（国家电网公司华北分部电力调控分中心北京100053）
摘要：伴随近年来国家对电厂环保力度增大，电厂里新增加的用电设备负荷性质复杂，对原厂用电系统电能质量产生不同程度的影响。针对这一问题，本文提出一种基于敏感VMD因子的电能质量扰动分析方法。该方法利用变分模态分解对电压信号进行模态分解，通过敏感评估分析模态分量，选取包含信号特征的有效模态分量，凸显信号特征。并结合概率神经网络构建故障分析模型，进行电能质量扰动诊断。将所提方法应用于电能质量仿真实验，证明了该方法的有效性。
关键词：VMD；PNN；电能质量扰动；故障诊断
近年来电厂内环保技改设施规模不断扩大，新增用电数量增加一倍[1]。各种冲击性负荷、电力电子设备的投入，导致原有厂用电系统更加复杂，导致包括电压暂降、电压暂升、谐波等电能质量问题日益凸显[2]。电能质量扰动的增多，将增大仪表误差、增加损耗、保护装置误动[3]等问题，给日常生活产生很大影响。因此，对扰动信号进行监控分析，及时发现问题处理具有重要意义。
变分模态分解（variationalmodedecomposition，VMD）方法假设信号由一组具有不同中心频率的模态分量组成[4]，通过非递归模式将各模态解调到对应的频带，最终获取所有模态分量。同时，由于信号特征通常只在特定频段出现，因此引入敏感因子参数，对模态分量进行评估分析，排除无关的干扰分量，凸显信号特征。
本文提出一种基于敏感VMD敏感因子的电能质量扰动分析方法。首先利用VMD方法将原始信号在不同中心频率分解成一组模态分量，然后通过敏感因子筛选其中包含信号特征的分量，输入PNN分类模型，对原始信号进行故障诊断。
1敏感VMD因子方法
1.1VMD方法
VMD通过建立变分模型，将信号分解为K个单分量模态函数，寻找最优解。设存在连续信号f（t），根据VMD理论[5]，将其分解为K个限带内禀模态函数（Band-LimitedIntrinsicModeFunction，BIMF）：
（1）
式（1）中，Ak（t）为包络线，φk（t）为相位函数。
首先建立变分约束模型如下：
（2）
式（2）中，wk为第k个BIMF分量的中心角频率。
进而得到增广拉格朗日方程：
（3）
式（3）中，a为二次惩罚因子，r为拉格朗日算子。
通过不断迭代更新，设置结束判定如下：
（4）
最终得到的拉格朗日方程鞍点wf即为式（2）的最优解。
1.2敏感因子筛选
敏感因子λk定义如下[6]：
（5）
δk=βk－αk（6）
式（6）中，αk为故障特征的相关系数，βk为非故障信号的相关系数。VMD方法处理后的分量频率从高到低。因此，λk值越小，表明该模态分量包含的故障特征越多。通过迭代法可知，选取前3个模态分量叠加，即可凸显故障特征。
将模态分量输入PNN[7]。通过计算模态分量之间的匹配关系，计算分量间的概率密度函数，最后识别扰动类别。
2基于敏感VMD因子故障诊断方法
由上分析，本文提出一种基于敏感VMD因子的电能质量扰动分析方法。通过对厂用电电压信号进行VMD分析，将信号分解成一组频率从高到低的模态分量，经过敏感因子筛选重构，输入PNN故障分析模型，进行电能质量扰动识别。
具体步骤如下：
（1）采样厂用电扰动i类状态的信号，得到各类扰动样本数mj（j=1，2，···，i）。
（2）对样本进行VMD分析，迭代更新得到Uk和wk。
（3）设定停止判别依据式（4），满足要求后迭代终止，此时的wf即为希望值。
（4）根据式（5）计算敏感因子，评估分量中的故障特征程度强弱，构建模态分析向量。
（5）将模态分析向量输入PNN故障分析模型，得到信号相应的扰动类别。
3实验研究
3.1仿真实验
对正常信号和三种常见电能质量扰动类别建立模型[8]，如表1所示。
表1电能质量扰动类别
其中，a为电压峰值，w为工频频率，Ｔ为工频周期；α、β为常系数，t为时间，φ为校正参数。
分别对上述四种状态模型采样200点，得到样本50组，其中任选30组训练，其余20组为测试样本。图1和图2为正常状态和电压下降状态的波形图。
图1正常状态波形图
图2电压下降状态波形图
首先对训练样本进行VMD处理，需要首先确定K的取值。以电压下降样本为例，设置二次惩罚因子a，分解结果如图3所示。
图3电压下降样本分析结果
根据1.2节进行敏感因子筛选重构信号，选取前3个敏感因子对应的模态分量进行叠加，重构信号。计算特征值构成模态分析向量。输入PNN建立故障分析模型，结果如图4所示。
图4故障分析模型
4结论
本文提出一种基于敏感VMD因子的电能质量扰动分析方法，将VMD敏感分量与PNN故障分析模型相结合，能够准确诊断电压扰动源。为电能质量分析提供了新的方法。
参考文献：
[1]谢成，曹张洁，温典，等.基于实时运行数据挖掘的配电变压器状态评估[J].浙江电力，2017，36（08）：1-6.
[2]赵静.电能质量扰动信号检测与识别算法研究[D].四川：西南交通大学，2011.
[3]郑小霞，叶聪杰，符杨.海上风电机组状态监测与故障诊断的发展和展望[J].化工自动化及仪表，2013，40（4）：429-434.
[4]肖湘宁，徐永海.电能质量问题剖析[J].电网技术，2001，25（3）：66-69.
[5]RillingG，FlandrinP.Ontheinfluenceofsamplingontheempiricalmodedecomposition[C]//ProceedingsofIEEEConferenceonAcoustics，SpeechandSignalProcessing，Toulouse，France，2006．
[6]武英杰，刘长良，范德功.基于自适应高频谐波LMD法的风电机组故障诊断[J].动力工程学报，2014，34（12）：952-958.
[7]何朝辉，黄纯，刘斌，等.基于小波系数KPCA和PNN的电能质量扰动分类[J].电力系统及其自动化学报，2010，22（02）：76-81+108.
[8]吴凯，施康明.基于SVD和PNN的电能质量扰动分析方法[J].浙江电力，2018，37（04）：63-67.
作者简介：周煜（1983-），男，硕士研究生，高级工程师。主要从事电力系统调度、控制和分析工作。