电能质量复合扰动分类的研究进展.pdf

第４１卷第１３期２０１３年７月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌｖｏ１．４ｌＮｏ．１３Ｊｕｌｙ１，２０１３电能质量复合扰动分类的研究进展刘志刚，张巧革，张杨（西南交通大学电气工程学院，四川成都６１００３１）摘要：针对电能质量复合扰动的识别问题，通过举例分析复合扰动信号，讨论了复合扰动的特点。详细综述国内外电能质量复合扰动分类的研究现状，将其研究方法分为单标签分类和多标签分类两大方面，分别对这两个方面中目前采用的思想和方法进行讨论。在单标签分类中，分别从直接分类、ｓ变换＋分类器、小波变换＋神经网络、支持向量机和其它方法五个方面进行复合扰动分类讨论。在多标签分类中，分别从分类思路、分类策略和标签相关性等方面对该方法进行了讨论。最后，分析了电能质量复合扰动识别目前存在的问题，对其研究进行了展望。关键词：电能质量；复合扰动；分类Ｒｅｖｉｅｗｏｆｐｏｗｅｒｑｕａｌｉｔｙｍｉｘｅｄｄｉｓｔｕｒｂａｎｃｅｓｉｄｅｎｔｉｆｉｃａｔｉｏｎ—ＬＩＵＺｈｉｇａｎｇ，ＺＨＡＮＧＱｉａｏ－ｇｅ，ＺＨＡＮＧＹａｎｇ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３ｌ，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｐｏｗｅｒｑｕａｌｉｔｙｍｉｘｅｄｄｉｓｔｕｒｂａｎｃｅｓａｒｅａｎａｌｙｚｅｄａｎｄｄｉｓｃｕｓｓｅｄｔｈｒｏｕｇｈｔｈｅｅｘａｍｐｌｅｓ．Ａｄｅｔａｉｌｅｄｒｅｖｉｅｗｏｆｐｏｗｅｒｑｕａｌｉｔｙｍｉｘｅｄｄｉｓｔｕｒｂａｎｃｅｓｉｄｅｎｔｉｆｉｃａｔｉｏｎｉｓｐｒｅｓｅｎｔｅｄ．Ｔｈｅｒｅｓｅａｒｃｈｍｅｔｈｏｄｓｏｆｐｏｗｅｒｑｕａｌｉｔｙｍｉｘｅｄｄｉｓｔｕｒｂａｎｃｅｓ——ｉｄｅｎｔｉｆｉｃａｔｉｏｎａｒｅｒｅｓｐｅｃｔｉｖｅｌｙｄｉｖｉｄｅｄｉｎｔｏｔｗｏｍａｊｏｒａｓｐｅｃｔｓｏｆｔｈｅｓｉｎｇｌｅｌａｂｅｌａｎｄｍｕｌｔｉｌａｂｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎｓ，ａｎｄｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｃｕｒｒｅｎｔｍｅｔｈｏｄｓａ—ｎｄｉｄｅａｓａｒｅｄｉｓｃｕｓｓｅｄ．Ｆｏｒｔｈｅｓｉｎｇｌｅｌａｂｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｆｉｖｅｃｌａｓｓｉｆｉｃａｔｉｏｎｉｄｅａｓ，ｉｎｃｌｕｄｉｎｇｄｉｒｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎ，Ｓｔｒａｎｓｆｏｒｍ＋ｃｌａｓｓｉｆｉｅｒ，ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ＋ｃｌａｓｓｉｆｉｅｒ，ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ＋ｎｅｕｒａｌｎｅｔｗｏｒｋ，ＳＶＭａｎｄｏｔｈｅｒｍｅｔｈｏｄｓ，ａｒｅｒｅｓｐｅｃｔｉｖｅｌｙ—ｄｉｓｃｕｓｓｅｄ．Ｆｏｒｔｈｅｍｕｌｔｉｌａｂｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎｓ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｉｄｅａ，ｓｔｒａｔｅｇｙ，ａｎｄｌａｂｅｌｃｏｒｒｅｌａｔｉｏｎａｒｅｄｉｓｃｕｓｓｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅａｎａｌｙｓｉｓｏｆｔｈｅｃｕｒｒｅｎｔｐｒｏｂｌｅｍｓｏｆｐｏｗｅｒｑｕａｌｉｔｙｍｉｘｅｄｄｉｓｔｕｒｂａｎｃｅｓｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄｉｔｓｐｒｏｓｐｅｃｔａｒｅｐｒｅｓｅｎｔｅｄ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．Ｕ１１３４２０５ａｎｄＮｏ．５１００７０７４）．Ｋｅｙｗｏｒｄｓ：ｐｏｗｅｒｑｕａｌｉｔｙ；ｍｉｘｅｄｄｉｓｔｕｒｂａｎｃｅｓ；ｉｄｅｎｔｉｆｉｃａｔｉｏｎ中图分类号：ＴＭ７１４文献标识码：Ａ—文章编号：１６７４３４１５（２０１３）１３－０１４６－０８０引言随着智能电网的发展，电力电子设备的广泛应用，电力系统的电能质量扰动问题越来越受到人们重视Ｊ。电能质量扰动分类问题是一个十分复杂的问题，由于实际电能质量扰动种类繁多，且扰动的信号差异不是十分明显，还存在着多种扰动复合的现象，为了避免人工从海量的监测数据中进行扰动分类，自动识别方法成为电能质量扰动研究中的重点内容。国内外许多学者对电能质量扰动的研究投入了极大热情，期刊论文不断增长Ｌ２Ｊ。目前，对于该问题大多集中于单一扰动的研究，已经形成了较基金项目：国家自然科学基金（Ｕ１１３４２０５，５１００７０７４）；教育部新世纪优秀人才支持计划项目（ＮＥＣＴ－０８－０８２５）；中央高校基本科研业务费专项资金资助项目（ＳＷＪＴＵ１１ＣＸｌ４１）为成熟的研究思路和实验方法。在国内外公开发表的大部分期刊论文中，基本上采用不同特征提取方法与分类器相结合的手段解决单一扰动分类问题。采用的思路主要包括从基于时域、频域和变换域进行特征分析，利用分类器进行特征量分类【３Ｊ。电能质量检测方法根据其分析角度的不同大致可以分为五类【４］：时域分析、频域分析、时频域分析、数理统计和人工智能。常用的分类器构造方法包括专家系统［６】、人工神经网络【７Ｊ、支持向量机［引、模糊分类【９Ｊ、模板匹配和其他方法【¨Ｊ等。实际电力系统中，电能质量扰动信号往往不是理想的单一扰动，而是以复合扰动形式存在。传统的模式识别框架下，各种扰动类别之间基本上是互斥和独立的，由于特征量的相互重叠和交叉，会给检测和分类带来极大的困难，如特征失效、分类精度下降、分类标签骤增、分类评价错误等。目前，刘志刚，等电能质量复合扰动分类的研究进展国内外关于复合扰动分类研究的文章还不多，大多是做出了一些有益的探索。本文主要通过分析电能质量复合扰动信号的特点，对其分类问题的研究现状进行综述，最后提出相应的研究展望。１电能质量复合扰动信号的特点分析复合扰动定义为：包含两种（含两种）以上单一扰动的电能质量扰动形式。复合扰动的组合形式①可以根据表１［１２］和表２Ｌ１３Ｊ中的划分形式进行考校：按表１所示分属暂态、稳态的情况除外，同一参数②不可能同时发生两种不同方式的突变；不同参数③可以同时发生突变；加性扰动的存在不受参数变化的限制。较为常见的复合扰动信号包括谐波与各种暂态扰动的复合、两种暂态扰动的复合、各种稳态扰动的复合等，且都有着各自的特点。表１电能质量扰动的暂态和稳态划分Ｔａｂｌｅ１Ｔｒａｎｓｉｅｎｔａｎｄｓｔｅａｄｙｓｔａｔｅｄｉｖｉｓｉｏｎｏｆｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｔｕｒｂａｎｃｅｓ类别扰动名称电压中断、电压骤降、电压骤升、振荡暂态、暂态扰动脉冲暂态电压波动、欠电压、过电压、频率偏差、稳态扰动电压切痕、谐波、间谐波表２电能质量扰动的参数突变划分Ｔａｂｌｅ２Ｐａｒａｍｅｔｅｒｍｕｔａｔｉｏｎｓｄｉｖｉｓｉｏｎｏｆｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓ类别扰动名称电压中断、电压骤降、电压骤升、电压波动、幅值扰动欠电压、过电压频率扰动频率偏差振荡暂态、脉冲暂态、电压切痕、谐波、加性扰动间谐波以谐波＋电压波动＋电压骤降＋振荡暂态为例说明复合扰动的特性，如图１所示。扰动参数设定：基波幅值为１００，二次谐波，谐波幅值ａ＝９，口，＝４，频率倍数ｍ＝７，ｍ，＝１１，初始相角＝Ｏ，，＝兀／２；电压波动幅度＝０．１，频率相对系数／２＝０．２２；电压骤降变化幅度＝０．５，扰动发生和结束时刻＝１２０ｍｓ，＾＝１８５ｍｓ；振荡暂态振荡最大幅度＝Ｏ．４，衰减系数ｃ＝５，波动频率相对系数＝１１，突变发生和结束时刻ｔｌ＝８５ｍｓ，＝１３５ｍｓ；采样频率为６．４ｋＨｚ，信号长度为２０个周期。从图１中可以看出，不同扰动的相互影响十分明显，如谐波和振荡暂态、电压骤降和电压波动，使时频域的特征发生改变。图１谐波＋电压波动＋电压骤降＋振荡暂态分析示意图Ｆｉｇ．１Ａｎａｌｙｓｉｓｃｕｒｖｅｓｏｆｈａｒｍｏｎｉｃ＋ｖｏｌｔａｇｅｆｌｕｃｔｕａｔｉｏｎｓ＋ｖｏｌｔａｇｅｓａｇ＋ｔｒａｎｓｉｅｎｔｏｓｃｉｌｌａｔｉｏｎ通过上面分析可知，电能质量复合扰动信号中，各种单一扰动之间存在着相互干扰，在时频域下的特征变得复杂多样。另外，随着电能质量复合扰动中信号种类的增加，其特征区别的明显程度逐渐降低，甚至完全消失和失效。２电能质量复合扰动的分类研究方法目前对于电能质量复合扰动分类问题的研究主要采用传统解决单一扰动识别的方法来考虑复合扰动。在这些研究中，一般均突出解决电能质量扰动识别问题的有效方法，归结为特征提取与分类策略的组合，且大多是针对规定好的单一扰动进行研究，对于电能质量识别问题的归类并没有做出讨论，也使得研究方法和评价体系的发展受到了阻碍和局限。随着模式识别领域的不断发展，大量的研究成果为解决电能质量问题提供了参考依据，我国学者周雒维等将电能质量复合扰动分类问题归结为多标签分类问题，这个概念最早出现于文本分类、生物学分类、医学诊断中，并且经过不断发展，形成一套成熟的理论体系和研究方法【Ｊ孓Ｊ。可以将解决单一扰动识别的方法称之为单标签分类方法，即一个分类对象对应一个标签，这样会导致标签非常之多；将利用分类对象同时属于多个标签的方法称之为多标签分类方法。２．１单标签分类方法该类方法的核心是直接利用传统的解决单一扰动识别的方法进行电能质量复合扰动的分类。该类方法的基本思路是：采用信号处理或数理统计理论电力系统保护与控制提取电能质量复合扰动的某些特征ｆ如：利用Ｓ变换和小波变换Ｌ１），根据这些特征对应不同的电能质量扰动类型进行单独或分层的分类，同时采用人工智能的相关分类方法（如：利用神经网络ｌ２ｏｌ和支持向量机仁）。将其分为五类：直接分类；ｓ变换＋分类器；小波变换＋神经网络；支持向量机和其它方法，其中第三类方法最为普遍。（１）直接分类文献［１３］从电量参数的角度将电能质量扰动划分为３类，在时域中构造了３个物理意义明确、不受其他扰动影响的特征量。该方法可以估计下跌与谐波、波动与谐波、谐波与振荡暂态、下跌与切痕等简单电能质量复合扰动的主要参数。文献［２２］在分析电能质量扰动信号的时域特征的基础上，提取了４个用于分类单一或电能质量复合扰动的特征量，并利用阈值选择进行了分类研究。此方法对稳态多扰动的识别率较高，对电压脉冲、瞬时高频振荡等持续时间很短的扰动不敏感，识别率较低，且复合扰动仅是两种单一扰动的叠加。文献［２３１在分析电能质量扰动Ｃｌａｒｋｅ变换和Ｐａｒｋ变换特性的基础，提取扰动的４个特征量，并利用这些特征量对５种单一扰动和６种复合扰动进行分类。该分类方法主要根据时间和４个特征量判断电能质量复合扰动中相关单一扰动是否存在，再根据单一扰动的特性进行分类，其复合扰动仅是两种单一扰动的叠加。（２）Ｓ变换十分类器文献［２４］采用ｓ变换提取扰动信号的特征信息，利用Ｍｅｒｃｅｒ核的聚类方法进行聚类分析，构建动态的支持向量机分类决策树，实现分类标签的自动增长和扰动类型的自动识别。文献［２５］提出一种基于Ｓ变换支持向量回归（ＳｕｐｐｏｒｔＶｅｃｔｏｒＲｅｇｒｅｓｓｉｏｎ，ｓｖａ）方法进行单一和复合扰动的预测。其思路是首先利用Ｓ变换提取复合扰动的特征，再用ＳＶＲ预测复合扰动的种类，论文分类的三种主要类型包括：与基本成分相关的扰动，如电压暂升、暂降、中断；其他扰动，如谐波、电压切痕、暂态等；早期故障等。文献［２６］提出一种Ｓ变换与神经网络相结合的复合扰动分类方法。该方法利用ｓ变换提供独立的频率分辨率，同时能定位信号的实部和虚部的频谱，将扰动信号的时频域特征分别输入到前馈神经网络和概率神经网络中进行分类。文中对电压暂降与谐波的复合扰动以及电压暂升与谐波的复合扰动进行了识别，但效果均不及单一扰动的识别好。文献［２７１利用ｓ变换对暂态多扰动信号进行时频分析，提取扰动信号的特征量，生成用于对暂态多扰动信号进行分类的决策树分类辨识方法，以此来实现对暂态多扰动信号的分类辨识。文献［２８］提出了一种基于Ｓ变换、加窗插值快速傅里叶变换和概率神经网络的电能质量扰动检测和分类方法。该方法应用Ｓ变换和加窗插值快速傅里叶变换对电能质量多扰动信号进行时频分析，获取信号特征量，输入到概率神经网络用于复合扰动的分类。（３）小波变换＋神经网络文献【２９］提出一种识别电能质量复合扰动的新方法。该方法首先对滤波后的信号进行小波变换，利用Ｔｅａｓｅｒ能量算子判断信号是否发生了频率波动、电压暂降、电压暂升或电压中断等扰动，采用Ｐｒｏｎｙ算法分析去除低频分量后的其他分量，判断信号是否包含有谐波、间谐波或振荡暂态等扰动，最后对高频分量进行扰动起止时刻与加窗扰动能量计算，判断信号是否发生了脉冲暂态扰动或电压缺口扰动。文献［３０］利用小波变换与神经网络对电压暂降与谐波、电压暂升与谐波两种复合信号进行了分类研究，分类方法采用标准熵和多层神经网络感知器结合的方法。文献『３１１提出一种白适应结构神经网络进行复合扰动分类方法。首先利用小波变换提取电压暂升、暂降、中断、脉冲、谐波及闪变的特征，并利用幅值检测器、暂态检测器与神经网络对多种扰动进行了分类。文献［３２］＊１ｊ用离散小波变换提取扰动信号的多种特征，采用主成分分析法对信号最有特征进行选择，再将最优特征输入至小波神经网络，对８类单一扰动及８类复合扰动进行了分类识别。文献［３３］提出一种利用多神经网络的改进复合扰动分类器。首先通过小波变换获得小波系数，再利用主成分分析方法降低输入空间的维数，最后利用多个不同结构的神经网络进行复合扰动分类。文献［３４１提出一种基于小波变换和概率神经网络的复合扰动分类系统。小波变换用于提取特征向量，特征向量由小波系数在每层上被划分为５个等长的二进制目标文件组成，然后输入概率神经网络进行分类。文献『３５１提出一种结合小波变换和动态结构神经网络的复合扰动分类方法。该方法利用小波变换提出扰动波形，输入动态结构神经网络进行扰动分类，可以估算扰动信号的幅值，识别在电能质量中同时存在的暂态和稳态复合扰动。文献［３６］在实际测量系统中实现了文献［３５１中小波变换和结构动态测量结合的分类方法，进行了复合扰动（如单干扰，双干扰和多干扰）的多种电能质量扰动的神经网络集成，并开发了相关程序。（４）支持向量机文献［３７］提出一种小波多分类支持向量机的集成模型，其主要思路是结合线性支持向量机与扰动．刘志刚，等电能质量复合扰动分类的研究进展．１４９．正常（Ｄｉｓｔｕｒｂａｎｃｅｓ．ｖｅｒｓｕｓ．ｎｏｒｍａ１）方法，形成一种新的支持向量机分类方法，用于电能质量复合扰动的分类和识别，并与基于小波的多层感知神经网络进行比较。文献［３８］针对支持向量机的两分类问题，—提出基于一对－－（Ｏｎｅ．ｖｅｒｓｕｓｏｎｅ）方法的支持向量机方法，用于解决复合扰动的分类问题，并与神经网络方法进行了仿真对比。但是这两种方法没有考虑多标签分类中各单类别之间的相关性。文献［４０１提出利用独立分量分析和支持向量机结合的一种嵌入式电能质量监视系统，该系统能够分类多重的电能质量扰动。文献［４１］尝试利用高斯核优化特征向量以改善支持向量机的整体性能，并用于电能质量扰动的分类。其思路是利用小波变换提取扰动信号特征，再利用模糊离散调和搜索（Ｆｕｚｚｉｆｉｅｄｄｉｓｃｒｅｔｅｈａｒｍｏｎｙｓｅａｒｃｈ）选择最优分类特征，最后利用支持向量机进行分类。文献［４２】采用多类分类支持向量机（ＯｈｉｏＳｔａｔｅＵｎｉｖｅｒｓｉｔｙＳＶＭ，ＯＳＵＳＶＭ）进行电能质量扰动的分类识别，利用傅里叶变换和小波变换对产生的样本波形进行特征提取，将特征量输入到ＯＳＵＳＶＭ进行电能质量扰动多类分类。（５）其它方法除了利用Ｓ变换、小波变换、神经网络和支持向量机进行电能质量复合扰动的分类外，还有一些其它方法。如：文献［４３］利用一种非监督学习方法．独立分量分析法对复合扰动进行了分解，并利用高阶累量和人工神经网络进行了电能质量复合扰动的识别。文献［４４１提出了－－￣ｏｏ基于动态时间规整算法（Ｄｙｎａｍｉｃｔｉｍｅｗａｒｐｉｎｇ）的电能质量复合扰动分类方法。该方法利用矢量量化和快速匹配技术加速分类过程，利用Ｗａｌｓｈ变换和快速傅里叶变换提取特征，并与传统神经网络和模糊逻辑分类器进行仿真结果比较。文献［４５１将独立分量分析方法应用于从电能质量复合扰动中的分类单一扰动。文献［４６】采用解调概念分离不同单一和电能质量复合扰动，利用幅值调制、频率调制和ＭＵＳＩＣ谐波分析构造知识基，利用模糊乘积聚合推理准则（Ｆｕｚｚｙｐｒｏｄｕｃｔａｇｇｒｅｇ￣ｉｏｎｒｅａｓｏｎｉｎｇｒｕｌｅ）分类电能质量复合扰动。文献『４７１基于专门神经网络（Ｓｐｅｃｉａｌｉｚｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｓ）提出一种自动分类系统用于电能质量复合扰动分类。这里的专门神经网络是指：利用陷波滤波器处理采集的扰动电压信号，将滤波后的信号进行预处理，最后进行神经网络的分类。文献［４８］提出了一种新的电能质量分层分类识别新方法。该方法通过ｄｑ变换、广义形态滤波、傅里叶变换提取出扰动的幅值、时间、频域奇异熵等特征并对其进行分类，依据各层分类结果对信号的扰动类型进行综合识别。文献『４９］提出了一种基于聚类经验模态分解（ＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ）的希尔伯特．黄变换（Ｈｉｌｂｅ￣．ＨｕａｎｇＴｒａｎｓｆｏ１＂１１１，ＨＨＴ）电能质量扰动检测方法。该方法采用ＥＥＭＤ对扰动信号进行分解，对电压骤升、电压骤降、电压中断、暂态振荡、暂态脉冲以及复合扰动进行了分析，通过瞬时频率准确定位扰动时刻，利用瞬时幅值对扰动进行定量描述。２．２多标签分类方法电能质量扰动识别问题是一个典型的模式识别问题，许多学者发现电能质量复合扰动识别问题呈现出了一种极为特殊的性质，而这种性质在文本识别、语音识别、医学诊断场景下已经被人们所关注，问题中的单个对象可以同时属于多个类别，这就打破的传统的模式识别规则，这类问题被命名为多标…签分类问题【５。文献［１４付旨出，电能质量扰动分类是一个多标签问题，而用于解决多标签问题的策略包括直接分类法、两类分类法、排位分类法。前面提及的方法大多为直接分类法，这一类方法的最大问题是随着复合扰动种类的增加，分类标签就会几何倍数的增长，分类器复杂度和计算量将不能被接受。文献［３７］实质为两类分类法，其策略则是将复合扰动分类问题分解为多个２分类问题，进而通过每个分类器输出的组合达到识别复合扰动的目的，这类方法的问题在于没有考虑标签之间的相关性。第三种排位分类法源白于医学、图像等分类的方式，这类方法的优势在于可以充分考虑标签之间的相关性，并且使得输出结果更富有实际意义。文献［１４，５１１在这方面做出了尝试，分别提出了多标签分类排位分类算法ｋ．邻近贝叶斯多标签分类法和基于Ｃ聚类排位的ＲＢＦ多标签神经网络分类法，并将多标签分类器的评价标准引入到电能质量复合扰动分类中，实验结果证实了方法的适用性和有效性。此外，还有一些近似为多标签分类的方法，如文献［５２］通过对电能质量信号的时频域特性进行分析，获得各种单一扰动的相互关系，利用组合方法提取一组有效的特征量，输入到自行构造的自动识别系统进行分类，取得了不错的效果，可以看作是多标签分类的另一种策略。解决多标签分类问题的关键在于有效利用标签之间的相关性，根据对相关性利用的方式不同，分①类方法可以分为三个发展阶段：第一阶段是将问题分解为多个二分类问题，但忽略了标签之间相关性，其特点是简单易行、效果不佳，典型代表为多②标签ｋ邻近（ｋ．ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒ，ＫＮＮ）方法ｐｌｊＪ；第二阶段是基于排位思想的分类策略，对相关和无关电力系统保护与控制标签进行排序，考虑这两类标签之间的相互作用，该类方法是目前的主流研究方向，典型代表有排位支持向量机（Ｒａｎｋ．ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，Ｒａｎｋ．ＳＶＭ）、多标签ＢＰ神经网络【】、多标签ＲＢＦ③神经网络等【ｌ６Ｊ；第三阶段，综合考虑各个标签之间的相互关联性，是解决多标签问题的理想方法，却面临着维数灾和模型复杂度过高等问题ｌ５。３结束语电能质量复合扰动的分类问题相比与传统单一扰动识别具有较大的难度，其主要问题在于不同单一扰动特征量的相互重叠、交叉和影响。因此，对于电能质量复合扰动正确分类的重点在于不同特征量耦合的分离与新特征量的提取。如：利用独立分量分析、时频分析和信号处理等手段实现特征提取。对识别方法的来说，如何选择方法的评价标准十分重要，应当考虑以下三个方面。（１）分类方法普适性：用于电能质量复合扰动分类的方法也应该适合于电能质量单一扰动的分类；（２）特征量有效性：提取特征量时，复合扰动的特征量不同于单一扰动，由于各种单一扰动并非简单的线性叠加，其时频特征均会发生改变；特征量的适用性应加以考虑，在某些情况下特征量会发生失效，例如在基波存在幅值扰动时，信号的功率谱就会被污染等。（３）评价指标合理性：电能质量复合扰动分类方法的评价指标与单一扰动分类有很大不同，为了保证分类结果直观性，按照样本整体分类准确率评价的传统方法仍有一定意义的；另外，需要加入新的评价标准，以衡量分类方法的全面性和均衡性。另外，在多标签分类应用于电能质量复合扰动分类方面，一般采用神经网络、贝叶斯估计、支持向量机等与多标签排位器结合，但在多标签分类方法、评价指标和实际验证等方面还存在一些问题。如：多标签分类问题实际上是一个多分类问题，而ＳＶＭ方法实际上是一个二分类方法，在解决此类样本分类问题中相较于神经网络、贝叶斯等方法要困难的多，如何利用ＳＶＭ的诸多概念如结构风险、超平面、分类间隔等，来构造合理的排位器和闽值分类器，是今后值得研究和解决的问题。参考文献［１］李兴源，魏巍，王渝红，等．坚强智能电网发展技术的研究ｆＪ］．电力系统保护与控制，２００９，３７（１７）：１－７．ＬＩＸｉｎｇ－ｙｕａｎ，ＷＥＩＷｅｉ，ＷＡＮＧＹｕ－ｈｏｎｇ，ｅｔａ１．Ｓｔｕｄｙｏｎｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄｔｅｃｈｎｏｌｏｇｙｏｆｓｔｒｏｎｇｓｍａｒｔｇｒｉｄ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２００９，３７（１７）：１－７．［２］ＷａｅｌＲ，ＩｂｒａｈｉｍＡ，ＭｏｒｃｏｓＭＭ．Ａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅａｎｄａｄｖａｎｃｅｄｍａｔｈｅｍａｔｉｃａｌｔｏｏｌｓｆｏｒｐｏｗｅｒｑｕａｌｉｔｙａｐｐｌｉｃａｔｉｏｎｓ：ａｓｕｒｖｅｙ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰｏｗｅｒＤｅｌｉｖｅｒｙ，—２００２，２１（２）：６３４６３９．［３］张斌，刘晓川，许之晗．基于变换的电能质量分析方法［Ｊ］．电网技术，２００１，２５（１）：２６・２９．—ＺＨＡＮＧＢｉｎ，ＬＩＵＸｉａｏ－ｃｈｕａｎ，ＸＵＺｈｉｈａｎ．—Ｔｒａｎｓｆｏｒｍａｔｉｏｎｂａｓｅｄａｎａｌｙｓｉｓｍｅｔｈｏｄｏｆｐｏｗｅｒｑｕａｌｉｔｙ［Ｊ】．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２００１，２５（１）：２６．２９．［４］胡铭，陈珩．电能质量及其分析方法综述【Ｊ］．电网技术，２０００，２４（２）：３６－３８．ＨＵＭｉｎｇ，ＣＨＥＮＹａｎ．Ｓｕｒｖｅｙｏｆｐｏｗｅｒｑｕａｌｉｔｙａｎｄｉｔｓａｎａｌｙｓｉｓｍｅｔｈｏｄｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０００，２４（２）：３６－３８．［５］易吉良，彭建春，谭会生．Ｓ变换在电能质量扰动分析中的应用综述［Ｊ］．电力系统保护与控制，２０１１，３９（３）：１４１．１４７．—ＹＩＪｉｌｉａｎｇ，ＰＥＮＧＪｉａ——ｎｃｈｕｎ，ＴＡＮＨｕｉｓｈｅｎｇ．Ｓｕｒｖｅｙｏｎｒｅｓｅａｒｃｈｍｅｔｈｏｄｏｆｐｏｗｅｒｑｕａｌｉｔｙａｎａｌｙｓｉｓａｎｄｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｅ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１１，—３９（３）：１４１１４７．［６］ＲｅａｚＭＢＩ，ＣｈｏｏｎｇＳｕｌａｉｍａｎＭＳ，ｅｔａ１．Ｅｘｐｅｒｔｓｙｓｔｅｍｆｏｒｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｃｌａｓｓｉｆｉｅｒ［Ｊ］．ＩＥＥＥ—ＴｒａｎｓｏｎＰｏｗｅｒＤｅｌｉｖｅｒｙ，２００７，２２（３）：１９７９１９８８．—［７］Ｃｈｉｕｎｇ－ＣｈｏｕＬ．ＨｏｎｇＴｚｅｒＹＲｅｃｏｇｎｉｚｉｎｇｎｏｉｓｅ－ｉｎｆｌｕｅｎｃｅｄｐｏｗｅｒｑｕａｌｉｔｙｅｖｅｎｔｓｗｉｔｈｉｎｔｅｇｒａｔｅｄｆｅａｔｕｒｅ—ｅｘｔｒａｃｔｉｏｎａｎｄｎｅｕｒｏｆｕｚｚｙｎｅｔｗｏｒｋ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰｏｗｅｒＤｅｌｉｖｅｒｙ，２００９，２４（４）：２１３２－２１４１．［８］俞晓冬，周栾爱．基于改进ＳＶＭ模型的电能质量扰动分类［Ｊ】．电力系统保护与控制，２０１０，３８（３）：１５－１９．ＹＵＸｉａｏ－ｄｏｎｇ，ＺＨＯＵＬｕａｎ・ａｉ．ＣｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＶＭｍｏｄｅｌ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，—３８（３）：１５１９．［９］张明，李开成，胡益胜．基于多域特征提取和自适应神经．模糊推理系统的电能质量扰动识别［Ｊ］．电力系统保护与控制，２０１１，３８（２４）：６－１３．ＺＨＡＮＧＭｉｎｇ，ＬＩＫａｉ－ｃｈｅｎｇ，ＨＵＹｉ－ｓｈｅｎｇ．Ｐｏｗｅｒ—ｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｍｕｌｔｉｄｏｍａｉｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄＡＮＦＩＳ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１１，３８（２４）：６－１３．［１０］易吉良，彭建春．基于广义ｓ变换的短时电能质量扰刘志刚，等电能质量复合扰动分类的研究进展动的模糊模式识别【Ｊ】．电力系统保护与控制，２００８，３６（２２）：２０－２４．—ＹＩＪｉ－ｌｉａｎｇ．ＰＥＮＧＪｉａｎｃｈｕｎ．ＳｈｏｒｔｄｕｒａｔｉｏｎｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｆｕｚｚｙｐａＲｅｍｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｇｅｎｅｒａｌｉｚｅｄＳ－ｔｒａｎｓｆｏｒｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２００８，３６（２２）：２０２４．［１１］王宗耀，范莉，苏浩益．基于广义Ｓ变换的短时电能质量扰动的模糊模式识别［Ｊ】．电力系统保护与控制，２０１２，４０（３）：４１・４５，５０．——ＷＡＮＧＺｏｎｇｙａｏ，ＦＡＮＬｉ，ＳＵＨａｏｙｉ．Ａｃｏｍｐｒｅｈｅｎｓｉｖｅｐｏｗｅｒｑｕａｌｉｔｙｅｖａｌｕａｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｉｎｔｅｒｖａｌｎｕｍｂｅｒｔｈｅｏｒｙ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，—４０（３）：４１４５，５０．［１２］ＴｒａｎｓｍｉｓｓｉｏｎａｎｄＤｉｓｔｒｉｂｕｔｉｏｎＣｏｍｍｉｔｔｅｅｏｆｔｈｅＩＥＥＥ—Ｐｏｗｅｒ＆ＥｎｅｒｇｙＳｏｃｉｅｔｙ．ＩＥＥＥＳｔｄ．１１５９２０Ｏ９ＩＥＥＥｒｅｃｏｍｍｅｎｄｅｄｐｒａｃｔｉｃｅｆｏｒｍｏｎｉｔｏｒｉｎｇｅｌｅｃｔｒｉｃｐｏｗｅｒｑｕａｌｉｔｙ［Ｓ】．ＮｅｗＹｏｒｋ：ＴｈｅＩｎｓｔｉｔｕｔｅｏｆＥｌｅｃｔｒｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｓ，Ｉｎｃ，２００９．［１３］冯宇，唐轶，吴夕科．采用电量参数分析方法的电能质量扰动参数估计［Ｊ】＿中国电机工程学报，２００９，—２９（１６）：１００１０７．ＦＥＮＧＹｕ，ＴＡＮＧＹｉ，ＷＵＸｉ－ｋｅ．Ｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄｏｆｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｂａｓｅｄｏｎｅｌｅｃｔｒｉｃａｌｐａｒａｍｅｔｅｒｓａｎａｌｙｓｉｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００９，２９（１６、：１００－１０７．［１４］周雒维，管春，卢伟国．多标签分类法在电能质量复合扰动分类中的应用［Ｊ］＿中国电机工程学报，２０１１，—３１（４）：４５５０．—ＺＨＯＵＬｕｏ－ｗｅｉ，ＧＵＡＮＣｈｕｎ，ＬＵＷｅｉｇｕｏ．Ａｐｐｌｉｃａｔｉｏｎｏｆｍｕｌｔｉ－ｌａｂｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｔｏｃａｔａｇｏｒｉｚａｔｉｏｎｏｆｍｕｌｔｉｐｌｅｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１１，３１（４）：４５－５０．—［１５］ＢｏｕｔｅｌｌＭＬｕｏＪ，ＳｈｅｎＸ，ｅｔａ１．Ｌｅａｒｎｉｎｇｍｕｌｔｉｌａｂｅｌｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＰａｔｔｅｍＲｅｃｏｇｎｉｔｉｏｎ，２００４，３７（９）：１７５７．１７７１．［１６］ＺｈａｎｇＭＬ．ＭＬ．ＲＢＦ：ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒ—ｍｕｌｔｉｌａｂｅｌｌｅａｒｎｉｎｇ［Ｊ］．ＮｅｕｒａｌＰｒｏｃｅｓｓｉｎｇＬｅｔｔｅｒｓ，２００９，—２９（２）：６１７４．［１７］ＤａｓｈＰＫ，ＰａｎｉｇｒａｈｉＢＫ，ＰａｎｄａＧＰｏｗｅｒｑｕａｌｉｔｙａｎａｌｙｓｉｓｕｓｉｎｇＳ－ｔｒａｎｓｆｏｒｍ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰｏｗｅｒＤｅｌｉｖｅｒｙ，２００３，１８（２）：４０６－４１１．［１８］ＢａｒｒｏｓＪｕｌｉｏ，ＤｉｅｇｏＲＩ，ｄｅＡｐｒｆｉｉｚＭ．Ａｐｐｌｉｃａｔｉｏｎｓｏｆｗａｖｅｌｅｔｓｉｎｅｌｅｃｔｒｉｃｐｏｗｅｒｑｕａｌｉｔｙ：ｖｏｌｔａｇｅｅｖｅｎｔｓ［Ｊ］．—ＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓＲｅｓｅａｒｃｈ，２０１２，８８：１３０１３６．［１９］ＳａｎｔｏｓｏＳ，ＰｏｗｅｒｓＥＪ，ＧｒａｄｙＷＭ，ｅｔａ１．Ｐｏｗｅｒｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔｖｉａｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰｏｗｅｒＤｅｌｉｖｅｒｙ，１９９６，１１（２）：９２４－９３０．［２０］ＳａｎｔｏｓｏＳ，ＰｏｗｅｒｓＥＪ，ＧｒａｄｙＷＭ，ｅｔａ１．Ｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｗａｖｅｆｏｒｍｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｗａｖｅｌｅｔ－ｂａｓｅｄｎｅｕｒａｌｃｌａｓｓｉｆｉｅｒ－ｐａｒｔ１：ｔｈｅｏｒｅｔｉｃａｌｆｏｕｎｄａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰｏｗｅｒＤｅｌｉｖｅｒｙ，２０００，１５（１）：２２２－２２８．［２１］ＪａｎｉｋＬｏｂｏｓＡｕｔｏｍａｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｐｏｗｅｒ－ｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｕｓｉｎｇＳＶＭａｎｄＲＢＦｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰｏｗｅｒＤｅｌｉｖｅｒｙ，２００６，２１（３）：１６６３．１６６９．［２２］唐轶，刘吴，方永丽．基于时域特征分析的电能质量—扰动分类【ＪＪ．电力系统自动化，２００８，３２（１７）：５０５４．ＴＡＮＧＹｉ，ＬＩＵＨａｏ，ＦＡＮＧＹｏｎｇ－ｌｉ．Ａｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅａｎａｌｙｓｉｓｉｎｔｉｍｅｄｏｍａｉｎ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２００８，３２（１７）：５０－５４．［２３］刘昊，唐轶，冯宇，等．基于时域变换特性分析的电能质量扰动分类方法［Ｊ］＿电工技术学报，２００８，２３（１１）：１５９．１６５．ＬＩＵＨａｏ，ＴＡＮＧＹｉ，ＦＥＮＧＹｕ，ｅｔａ１．Ａｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｔｉｍｅｄｏｍａｉｎｔｒａｎｓｆｏｒｍｃｈａｒａｃｔｅｒｉｓｔｉｃａｎａｌｙｓｉｓ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓｏｆ—ＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２００８，２３（１１）：１５９１６５．［２４］占勇，程浩忠．电能质量复合扰动分类识别［Ｊ］．电力自动化设备，２００９，２９（３）：９３－９７．—ＺＨＡＮＹＯｎｇ，ＣＨＥＮＧＨａｏｚｈｏｎｇ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｐｏｗｅｒｑｕａｌｉｔｙｃｏｍｐｌｅｘｄｉｓｔｕｒｂａｎｃｅｓ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＡｕｔｏｍａｔｉｏｎＥｑｕｉｐｍｅｎｔ，２００９，２９（３）：９３・９７．［２５］ＦａｉｓａｌＭＦ＇ＭｏｈａｍｅｄＡ，ＨｕｓｓａｉｎＡ，ｅｔａ１．ＳｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎｂａｓｅｄＳ－ｔｒａｎｓｆｏｒｍｆｏｒｐｒｅｄｉｃｔｉｏｎｓｉｎｇｌｅａｎｄｍｕｌｔｉｐｌｅｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓ［Ｊ］．ＥｕｒｏｐｅａｎＪｏｕｒｎａｌｏｆＳｃｉｅｎｔｉｆｉｃＲｅｓｅａｒｃｈ，２００９，３４（２）：２３７－２５１．［２６］ＬｅｅＩＷＣ，ＤａｓｈＰＫ．Ｓ－ｔｒａｎｓｆｏｒｍ－ｂａｓｅｄｉｎｔｅｌｌｉｇｅｎｔｓｙｓｔｅｍｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｉｇｎａｌｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎｉｃｓ，２００３，—５０（４）：８００８０５．［２７］岳明道．基于ｓ变换和分类树的电网暂态电能质量扰动分类辨识【Ｊ】．电力系统保护与控制，２０１１，３９（９）：３２．３７．ＹＵＥＭｉｎｇ－ｄａｏ．ＴｒａｎｓｉｅｎｔｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｉｎｇｒｉｄｂａｓｅｄｏｎＳｔｒａｎｓｆｏｒｍａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｔｒｅｅｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１１，３９（９）：３２３７．［２８］唐求，王耀南，郭斯羽，等．基于Ｓ变换与傅里叶变换的电能质量多扰动分类识别［Ｊ］．湖南大学学报：自然．１５２．电力系统保护与控制科学版，２００９，３６（４）：３８．４２．—ＴＡＮＧＱｉｕ，ＷＡＮＧＹａｏｎａｎ，ＧＵＯＳｉ－ｙｕ，ｅｔａ１．ＰｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＳｔｒａｎｓｆｏｒｍ［３７］ａｎｄＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｕｎａｎＵｎｉｖｅｒｓｉｔｙ：ＮａｔｕｒａｌＳｃｉｅｎｃｅ，２００９，３６（４）：３８－４２．［２９］赵静，何正友，钱清泉．一种识别混合电能质量扰动的新方法［Ｊ］．电力系统自动化，２０１１，３５（３）：７１．７６．［３８］ＺＨＡＯＪｉｎｇ，ＨＥＺｈｅｎｇ・ｙｏｕ，ＱＩＡＮＱｉｎｇ－ｑｕａｎ．Ａｎｏｖｅｌｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｆｏｒｍｉｘｅｄｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，—２０１１，３５（３）：７１７６．［３０］ＭｕｒａｔＵｙａｒａ，ＳｅｌｃｕｋＹｉｌｄｉｒｉｍａ，ＭｕｈｓｉｎＴｕｎａｙ［３９］—Ｇｅｎｃｏｇｌｕｂ．Ａｎｅｆｆｅｃｔｉｖｅｗａｖｅｌｅｔｂａｓｅｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｉｇｎａｌｓ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓＲｅｓｅａｒｃｈ，２００８，—７８（１０）：１７４７１７５５．［４０］——［３１］ＬｕＹｅｎＬｉｎｇ，ＣｈｕａｎｇＣｈｅｎｇＬｏｎｇ，ＦａｈｎＣｈｉｎ－Ｓｈｙｕｒｎｇ，ｅｔａ１．Ｍｕｌｔｉｐｌｅｄｉｓｔｕｒｂａｎｃｅｓｃｌａｓｓｉｆｉｅｒｆｏｒｅｌｅｃｔｒｉｃｓｉｇｎａｌｓｕｓｉｎｇａｄａｐｔｉｖｅｓｔｒｕｃｔｕｒｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＭｅａｓｕｒｅｍｅｎｔＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２００８，１９（７）：７－１１．［３２］ＭａｓｏｕｍＭＡＳ，ＪａｍａｌｉＳ，ＧｈａｆｆａｒｚａｄｅｈＮ．Ｄｅｔｅｃｔｉｏｎ［４１］ａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｕｓｉｎｇｄｉｓｃｒｅｔｅｗａｖｅｌｅｔａｎｄｗａｖｅｌｅｔｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＴＳｃｉｅｎｃｅ，—Ｍｅａｓｕｒｅｍｅｎｔ＆Ｔｅｃｈｎｏｌｏｇｙ，２０１０，４（４）：１９３２０５．１３３ＪＬｉｒａＭＭＳ，ｄｅＡｑｕｉｎｏＲＲＢ，ＦｅｒｒｅｉｒａＡＡ，ｅｔａ１．Ｉｍｐｒｏｖｉｎｇｄｉｓｔｕｒｂａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｂｙｃｏｍｂｉｎｉｎｇ［４２］ｍｕｌｔｉｐｌｅａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｃ】／／ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ，Ｖａｎｃｏｕｖｅｒ，——Ｃａｎａｄａ，Ｊｕｌｙ１６２１，２００６：３４３６３４４２．［３４］ＨＵＷｅｉ－ｂｉｎｇ，ＬＩＫａｉ－ｃｈｅｎｇ，ＺＨＡＯＤａｎｇ－ｊｕｎ．Ａｎｏｖｅｌｐｒｏｂａｂｉｌｉｓｔｉｃｎｅｕｒａｌｎｅｔｗｏｒｋｓｙｓｔｅｍｆｏｒｐｏｗｅｒｑｕａｌｉｔｙｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｄｉｆｆｅｒｅｎｔｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２００７ＩｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ［４３］ＷａｖｅｌｅｔＡｎａｌｙｓｉｓａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２－４Ｎｏｖ．２００７，２：７４６－７５０．——［３５］ＣｈｕａｎｇＣｈｅｎｇＬｏｎｇ，ＬｕＹｅｎ－Ｌｉｎｇ，ＨｕａｎｇＴｓｏｎｇＬｉａｎｇ．ＲｅｃｏｇｎｉｔｉｏｎｏｆｍｕｌｔｉｐｌｅＰＱｄｉｓｔｕｒｂａｎｃｅｓｕｓｉｎｇ—ｗａｖｅｌｅｔｂａｓｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｓ－ｐａｒｔ１：ｔｈｅｏｒｅｔｉｃａｌｉｎｔｒｏｄｕｃｔｉｏｎ［Ｃ】／／２００５ＩＥＥＥ／ＰＥＳＴｒａｎｓｍｉｓｓｉｏｎａｎｄ［４４］ＤｉｓｔｒｉｂｕｔｉｏｎＣｏｎｆｅｒｅｎｃｅ＆Ｅｘｈｉｂｉｔｉｏｎ：ＡｓｉａａｎｄＰａｃｉｆｉｃＤａｌｉａｎ，Ｃｈｉｎａ．——［３６］ＣｈｕａｎｇＣｈｅｎｇＬｏｎｇ，ＬｕＹｅｎ・Ｌｉｎｇ，ＨｕａｎｇＴｓｏｎｇＬｉａｎｇ．ＲｅｃｏｇｎｉｔｉｏｎｏｆｍｕｌｔｉｐｌｅＰＱｄｉｓｔｕｒｂａｎｃｅｓｕｓｉｎｇ［４５］—ｗａｖｅｌｅｔ－ｂａｓｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｓｐａｒｔ２：ｉｍｐｌｅｍｅｎｔａｔｉｏｎａｎｄａｐｐｌｉｃａｔｉｏｎｓ［Ｃ］／／２００５ＩＥＥＥ／ＰＥＳＴｒａｎｓｍｉｓｓｉｏｎａｎｄＤｉｓｔｒｉｂｕｔｉｏｎＣｏｎｆｅｒｅｎｃｅ＆Ｅｘｈｉｂｉｔｉｏｎ：ＡｓｉａａｎｄＰａｃｉｆｉｃＤａｌｉａｎ，Ｃｈｉｎａ．ＬｉｎＷＭ，ＷｕＣＨ，ＬｉｎＣＨ，ｅｔａ１．Ｄｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｍｕｌｔｉｐｌｅｐｏｗｅｒ－ｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｗｉｔｈｗａｖｅｌｅｔｍｕｌｔｉｃｌａｓｓＳＶＭ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰｏｗｅｒ—Ｄｅｌｉｖｅｒｙ，２００８，２３（４）：２５７５２５８２．ＬｉｎＷＭ，ＷｕＣＨ，ＬｉｎＣＨ，ｅｔａ１．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｍｕｌｔｉｐｌｅｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｕｓｉｎｇｓｕｐｐｏ￣ｖｅｃｔｏｒ—ｍａｃｈｉｎｅａｎｄｏｎｅｖｅｒｓｕｓ－ｏｎｅａｐｐｒｏａｃｈ［Ｃ】／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，Ｃｈｏｎｇｑｉｎｇ，Ｃｈｉｎａ，２００６．—ＺｈａｎｇＭＬ，ＺｈｏｕＺＨ．Ｍｕｌｔｉｌａｂｅｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｗｉｔｈａｐｐｌｉｃａｔｉｏｎｓｔｏｆｕｎｃｔｉｏｎａｌｇｅｎｏｍｉｃｓａｎｄｔｅｘｔｃａｔｅｇｏｒｉｚａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＫｎｏｗｌｅｄｇｅａｎｄＤａｔａ—Ｅｎｇｉｎｅｅｒｉｎｇ，２００６，１８（１０）：１３３８１３５１．ＭａｒｔａＲｕｉｚ－Ｌｌａｔａ，ＧｕｉｌｌｅｒｍｏＧｕａｍｉｚｏ，ＣａｒｌｏｓＢｏｙａ．ＥｍｂｅｄｄｅｄｐｏｗｅｒｑｕａｌｉｔｙｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｂａｓｅｄｏｎｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｎｄＳＶＭｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ，ＳａｎＪｏｓｅ，ＵＳＡ，Ｊｕｌｙ３１－Ａｕｇｕｓｔ５，２０１１．ＭｏｈａｐａｔｒａＡｎｋｉｔａ，ＳｉｎｈａＳＫ，ＰａｎｉｇｒａｈｉＢＫ，ｅｔａ１．Ｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎａｎｄａｃｃｕｒａｔｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｓｉｎｇｌｅａｎｄｍｕｌｔｉｐｌｅｐｏｗｅｒｑｕａｌｉｔｙｅｖｅｎｔｓ［Ｃ】／／Ｉｎｔｅｒｎａｔｉｏｎａｌ—ＣｏｎｆｅｒｅｎｃｅｏｎＥｎｅｒｇｙ，Ａｕｔｏｍａｔｉｏｎ，ａｎｄＳｉｇｎａｌ，２８３０—Ｄｅｃ，２０１１：１６．陈春玲，许童羽，郑伟，等．多类分类ＳＶＭ在电能质量扰动识别中的应用【Ｊ］．电力系统保护与控制，２０１０，３８（１３、：７４－７８．——ＣＨＥＮＣｈｕｎｌｉｎｇ，ＸＵＴｏｎｇｙｕ，ＺＨＥＮＧＷｅｉ，ｅｔａ１．—ＡｐｐｌｉｃａｔｉｏｎｏｆｍｕｌｔｉｃｌａｓｓｃｌａｓｓｉｆｉｃａｔｉｏｎＳＶＭｉｎｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（１３）：７４７８．ＬｉｍａＭＡＡ，ＦｅｒｒｅｉｒａＤＤ，ＣｅｒｑｕｅｉｒａＡＳ，ｅｔａ１．ＳｅｐａｒａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｏｆｍｕｌｔｉｐｌｅＰＱｄｉｓｔｕｒｂａｎｃｅｓｕｓｉｎｇｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｃ］／／１３ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＨａｒｍｏｎｉｃｓａｎｄＱｕａｌｉｔｙｏｆＰｏｗｅｒ，Ｗｏｌｌｏｎｇｏｎｇ，ＮＳＷ，—Ｓｅｐｔ．２８一Ｏｃｔ．１，２００８，１６．ＹｏｕｓｓｅｆＡＭ，Ａｂｄｅｌ－ＧａｌｉｌＴＫ，Ｅｌ・ＳａａｄａｎｙＥＦ，ｅｔａ１．Ｄｉｓｔｕｒｂａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｕｔｉｌｉｚｉｎｇｄｙｎａｍｉｃｔｉｍｅｗａｒｐｉｎｇｃｌａｓｓｉｆｉｅｒ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰｏｗｅｒＤｅｌｉｖｅｒｙ，２００８，１９（１）：２７２－２７８．—ＦｅｒｒｅｉｒａＤＤ，ｄｅＳｅｉｘａｓＪＭ，ＣｅｒｑｕｅｉｒａＡＳ．ＩＣＡｂａｓｅｄｍｅｔｈｏｄｆｏｒｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅａｎａｌｙｓｉｓ［Ｃ】／／１５ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍ刘志刚，等电能质量复合扰动分类的研究进展一１５３．ＡｐｐｌｉｃａｔｉｏｎｓｔｏＰｏｗｅｒＳｙｓｔｅｍｓ，Ｌａｖｒａｓ，Ｂｒａｚｉｌ，２００９：１－６．［４６］ＲａｊｉｖＫａｐｏｏｒａ，ＭａｎｉｓｈＫｕｍａｒＳａｉｎｉｂ．Ｈｙｂｒｉｄｄｅｍｏｄｕｌａｔｉｏｎｃｏｎｃｅｐｔａｎｄｈａｒｍｏｎｉｃａｎａｌｙｓｉｓｆｏｒｓｉｎｇｌｅ／ｍｕｌｔｉｐｌｅｐｏｗｅｒｑｕａｌｉｔｙｅｖｅｎｔｓｄｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩｎｔｅｍａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｉｃａｌＰｏｗｅｒ—＆ＥｎｅｒｇｙＳｙｓｔｅｍｓ，２０１１，３３（１０）：１６０８１６２２．［４７］ＣｅｒｑｕｅｉｒａＡＳ，ＦｅｒｒｅｉｒａＤＤ，ＰｉｎｔｏＭＢＳ，ｅｔａ１．Ｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｓｐｅｃｉａｌｉｚｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｃ】／／１４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＨａｒｍｏｎｉｃｓａｎｄＱｕａｌｉｔｙｏｆＰｏｗｅｒ，ＪｕｉｚｄｅＦｏｒａ，Ｂｒａｚｉｌ，２Ｏ１０：１．５．［４８］王丽霞，何正友，戴铭，等．一种电能质量扰动信号的分层识别新方法［Ｊ］．电力系统自动化，２００９，３３（２４）：６５．６９．—ＷＡＮＧＬｉｘｉａ，ＨＥＺｈｅｎｇ－ｙｏｕ，ＤＡＩＭｉｎｇ，ｅｔａ１．Ａｎｅｗｈｉｅｒａｔｉｃｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｉｇｎａｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２００９，—３３（２４）：６５６９．［４９］张杨。刘志刚．ＥＥＭＤ在电能质量扰动检测中的应用【Ｊ】．电力自动化设备，２０１１，３１（１２）：８６－９１．ＺＨＡＮＧＹａｎｇ，ＬＩＵＺｈｉ－ｇａｎｇ．ＡｐｐｌｉｃａｔｉｏｎｏｆＥＥＭＤｉｎｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＡｕｔｏｍａｔｉｏｎＥｑｕｉｐｍｅｎｔ，２０１１，３ｌ（１２）：８６－９１．［５０］ＢｏｕｔｅｌｌＭＲ，ＬｕｏＪ，ＳｈｅｎＸ，ｅｔａ１．Ｌｅａｒｎｉｎｇｍｕｌｔｉ－ｌａｂｅｌｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．Ｐａ￣ｅｍＲｅｃｏｇｎｉｔｉｏｎ，２００４，３７（９）：１７５７．１７７１．［５１］管春，周雒维，卢伟国．基于多标签ＲＢＦ神经网络的电能质量复合扰动分类方法［Ｊ］．电工技术学报，２０１１，２６（８１：１９８．２０４．—ＧＵＡＮＣｈｕｎ，ＺＨＯＵＬｕｏ－ｗｅｉ，ＬＵＷｅｉｇｕｏ．Ｒｅｃｏｇｎｉｔｉｏｎｏｆｍｕｌｔｉｐｌｅｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｕｓｉｎｇｍｕｌｔｉ－ｌａｂｅｌＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１１，２６（８）：１９８－２０４．［５２］王宁，李林川，贾清泉，等．应用原子分解的电能质量扰动信号分类方法［Ｊ］．中国电机工程学报，２０１１，３４（４）５１．５８．—ＷＡＮＧＮｉｎｇ，ＬＩＬｉｎｃｈｕａｎ，ＪＩＡＱｉｎｇ－ｑｕａｎ，ｅｔａ１．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｐｏｗｅｒｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｉｇｎａｌｓｕｓｉｎｇａｔｏｍｉｃｄｅｃｏｍｐｏｓｉｔｉｏｎｍｅｔｈｏｄ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１１，３４（４）：５１－５８．—［５３］ＺｈａｎｇＭＬ，ＺｈｏｕＺＨ．ＭＬｋＮＮ：ａｌａｚｙｌｅａｒｎｉｎｇａｐｐｒｏａｃｈｔｏｍｕｌｔｉ－ｌａｂｅｌｌｅａｒｎｉｎｇ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２００７，４０（７）：２０３８－２０４８．［５４］ＥｌｉｓｓｅｅｆｆＡ，ＷｅｓｔｏｎＪ．Ａｋｅｒｎｅｌｍｅｔｈｏｄｆｏｒｍｕｌｔｉ．１ａｂｅｌｌｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ】／／ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ，Ｃａｍｂｒｉｄｇｅ，ＭＩＴＰｒｅｓｓ，２００２：６８１．６８７．［５５］ＺｈａｎｇＭＬ，ＺｈｏｕＺＨ．Ｍｕｌｔｉ・ｌａｂｅｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｗｉｔｈａｐｐｌｉｃａｔｉｏｎｓｔｏｆｕｎｃｔｉｏｎａｌｇｅｎｏｍｉｃｓａｎｄｔｅｘｔｃａｔｅｇｏｒｉｚａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＫｎｏｗｌｅｄｇｅａｎｄＤａｔａ—Ｅｎｇｉｎｅｅｒｉｎｇ，２００６，１８（１０）：１３３８１３５１．—［５６］ＺｈａｎｇＭＬ，ＺｈｏｕＺＨ．Ｍｕｌｔｉｌａｂｅｌｌｅａｒｎｉｎｇｂｙｅｘｐｌｏｉｔｉｎｇｌａｂｅｌｄｅｐｅｎｄｅｎｃｙ［Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１６ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙａｎｄ—ＤａｔａＭｉｎｉｎｇ，ＷａｓｈｉｎｇｔｏｎＤＣ，２０１０：９９９１００７．—收稿日期：２０１２－０９０２；修回Ｅｌ期：２０１２－１１－２９作者简介：刘志刚（１９７５一），男，博士，教授，博士生导师，研究方向为信号处理及其在电力系统和牵引供电系统中的应用；—Ｅｍａｉｌ：ｌｉｕｚｇ＿ｃｄ＠１２６．ｃｏｍ张巧革（１９８７一），女，硕士研究生，研究方向为现代信号处理在电力系统中的应用；张杨（１９８７一），男，硕士研究生，研究方向为现代信号处理在电力系统中的应用