1.本发明涉及电能质量扰动检测技术领域，尤其涉及一种电能质量复合扰动检测方法、检测系统及终端机。
背景技术：2.随着电网逐渐转向大电网和以清洁能源为主的微电网相结合的智能电网，电源结构发生变化；可控半导体用电设备等非线性负荷和对电能质量敏感的精密电子设备数量依然保持上升趋势，分布式发电系统如微电网中的电能质量、间歇式电源并网对电能质量产生的影响、大电网与微网结合的供电可靠性等新问题相继出现并持续得到科研界的广泛关注。
3.目前已经有很多用于提取电能质量扰动信号特征的方法，如短时傅里叶变换方法、小波变换方法、s变换方法等。
4.短时傅里叶变换方法通过短时窗函数提取电能质量扰动信号的局部特征。短时傅里叶变换方法适合时频分析，可以同时得到电能质量扰动信号的频谱及时域信息，适合单一的暂态异常扰动事件检测。短时傅里叶变换方法进行电能质量扰动信号特征提取时能够从变换得到的矩阵中提取相关的特征序列，但由于窗函数不能改变的限制，此方法更适合对平稳信号进行特征提取。
5.小波变换方法对短时傅里叶变换方法的局部特征提取进行了改进，加入了尺度和平移因子两个指标，使窗函数可以根据尺度的变化进行改变，在时域与频域都具有良好的适应性，适合电能质量暂态异常扰动事件的分类识别。但是小波变换方法对噪声十分敏感，需要在对电能质量扰动信号预处理时进行降噪处理。同时该方法无法准确检测电能质量复合扰动在配电物联网中的发生时间和结束时间。
6.s变换方法在小波基函数已有的平移伸缩特点的基础上加入了高斯窗函数，使得窗函数的宽度与高度也可进行变化，并且不依赖尺度进行改变，比短时傅里叶变换和小波变换的特征提取效果更好。但s变换不适合对高频电能质量扰动信号进行特征提取，不适合用于复杂电能质量异常扰动事件分类，无法精准地获取电能质量复合扰动的特征，降低了方法的识别率。
技术实现要素：7.本发明提供一种电能质量复合扰动检测方法，方法解决当前电能质量复合扰动检测方法无法准确获取电能质量特征，电能数据滤波效果不理想，导致传统方法存在识别率低、检测偏差大和检测效果差的问题。
8.电能质量复合扰动检测方法包括：
9.步骤一、通过强跟踪滤波器在配电物联网中提取电能质量扰动的特征，获得离散形式的电压信号；
10.步骤二、选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰
动特征，对扰动特征进行提取；
11.步骤三、将电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。
12.进一步需要说明的是，步骤一还包括：配置离散非线性系统，离散非线性系统表示为：
[0013][0014]
式中：x∈rn表示状态向量；fd:r
p
×rn
→rn
表示非线性函数；k表示离散时间变量；u∈r
p
表示输入向量；v(k)表示过程噪声；y∈rm表示输出向量；hd:rn→rm
表示一阶连续偏导；e(k)表示观测噪声；
[0015]
利用式(2)计算(k+1)时刻的状态估计值
[0016][0017]
式中：k表示滤波器增益阵；γ表示残差序列，其计算公式为
[0018][0019]
式中：p(k+1|k)表示预报误差协方差阵；r、q均表示方差；f表示状态转移矩阵；h表示测量矩阵；λ表示渐消因子矩阵。
[0020]
进一步需要说明的是，步骤二还包括：
[0021]
离散状态下的电压信号可表示为
[0022][0023]
式中：a0(k)表示直流偏移；表示基波的初相角；am(k)表示基波对应的幅值；t表示采样时间间隔；e(k)表示观测噪声，且符合如下公式：
[0024][0025]
式中：r表示噪声的协方差；
[0026]
通过如下公式对状态变量进行计算：
[0027][0028]
式中：x3(k)表示基波电压的状态变量；x4(k)表示正交分量的状态变量。通过式(7)估计基波电压幅值
[0029][0030]
通过上述分析获得离散形式的电压信号y(k)：
[0031][0032]
进一步需要说明的是，步骤二还包括：若用k表示信号采样点，则基波幅值对应的最大值特征c1＝max[a1(k)]，表示在配电物联网中发生幅值类扰动时基波幅值与原始状态相比的上升幅度；基波幅值对应的最小值特征c2＝min[a1(k)]，表示在配电物联网中发生幅值类扰动时基波幅值与原始状态相比的下降幅度；
[0033]
波动次数c3表示某阈值d在基波幅值曲线中穿越的时间间隔高于时间窗τ1t的事件，波动次数通常情况下分为两种，分别是正穿越和负穿越；渐消因子频度均值c4表示渐消因子在时间窗τ1t中的数目，其计算公式如下：
[0034][0035]
式中：λ表示渐消因子。
[0036]
进一步需要说明的是，步骤三还包括：在输入空间中对不可分的样本完成非线性映射，将其转变到高维空间中，并通过求解线性可分问题完成数据分类；
[0037]
分类平面d表示为
[0038]
d＝ω
t
x+b＝0
ꢀꢀꢀꢀ
(10)
[0039]
式中：ω表示连接权值；b表示偏置；
[0040]
设置样本集(x1,y1),
…
,(xn,yn)，样本集中存在的样本都属于线性可分的，采用分类平面对上述样本进行分割，强化正、负样本在分类过程中的隔离边缘，获得超平面yi(ω
t
xi+b)≥1；设置分类间隔d
x
，表示超平面与正样本和负样本之间存在的距离，其计算公式为
[0041][0042]
通过上述分析可知，可用分类间隔最大问题代替最优分类超平面u的构建问题：
[0043][0044]
通过式(13)求解式(12)：
[0045][0046]
式中：αi表示lagrange乘子，用对偶问题代替上述问题：
[0047][0048]
设置函数最大值q(α)：
[0049][0050]
若为支持向量机的最优解，则此时存在
[0051]
根据上述过程，构建最优分类函数d(x)：
[0052][0053]
式中：b
*
表示分类阈值。
[0054]
进一步需要说明的是，在特征空间中可通过核函数k(xi·
xj)代替内积(xi·
xj)，并通过如下公式表示最优目标分类函数：
[0055][0056]
此时，支持向量机的核分类函数表示为
[0057][0058]
当样本属于线性不可分时，设置惩罚因子c和松弛变量ξi，并在支持向量机中引入上述两个参数，此时目标函数可表示为
[0059][0060]
针对支持向量机中存在的核函数k(xi·
xj)，选用高斯径向基核函数，其表达式如下：
[0061]
k(xi·
xj)＝exp[-κ||x
j-xi||2]
ꢀꢀꢀꢀꢀ
(20)
[0062]
式中：κ表示核函数参数，将获取的电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。
[0063]
本发明还提供一种电能质量复合扰动检测系统，系统包括：特征提取模块和电能质量复合扰动检测模块；
[0064]
特征提取模块用于通过强跟踪滤波器在配电物联网中提取电能质量扰动的特征，
获得离散形式的电压信号；选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征，对扰动特征进行提取；
[0065]
电能质量复合扰动检测模块用于将电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。
[0066]
本发明还提供一种实现电能质量复合扰动检测方法的终端机，包括：
[0067]
存储器，用于存储计算机程序及电能质量复合扰动检测方法；
[0068]
处理器，用于执行所述计算机程序及电能质量复合扰动检测方法，以实现电能质量复合扰动检测方法的步骤。
[0069]
从以上技术方案可以看出，本发明具有以下优点：
[0070]
本发明提供的电能质量复合扰动检测方法通过建立离散非线性系统和强跟踪滤波器，将其应用在配电物联网中，提取电能质量复合扰动特征；将提取的特征输入支持向量机中，完成配电物联网电能质量复合扰动的检测，提高了方法的识别率。解决了小波变换方法需要在对电能质量扰动信号预处理时进行降噪处理，无法准确检测电能质量复合扰动在配电物联网中的发生时间和结束时间的弊端。
[0071]
还解决了s变换不适合对高频电能质量扰动信号进行特征提取，不适合用于复杂电能质量异常扰动事件分类，无法精准地获取电能质量复合扰动的特征的问题。
[0072]
本发明选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征，利用离散非线性系统和强跟踪滤波器进行特征提取并输入支持向量机中，完成配电物联网电能质量复合扰动的检测。
附图说明
[0073]
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0074]
图1为电能质量复合扰动检测方法流程图；
[0075]
图2为电能质量复合扰动检测系统示意图。
具体实施方式
[0076]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0077]
本发明提供的电能质量复合扰动检测方法是基于电能质量扰动检测电能质量的检测方式，检测即通过信号处理等数学方法得到包含电能质量扰动信号特征的信息，是扰动信号特征提取的准备过程；特征选择是从检测所得结果中计算原始特征集并利用优化技术提取选择出有效的特征子集。电能质量扰动检测不仅可以为电能质量治理提供扰动事件的特征，还可以为电能质量分析诊断与故障定位提供有价值可参考的信息，同时也可以为电力扰动数据关联性分析及数据挖掘等提供判断依据。
[0078]
关于电能质量扰动检测的研究主要有两类，一类对电能质量扰动仅进行检测，这
类研究主要用于电能质量扰动捕捉，可有效地发现扰动过程并对其特征进行快速分析；另一类则是检测与识别相结合，该类研究不仅要正确检测出扰动过程及特征，还需将扰动过程具体确定到扰动事件类型上，对电能质量治理、扰动事件责任追究起到决策辅助作用。
[0079]
作为本发明提供的电能质量复合扰动检测方法是基于终端机来实现，终端机可以包括诸如移动电话、智能电话、笔记本电脑、个人数字助理(pda，personal digital assistant)、平板电脑(pad)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。
[0080]
终端机可以包括处理器(cpu，central processing unit)，只读存储器、存储器。cpu、rom以及存储器通过总线彼此相连。还可以包括键盘、鼠标、液晶显示器以及扬声器等。
[0081]
其中，存储器，用于存储计算机程序及电能质量复合扰动检测方法；处理器，用于执行所述计算机程序及电能质量复合扰动检测方法，以实现电能质量复合扰动检测方法的步骤。
[0082]
本发明针对传统电能质量扰动检测方法在配电物联网电能质量复合扰动检测中存在的识别率低、检测偏差大和检测效果差的问题。提出电能质量复合扰动检测方法，方法中如图1所示，
[0083]
s101、通过强跟踪滤波器在配电物联网中提取电能质量扰动的特征，获得离散形式的电压信号；
[0084]
强跟踪滤波器用于非线性系统的新型滤波器。强跟踪滤波器可以使得残差序列在每一步相互正交，提取残差序列中所有有用的信息，用作对现时刻系统状态的估计。强跟踪滤波器有更好的关于模型参数失配的鲁棒性，并且对于状态与参数突变有很强的实时跟踪能力。
[0085]
对于本发明的强跟踪滤波器来讲，可以基于强跟踪滤波器进行离散非线性系统处理，具体表示为
[0086][0087]
式中：x∈rn表示状态向量；fd:r
p
×rn
→rn
表示非线性函数；k表示离散时间变量；u∈r
p
表示输入向量；v(k)表示过程噪声；y∈rm表示输出向量；hd:rn→rm
表示一阶连续偏导；e(k)表示观测噪声。
[0088]
利用式(2)计算(k+1)时刻的状态估计值
[0089][0090]
式中：k表示滤波器增益阵；γ表示残差序列，其计算公式为
[0091][0092]
式中：p(k+1|k)表示预报误差协方差阵；r、q均表示方差；f表示状态转移矩阵；h表示测量矩阵；λ表示渐消因子矩阵。
[0093]
s102、选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征，对扰动特征进行提取；
[0094]
离散状态下的电压信号可表示为
[0095][0096]
式中：a0(k)表示直流偏移；表示基波的初相角；am(k)表示基波对应的幅值；t表示采样时间间隔；e(k)表示观测噪声，且符合如下公式：
[0097][0098]
式中：r表示噪声的协方差。
[0099]
通过如下公式对状态变量进行计算：
[0100][0101]
式中：x3(k)表示基波电压的状态变量；x4(k)表示正交分量的状态变量。通过式(7)估计基波电压幅值
[0102][0103]
通过上述分析获得离散形式的电压信号y(k)：
[0104][0105]
对于本发明提供的电能质量复合扰动检测方法来讲，本发明选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征。
[0106]
若用k表示信号采样点，则基波幅值对应的最大值特征c1＝max[a1(k)]，表示在配电物联网中发生幅值类扰动时基波幅值与原始状态相比的上升幅度；基波幅值对应的最小值特征c2＝min[a1(k)]，表示在配电物联网中发生幅值类扰动时基波幅值与原始状态相比的下降幅度。
[0107]
波动次数c3表示某阈值d在基波幅值曲线中穿越的时间间隔高于时间窗τ1t的事件，波动次数通常情况下分为两种，分别是正穿越和负穿越；渐消因子频度均值c4表示渐消因子在时间窗τ1t中的数目，其计算公式如下：
[0108][0109]
式中：λ表示渐消因子。
[0110]
s103、将电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。
[0111]
对于本发明提供的电能质量复合扰动检测方式中，在输入空间中对不可分的样本完成非线性映射，将其转变到高维空间中，并通过求解线性可分问题完成数据分类，是支持向量机的主要目的。
[0112]
分类平面d表示为
[0113]
d＝ω
t
x+b＝0
ꢀꢀꢀ
(10)
[0114]
式中：ω表示连接权值；b表示偏置。
[0115]
设置样本集(x1,y1),
…
,(xn,yn)，该样本集中存在的样本都属于线性可分的，采用分类平面对上述样本进行分割，强化正、负样本在分类过程中的隔离边缘，在此基础上获得超平面yi(ω
t
xi+b)≥1；设置分类间隔d
x
，表示超平面与正样本和负样本之间存在的距离，其计算公式为
[0116][0117]
通过上述分析可知，可用分类间隔最大问题代替最优分类超平面u的构建问题：
[0118][0119]
通过式(13)求解式(12)：
[0120][0121]
式中：αi表示lagrange乘子，用对偶问题代替上述问题：
[0122][0123]
设置函数最大值q(α)：
[0124][0125]
若为支持向量机的最优解，则此时存在
[0126]
根据上述过程，构建最优分类函数d(x)：
[0127][0128]
式中：b
*
表示分类阈值。在特征空间中可通过核函数k(xi·
xj)代替内积(xi·
xj)，并通过如下公式表示最优目标分类函数：
[0129][0130]
此时，支持向量机的核分类函数表示为
[0131][0132]
当样本属于线性不可分时，设置惩罚因子c和松弛变量ξi，并在支持向量机中引入上述两个参数，此时目标函数可表示为
[0133][0134]
针对支持向量机中存在的核函数k(xi·
xj)，所提方法选用高斯径向基核函数，其表达式如下：
[0135]
k(xi·
xj)＝exp[-κ||x
j-xi||2]
ꢀꢀꢀꢀ
(20)
[0136]
式中：κ表示核函数参数。将获取的电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。
[0137]
这样，本发明提供的电能质量复合扰动检测方法通过建立离散非线性系统和强跟踪滤波器，将其应用在配电物联网中，提取电能质量复合扰动特征；
[0138]
本发明选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征，利用离散非线性系统和强跟踪滤波器进行特征提取并输入支持向量机中，完成配电物联网电能质量复合扰动的检测。
[0139]
基于上述电能质量复合扰动检测方法，本发明还提供一种电能质量复合扰动检测系统，如图2所示，系统包括：特征提取模块和电能质量复合扰动检测模块；
[0140]
特征提取模块用于通过强跟踪滤波器在配电物联网中提取电能质量扰动的特征，获得离散形式的电压信号；选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征，对扰动特征进行提取；
[0141]
电能质量复合扰动检测模块用于将电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。
[0142]
具体来讲，本发明通过建立离散非线性系统和强跟踪滤波器来提取电能质量复合扰动特征。选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征，并将提取的特征输入支持向量机中，完成配电物联网电能质量复合扰动的检测。解决了当前电能质量复合扰动检测方法无法准确获取电能质量特征，电能数据滤波效果不理想的问题，还避免了传统方法存在识别率低、检测偏差大和检测效果差的问题。
[0143]
本发明提供的电能质量复合扰动检测方法及系统中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0144]
本发明提供的电能质量复合扰动检测方法及系统的附图中所示的方框图仅仅是
功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0145]
本发明提供的电能质量复合扰动检测方法及系统是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0146]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
技术特征：1.一种电能质量复合扰动检测方法，其特征在于，方法包括：步骤一、通过强跟踪滤波器在配电物联网中提取电能质量扰动的特征，获得离散形式的电压信号；步骤二、选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征，对扰动特征进行提取；步骤三、将电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。2.根据权利要求1所述的电能质量复合扰动检测方法，其特征在于，步骤一还包括：配置离散非线性系统，离散非线性系统表示为：式中：x∈r
n
表示状态向量；f
d
:r
p
×
r
n
→
r
n
表示非线性函数；k表示离散时间变量；u∈r
p
表示输入向量；v(k)表示过程噪声；y∈r
m
表示输出向量；h
d
:r
n
→
r
m
表示一阶连续偏导；e(k)表示观测噪声；利用式(2)计算(k+1)时刻的状态估计值利用式(2)计算(k+1)时刻的状态估计值式中：k表示滤波器增益阵；γ表示残差序列，其计算公式为式中：p(k+1|k)表示预报误差协方差阵；r、q均表示方差；f表示状态转移矩阵；h表示测量矩阵；λ表示渐消因子矩阵。3.根据权利要求2所述的电能质量复合扰动检测方法，其特征在于，步骤二还包括：离散状态下的电压信号可表示为式中：a0(k)表示直流偏移；表示基波的初相角；a
m
(k)表示基波对应的幅值；t表示采样时间间隔；e(k)表示观测噪声，且符合如下公式：式中：r表示噪声的协方差；通过如下公式对状态变量进行计算：
式中：x3(k)表示基波电压的状态变量；x4(k)表示正交分量的状态变量。通过式(7)估计基波电压幅值基波电压幅值通过上述分析获得离散形式的电压信号y(k)：4.根据权利要求1或2所述的电能质量复合扰动检测方法，其特征在于，步骤二还包括：若用k表示信号采样点，则基波幅值对应的最大值特征c1＝max[a1(k)]，表示在配电物联网中发生幅值类扰动时基波幅值与原始状态相比的上升幅度；基波幅值对应的最小值特征c2＝min[a1(k)]，表示在配电物联网中发生幅值类扰动时基波幅值与原始状态相比的下降幅度；波动次数c3表示某阈值d在基波幅值曲线中穿越的时间间隔高于时间窗τ1t的事件，波动次数通常情况下分为两种，分别是正穿越和负穿越；渐消因子频度均值c4表示渐消因子在时间窗τ1t中的数目，其计算公式如下：式中：λ表示渐消因子。5.根据权利要求1或2所述的电能质量复合扰动检测方法，其特征在于，步骤三还包括：在输入空间中对不可分的样本完成非线性映射，将其转变到高维空间中，并通过求解线性可分问题完成数据分类；分类平面d表示为d＝ω
t
x+b＝0
ꢀꢀꢀ
(10)式中：ω表示连接权值；b表示偏置；设置样本集(x1,y1),
…
,(x
n
,y
n
)，样本集中存在的样本都属于线性可分的，采用分类平面对上述样本进行分割，强化正、负样本在分类过程中的隔离边缘，获得超平面y
i
(ω
t
x
i
+b)≥1；设置分类间隔d
x
，表示超平面与正样本和负样本之间存在的距离，其计算公式为
通过上述分析可知，可用分类间隔最大问题代替最优分类超平面u的构建问题：通过式(13)求解式(12)：式中：α
i
表示lagrange乘子，用对偶问题代替上述问题：设置函数最大值q(α)：若为支持向量机的最优解，则此时存在根据上述过程，构建最优分类函数d(x)：式中：b
*
表示分类阈值。6.根据权利要求5所述的电能质量复合扰动检测方法，其特征在于，在特征空间中可通过核函数k(x
i
·
x
j
)代替内积(x
i
·
x
j
)，并通过如下公式表示最优目标分类函数：此时，支持向量机的核分类函数表示为当样本属于线性不可分时，设置惩罚因子c和松弛变量ξ
i
，并在支持向量机中引入上述两个参数，此时目标函数可表示为针对支持向量机中存在的核函数k(x
i
·
x
j
)，选用高斯径向基核函数，其表达式如下：k(x
i
·
x
j
)＝exp[-κ||x
j-x
i
||2]
ꢀꢀꢀꢀ
(20)式中：κ表示核函数参数，将获取的电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。
7.一种电能质量复合扰动检测系统，其特征在于，系统采用如权利要求1至6任意一项所述的电能质量复合扰动检测方法；系统包括：特征提取模块和电能质量复合扰动检测模块；特征提取模块用于通过强跟踪滤波器在配电物联网中提取电能质量扰动的特征，获得离散形式的电压信号；选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征，对扰动特征进行提取；电能质量复合扰动检测模块用于将电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。8.一种实现电能质量复合扰动检测方法的终端机，其特征在于，包括：存储器，用于存储计算机程序及电能质量复合扰动检测方法；处理器，用于执行所述计算机程序及电能质量复合扰动检测方法，以实现如权利要求1至6任意一项所述电能质量复合扰动检测方法的步骤。
技术总结本发明提供一种电能质量复合扰动检测方法、检测系统及终端机，涉及电能质量扰动检测技术领域，通过强跟踪滤波器在配电物联网中提取电能质量扰动的特征，获得离散形式的电压信号；选取基波幅值最大值、基波幅值最小值、波动次数、渐消因子频度作为扰动特征，对扰动特征进行提取；将电能质量复合扰动特征输入支持向量机中，完成配电物联网电能质量复合扰动检测。本发明解决当前电能质量复合扰动检测方法无法准确获取电能质量特征，电能数据滤波效果不理想，导致传统方法存在识别率低、检测偏差大和检测效果差的问题。完成配电物联网电能质量复合扰动的检测。量复合扰动的检测。量复合扰动的检测。
技术研发人员：王世林 张喆 孟祥亮 廖逍 丁学英 冯世英 周振华 崔蔚 王佳新 李治 杨洋 马琳越
受保护的技术使用者：国网信息通信产业集团有限公司
技术研发日：2022.06.21
技术公布日：2022/11/1
