看黄网站在线,看久久,国产一区二区三区18

電能質量擾動檢測與識別方法綜述

來源：電工電氣發布時間：2025-03-03 15:03 瀏覽次數：351

電能質量擾動檢測與識別方法綜述

葉鵬^1，2，宋弘³，吳浩^1，2，邱函^1，2

(1 四川輕化工大學自動化與信息工程學院，四川宜賓 644000；

2 人工智能四川省重點實驗室，四川宜賓 644000；

3 阿壩師范學院，四川阿壩 624000)

摘要：隨著新能源發電設施的快速發展，電能質量擾動(PQDs)問題愈發嚴峻，對其高效檢測與準確識別提出了更高要求。梳理了 PQDs 研究中包括信號特征檢測精度不足、特征選擇冗余及擾動類型識別能力有限等關鍵問題，對國內外相關研究成果進行歸納總結，詳細闡述了電能質量擾動檢測與識別方法的最新研究進展；探討了基于先進信號處理技術的特征檢測方法和智能算法的特征提取策略，以及依托深度學習模型的分類識別技術，分析了各類方法的優勢與不足。指出在電能質量擾動檢測與識別方面存在的問題，并對未來發展趨勢進行了展望。

關鍵詞： 電能質量擾動；擾動檢測；擾動信號；特征選擇；擾動識別；深度學習模型

中圖分類號：TM712 文獻標識碼：A 文章編號：1007-3175(2025)02-0001-09

A Review of Detection and Classification Methods for

Power Quality Disturbances

YE Peng^{1, 2}, SONG Hong³, WU Hao^{1, 2}, QIU Han^{1, 2}

（1 School of Automation and Information Engineering, Sichuan University of Science and Engineering, Yibin 644000, China;

2 Key Laboratory of Artificial Intelligence in Sichuan Province, Yibin 644000, China;

3 Aba Teachers College, Aba 624000, China）

Abstract: With the rapid development of renewable energy generation facilities, the issue of power quality disturbances (PQDs) has become increasingly severe, raising higher demands for efficient detection and accurate identification. This paper first identifies key issues in PQDs research, including inadequate detection accuracy of signal characteristics, redundancy in feature selection, and limited capability in identifying types of disturbances. It summarizes relevant research findings from both domestic and international sources and elaborates on the latest advancements in detection and identification methods for power quality disturbances. Next, it focuses on feature detection methods based on advanced signal processing techniques, feature extraction strategies using intelligent algorithms, and classification and recognition techniques relying on deep learning models, offering a comprehensive analysis of the strengths and weaknesses of various approaches. Finally,the problems in power quality disturbance detection and identification are pointed out, and the future development trend is outlooked.

Key words: power quality disturbance; disturbance detection; disturbance signal; featur selection; disturbance identification; deep learning model

參考文獻

[1] 齊霽. 淺析能源轉型助力實現“雙碳”目標[J]. 環渤海經濟瞭望，2024(2) ：36-40.

[2] 吳榆俊，鐘森. 風光儲微電網容量配置優化綜述[ J ] .電氣技術與經濟，2022(4) ：23-25.

[3] STET D, CZUMBIL L, MICU D D, et al.Power factor correction using EMTP-RV for engineering education[C]//2019 54th International Universities Power Engineering Conference(UPEC)， 2019 ：1-5.

[4] SHAO H, HENRIQUES R, MORAIS H, et al.Power quality monitoring in electric grid integrating offshore wind energy: A review[J].Renewable and Sustainable Energy Reviews，2024，191 ：114094.

[5] 王燕. 電能質量擾動檢測的研究綜述[J]. 電力系統保護與控制，2021，49(13) ：174-186.

[6] OLIVEIRA R A, BOLLEN M H J.Deep learning for power quality[J].Electric Power Systems Research，2023，214 ：108887.

[7] RAY P K, MOHANTY S R, KISHOR N.Classification of power quality disturbances due to environmental characteristics in distributed generationsystem[J].IEEE Transactions on Sustainable Energy，2012，4(2) ：302-313.

[8] ROBERTSON D C, CAMPS O I, MAYER J S, et al.Wavelets and electromagnetic power system transients[J].IEEE Transactions on Power Delivery，1996，11(2) ：1050-1058.

[9] WRIGHT P S.Short-Time Fourier Transforms and Wigner-Ville Distributions Applied to the Calibration of Power Frequency Harmonic Analyzers[J].IEEE Transactions on Instrumentation and Measurement，1999，48(2) ：475-478.

[10] GU Y H, BOLLEN M H J.Time-frequency and timescale domain analysis of voltage disturbances[J].IEEE Transactions on Power Delivery，2000，15(4) ：1279-1284.

[11] SEVGI L.Numerical Fourier Transforms: DFT and FFT[J].IEEE Antennas and Propagation Magazine，2007，49(3) ：238-243.

[12] LAI L L, CHAN W L, TSE C T, et al.Real-time frequency and harmonic evaluation using artificial neural networks[J].IEEE Transactions on Power Delivery，1999，14(1) ：52-59.

[13] 張明銳，孫佳秀，周霖. 基于小波變換和 FFT 的電能質量擾動分類[J]. 機電一體化，2010，16(12) ：29-34.

[14] KARIMI M, MOKHTARI H, IRAVANI M R.Wavelet based on-line disturbance detection for power quality applications[J].IEEE Transactions on Power Delivery，2000，15(4) ：1212-1220.

[15] HE H , SHEN X , STARZYK J A . Power quality disturbances analysis based on EDMRA method[J].International Journal of Electrical Power & Energy Systems， 2009，31(6) ：258-268.

[16] THIRUMALA K, PAL S, JAIN T, et al.A classification method for multiple power quality disturbances using EWT based adaptive filtering and multiclass SVM[J].Neurocomputing， 2019， 334 ：265-274.

[17] LEE I W, DASH P K.S-transform-based intelligent system for classification of power quality disturbance signals[J].IEEE Transactions on Industrial Electronics， 2003， 50(4) ：800-805.

[18] CHILUKURI M V , DASH P K . Multiresolution S-transform-based fuzzy recognition system for power quality events[J].IEEE Transactions on Power Delivery， 2004， 19(1) ：323-330.

[19] 朱勇，陶用偉，李澤群. 基于 S 變換與特征優選的電能質量擾動識別[J]. 電工技術，2023(21) ：97-100.

[20] BISWAL B, BISWAL M, MISHRA S, et al.Automatic classification of power quality events using balanced neural tree[J].IEEE Transactions on Industrial Electronics，2013，61(1) ：521-530.

[21] JAYASREE T, DEVARAJ D, SUKANESH R.Power quality disturbance classification using Hilbert transform and RBF networks[J].Neurocomputing，2010，73(7/9) ：1451-1456.

[22] 蘭名揚，劉宇龍，金濤，等. 基于可視化軌跡圓和 ResNet18 的復合電能質量擾動類型識別[J] . 中國電機工程學報，2022，42(17) ：6274-6285.

[23] 徐佳雄，張明，王陽，等. 基于改進 Hilbert-Huang 變換的電能質量擾動定位與分類[J] . 現代電力，2021，38(4) ：362-369.

[24] 張小東. 基于自適應卡爾曼濾波算法在電能質量檢測中的應用[D]. 長沙：長沙理工大學，2019.

[25] BOLLEN M H J, GU I Y H.Signal processing of power quality disturbances[M].New York ：John Wiley & Sons， 2006.

[26] 陳子璇，席燕輝，沈銀. 基于卡爾曼濾波和深度置信網絡的復合電能質量擾動分類[J]. 電力系統保護與控制，2022，50(7) ：81-90.

[27] REDDY J B V, DASH P K, SAMANTARAY R, et al.Fast tracking of power quality disturbance signals using an optimized unscented filter[J].IEEE Transactions on Instrumentation and Measurement，2009，58(12) ：3943-3952.

[28] HUANG S J, HUANG C L, HSIEH C T.Application of Gabor transform technique to supervise power system transient harmonics[J].IEE Proceedings-Generation， Transmission and Distribution，1996，143(5) ：461-466.

[29] KAWADY T A, ELKALASHY N I, IBRAHIM A E, et al.Arcing fault identification using combined Gabor transform-neural network for transmission lines[J].International Journal of Electrical Power & Energy Systems，2014，61 ：248-258.

[30] CHO S H, JANG G, KWON S H.Time-frequency analysis of power-quality disturbances via the Gabor-Wigner transform[J].IEEE Transactions on Power Delivery，2010，25(1) ：494-499.

[31] 商立群，李朝彪，鄧力文，等. 基于 ISSA-XGBoost 的電能質量擾動識別方法研究[J] . 電力系統保護與控制，2024，52(13) ：115-124.

[32] 李天云，陳昌雷，周博，等. 奇異值分解和最小二乘支持向量機在電能質量擾動識別中的應用[J]. 中國電機工程學報，2008，28(34) ：124-128.

[33] 瞿合祚，劉恒，李曉明，等. 一種電能質量多擾動分類中特征組合優化方法[J] . 電力自動化設備，2017，37(3) ：146-152.

[34] AHILA R, SADASIVAM V, MANIMALA K.An integrated PSO for parameter determination and feature selection of ELM and its application inclassification of power system disturbances[J].Applied Soft Computing，2015，32 ：23-37.

[35] BISWAL B, DASH P K, MISHRA S.A hybrid ant colony optimization technique for power signal pattern classification[J].Expert Systems with Applications，2011，38(5) ：6368-6375.

[36] 阮梓航，肖先勇，胡文曦，等. 基于多粒度特征選擇和模型融合的復合電能質量擾動分類特征優化[J]. 電力系統保護與控制，2022，50(14) ：1-10.

[37] HUANG N, LU G, CAI G, et al.Feature selection of power quality disturbance signals with an entropy-importance-based random forest[J].Entropy，2016，18(2) ：44.

[38] CAMARILLO-PE~NARANDA J R , RAMOS G . Fault classification and voltage sag parameters computation using voltage ellipses[C]//IEEE 2018 IEEE/IAS 54th Industrial and Commercial Power Systems Technical Conference(I&CPS)，2018 ：1-6.

[39] LUO Y, LI K, LI Y, et al.Three-layer Bayesian network for classification of complex power quality disturbances[J].IEEE Transactions on Industrial Informatics，2017，14(9) ：3997-4006.

[40] 聶曉華. 一種基于卡爾曼濾波的電能質量擾動檢測新方法[J] . 中國電機工程學報，2017，37(22) ：6649-6658.

[41] DENG L, YU D.Deep learning: Methods and applications[J].Foundations and Trends® in Signal Processing，2013，7(3/4) ：197-387.

[42] WANG X.Deep learning in object recognition，detection， and segmentation[J].Foundations and Trends® in Signal Processing，2016，8(4)：217-382.

[43] 龔正，鄒陽，金濤，等. 基于特征融合并行優化模型的電能質量擾動分類方法[J] . 中國電機工程學報，2023，43(3) ：1017-1027.

[44] 鄭煒，林瑞全，王俊，等. 基于 GAF 與卷積神經網絡的電能質量擾動分類[J] . 電力系統保護與控制，2021，49(11) ：97-104.

[45] 瞿合祚，李曉明，陳陳，等. 基于卷積神經網絡的電能質量擾動分類[J] . 武漢大學學報(工學版)，2018，51(6) ：534-539.

[46] 陳偉，何家歡，裴喜平. 基于相空間重構和卷積神經網絡的電能質量擾動分類[J] . 電力系統保護與控制，2018，46(14) ：87-93.

[47] 賀才郡，李開成，董宇飛，等. 基于知識蒸餾與 RP-MobileNetV3 的電能質量復合擾動識別[J]. 電力系統保護與控制，2023，51(14) ：75-84.

[48] 張立鵬，鄭巖，秦剛，等. 一種實時電能質量擾動識別分類方法[J]. 河北工業科技，2019，36(1) ：50-54.

[49] 錢倍奇，陳謙，李宗源，等. 基于馬爾可夫轉換場與多頭注意力機制的電能質量擾動分類方法[J]. 電網技術，2024，48(2) ：721-729.

[50] 張逸，歐杰宇，金濤，等. 基于特征圖像組合與改進 ResNet-18 的電能質量擾動識別方法[J]. 中國電機工程學報，2024，44(7) ：2531-2544.

[51] 王維博，張斌，曾文入，等. 基于特征融合一維卷積神經網絡的電能質量擾動分類[J]. 電力系統保護與控制，2020，48(6) ：53-60.

[52] 王偉，李開成，許立武，等. 基于一維卷積神經網絡多任務學習的電能質量擾動識別方法[J] . 電測與儀表，2022，59(3) ：18-25.

[53] 王繼東，張迪. 基于側輸出融合卷積神經網絡的電能質量擾動分類方法[J] . 電力自動化設備，2021，41(11) ：107-112.

[54] 朱瑞金，郭威麟，龔雪嬌. 基于自編碼器和卷積神經網絡的電能質量擾動分類[J]. 電力系統及其自動化學報，2019，31(7) ：70-75.

[55] 曹夢舟，張艷. 基于卷積-長短期記憶網絡的電能質量擾動分類[J] . 電力系統保護與控制，2020，48(2) ：86-92.

[56] 劉佳翰，陳克緒，馬建，等. 基于卷積神經網絡和隨機森林的三相電壓暫降分類[J] . 電力系統保護與控制，2019，47(20) ：112-118.

[57] CHEN Z, LI M, JI T, et al.Real-time recognition of power quality disturbance-based deep belief network using embedded parallel computing platform[J].IEEJ Transactions on Electrical and Electronic Engineering，2020，15(4) ：519-526.

[58] 胡婧，周洋，何志強，等. 基于深度置信網絡和隨機森林的電力擾動檢測方法[J]. 供用電，2020，37(9) ：17-22.

[59] 武昭旭，楊岸，祝龍記. 基于循環神經網絡的電能質量擾動識別[J] . 電力系統保護與控制，2020，48(18) ：88-94.

[60] 王以忠，欒振國，郭肖勇，等. 基于注意力機制和雙向長短期記憶網絡的電能質量擾動識別[J]. 天津科技大學學報，2021，36(4) ：51-56.

[61] KHETARPAL P, NAGPAL N, SIANO P, et al.Power quality disturbance signal segmentation and classification based on modified BI-LSTM with double attention mechanism[J].IET Generation，Transmission & Distribution，2024，18(1) ：50-62.

[62] 簡獻忠，王緒濤，王如志. 基于生成對抗網絡的電能質量信號壓縮重構方法[J] . 控制工程，2021，28(8) ：1654-1661.

[63] 屈相帥，段斌，尹橋宣，等. 基于稀疏自動編碼器深度神經網絡的電能質量擾動分類方法[J]. 電力自動化設備，2019，39(5) ：157-162.

返回索引列表

Article retrieval

文章檢索

電能質量擾動檢測與識別方法綜述