编辑推荐：
随着可再生能源并网及新技术涌现，电能质量扰动（PQDs）更复杂，严重影响电网。研究人员开展 PQDs 识别研究，提出 DSMIF-BAG-CT 模型。该模型准确率高、计算时间短，优于 28 种算法，为电网监测提供有效方案。
在当今电力领域，可再生能源大规模接入电网，分布式发电、非线性负载和电力电子设备广泛应用。这看似为电力供应带来新活力，实则给电网稳定运行埋下诸多隐患。原本相对稳定的电压波形开始出现异常，电能质量扰动（PQDs）问题愈发严重。不同类型的 PQDs，如电压骤降（sag）、骤升（swell）、中断、谐波、振荡瞬变、脉冲瞬变等，常常同时出现，相互叠加，使得电压波形变得极为复杂。这不仅会导致变压器、传输线等设备过热，缩短其使用寿命，还可能造成敏感设备故障、数据丢失，甚至引发电网停电，给电力系统运营商和用户带来巨大的经济损失。据统计，在欧盟国家，PQDs 问题每年造成约 1500 亿欧元的经济损失。然而，以往的研究大多仅考虑少数单一或双重 PQDs 情况，对于实际中可能出现的多种 PQDs 叠加（同一波形上最多叠加 4 种单一扰动）的复杂情况，缺乏有效的识别方法。同时，可靠的电能质量研究数据也十分匮乏，这进一步限制了相关研究的进展和不同方法的评估比较。在这样的背景下，开展能够准确识别复杂 PQDs 的研究显得尤为迫切。
为了解决这些难题，有研究人员开展了针对复杂 PQDs 自动识别的研究，并取得了重要成果，相关论文发表在《Expert Systems with Applications》上。
研究人员采用了一系列关键技术方法。首先是信号处理技术，利用小波去噪（wavelet denoising）去除信号中的噪声干扰；结合最大重叠离散小波变换（maximum overlap discrete wavelet transform）、斯托克韦尔变换（Stockwell transform）和希尔伯特变换（Hilbert transform）进行混合信号处理，充分挖掘信号特征。然后通过相关统计函数进行特征提取，利用最小冗余最大相关算法（mRMR）进行特征选择，去除冗余信息，确定最优特征向量。最后，使用决策树的袋装集成（bagged ensemble of decision trees）进行模式分类。
研究结果
- 模型准确率高：研究人员对提出的 DSMIF-BAG-CT 模型进行了大量实验评估。在无噪声情况下，模型的准确率高达 97.03%；当信噪比（SNR）为 50 dB 时，准确率为 96.82%；40 dB 时，准确率为 96.60%；30 dB 时，准确率仍有 95.16%。这表明该模型在不同噪声环境下都能保持较高的识别准确率，对复杂 PQDs 具有良好的识别能力。
- 性能优于其他算法：将 DSMIF-BAG-CT 模型与 28 种当前最先进的算法进行对比，结果显示该模型在识别复杂 PQDs 方面表现更优，能够更准确地识别出多种 PQDs 的组合情况。
- 计算时间短：该模型的平均计算时间仅为 0.5779 秒，这一优势使得它能够满足在线监测电能质量的实时性要求，适用于实际的电网监测场景。
- 识别潜力大：模型在处理大量可能类别的 PQDs 识别时展现出了良好的潜力，能够有效应对实际电网中复杂多样的电能质量问题。
研究结论与讨论
研究人员提出的 DSMIF-BAG-CT 模型，通过整合小波去噪、混合信号处理、特征选择和决策树袋装集成等多种算法的优势，成功实现了对复杂 PQDs 的高效识别。该模型不仅在准确率上表现出色，而且计算时间短，能够在不同噪声条件下稳定运行，性能优于众多现有算法。这一研究成果为电力系统的电能质量监测提供了新的有效解决方案，有助于电力系统运营商及时发现和处理 PQDs 问题，保障电网的可靠性、安全性和稳定性，降低因 PQDs 导致的经济损失。同时，研究人员提供的开源软件和包含多种扰动类型的合成数据集，也为后续相关研究提供了重要的参考和支持，填补了可靠基准数据集的空白，推动了电能质量监测领域的进一步发展。这一研究成果在实际电力工程应用中具有广阔的前景，有望为电力行业的发展带来积极的影响。
