本文主要是介绍基于小波和RBF-PNN神经网络的电能扰动辨识，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
摘要：
对电能质量进行快速的检测和准确的分类，是治理电能质量和提高用电效率的有效方式。本文提出一种新的基于小波和神经网络技术的电能质量辨识方法。该方法首先用小波变换对暂态电能质量扰动波形进行预处理，求出不同信号在9尺度小波分解下的能量分布值以及时间、幅值变化等并将其作为信号特征量。然后将归一化的扰动信号信息输入神经网络，根据其输出结果就可以判断发生的电能质量扰动类别。仿真实验证明，该方法不仅可以有效地区分电压暂升、暂降、中断、谐波、高频振荡、闪变等6种电能质量问题，而且抗噪声能力强，训练样本少，响应快速。
关键词：电能扰动信号；小波变换；信号辨识；神经网络
0 引言
由于电力电子设备、电弧炉、电焊机、轧钢机等非线性负载和冲击性负载的广泛应用，使得电力系统存在大量谐波、电压暂升暂降、波动闪变和瞬态振荡等电能质量问题，此问题也成为众多研究者和电力工作者的研究课题，小波理论的在信号分析领域的兴起和人工神经网络在模式识别方面的应用为解决电能质量的扰动分类提供了新的方法。
本文采用新的RBF神经网络即PNN概率型神经网络作为扰动辨识器，PNN网络不需要设置网络权值的初始值，无权值训练学习过程，适合于信号分类，电能扰动的特征提取采用小波变换得到能量分布，并添加扰动的持续时间、幅值变化和范围变化，进一步完善特征量的提取，最后通过仿真计算验证该方法进行电能质量扰动识别的有效性。
1 电能质量扰动分析
参考文[6]给出的6种典型电能质量扰动，包括电压中断、电压暂降、电压瞬升、谐波、振荡暂态和闪变。利用matlab对各种电能质量扰动信号生成的波形如图1所示，本文采用的样本数量如下：正常信号和6种扰动信号的训练样本均为100个，测试样本均为80个。
2 基本原理
2.1 小波变换及多分辨率分析
小波变换能够对信号的时频特性进行强有力的分析，具有很好的时频局部化特性、特别的去噪能力以及便于提取弱信号的特点。与傅里叶变换、窗口傅里叶变换相比，尺度小波变换具有可变的时间和尺度分辨率，更能从信号中提取有效的信息。任意函数
的小波变换为：
2.2 RBF-PNN神经网络模型
RBF神经网络即径向基函数神经网络（Radical Basis Function），它是一种高效的前馈式神经网络，具有最佳逼近性能和全局最优特性。RBF网络结构如图2所示，它是一个三层的网络，出了输入输出层之外仅有一个隐层。 将径向基神经元和竞争神经元组成一起便成为PNN概率神经网络，PNN是RBF的一种变化形式，结构简单训练快捷，特别适合于模式分类问题的解决。
3 matlab实现信号辨识
3.1 PQ（电能质量）信号辨识流程
本文提出的电能质量扰动辨识过程如图所示，要对电能质量信号进行信号辨识包括如下工作：
添加了30db高斯白噪声的各类扰动信号输入；选择合适的小波函数利用matlab调用对输入扰动进行分解；提取反应信号特征的小波系数；搭建RBF-PNN神经网络，将小波系数分为两组，一组用于训练神经网络，另一组作为测试样本；最后利用训练好的网络对测试样本进行信号辨识。
3.2 PQ信号小波分解与特征提取
本为对信号的采样频率为3200Hz，对输入扰动的采样点数为512，则实际的采样时间为0.16s，根据小波变换结果因选取不同母小波的差异性，文中选取能很好减少频谱泄露和提高分辨率的5阶db5小波函数对信号进行9尺度分解，同时将主要基频率50Hz作为第6个尺度频段中心，将频谱能量集中在了能量分布图的中心，以提高提取信号特征的精确度。
利用如下Matlab代码实现：
[c,l]=wavedec(s1,9,'db5'); %一维小波分解
cA9=appcoef(c,l,'db5',9); %从s1中提取尺度9下的近似小波系数
cD1=detcoef(c,l,1);cD2=detcoef(c,l,2)…cD8=detcoef(c,l,8);cD9=detcoef(c,l,9); %从信号s1中提取尺度1-9层下的细节小波系数
E1=norm(cD1,2)*norm(cD1,2)…E9=norm(cD9,2)*norm(cD9,2);%求各层范数平方即能量
对7种采样信号进行9层小波分解后，各小波层上的能量分布情况如图4所示。七种电能质量信号
s1-s7分别对应正常信号、电压中断、电压暂降、电压暂升、谐波、振荡暂态和闪变。由图可见，不同类型的信号其能量在各个频段上的分布是不同的。
另外，依靠常规的特征分类方法，在这里继续抽取几组典型的电能质量信号参数以完成最终特征量的确定。
4 仿真分析
利用Matlab仿真软件产生1260个电能质量模拟信号，作为训练和测试PNN网络的样本。其中，训练样本700个，测试样本560个，扰动模型中的信号幅值都取为l。为了分析比较分类器在不同背景噪声强度下的性能，检验方法的鲁棒性，辨识系统包括了信噪比为60、50、40、30dB 4种情况下的分类结果，信号中加入的噪声为高斯白噪声。
5 结论
本文提出了利用小波变换提取多类信号特征并结合PNN神经网络来识别电能质量扰动信号类型的方法，通过对信号模型产生7种电能质量扰动信号对神经网络进行训练并产生测试信号对该方法进行测试，测试结果表明，即使在较强的噪声背景下，该方法仍具有很强的信号分类能力。扩大训练样本并采用现场实际样本，进行神经网络的训练可以进一步增强辨识网络对电能质量扰动信号识别的能力。
参考文献
[1]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.
[2]徐永海，肖湘宁，杨以涵．基于dq变换和ANN的电能质量扰动辨识[J]．电力系统自动化．第25卷第14期．2001年7月.
[3]李庚银, 王洪磊, 周明. 基于改进小波能熵和支持向量机的短时电能质量扰动识别[J]. 电工技术学报, 2009, 24(4): 161-167.
[4]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.
这篇关于基于小波和RBF-PNN神经网络的电能扰动辨识的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
