1 概述

基于ML和DWT的电能质量扰动分类方法研究

近年来，随着可再生能源的并网以及非线性负载和固态开关器件的数量不断增加，导致了大量严重

的电能质量问题。同时，精密电子设备的广泛使用需要极高质量的电源。为合理有效地改善电能质量，电能质量扰动问题的准确分类也变得非常重要 [1]。目前电能质量扰动问题分类方法的过程主要包括特征提取和模式识别两个步骤 [1]。特征提取常用的信息处理技术有短时傅里叶变换 (STFT)[2]、经验模态分解 ( E M D )[3] 和 S 变换 [4] 等。这些方法拥有很好的扰动识别效果，但也存在一些固有的缺陷。其中短时傅里叶变换的使用缺少可变窗口，不利于分析非平稳信号 ；S 变换是小波变换和短时傅里叶变换的结合，但其难点在于如何确认窗函数的宽度[4] ；经验模态分解存在严重的模态混叠和端点效应问题。离散小波变换 (DWT) 可以优化分解频率子带内的信号并估计扰动幅度，是一种灵活的扰动识别方法 [5]。因此，将 DWT 算法应用于特征提取。

模式识别常采用的方法有人工神经网络 [6]、决策树 [7] 和专家系统 [8] 等。人工神经网络存在容易陷入局部最优、收敛性较差等缺点 ；决策树容易出现过拟合现象和局部最优问题 ；专家系统由于自身不具备学习能力，所有的知识和解决方案都是由领域内的专家提供，因此其容错能力差，易产生组合爆炸的问题。支持向量机 (SVM) 基于小样本统计学习理论和结构风险最小化原理，具有较好的泛化能力 [9]。

D W T 具有非常有效的算法和稀疏表示，尤其在处理非平稳信号方面，具有良好的时频特性，和傅

里叶变换不同，离散小波分析不是根据三角多项式而是通过母小波函数的扩张和平移特性生成 [10]。信号h(t) 的 DWT 表示为 ：

编辑

编辑

一、电能质量扰动概述

电能质量扰动是指电力系统中电压、电流或频率的异常变化，可能引起用电设备故障或运行异常。根据扰动特性，可分为稳态和暂态两类：

• 稳态扰动：以波形畸变为特征，包括谐波、电压偏差、三相不平衡、闪变等。例如，谐波由非线性负载引起，特征指标为频谱幅值；三相不平衡由负载不对称导致，特征指标为不平衡因子。
• 暂态扰动：短时突变事件，包括电压骤降、骤升、中断、脉冲瞬变等。例如，电压骤降（幅值下降10%-90%，持续0.5周波至1分钟）多由短路或大电机启动引发。

二、机器学习（ML）在电能质量分类中的应用

ML方法通过数据驱动模式识别，分为传统算法与深度学习两类：

2. 传统方法： 流程：信号处理（如DWT）提取特征→分类器（SVM、决策树等）分类。 案例：结合DWT与SVM，在20dB噪声下分类准确率达99.4%；基于DWT+H-ELM（分层极限学习机）的模型对16种扰动分类准确率超95%。
4. 深度学习方法： 模型创新：
6. TCN-LSTM：时域卷积网络（TCN）捕捉局部时序特征，LSTM提取长期依赖，抗噪性显著，对14类扰动分类准确率高。
8. CNN-Transformer：一维CNN提取局部特征，Transformer自注意力机制捕获全局依赖，在23种扰动中准确率优于CNN-LSTM。
10. BiLSTM-BiGRU：双向结构增强时序信息处理能力，适用于复杂扰动模式。
15. 

• 编辑 优势：端到端学习，减少人工特征设计；处理高维数据能力强。

三、离散小波变换（DWT）的关键作用

DWT通过多分辨率分析（MRA）将信号分解为不同频带，兼具时频局部化能力，适用于非平稳扰动信号处理：

• 分解流程： 选择母小波（如db4）进行多级分解，得到近似系数（低频）和细节系数（高频）。例如，五级分解可分离基波、谐波和瞬态成分。
• 特征提取： 从各子带中提取统计特征（如能量、熵、标准差）、时域参数（峰值、持续时间）或频域参数，构成分类输入。
• 优势： 精准定位扰动发生时刻与持续时间。 对噪声鲁棒，适合含噪环境下的特征提取。

四、ML与DWT结合的典型方法

2. 流程框架：
9. 
12. 编辑 信号采集 DWT分解 特征提取（能量、熵等） 特征选择（PSO优化等） ML模型训练（SVM/CNN/LSTM等） 分类与评估
14. 典型案例： DWT+SVM/ANN：
16. 文献[31]中，DWT提取三相电流特征，输入ANN/ELM分类器，故障检测准确率100%，分类准确率近100%。
18. 在逆变器开路故障检测中，DWT结合SVM、KNN等，分类准确率达100%。 DWT+深度学习：

• DWT预处理后，输入TCN-LSTM混合模型，抗噪性提升，14类扰动分类准确率优于传统方法。
• 文献[35]中，DWT用于电流降噪，结合Prophet时序特征与Informer模型，负荷预测精度显著提高。

五、性能指标与挑战

2. 关键指标： 准确率：多数研究在95%-99.4%之间。 抗噪性：TCN-LSTM在含白噪声信号中表现稳定；H-ELM在20dB噪声下准确率超95%。 实时性：轻量级模型（如H-ELM）适合在线分析，TCN因并行计算速度快于RNN。
4. 挑战与优化： 数据不平衡：采用数据增强（如噪声注入、时间拉伸）提升泛化能力。 特征冗余：PSO、遗传算法优化特征选择，减少计算量。 模型复杂度：轻量化设计（如MobileNet改造）平衡精度与速度。

六、未来研究方向

2. 多模态数据融合：结合电压、电流、温度等多源信号提升分类鲁棒性。
4. 自适应DWT：动态选择母小波与分解层数以适配不同扰动类型。
6. 边缘计算部署：开发嵌入式系统实现实时监测，如基于DSP或FPGA的硬件加速。
8. 迁移学习应用：利用预训练模型解决小样本场景下的分类问题。

结论

基于ML与DWT的电能质量扰动分类方法，通过DWT的时频特征提取与ML的模式识别优势，显著提升了分类准确率与抗噪性。未来需进一步优化模型效率、增强泛化能力，并推动其在智能电网中的实际应用。

📚2 运行结果

运行视频：

基于ML和DWT的电能质量扰动分类方法研究（Matlab实现）_哔哩哔哩_bilibili​

编辑

编辑

编辑

编辑

编辑 部分代码：

%% 暂态脉冲 %fn goes from 300 to 900

fn=500; amp= rand(1,1)*range([4 7])+min([4 7]); t1=0.151;  t2=0.150;  ty= (t1+t2)/2; t=[0 :0.0001:0.4]; k=rand(1,1)*range([1 1.5])+min([1 1.5]); y= k*(sin((2*pi*50)*t)+ amp*(heaviside(t-t2)-heaviside(t-t1)).*exp(-t/ty).*sin(2*pi*fn*t));

subplot(2,1,2); plot(t,y) title('Impulsive Transient'); xlabel ('Time (sec)'); ylabel ('Amplitude'); hold on Impulsive_transient=[t,y]';

%% 振荡瞬态 %fn goes from 300 to 900

fn=rand(1,1)*range([300 500])+min([300 500]); t=[0 :0.0001:0.4]; amp= 1; t1=0.255; t2=0.248;  ty= (t1+t2)/2; t=[0 :0.0001:0.4]; k=rand(1,1)*range([1 1.5])+min([1 1.5]); y= k*(sin((2*pi*50)*t)+ amp*(heaviside(t-t2)-heaviside(t-t1)).*exp(-t/ty).*sin((2*pi*fn)*t));

figure(4) subplot(2,1,1); plot(t,y) title('Oscillatory Transient'); xlabel ('Time (sec)'); ylabel ('Amplitude'); hold on Oscillatory_transient=[t,y]';

%% SAG+HARMONIC  t=[0 :0.0001:0.4]; alpha=rand(1,1)*range([0.1 0.8])+min([0.1 0.8]); alpha3=rand(1,1)*range([0.05 0.15])+min([0.05 0.15]); alpha5=rand(1,1)*range([0.05 0.15])+min([0.05 0.15]); alpha7=rand(1,1)*range([0.05 0.15])+min([0.05 0.15]); alpha1= sqrt(1- alpha3^2-alpha5^2-alpha7^2); k=rand(1,1)*range([1 1.5])+min([1 1.5]); y=k*((1-alpha*((heaviside(t-0.05)-heaviside(t-0.15)))).*(alpha1* sin(314*t)+ alpha3*sin(3*314*t)+ alpha5*sin(5*314*t)+ alpha7*sin(7*314*t)));

subplot(2,1,2); plot(t,y); title('Sag+Harmonics'); xlabel ('Time (sec)'); ylabel ('Amplitude'); hold on Sag_harmonic=[t,y]';

%% SWELL+HARMONIC t=[0 :0.0001:0.4]; alpha=rand(1,1)*range([0.1 0.8])+min([0.1 0.8]); alpha3=rand(1,1)*range([0.05 0.15])+min([0.05 0.15]); alpha5=rand(1,1)*range([0.05 0.15])+min([0.05 0.15]); alpha7=rand(1,1)*range([0.05 0.15])+min([0.05 0.15]); alpha1= sqrt(1-alpha3^2-alpha5^2-alpha7^2); k=rand(1,1)*range([1 1.5])+min([1 1.5]); y=k*((1+alpha*((heaviside(t-0.05)-heaviside(t-0.15)))).*(alpha1* sin(314*t)+ alpha3*sin(3*314*t)+ alpha5*sin(5*314*t)+ alpha7*sin(7*314*t)));

figure(5) subplot(2,1,1); plot(t,y) title('Swell+Harmonics'); xlabel ('Time (sec)'); ylabel ('Amplitude'); hold on Swell_harmonic=[t,y]';

%% FLICKER

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]李家俊,吴建军,陈武,钟建伟.基于DWT-PCA-LIBSVM的电能质量扰动分类方法[J].电工电气,2023(03):20-24.

[2]马嘉秀,徐玮浓,何复兴,邵诗韵,赵家乐,李宁.基于WT和SVM的电能质量分类识别方法[J].智慧电力,2019,47(03):16-22+37.

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删