基于优化窗函数改进S变换的低频振荡暂态检测方法

doi:10.3969/j.issn.1000-1158.2025.01.21

摘要
图/表
参考文献(24)
相关文章 (11)

全文: PDF (1381 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要低频振荡暂态是电力系统中常见的一种电能质量扰动，其直接影响电力系统的安全、稳定运行。通过对影响时频分析算法检测精度的窗函数进行了研究，提出一种基于优化窗函数改进S变换的低频振荡暂态检测方法。首先，对时频分析算法中窗函数随检测频率变化的改变特性进行分析，确定了适用于低频振荡暂态扰动检测的优化窗函数，并利用其构造了改进S变换算法；其次，通过利用卷积定理、Fourier变换及其逆变换，推导了改进S变换算法快速实现的计算表达式，获取了包含信号幅值、相位信息的二维时频矩阵，给出了改进算法的实现流程；最后，采用包含低频振荡暂态扰动的电网信号对改进算法进行了测试。该优化算法对低频振荡暂态扰动表现出相对最佳的时频能量聚集性能，实际实验中所测得扰动中心频率为600 Hz，与扰动的生成频率相吻合，验证了改进算法的可行性和有效性。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	江青柳
	梁成斌
	陈光贵
	王嵘瑜
	贺青

关键词 ：电磁计量, 电能质量扰动, 改进S变换, 低频振荡暂态, 窗函数优化, 时频能量聚集

Abstract：Low-frequency oscillation transient is a common type of power quality disturbance in power system， directly affecting the safe and stable operation of power system. A low-frequency oscillation transient detection method based on an improved S-transform using an optimized window function is proposed. Firstly， the changing characteristics of the window function with detection frequency in time-frequency analysis algorithms are analyzed， identifying an optimized window function suitable for detecting low-frequency oscillation transients. This optimized window function is then utilized to construct an improved S-transform algorithm. Secondly， through the application of the convolution theorem， Fourier transform， and its inverse transform， a computational expression for the fast implementation of the improved S-transform algorithm is derived， resulting in a two-dimensional time-frequency matrix containing signal amplitude and phase information. The implementation process of the improved algorithm is provided. Finally， the improved algorithm is tested using power grid signals containing low-frequency oscillation transients. The algorithm demonstrates relatively optimal time-frequency energy concentration performance for low-frequency oscillation transients. In practical experiment， the detected disturbance center frequency is 600 Hz， consistent with the generation frequency of the disturbance， verifying the feasibility and effectiveness of the improved algorithm.

Key words： electromagnetic metrology power quality disturbance modified S-transform low-frequency oscillatory transients optimization window function time-frequency energy concentration

收稿日期: 2024-05-23 发布日期: 2025-01-14

PACS:

TB971

基金资助:贵州省科技支撑计划项目（2024一般136）；贵州大学自然科学专项科研基金（202313）

通讯作者: 梁成斌（1994-），男，河北唐山人，贵州大学讲师，硕士生导师，主要从事信号时频分析、电力大数据分析、智能信息处理等方面的研究。Email：cbliang@gzu.edu.cn E-mail: cbliang@gzu.edu.cn

作者简介: 江青柳（1998-），女，四川广安人，贵州大学硕士研究生，研究方向为电能质量扰动检测。 Email：gs.qljiang23@gzu.edu.cn；

引用本文:

江青柳, 梁成斌, 陈光贵, 王嵘瑜, 贺青. 基于优化窗函数改进S变换的低频振荡暂态检测方法[J]. 计量学报, 2025, 46(1): 133-140.
JIANG Qingliu, LIANG Chengbin, CHEN Guanggui, WANG Rongyu, HE Qing. Low Frequency Oscillatory Transients Detection Method Based on Optimization Window Function Modified S-Transform. Acta Metrologica Sinica, 2025, 46(1): 133-140.

链接本文:

http://jlxb.china-csm.org:81/Jwk_jlxb/CN/10.3969/j.issn.1000-1158.2025.01.21 或 http://jlxb.china-csm.org:81/Jwk_jlxb/CN/Y2025/V46/I1/133

15	陈维兴，崔朝臣，李小菁，等. 基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断［J］. 计量学报， 2021， 42（5）： 615-622. CHEN W X， CUI Z C， LI X J， et al. Bearing Fault Diagnosis of Wind Turbine Based on Multi-wavelet-1 D Convolutional LSTM［J］. Acta Metrologica Sinica， 2021， 42（5）： 615-622.
17	KHOKHAR S， ZIN M A A， MEMON A P， et al. A New Optimal Feature Selection Algorithm for Classification of Power Quality Disturbances Using Discrete Wavelet Transform and Probabilistic Neural Network［J］. Measurement， 2017， 95： 246-259.
22	许立武，李开成，罗奕，等. 基于不完全 S 变换与梯度提升树的电能质量复合扰动识别［J］. 电力系统保护与控制， 2019， 47（6）： 24-31. XU L W， LI K C， LUO Y， et al. Classification of Complex Power Quality Disturbances Dased on Incomplete S-transform and Gradient Boosting Decision Tree［J］. Power System Protection and Control， 2019， 47（6）： 24-31.
21	VENKATESWARA REDDY M， SODHI R. A Modified S-transform and Random Forests-based Power Quality Assessment Framework［J］. IEEE Transactions on Instrumentation and Measurement， 2018， 67（1）： 78-89.
23	LIANG C B， TENG Z S， LI J M， et al. Improved S-transform for Time-Frequency Analysis for Power Quality Disturbances［J］. IEEE Transactions on Power Delivery， 2022， 37（4）： 2942-2952.
9	陈正颖，王黎明，怡勇. 基于短时傅里叶变换的直流电晕无线电干扰激发电流计算［J］. 高电压技术， 2019， 45（6）： 1866-1872. CHEN Z Y， WANG L M， YI Y. Computation of Radio Interference Excitation Current of DC Corona Based on Short-time Fourier Transform ［J］. High Voltage Engineering， 2019， 45（6）： 1866-1872.
10	郑海明，姚鹏辉. 基于协相关性和傅里叶变换-差分吸收光谱法的臭氧浓度在线测量研究［J］. 计量学报， 2023， 44（2）： 284-289. ZHENG H M， YAO P H. Research of On-line Monitoring of Ozone Concentration Based on Association Correlation and Differential Optical Absorption Spectroscopy-Fourier Transform［J］. Acta Metrologica Sinica， 2023， 44（2）： 284-289.
13	LAADIAL K， SAHRAOUI M， CARDOSO A J M. On-line Fault Diagnosis of DC-link Electrolytic Capacitors in Boost Converters Using the STFT Technique［J］. IEEE Transactions on Power Electronics， 2021， 36（6）： 6303-6312.
20	CUI C H， DUAN Y J， HU H L， et al. Detection and Classification of Multiple Power Quality Disturbances Using Stockwell Transform and Deep Learning［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 1-12.
18	THIRUMALA K， PRASAD M S， JAIN T， et al. Tunable-Q Wavelet Transform and Dual Multiclass SVM for Online Automatic Detection of Power Quality Disturbances［J］. IEEE Transactions on Smart Grid， 2018， 9（4）： 3018-3028.
3	张鹏，毕天姝. HVDC引起次同步振荡暂态扰动风险的机理分析［J］. 中国电机工程学报， 2016， 36（4）： 961-968， 1178. ZHANG P， BI T S. Mechanism Analysis of Large Disturbance Risk of Subsynchronous Oscillation caused by HVDC［J］. Proceedings of the CSEE， 2016， 36（4）： 961-968， 1178.
24	滕召胜，王永，李建闽，等. 一种新的谐波时频分解方法—K-S分解［J］. 中国科学（技术科学）， 2019， 49（2）： 234-242. TENG Z S， WANG Y， LI J M， et al. A New Method of Harmonic Time-Frequency Decomposition： The K-S Decomposition［J］. Scientia Sinica （Technologica）， 2019， 49（2）： 234-242.
1	IEEE Recommended Practice for Power Quality Data Interchange Format （PQDIF）：1159.3-2019［S］. 2019.
19	金海龙，邬霞，樊凤杰，等. 基于GST-ECNN的运动想象脑电信号识别方法［J］. 计量学报， 2022， 43（10）： 1341-1347. JIN H L， WU X， FAN F J， et al. Motor Imagery EEG Signal Recognition Method Based on GST-ECNN［J］. Acta Metrologica inica， 2022， 43（10）： 1341-1347.
5	李艳，林晓明，赵宇明，等. 基于改进mSDFT算法的谐波信号提取方法［J］. 计量学报， 2024， 45（10）： 1435-1443. LI Y， LIN X M， ZHAO Y M， et al. A Harmonics Signal Extraction Method Based on Improved mSDFT Algorithm［J］. Acta Metrologica Sinica， 2024， 45（10）： 1435-1443.
2	AZMAN S K， ISBEIH Y J， El MOURSI M S， et al. A Unified Online Deep Learning Prediction Model for Small Signal and Transient Stability［J］. IEEE Transactions on Power Systems， 2020， 35（6）： 4585-4598.
7	BORKOWSKI J， MROCZKA J， MATUSIAK A， et al. Frequency Estimation in Interpolated Discrete Fourier Transform With Generalized Maximum Sidelobe Decay Windows for the Control of Power［J］. IEEE Transactions on Industrial Informatics， 2020， 17（3）： 1614-1624.
12	方旭，刘欣，李琪，等. 面向油品参数快速计量的高精度傅里叶近红外光谱仪［J］. 计量学报， 2024， 45（1）： 103-111. FANG X， LIU X， LI Q， et al. High Precision Near Infrared Fourier Spectrometer for Rapid Measurement of Oil Parameters［J］. Acta Metrologica Sinica， 2024， 45（1）： 103-111.
4	张立国，张淑清，李莎莎，等. 电能质量扰动识别的不同时频分析方法研究［J］. 计量学报， 2017， 38（3）： 345-350. ZHANG L G， ZHANG S Q， LI S S， et al. Study on the Detection and Classification of Power Quality Disturbances Using Difference Time-frequency Methods［J］. Acta Metrologica Sinica， 2017， 38（3）： 345-350.
11	袁小平，胡秀娟，孙英洲，等. 基于加窗傅里叶变换的弱电网阻抗测量算法［J］. 电力系统保护与控制， 2018， 46（10）： 96-101. YUAN X P， HU X J， SUN Y Z， et al. A Weak Grid Impedance Detection Method Based on Windowed Fourier Transformation［J］. Power System Protection and Control， 2018， 46（10）： 96-101.
14	MAQSOOD A， OSLEBO D， CORZINE K， et al. STFT Cluster Analysis for DC Pulsed Load Monitoring and Fault Detection on Naval Shipboard Power Systems［J］. IEEE Transactions on Transportation Electrification， 2020， 6（2）： 821-831.
8	倪伟伦，顾丹珍，曹依烈，等. 基于改进S变换的非稳态信号的电能计量方法研究［J］. 电测与仪表， 2024， 61（5）： 175-181，224. NI W L， GU D Z， CAO Y L， et al. Research on Electric Energy Measurement Method Based on Improved S-transform for Unsteady Signal［J］. Electrical Measurement & Instrumentation， 2024， 61（5）： 175-181，224.
6	LI L， CAI H， JIANG Q， et al. An Empirical Signal Separation Algorithm for Multicomponent Signals Based on Linear Time-Frequency Analysis［J］. Mechanical Systems and Signal Processing， 2019， 121： 791-809.
16	吴建章，梅飞，郑建勇，等. 基于改进经验小波变换和 XGBoost 的电能质量复合扰动分类［J］. 电工技术学报， 2022， 37（1）： 232-243，253. WU J Z， MEI F， ZHENG J Y， et al. Recognition of Multiple Power Quality Disturbances Based on Modified Empirical Wavelet Transform and XGBoost［J］. Transactions of China Electrotechnical Society， 2022， 37（1）： 232-243，253.