人工智能和数学变换用于电能质量的研究综述

1.2.3 扰动的分类
文献[28]是最早以文章的形式发表的运用小波理论对扰动进行分类的文章。该文运用一非正交的二次样条小波将暂态波形进行小波变换，提取变换后的特征信号，然后运用贝叶斯分类器来识别各种暂态。但此方法的实现过程却太过繁琐。文献[29-30]考虑用最大似然法来进行扰动的分类。文献[29]首先设计了一个滤波器把扰动分量从基频分量中提取出来，之后用Battle-Lemarie样条小波函数对扰动分量进行小波变换，将得到的小波系数进行特征提取后，用最大似然准则得到最终决策。该方法不但可以区分各种电压扰动且能指出扰动的原因。文献[30]使用基于小波的隐Markov模型的参数最优化估计方法，正确率可达到95.5%。文献[31]进一步改进了文献[30]，提出在时域内基于规则，而在频域内基于隐Markov模型的扰动分类方法。文献[32]则利用扰动信号在不同尺度下的能量分布的不同，建造了一条基于多分辨率的扰动偏差曲线，根据不同扰动在此曲线上呈现出的差别，此方法不但能有效地检测各种扰动，还能对扰动原因进行判断。文献[33]提出在时域而非频域内确定扰动的起始时刻和持续时间，用一基于Vetterli-Herley-Sweldens定理的Lifting方法构成的双正交复小波，在小波域内一个特定尺度下确定幅度，之后用二进数特征量表示不同扰动，进行分类。该文对五种暂态扰动进行分类，结果正确。
但是，由于电能质量扰动涉及的特征量太多，使得分类判据复杂易错，因此直接提取小波变换后的特征量进行扰动分类的研究并不是太多。大量的电力工作者转为研究用人工智能的方法对扰动进行分类。

2 人工智能的应用
近年来，人工智能技术发展迅速，分支众多，除了人工神经网络、模糊逻辑、专家系统和遗传算法等技术，也有人研究将不同特性的智能技术结合起来进行应用，如：模糊神经网络、小波神经网络、模糊专家系统、自适应模糊逻辑等，以期对电力系统的运行、监试、预测、控制和规划发挥更大的作用。
2.1 扰动的分类
早期的利用ANN对扰动进行分类的方法直接用DFT提取信号中的不同谐波次数，并且把若干次谐波次数归为一类扰动的特征量(3次、6次和9次谐波作为一种，5次和7次谐波作为一种，11次和13次谐波作为一种)输入不同的神经网络^[34]进行分类。由于受DFT的限制，这种方法的有效性受到限制，但这种思路却一直延续至今。1996年，S.Santoso在文献[35]中将双正交小波用于检测、定位和识别不同原因的电能质量扰动问题。作者认为可以根据在各尺度下小波系数平方值体现出的特征，用ANN等软计算方法对电能质量的扰动进行自动识别。该文献对将小波变换应用于电能质量的评估做了探索性的研究和有益的尝试，但并未讨论由于输入数据的误差所带来的分类器判断错误的问题。同年，文献[36]采用非正交样条小波重又对电容器投切暂态进行分析，该文作者对文献[28]中未讨论的具体实现细节进行了大量的工作。首先利用滤波器组给出了一个可用任何小波进行变换的数字设备，然后利用与文献[35]相同的思路对暂态信号进行特征的提取。在S.Santoso思想的启发下，F.Mo ^[37]提出可以利用ANN技术实现智能暂态录波仪，以克服传统录波仪必须人工分析波形、阈值严格以及无法提供实时信息等缺点。但该文并未提供任何具体的实现步骤。B.Perunicic^[38]也提出一种集数字滤波、小波变换和ANN为一体的电能质量检测和分类的新方法。总体思路如图2所示。该文对噪声、次谐波畸变、周期性电压波动、电压凹陷、直流偏移以及振荡等10种电能质量扰动问题进行检测与分类，得到良好的效果。同时，该文对小波母函数的选择、采样率和采样周期、监测器位置和性能等细节问题进行了全面地讨论。