人工智能和數(shù)學(xué)變換用于電能質(zhì)量的研究綜述

2000年，S.Santoso利用傅氏和小波變換的方法對電能質(zhì)量擾動(dòng)進(jìn)行了特征提取^[39]后，提出了完整的基于小波的電能質(zhì)量擾動(dòng)波形的神經(jīng)網(wǎng)絡(luò)分類器的實(shí)現(xiàn)方法^[40-41]。這兩篇文章對小波理論及其在電力系統(tǒng)中的應(yīng)用起到了重要的作用，主要流程示于圖3。其中Ident表示用傳統(tǒng)的方法判斷擾動(dòng)是否為電 壓跌落或瞬時(shí)斷電，之所以不用小波變換處理這兩種情況是由于小波變換難以處理光滑連續(xù)的電壓跌落。 該文提出用各尺度下的小波系數(shù)作為ANN的輸入特征矢量，這使該工作的輸入量太大，于是，文獻(xiàn)[42-43]提出用各尺度下的能量的集合作為擾動(dòng)的特征輸入矢量，不但使輸入量大為減小，而且得到很好的分類效果。文獻(xiàn)[44]則首先找出小波變換后含最大能量的尺度，用該尺度的小波系數(shù)與原始正弦波形的小波系數(shù)相減，并取其差值作為神經(jīng)網(wǎng)絡(luò)的輸入變量，從而成功對8種單一擾動(dòng)進(jìn)行了有效區(qū)分。

但基于小波的ANN方法有時(shí)也會(huì)誤判，而且對多重?cái)_動(dòng)的分辨率低或者根本無法分辯。這是由于以下原因：1)小波變換難以檢測頻率微變擾動(dòng)；2)用來作為ANN輸入量的特征量難以選取，無法精確描述各種擾動(dòng)；3)送入ANN進(jìn)行訓(xùn)練的樣本數(shù)無法全面覆蓋各種擾動(dòng)問題；4)基于小波的ANN方法訓(xùn)練的結(jié)果受ANN本身結(jié)構(gòu)的限制。
文獻(xiàn)[45]對ANN進(jìn)一步改進(jìn)，提出使用小波模糊ANN分類器對電能質(zhì)量問題進(jìn)行檢測與分析，該方法首先從原始信號中提取擾動(dòng)分量并去噪，然后用小波變換提取特征值，最后進(jìn)行模糊ANN分析與識(shí)別，該方法大大減少了輸入ANN的特征值的個(gè)數(shù)，且對各種擾動(dòng)問題有良好的適應(yīng)性。文獻(xiàn)[46]提出ANN模糊分類器。該文首先將擾動(dòng)分為三組，選取不同尺度下的小波系數(shù)分別作為這三組的ANN輸入特征量，在ANN訓(xùn)練后，再通過一模糊聯(lián)想記憶變換，最大限度消除模式識(shí)別中的不確定性，從而提高系統(tǒng)的精確性并簡化模型。文獻(xiàn)[47]為電能質(zhì)量的擾動(dòng)的分類提供了一條全新的思路。它把模糊邏輯和專家系統(tǒng)結(jié)合，通過FFT/WT重新定義了8個(gè)特征量，建立相應(yīng)的規(guī)則，也得到了很好的分類效果。
2.2 電能質(zhì)量的提高
除了用AI方法對電能質(zhì)量的擾動(dòng)進(jìn)行分類分析外，也有文獻(xiàn)考慮用AI方法提高電能質(zhì)量，包括用模糊方法實(shí)現(xiàn)電壓和無功的控制[48]、用專家系統(tǒng)、遺傳算法和模糊集理論實(shí)現(xiàn)電容器組的最優(yōu)分布^[49-51]；用模糊邏輯分析擾動(dòng)對敏感負(fù)荷的作用^[52]。

3 結(jié)論
目前，在動(dòng)態(tài)電能質(zhì)量缺少統(tǒng)一的定義、統(tǒng)一的實(shí)踐標(biāo)準(zhǔn)和統(tǒng)一的對擾動(dòng)進(jìn)行解釋的標(biāo)準(zhǔn)的情況下，結(jié)合各種人工智能技術(shù)和先進(jìn)的數(shù)學(xué)變換工具在對動(dòng)態(tài)電能質(zhì)量進(jìn)行檢測與識(shí)別中的作用已成為一個(gè)不爭的事實(shí)。各種AI方法和數(shù)學(xué)變換均有優(yōu)點(diǎn)也有缺陷，沒有哪一種方法是萬能的，應(yīng)該結(jié)合各自的長處，對動(dòng)態(tài)電能質(zhì)量進(jìn)行最有效的分析。目前為止，對動(dòng)態(tài)電能質(zhì)量進(jìn)行識(shí)別使用得最多的仍然是基于小波變換的ANN技術(shù)，其它AI方法的研究尚不多見，而且，大部分的識(shí)別只針對單一擾動(dòng)，而對多重?cái)_動(dòng)的分析幾乎沒有，這些問題有待進(jìn)一步的研究。