disturbance data compression of a Power system using the Huffman coding approach with Wavelet transform enhancement［J］.Generation，Transmission and Distribution，IEEE Proceedings，2003，150（1）：7-14.
［14］王成山，王继东。基于能量阈值和自适应算术编码的数据压缩方法［J］。电力系统自动化，2004，28（24）：56-60.
［15］CHUNG J，POWERS E J，GRADY W M，et al.Power disturbance classifier utilizing a ruled-based method and wavelet packet-based hidden markov model［J］.IEEE Tran.on Power Delivery，2002，17（1）：738-743.
［16］SANTOSO S，POWERS E J，GRADY W M.Power quality disturbance identification using wavelet transforms and artificial neural networks［C］.Proceedings of IEEE ICHQP Ⅶ Lasvegas,1996：615-618.
［17］费铭薇，乐全明，张沛超，等。电力系统故障录波数据压缩与重构小波基选择［J］。电力系统自动化，2005，29（17）：64-67，97.
［18］赵艳粉，杨洪耕。二维离散小波变换在电能质量检测数据压缩中的应用［J］。电力系统自动化，2006，30（15）：51-55.
［19］乐全明，郁惟墉，柏传军，等。基于提升算法的电力系统故障录波数据压缩新方案［J］。电力系统自动化，2005，29（5）：74-78.
［20］鲍文，周瑞，刘金福。基于二维提升小波的火电厂周期性数据压缩算法［J］。中国电机工程学报，2007，27（29）：96-101.
［21］GEREK O N，ECE D G.2-D analysis and compression of power-quality event data［J］.IEEE Transactions on Power Delivery，2004，19（2）：791-798.
［22］GEREK O N，ECE D G.Compression of power quality event data using 2D representation［J］.Electric Power Systems Research，2008，78：1047-1052.
［23］刘志刚，钱清泉。基于多小波的电力系统故障暂态数据压缩研究［J］。中国电机工程学报，2003，23（10）：22-26.
［24］周厚奎。基于小波和神经网络的电能质量扰动信号数据压缩［J］。电力系统自动化，2007，27（3）：38-40，56.
［25］常康，薛峰，杨卫东。中国智能电网基本特征及其技术进展评述［J］。电力系统自动化，2009，33（17）：10-15.
［26］徐丙垠，李天友，薛永端。智能配电网与配电自动化［J］.2009，33（17）：38-41，55.
［27］张伯明，孙宏斌，吴文传，等。智能电网控制中心技术的未来发展［J］。电力系统自动化，2009，33（17）：21-28.
［28］MAHELA O P，SHAIK A G，GUPTA N.A critical review of detection and classification of power quality events［J］.Renewable & Sustainable Energy Reviews，2015，41（C）：495-505.
［29］SAINI M K，KAPOOR R.Classification of power quality events-A review［J］.International Journal of Electrical Power & Energy Systems，2012，43（1）：11-19.
［30］SATAO S R，KANKALE R S.A new approach for classification of power quality events using S-Transform［C］//International Conference on Computing Communication Control & Automation.2017，22（2）：944-950.
［31］CHAKRAVORTI T，DASH P K.Multiclass power quality events classification using variational mode decomposition with fast reduced kernel extreme learning machine-based feature selection［J］.IET Science Measurement & Technology，2018，12（1）：106-117.
［32］REDDY M V，SODHI R.A rule-based S-Transform and AdaBoost based approach for power quality assessment［J］.Electric Power Systems Research，2016，134：66-79.
［33］HAJIAN M，FOROUD A A.A new hybrid pattern recognition scheme for automatic discrimination of power quality disturbances［J］.Measurement，2014，51（5）：265-280.
［34］汪添浡。电能质量扰动分析方法研究［D］。哈尔滨理工大学，2015.
［35］ALSHAHRANI S，ABBOD M，TAYLOR G.Detection and classification of power quality disturbances based on Hilbert-Huang transform and feed forward neural networks［C］//Power Engineering Conference.2017，43（6）：607-619.
［36］宋艳丽，宋艳鑫，朱静。基于全相位FFT的电能质量谐波检测新方法研究［J］。成都航空职业技术学院学报，2018（4）：49-51.
［37］黄建明，瞿合祚，李晓明。基于短时傅里叶变换及其谱峭度的电能质量混合扰动分类［J］。电网技术，2016，40（10）：3184-3191.
［38］王维博，董蕊莹，曾文入，等。基于改进阈值和阈值函数的电能质量小波去噪方法［J］。电工技术学报，2019，34（02）：409-418.
［39］DEOKAR S A，WAGHMARE L M.INTEGRATED DWT-FFT approach for detection and classification of power quality disturbances［J］.International Journal of Electrical Power & Energy Systems，2014，61：594-605.
［40］许立武，李开成，罗奕，等。基于不完全S变换与梯度提升树的电能质量复合扰动识别［J］。电力系统保护与控制，2019，26（10）：3-30.
［41］黄南天，张卫辉，徐殿国，等。采用多分辨率广义S变换的电能质量扰动识别［J］。哈尔滨工业大学学报，2015，47（09）：51-56.
［42］BABU P R，DASH P K，SWAIN S K，et al.A new fast discrete S-transform and decision tree for the classification and monitoring of power quality disturbance waveforms［J］.International Transactions on Electrical Energy Systems，2014，24（9）：1279-1300.
［43］LI J，TENG Z，TANG Q，et al.Detection and Classification of Power Quality Disturbances Using Double Resolution S-Transform and DAG-SVMs［J］.IEEE Transactions on Instrumentation & Measurement，2016，65，（10）：2302-2312.
［44］BABU P R，DASH P K，SWAIN S K，et al.A new fast discrete S-transform and decision tree for the classification and monitoring of power quality disturbance waveforms［J］.International Transactions on Electrical Energy Systems，2015，24，（9）：1279-1300.
［45］HUANG N，CHONG Y，ZHANG W，et al.Power quality analysis adopting optimal multi-resolution fast S-transform［J］.Chinese Journal of Scientific Instrument，2015，36，（10）：2174-2183.
［46］HUSSAIN SHAREEF，AZAH MOHAMED，AHMAD ASRUL IBRAHIM.An image processing based method for power quality event identification［J］.Electrical Power and Energy Systems，2013（46）：184-197.
［47］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.
［48］HUI J，ZHENG Y，WANG Z，et al.An image processing based method for transient power quality classification［J］.Power System Protection & Control，2015，43（13）：72-78.
［49］HUANG N，XU D，LIU X，et al.Power quality disturbances classification based on S-transform and probabilistic neural network［J］.Neurocomputing，2012，98（18）：12-23.
［50］RAY P K，MOHANTY S R，KISHOR N，et al.Optimal Feature and Decision Tree-Based Classification of Power Quality Disturbances in Distributed Generation Systems［J］.IEEE Transactions on Sustainable Energy，2014，5（1）：200-208.
［51］KHOKHAR S，ZIN A A M，MEMON A P，et al.A new optimal feature selection algorithm for classification of power quality disturbances using discrete wavelet transform and probabilistic neural network［J］.Measurement，2017，95：246-259.
［52］黄南天，彭华，蔡国伟，等。电能质量复合扰动特征选择与最优决策树构建［J］。中国电机工程学报，2017，37（03）：776-786.
［53］黄南天，王达，刘座铭，等。复杂噪声环境下电能质量复合扰动特征选择［J］。仪器仪表学报，2018，39（04）：82-90.
［54］GARG R，SINGH B，SHAHANI D，et al.Recognition of Power Quality Disturbances Using S-Transform Based ANN Classifier and Rule Based Decision Tree［J］.IEEE Transactions on Industry Applications，2015，51，1249-1258.
［55］MAHELA O P，SHAIK A G.Recognition of power quality disturbances using S-transform based ruled decision tree and fuzzy C-means clustering classifiers［J］.Applied Soft Computing，2017，59（2）：243-257.
［56］陈华丰，张葛祥。基于决策树和支持向量机的电能质量扰动识别［J］。电网技术，2013，37（5）：1272-1278.
[57]BOSN
J A，PETROVI
G，Putnik A，et al. Power quality disturbance classification based on wavelet trans-form and support vector machine [C]//International Conference on Measurement. 2017.，103（2）：75-86.
［58］PARVEZ I，AGHILI M，SARWAT A I，et al.Online power quality disturbance detection by support vector machine in smart meter［J］.Journal-Energy Institute，2018，6（10）：1-12.
［59］WU J，LI Y，QUEVEDO D E，et al.Data-Driven Power Control for State Estimation：A Bayesian Inference Approach［J］.Automatica，2015，54：332-339.
［60］KARASU S，SARAÇ Z.Classification of power quality disturbances with S-transform and artificial neural networks method［C］//Signal Processing & Communications Applications Conference.2017，61（5）：2473-2482.
［61］HUANG G B，ZHU Q Y，SIEW C K.Extreme learning machine：Theory and applications［J］.Neurocomputing，2006，70：489-501.
［62］ZHANG S，LI P，ZHANG L，et al.Modified S transform and ELM algorithms and their applications in power quality analysis［J］.Neurocomputing，2015，185（C）：231-241.
［63］BREIMAN L.Random Forests［J］.Machine Learning，2001，45，（1）：5-32.
［64］RODRIGUEZ J J，KUNCHEVA L I，ALONSO C J.Rotation Forest：A New Classifier Ensemble Method［J］.IEEE Transactions on Pattern Analysis & Machine Intelligence，2006，28，（10）：1619-1630.
［65］LIN WHEI-MIN，WU CHIEN-HSIEN，LIN CHIA-HUNG，et al.Detection and Classification of Multiple Power-Quality Disturbances With Wavelet Multiclass SVM［J］.IEEE Transactions on Power Delivery，2008，23（4）：2575-2582.
［66］QIAN L W，David A.Cartes,LI H.An Improved Adaptive Detection Method for Power Quality Improvement［J］.IEEE Transactions on Industry Application，2008，44（2）：525-533.
［67］PANIGRAHI B K，DASH P K，REDDY J B V.Hybrid signal processing and machine intelligence techniques for detection，quantification and classification of power quality disturbances［J］.Engineering Applications of Artificial Intelligence，2009，22：442-454.
［68］DWIVEDI U D,SINGH S N.Enhanced Detection of Power-Quality Events Using Intra and Interscale Dependencies of Wavelet Coefficients［J］.IEEE Transactions on Power Delivery，2010，25（1）：358-366.
［69］HOOSHMAND R,ENSHAEE A.Detection and classification of single and combined power quality disturbances using fuzzy systems oriented by particle swarm optimization algorithm［J］.Electric Power Systems Research，2010，80：1552-1561.
［70］曾纪勇，丁洪发，段献忠。基于数学形态学的谐波检测与电能质量扰动定位方法［J］。中国电机工程学报，2005，25（21）：57-62.
［71］舒泓，王毅。基于数学形态滤波和Hilbert变换的电压闪变测量［J］。中国电机工程学报，2008，28（1）：111-114.
［72］李天云，郭跃霞，王静，等。基于数学形态学和短窗功率算法的电能质量扰动检测方法［J］。电力自动化设备，2008，28（7）：37-40.
［73］董继民。基于采样值估算的电压扰动快速定位方法［J］。电力系统保护与控制，2010，38（9）：92-95.
［74］全惠敏，戴瑜兴。基于S变换模矩阵的电能质量扰动信号检测与定位［J］。电工技术学报，2007，22（8）：119-125.
［75］赵静，何正友，钱清泉。利用广义形态滤波与差分熵的电能质量扰动检测［J］。中国电机工程学报，2009，29（7）：121-127.
［76］冯宇，唐轶，吴夕科。采用电量参数分析方法的电能质量扰动参数估计［J］。中国电机工程学报，2009（16）：100-107.
［77］刘昊，唐轶，冯宇，等。基于时域变换特性分析的电能质量扰动分类方法［J］。电工技术学报，2008，23（11）：159-165.
［78］昝贵龙，苗向鹏，朱熙文，等。基于FFT的电能质量参数的检测方法研究［J］。电子设计工程，2014，22（3）：7-10.
［79］ECE D G，GEREK O N.Power Quality Event Detection Using Joint 2-D-Wavelet Subspaces［J］.IEEE Transactions on Instrumentation & Measurement，2004，53（4）：1040-1046.
［80］刘守亮，肖先勇.Daubechies复小波的生成及其在短时电能质量扰动检测中的应用［J］。电工技术学报，2005（11）：106-110.
［81］易吉良，彭建春。电压凹陷的改进S变换检测方法［J］。湖南大学学报：自然科学版，2010，37（10）：52-56.
［82］唐求，滕召胜，高云鹏，等。基于S变换的平方检测法测量电压闪变［J］。中国电机工程学报，2012，32（7）：60-67.
［83］吕干云，冯华君，朱更军，等。基于S变换的电力系统间谐波检测［J］。仪器仪表学报，2006（z2）：1675-1676.
［84］黄南天，徐殿国，刘晓胜，等。电能质量暂态扰动的HS变换检测方法［J］。哈尔滨工业大学学报，2013，45（8）：66-72.