隨著電網的持續發展，各種非線性、沖擊性負荷和電力電子設備的不斷增加，電能質量問題日趨嚴重，已成為世界各國高度關注的問題。對電能質量擾動（Power Quality Disturbances, PQD）信號進行準確檢測和有效辨識是電能質量問題實行評估、預測、診斷、維護和管理的重要依據，是改善和提高電能質量的前提與關鍵。

目前，電能質量擾動信號的檢測和識別方法較多，但大多包含對擾動信號進行特征向量提取和依據特征向量對擾動信號進行辨識兩大步驟。

擾動信號特征向量提取方法主要包括快速傅里葉變換（Fast Fourier Transform, FFT）及其改進算法、短時傅里葉變換（Short Time Fourier Transform, STFT）、小波變換（Wavelet Transform, WT）、希爾伯特黃變換（Hilbert-Huang Transform, HHT）、S變換等。

FFT因具有正交、完備等諸多優點而在電能質量檢測領域被廣泛應用，但FFT在信號分析中面臨時域和頻域局部化矛盾，因而只適合平穩信號分析，無法滿足對具有暫態、突變等非平穩特性的電能質量擾動信號的分析要求。

STFT雖然在一定程度上克服了FFT及其改進算法不能進行局部分析的缺陷，但其窗函數長度固定，使得同一信號采用不同窗函數的STFT分析結果相差甚遠。WT具備時頻分析能力且適合具有突變特性的非平穩信號分析，但其易受噪聲影響，且存在計算量較大、母函數選擇困難等問題。

HHT是非平穩信號分析的另一常用方法，該方法對信號的奇異點較為敏感，在分析暫態電能質量問題時有較好的動態性能，但其同樣存在抗噪性能差、高次樣條插值耗時長等問題。S變換作為WT和STFT的結合，不僅具備良好的時頻分析能力，且變換結果與其傅里葉變換直接相關，無需滿足小波容許條件，非常適合電能質量擾動信號特征的提取，但其計算量大，限制了其在嵌入式系統中的應用。

電能質量擾動信號特征向量分類識別方法主要有模糊邏輯（Fuzzy Logic, FL）、決策樹（Decision Tree, DT）、支持向量機（Support Vector Machine, SVM）、人工神經網絡（Artificial Neural Network, ANN）等。FL和DT可統一歸類為規則判別方法，這兩種方法均具有原理簡單、易于理解等優點，但隨著擾動信號類型的增多，系統的容錯能力和復雜度會極大地限制其分類能力。

SVM雖然算法簡單，但當樣本數量增加且樣本間存在相互混疊時，會導致支持向量數目增加、訓練難度增大等問題。ANN在理論上可以對任意連續函數進行學習和逼近，具有大規模并行處理、分布式存儲和處理、自學習和自適應能力強等優點，特別是其中結構簡單的學習向量量化（Learning Vector Quantization, LVQ）神經網絡，僅需計算輸入向量和競爭層之間的距離就可完成分類處理和類型識別，已被廣泛地應用于故障診斷、模式識別和圖像處理等領域。

為實現電能質量擾動的準確分類識別及其在嵌入式系統中的應用，本文提出一種基于雙分辨率S變換（Double Resolution S Transform, DRST）和LVQ神經網絡的電能質量擾動信號檢測新方法。DRST通過可變時頻帶寬積實現對電能質量擾動信號特征向量進行準確提取。

為便于嵌入式系統實現，本文在不影響特征提取準確度的前提下對DRST進行簡化，采用只計算關鍵頻率點，忽略其他無關頻率點的方式來減少算法運算量。而后通過LVQ神經網絡來對所提取的特征向量進行辨識。在訓練階段，所提取的特征向量被發送至PC對LVQ網絡進行訓練以得到網絡模型參數。訓練結束后，將得到的模型參數保存到下位機中。在分類階段，下位機利用經過訓練的模型參數構建LVQ神經網絡實現電能質量擾動信號的辨識。

本文在無噪聲、有噪聲以及基波頻率波動等條件下對算法進行仿真分析，并且與其他電能質量擾動識別算法進行對比，仿真與對比結果表明本文算法能夠準確、快速地對電能質量擾動信號進行分類識別。實際構建的硬件測試平臺驗證了本文算法的準確性和有效性。

圖8 硬件測試平臺

總結

本文提出了一種基于DRST和LVQ神經網絡的電能質量擾動檢測方法。算法首先通過可變時頻帶寬積的DRST實現電能質量擾動信號特征向量的準確提取。在不影響特征提取準確度的條件下，通過對DRST算法進行簡化并給出其快速算法的實現流程，極大地減少了算法的計算量和運行時間。此外，根據各擾動信號的類型特點，本文通過引入多個競爭層獲勝神經元模式實現LVQ神經網絡的優化，提高了分類的準確率。

仿真和實際測試結果表明，本文提出的電能質量擾動檢測方法進行電能質量擾動信號檢測的準確率高、速度快，非常適合電力系統擾動信號的嵌入式實時檢測。