基于多目标优化波形匹配的电能质量事件自动辨识关键技术研究

针对目前电力系统各类电能质量事件在准确辨识上存在的困难，本项目提出基于多目标优化波形匹配的一种新的事件特征矢量提取方法，研究建立能表征或匹配各类电能质量事件波形的基本函数波形库；建立能表征各类事件的可区分度、波形相似程度及特征矢量维度的多目标函数；研究基于多目标优化下波形匹配的各类电能质量事件特征矢量的最佳表达方式；揭示各类电能质量事件与其特征矢量之间的映射关系；研究具有较强鲁棒性、兼容性及在线自我学习能力的模式识别系统，提高在有强背景噪声和强谐波干扰情况下电能质量事件自动辨识的准确率。项目以理论分析为基础，通过算法研究、装置设计与试验研究相结合，研究出具有先进理论和实用价值的电能质量事件辨识方法和技术。其目的是找出引起电能质量问题的原因和来源，并提出针对性的抑制措施，达到改善电能质量的目的。因此，项目的研究具有重要的理论和实际意义。

本研究项目的成果主要包括三个方面：（1）电能质量扰动分类技术；（2）电能质量扰动参数计算技术；（3）电能质量数据压缩技术。.方面一：研究了小波变换，S变换，各类混合方法在特征提取上的应用等，即使在强噪声环境中也能有效的提取不同扰动的典型特征值。分类器方面，研究了神经网络，支持向量机，模糊逻辑，决策树等，成功建立了高效、高分类准确率、实时电能质量扰动分类器。最后研究出了基于多目标优化波形匹配的电能质量事件自动识别技术，取得了良好的效果。.方面二：研究出了基于傅氏系数自适应组合估计算法的谐波功率实时高精度计算。在稳态谐波与动态谐波参数计算的精度方面取得了进步。.方面三：研究出了基于JPEG2000的非参数化电能质量数据压缩，与基于加窗插值傅里叶变换的参数化电能质量数据压缩。较之传统的电能质量数据压缩方法，本研究的两种方法在压缩率，抗噪性，精度与实用性上均取得了良好的进步。