基于QPSO-WNN的暂态电能质量扰动分类研究

随着我国电力系统的发展,电压等级和自动化水平的日益提高,电网结构和调控手段越来越复杂,电力用户对电能质量的要求越来越严格。电能质量作为衡量电力系统优劣的一个重要标准,愈来愈受到各个领域的关注,因此大力改善电能质量已成为众多学科研究的课题。而对电能质量扰动的检测、定位和分类则是提高电能质量的必须环节和重要前提。本文主要对暂态电能质量扰动的检测和分类问题进行了研究,提出一种基于量子粒子群优化的小波神经网络暂态电能质量扰动分类方法。本文首先利用小波变换多分辨特点,对扰动信号进行了多层分解,然后将信号分解于不同频带,对每个分解层设置不同的阈值,采用小波变换自适应对暂态电能质量扰动信号去噪；根据小波变换模极大值法对扰动信号的奇异点进行检测和定位,最后,提取小波变换系数与参考信号能量,将两者差值作为小波神经网络的输入特征向量,进行网络训练,从而实现对几种常见暂态电能质量扰动的分类。小波神经网络是小波变换和神经网络的结合,拥有两者的优点,通常多应用于识别分类问题,但因网络训练时间较长,且易陷入局部最优,为了使上述算法得到改善,本文提出了一种量子粒子群算法,该算法无需计算粒子速度函数,只需更新粒子位置,参数设置较少,便于计算。经实例验证,取得了良好的计算结果。基于QPSO-WNN的分类方法和小波神经网络相比较,训练误差较小,能够对常见的暂态电能质量扰动现象进行较为准确的分类,经Matlab软件仿真,成功实现暂态电能质量扰动的检测和分类,从而证实了本文所提出的方法的正确性和有效性。