摘要：为了能够为各类电能扰动事件的本质研究和有效治理提供准确、可靠的依据,提出基于时频原子变换（timefrequency transform,TFT）和改进型自组织映射神经网络（improved self-organizing map,ISOM）的电能质量扰动在线监测与识别新方法。TFT具有自适应复带通滤波特性,其频窗中心与频窗半径解耦及频窗宽度不受中心频率的约束,可以灵活调整。通过设置恰当的频域窗口,TFT可有效抑制邻近频率分量的相互干扰,且有较好的动态响应速度。TFT能准确监测电力系统波形中电能质量事件,并为类型识别提供物理意义明确、指标具体的实时模式特征。依据TFT提取的特征向量,ISOM可准确识别单一或同时存在的多重电能质量事件,并对其严重程度进行直观表达,能动态反映电能质量事件各自的发展变化轨迹。仿真验证结果表明了所提出方法的有效性和优越性。

关键词：电能质量 时频原子变换 模式识别 改进型自组织映射神经网络 

单位：武汉大学电气工程学院 湖北省武汉市430072 华中电力调度中心 湖北省武汉市430072