中文摘要：

电压暂降是电力系统最重要的电能质量问题之一,电压暂降源定位一直是近年来电能质量研究领域的一个重点及难点。本项目主要研究电力系统电压暂降源定位中的几个关键问题，包括1）研究电压暂降源定位中非平稳信号的有效处理方法，建立STN(正弦+暂态+噪声)三分量信号模型，并求取模型参数；2）在信号处理结果基础上，研究电压暂降源的诊断识别,包括特征选择算法、基于半监督学习的暂降源识别方法； 3）在非平稳信号处理和暂降源识别结果基础上，研究分析监测点的上、下游两侧等效系统的参数动态跟踪估计，从暂降前后的上、下游两侧参数变化与电压变化量之间关系分析研究形成电压暂降的内在机理，建立具有严格理论依据的电压暂降源定位方法，并定量地给出电压暂降源定位结果。意义电压暂降源定位研究，对界定分清电压暂降事故中供用电双方各自的责任以及有效补偿和排除暂降扰动源具有关键性作用。

结论摘要：

本项目围绕电压暂降源定位中的信号处理、事故源识别和定位机理等关键问题展开了研究，并得到一些有意义的研究成果。首先，为减小由电压暂降过程暂态时变性引起的信号模型和处理误差，提出了多分量非平稳信号的瞬时谐波参数估计算法，通过改进理想带通滤波器算法得到各谐波分量的瞬时参数，瞬时振幅、频率估计误差约2%和0.5%，为后续提供良好的前期信号处理。另外, 为解决暂态电能质量分析所面临的采样率高、数量大问题,提出新的稀疏电力信号重构与分析方法，利用DFT变换矩阵的正交特性对电力谐波进行稀疏采样，通过对偶仿射度内点法进行求解，实现了Nyquist频率28%的稀疏采样，此时重构信噪比达35dB，谐波误差低于1%，能较好满足工程要求。然后,为解决暂降源识别算法中的特征选取问题，提出了基于遗传支持向量机的识别方法，通过S变换提取可能特征集，应用遗传算法搜索得到优秀特征，并通过SVM实现暂降源识别并验证选取特征的有效性。而针对电压暂降历史样本数据有限且不易获得的情况，引入基于标签传播半监督学习的电压暂降源识别，建立了K-近邻图模型，在历史数据较少的情况下实现了更高的识别准确率且实时性好。最后,在信号处理识别基础上提出了基于模式识别的电压暂降源定位方法，采用模式识别对已有故障记录进行学习，从而在源位置敏感的相关多维特征空间构建判别上下游的最优分类面，实现基于分类识别的暂降源定位，准确率高且计算时间短。另外，在传统扰动功率定位法基础上，提出了基于改进扰动功率的暂降源定位法, 利用S变换暂态信号处理提取瞬时扰动基波视在功率,将扰动有功和无功同时引入到电压暂降源定位中，使扰动功率定位法得到良好的扩展。此外，针对分布发电领域,提出了一种用于区分暂降源来自风电场的内部和外部的定位方法,利用暂降过程中的电压变化与内、外部等效参数间关系，区别电压暂降来自风电场内外部。我们还将电压暂降源定位方法推广到了电压波动源定位，将电压波动在某一段时域范围内转化为电压暂降，实现了基于电压暂降源定位的电压波动源定位方法，并取得较好结果。通过电压暂降源定位研究取得的一系列成果，基本搞清了电网电压暂降的信号处理、识别以及扰动源头定位等问题，为界定分清电压暂降事故中供用电双方各自的责任及排除暂降扰动源起到关键参考。