近年来，随着各种电力电子器件的广泛使用以及非线性、冲击性、波动性负荷的不断增加，电力系统中各种电能质量扰动事件对工业生产和居民生活造成了严重影响。由于不同类型的电能质量事件对不同用户的影响程度是不相同的，精确监测电力系统波形中各种类型电能质量事件的特征参数并进行准确的类型识别显得尤为重要。同时，在未来开放的电力市场环境中，精确的电能质量信息可以为电价的确定提供依据，减少用户与电力企业之间的纠纷。

电能扰动波形的特征参数测量是电能质量事件类型识别的重要环节。傅里叶变换 (Fouriertransform，FT)的测量精度受到频谱泄漏和栅栏效应的影响，不适合非平稳的电能扰动信号分析。 S 变换[4-5]结果只包含若干个特定频率分量(由时间窗决定)在不同时刻的幅值信息，无法精确测量基波频率波动以及间谐波的特征参数。复连续小波变换(continuous wavelet transform， CWT)的电能扰动事件监测方法， 由于其中心频率相近的小波函数频域窗口存在重叠，影响了谐波或间谐波分量特征参数的测量，不利于多重电能质量事件类型的准确判别。希尔伯特–黄变换(Hilbert-Huang transform，HHT)经验模态分解不彻底会出现虚假分量；其动态特性和频率分辨率的关系也值得进一步研究。

关于各种类型电能质量事件的分类识别，应用和研究中的方法有人工神经网络(artificial neuralnetwork ， ANN) 、 支 持 向 量 机 (support vectormachine， SVM)、专家系统(expert system， ES)等。基于常规 ANN 的分类器训练速度较慢，准确性也有待提高； 而基于 SVM 的分类器计算量较大，以上 2 种方法均难以实现对同时存在的多重电能质量事件的分类与识别。而随着电能质量事件种类的增加， ES容易产生组合爆炸问题。

近年来，电能质量扰动检测是电力工程界的热点和难点问题。由于扰动信号大多属于非线性信号，一些新的非线性信号分析方法被引入电能质量扰动检测领域。如小波变换、S 变换、改进 S变换、数学形态学、分形理论、时频原子算法 、 原 子 分 解 算 法和 希 尔 伯 特 黄 变 换(Hilbert-Huang transform，HHT)等方法。这些非线性分析方法虽在电能质量扰动检测领域取得了较好的检测结果，但也各自存在一些问题。如小波变换的检测效果不仅受 Heisenberg 测不准原理制约，而且检测的效果取决于基函数的选择和分解尺度，无法保证最优的分解效果；S 变换根据 S 矩阵的幅值矩阵很难考察扰动信号频率随时间的分布，检测暂态扰动信号时效果也不太理想；改进 S 变换中如何选取高斯窗调节因子缺乏理论依据；用多刻度形态学中的形态谱可表征电能质量中的各种扰动，但各刻度下形态谱的大小受结构函数幅值和形状、采样频率的影响很大；分形理论应用于电能质量扰动检测处于起步阶段， 文献利用小波变换和分形指数提取动态电能质量的扰动特征量，但小波与分形之间的定量关系在进一步地研究中；时频原子算法无法精确地检测出小于 2 个周波的瞬时电压暂降(暂升)的特征参数；原子分解算法对如何构造波动和闪变的电能质量扰动相关原子库还需要进一步研究；HHT 首先用经验模态分解(empirical mode decomposition， EMD)将复杂信号分解为若干固有模态函数(intrinsic mode function，IMF) 分 量 之 和 ， 然 后 用 希 尔 伯 特 变 换 (Hilberttransform，HT)求取每个 IMF 的频率和幅值，根据频率突变点定位扰动时刻，该方法有很好的自适应，克服了小波变换、S 变换等传统时频分析方法的局限性。但 HHT 存在一些理论问题，如端点效应、IMF 判据、没有快速算法和过包络等问题。另外， 因受 Bedrosian 和 Nuttall 理论的限制， 通过 HT获取的幅值在端部明显失真。这些理论问题的存在导致应用 HHT 分析电能质量扰动时不仅在端点处的分析效果较差，而且瞬时幅值函数波动较严重。

2005 年，Smith 等人提出了局部均值分解算法(local mean decomposition，LMD)，LMD 可将复杂信号分解为乘积函数(product function，PF)之和。每个 PF 由包络函数和纯调频函数之积组成，包络函数是 PF 的瞬时幅值，纯调频函数的频率即为 PF的瞬时频率。LMD 和 HHT 类似，也是根据信号固有特征尺度分解复杂信号， 但 LMD 获取 PF 分量的迭代过程采用除法运算，而 EMD 获取 IMF 的迭代过程采用减法，较之 EMD 获取一个 IMF 分量的迭代次数，LMD 获取一个 PF 分量的迭代次数明显较少，而迭代次数越少，端点效应污染数据序列的程度就越轻，幅值与频率检测结果较为准确。

HHT 中采用 HT 获取 IMF 分量的幅值， 由于 HT 的边缘效应，在端点处的幅值和频率信息会出现部分失真。而 LMD 中将包络估计函数相乘得到幅值信息，端部失真较小。最初 LMD 用于脑电信号分析，程军圣等人将其应用于机械故障诊断，杨世锡将其应用于信号瞬时频率的提取，最近唐巍[16]将 LMD 应用于电力系统低频振荡分析，但将LMD 用于分析含有高频暂态、脉冲等电能质量扰动信号的研究工作还未见报道。

为准确监测电能扰动波形中基波分量的特征参数同时保证良好的动态特性， 设置 TFA 的中心频率为 50 Hz，调整尺度参数使频率窗口半径为 13 Hz。TFA 在时域上逐采样间隔滑动等效于(50± 13) Hz 的带通滤波过程， 根据式(4)—(7)可以得到基波分量在每个采样时刻的特征参数。类似地，将 TFA 的中心频率分别设置为 1、 3 Hz、直至采样频率的 1/2(在实际应用中可以根据需要灵活调整范围)， 调整尺度参数使频率窗口半径为 1 Hz，应用时频原子变换可以得到谐波和间谐波分量在每个采样时刻的特征参数。

TFT 不仅适用于单相电压、电流波形的监测，也能应用于对称分量(序分量)情况，具有很好的适应能力和很高的测量精度，适合于电能扰动在线监测。

1 单一电能质量事件的监测

电压暂降、暂升、中断的监测

信号的采样频率为 1 kHz(本文信号中的噪声、采样频率均如此设置)。分别采用全周 FT 算法、基于 Morlet复小波的 CWT(中心频率设置为 50 Hz)和 TFT 方法(TFA 的中心频率为 50 Hz，频域窗口半径为 13 Hz)测量波形中基波分量的瞬时幅值并比较其动态特性。

基于 TFT 的电压暂降监测结果可见：对于单一电压暂降事件，上述 3 种方法都可准确检测出暂降事件开始和结束的时刻；暂降的幅值和暂降过程中的频率与实际情况相吻合；TFT 的动态响应速度也要优于连续小波变换方法。类似地， TFT 可对单一电压暂升和电压中断 2 种电能质量事件进行有效监测。

TFT 的动态特性为 2 个周波，因此 TFT 无法精确检测 0.5~2 个周波的瞬时电压暂降(暂升)、电压中断的幅值。实验证明，当电压暂降(暂升)的持续时间小于 2 个周波时，基于 TFT 的测量结果会比实际值略大(小)，误差约为 10%，因此本文采用 TFT 和半波 FT 算法相结合的方法，当TFT 检测到电压暂降(升)、电压中断的持续时间小于 2 个周波时，依据 TFT 测量的频率来设置半波FT 算法的参数实现其同步采样，该软件自动启动半波 FT 算法检测电压的幅值，并将其作为 TFT 的修正值，用于上述瞬时电压暂降(升)、电压中断的特征提取。

频率偏移的监测

用仿真软件中生成频率为 50.5 Hz，幅值为 1 pu的频率偏移扰动波形，即 s(t) = sin(2 × 50.5πt) + n(t)，t = 0~0.6 s。利用 TFT 得到的频率可看出，测量结果与实际情况完全相符， 说明 TFT 可以在非同步采样条件下准确监测电能扰动波形中的基波频率偏移，基波幅值测量精度不受频率偏移的影响。

电压波动的监测

用仿真软件生成电压波动的扰动波形，基波频率为 50 Hz，幅值为 1 pu 且波动频率为 4 Hz，电压波动值为 0.32 pu，即 s = sin(2 × 50πt)(1+ 0.16sin(2 ×4πt))+n(t)。

2 多重电能质量事件的监测

电能扰动波形中往往同时存在多种电能质量事件，需要对每一个电能质量事件进行精确监测和准确识别。0~0.6 s 期间电能扰动波形中存在频率偏移、 3次谐波和间谐波 3 种电能质量事件； 0.2~0.4 s 期间另有电压暂升。

采用 TFT 逐采样间隔监测依次测量基波和谐波、间谐波分量的参数，如图 5、 6 所示。 TFT 不受基波频率波动的影响和各信号分量相互之间的干扰，能够准确检测出基波分量的 2 种电能质量事件(电压暂升和频率偏移)并精确测量出基波分量的幅值和频率，且动态响应速度也优于复连续小波变换方法。而全周 FT 算法受频率偏移和谐波、间谐波分量的影响，幅值和频率测量误差较大。同时TFT 能够在多种电能质量事件同时存在的情况下准确地检测出扰动波形中的谐波和间谐波，且幅值和频率的监测精度远优于复连续小波变换方法。

利用 TFT 提取基波幅值标么值 U1、基波频率标么值 f、谐波畸变率 THD1、间谐波畸变率THD2、基波幅值波动值的百分数 d(以下简称为波动值)，将其组成一个 5 维向量，用于上述 7 种电能扰动现象的类型识别。考虑到对每个检测数据进行识别计算量太大，故对各扰动分量的幅值和频率值从初始时刻对应的数据开始每隔 0.1 s 求一次平均。其 中 波 动 值 d = (Umax − Umin) /UN × 100% ， UN 与Umax、 Umin 分别为电压额定值和 0.1 s 时间窗口内基波幅值的最大值、最小值， pu。从电能扰动波形中提取的特征参数构成的 5 维模式特征向量可以为单一或同时存在的多重电能质量事件的模式识别提供准确、可靠的模式信息。

自 组 织 映 射 网 络 (self-organizing map ，SOM)模拟大脑神经系统自组织映射的功能，是一种能无监督地进行自组织学习的人工神经网络。 SOM 能够将高维模式特征包含的复杂非线性关系转换成 2 维平面上的简单几何关系，并将输入的相似模式特征汇聚在输出层特定区域进行直观表达。不同于常规 SOM， ISOM 是有监督学习的人工神经网络，即学习过程中训练样本所属类别是已知的；输出层平面被划分为互不重叠的多个区域，分别对应于训练样本中的不同模式特征。训练完成后，输入测试样本，可根据其在输出层中最佳匹配点(best match unit， BMU)所属区域确定测试样本的模式类别。与常规 SOM 相比， ISOM 能够提高模式分类的准确性。

将 ISOM 作为分类器实现电能质量事件的分类识别。首先，采用时频原子变换方法提取的典型电能质量事件的模式特征作为训练样本来训练ISOM，使其输出层的不同区域对应于不同的模式特征；进一步，采用测试样本对训练好的 ISOM 进行测试；最后，将其作为分类器识别电能扰动波形单一或同时存在的多个电能质量事件，并在输出层直观表达这些电能质量事件各自的发生、变化和结束过程，实现电能质量事件的直观表达和准确分类/识别。