一种新的电能质量扰动特征提取与识别方法
熊建平+陈克绪+马鲁娟+肖露欣+吴建华
摘 要： 为了克服电能质量扰动识别时由于特征选择和提取不当造成最后识别精度低的缺点，提出一种基于数学统计的电能质量扰动幅值采样点数的特征提取方法和PSO?SVM电能质量扰动识别新方法。该方法根据10个周波信号的幅值差异，统计每段幅值范围内的采样点数，对其进行处理后作为各扰动信号的特征，然后采用PSO?SVM分类器对多种扰动信号进行分类识别。该方法特征提取的过程简单，减少了大量的计算处理时间。仿真实验结果表明，该方法能快速地识别出各种扰动信号，且识别精度高于传统方法并具有较好的抗噪声性能。
关键词： 电能质量； 数学统计； 特征提取； PSO?SVM
中图分类号： TN911.25+4?34； TM76 文献标识码： A 文章编号： 1004?373X（2017）14?0174?04
Abstract： To overcome the shortcomings of low recognition accuracy caused by improper feature selection and extraction in power quality disturbance recognition， a new feature extraction and recognition method is proposed based on the sample points of power quality disturbance amplitude of mathematical statistics and PSO?SVM. According to the amplitude distribution difference over 10 cycles of signals， the number of samples in amplitude range of each section is calculated， and then used as features of different disturbances after preprocessing. PSO?SVM classifier is used for classification recognition of multiple disturbance signals. The proposed method is simple in the process of feature extraction and efficient in computation. The simulation results show that the proposed method is capable of classifying various disturbance signals at a high speed， and has a higher recognition accuracy and better anti?noise performance in comparison with the traditional methods.
Keywords： power quality； mathematical statistics； features extraction； PSO?SVM
0 引 言
随着科技的进步和工业的发展，越来越多的非线性、冲击性以及不平衡负荷在电力系统中投入运行，产生了一系列的电能质量扰动[1]。这些电能质量扰动将会给工业发展、用户体验和经济建设带来巨大的影响。为了解决电能质量扰动问题，首先必须正确地识别出电能质量的扰动类型，从而采用不同的补偿和控制措施来治理电能质量。
迄今为止，研究工作者基于电能质量扰动的研究提出了诸多方法并应用到电能质量扰动的分析中[2?3]。这些方法大都可分为特征提取和分类识别两个步骤。在特征提取方法的选择上有：短时傅里叶变换[4]、小波变换[5]、S变换[6]和希尔伯特?黄变换[7]等。这些方法有着其各自的优点及不足之处：短时傅里叶变换通过加固定不变的窗函数分析电能质量信号，暂时克服了傅里叶变换时局部分析能力差的缺陷，但却存在自适应性差，不易分析突变信号的缺点；小波变换具有多分辨率分析的特点，可以多尺度分析信号，但是在小波基上的选择较为困难；S变换是小波变换和改进的傅里叶变换的结合，也具有多分辨率分析的特点，但在分析信号奇异点上还存在不足，其次S变换的计算量也较为庞大；希尔伯特?黄变换主要采用了经验模态分解法，克服了小波变换中小波基选择困难的缺陷，不受Heisenberg测不准原理的制约，但经验模态分解存在模态混叠问题，当信号组合分量的频率太接近时，常不能得到正确的经验模态分解结果。在分类识别方法上，有决策树[8]、神经网络[9]和支持向量机[4?5]等方法。神经网络作为模式识别中最为重要的算法之一，已有较为庞大的神经网络体系，如：BP神经网络、RBF网络和PNN神经网络[9]等。这些神经网络的缺陷通常在于网络的训练需要经过多次迭代、收敛速度慢和易陷入局部最优等。支持向量机算法是基于统计学习理论的分类识别方法，能够在很广的函数集中构造函数，不需要微调，计算简单，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。
本文利用数学统计的方法，根据电能质量扰动信号原有波形幅值构造出特征，克服了传统特征提取方法中特征选择不当造成识别精度不高的缺点。采用PSO?SVM算法，快速计算出SVM核函数参数和惩罚项参数值，以达到准确地识别出各种扰动信号的目的。实验仿真结果表明该方法的识别精度高于以往算法且具有较好的抗噪声性能。
1 基于扰动幅值的特征提取算法
1.1 电能质量扰动类型
根据IEEE标准，常见的电能质量包括电压暂升、电压暂降、电压中断、振荡暂态和谐波[10]。其中电压暂升、电压暂降和电压中断为幅值扰动，暂态振荡和谐波为加性扰动[11]。然而，复杂的电力系统当中，除了单一的电能质量扰动信号，还可能存在多种多样的复合扰动，本文识别的类型除了上述5种单一扰动外，还选取了电压暂降+谐波及电压暂升+谐波两种复合扰动。扰动模型如表1所示。
1.2 扰动信号特征提取
传统的特征提取算法大都是得到基于变换后信号的均值、方差、能量和峰值峭度等特征[3]。然而，这些特征往往需要经过再次的筛选才能被用于最后分类识别时的特征。诸多学者提出了一系列的特征选择算法[12]如前向顺序选择法（SFS）、后向顺序选择法（SBS）和斯密特正交法（GSO）。这些方法在一定程度上增加了识别精度，但也增加了算法的复杂程度。根据IEEE标准，电能质量扰动信号的模型如表1所示，其波形如图1所示，其中纵轴表示幅值，单位为标幺值（p.u.），横轴取值范围表示10个周波的采样点数。根据扰动信号本身的固有波形，本文提出了基于数学统计分段幅值的采样点数的数学统计算法[13]。电能质量信号的基波频率为，即周期s。电压暂升、电压暂降、电压中断、电压暂升+谐波和电压暂降+谐波的扰动存在时间为。因此，采样10个周波，将足够反映出波形的变化情况。对于标准的电力信号，根据奈奎斯特采样定理，采样频率必须大于2倍的基波频率，为了便于更为精确地观测谐波干扰信号，采样频率一般取3.2 kHz，此时10个周波的采样点数为640。根据幅度的变化范围，对[-2，0]区间的幅值取绝对值，最后分别统计[0，2]区间内，每个0.1单位内的采样点数。图2为图1所对应的采样点数目的水平柱形图，其中横坐标代表采样点数，纵坐标代表20份0.1单位的幅值大小。
2 扰动信号分类识别
2.1 粒子群优化算法
粒子群优化算法是源于鸟类捕食行为的进化算法，最早由Kennedy和Eberhart在1995年提出[14]。在寻优过程中，初始化一群粒子，每个粒子代表寻优时的潜在解。其中各粒子的特征包含位置、速度和粒子适应度。粒子在寻优空间以一定速度飞行，根据自身所经历的位置和群体粒子的位置不断更新适应度最优位置，最后求得最优解[15]。粒子迭代更新公式如下：
2.2 支持向量机算法
电能质量扰动信号分类是一种多分类问题，面对如此多样的电能质量扰动信号，分类器的选择至关重要。支持向量机通过建立一个分类超平面作为决策曲面，对多种电能质量扰动信号进行分类识别。支持向量机最初由Vapnik提出用于研究线性可分问题[16]。假设有训练集，为训练样本，为样本对应的标签。存在一个分类面将训练样本很好地区分开，当且仅当两类训练集到分类面的最小距离最大[4]。在实际分类中，有的样本为线性不可分的，此时需引入一个非线性映射函数，将样本映射到高维空间，此时得到的超平面为。由于噪声的影响，再引入非负的松弛变量，使得目标函数为：
通过上面分析，训练集和核函数是支持向量机学习算法的关键。核函数的种类有：多项式核函数、高斯径向基核函数、多层感知器核函数和复合核函数等[15]。不同核函数所建立的SVM的性能会有较大的差异。本文采用高斯径向基核函数：
综上所述，训练一个合适的支持向量机的分类面关键是在于寻找到合适的惩罚项和核函数中的可调参数。采用粒子群优化算法，将粒子和的寻优位置分别设定在[]和[]之间，可在很短时间内得到准确的值。
3 仿真分析
根据表1扰动信号模型，通过Matlab产生7类电能质量扰动信号。为了表示方便，如表1所示的顺序，依次标记为C1～C7。采样频率为3.2 kHz，共采样10个周波，每周波采样64个点，共计640个点。每类扰动信号共随机生成200个样本，选取每类扰动信号的150个样本作为训练集，剩余的50个样本作为测试集。由于实际现场的电能质量扰动信号受各种环境因素影响，因此加入多种高斯白噪声。
采用本文提出的特征提取算法，首先得到20个分段幅值内的采样点数，再将每一段采样点数归一化，即除以总点数640，最后得到一个20维的特征信号，此为降维过程。在PSO?SVM算法中，粒子數目设为40，迭代次数为30，惩罚项和核函数参数的取值范围均设定为[0.5，512]。首先将7类扰动信号共计1 050个训练样本输入到PSO?SVM网络中进行训练，然后输入7类扰动信号共350个测试样本进行分类识别。最后的分类识别结果如表2和表3所示。表2为其中的一次分类识别图，表3的结果为经过4?折交叉法计算后得到的不同噪声下的分类识别结果的平均值。
PSO寻优方法克服了传统SVM分类时人工选择参数造成识别精度不能达到最佳的缺陷，与之后的网格法寻找SVM参数相比更为简捷[15]。实验时所求得的最佳和的值如表4所示。
对比以往不同特征选择的方法如HHT变换[7]、S变换[9]和小波变换[17]，及模式识别方法如决策树[7]、PSO?PNN[9]和SVM[17]，本文做了进一步的相关对比试验，比较结果如表5所示。从表5可知，采用本文所提出的数学统计方法提取扰动信号幅值特征并结合PSO?SVM识别的方法在很大程度上提高了最后的识别精度。
4 结 论
本文提出了一种基于数学统计的电能质量扰动幅值大小采样点特征提取方法。该方法能够快速地得到不同幅值范围的采样点数，并正确地表示常见的7类电能质量扰动信号。该方法克服了传统特征提取方法中特征选择不当造成最后识别精度不高的缺点。采用PSO?SVM分类器，通过粒子群自动寻优，找到合适的SVM惩罚项参数值和核函数参数值。该方法能够解决传统神经网络作为分类器时容易陷入局部最优解的困难。最后通过仿真实验和与以往电能质量扰动识别方法的分类结果相比，表明该方法对常见的7类电能质量扰动信号的识别率优于以往算法，并具有较好的抗噪声性能。
参考文献
[1] 杨璐.电能质量及检测方法研究[J].通信电源技术，2015（6）：28?30.
[2] 赵凤展，杨仁刚.时频分析方法在电能质量扰动检测与识别中的应用[J].华北电力大学学报，2006（5）：33?37.
[3] 方群会，刘强，周林，等.模式分类方法在电能质量扰动信号分类中的应用综述[J].电网技术，2009（1）：31?36.
[4] 覃思师，刘前进.基于STFT变换和DAGSVMs的电能质量扰动识别[J].电力系统保护与控制，2011（1）：83?86.
[5] 黄南天，徐殿国，刘晓胜.基于S变换与SVM的电能质量复合扰动识别[J].电工技术学报，2011（10）：23?30.
[6] 徐永海，肖湘宁，杨以涵，等.小波变换在电能质量分析中的应用[J].电力系统自动化，1999（23）：55?58.
[7] 田振果，傅成华，吴浩，等.基于HHT的电能质量扰动定位与分类[J].电力系统保护与控制，2015（16）：36?42.
[8] 陈华丰，张葛祥.基于决策树和支持向量机的电能质量扰动识别[J].电网技术，2013（5）：1272?1278.
[9] 覃星福，龚仁喜.基于广义S变换与PSO?PNN的电能质量扰动识别[J].电力系统保护与控制，2016（15）：10?17.
[10] Transmission and Distribution Committee of the IEEE Power & Energy Society. IEEE recommended practice for monitoring electric power quality： IEEE Std 1159?2009 [S]. New York： The Institute of Electrical and Electronics Engineers， 2009： 1.
[11] 张杨，刘志刚.一种基于时频域多特征量的电能质量混合扰动分类新方法[J].中国电机工程学报，2012（34）：83?90.
[12] ABDOOS A A， MIANAEI P K， GHADIKOLAEI M R. Combined VMD?SVM based feature selection method for classification of power quality events [J]. Applied soft computing， 2016， 38： 637?646.
[13] VALTIERRA?RODRIGUEZ M， DE JESUS ROMERO?TRONCOSO R， OSORNIO?RIOS R A， et al. Detection and classification of single and combined power quality disturbances using neural networks [J]. IEEE transactions on industrial electronics， 2014， 61（5）： 2473?2482.
[14] KENNEDY J， EBERHART R. Particle swarm optimization[C]// Proceedings of 1995 IEEE International Conference on Neural Networks. [S.l.]： IEEE， 1995， 4： 1942?1948.
[15] 杨宁霞，孙晧，公政，等.一种基于PSO?SVM的电能质量扰动识别与分类的新方法[J].电测与仪表，2014（16）：17?20.
[16] CHAPELLE O， HAFFNER P， VAPNIK V N. Support vector machines for histogram?based image classification [J]. IEEE transactions on neural networks， 1999， 10（5）： 1055?1064.
[17] 张红，雷志国，金月，等.基于SVM的电能质量扰动分类[J].电测与仪表，2014（23）：69?72.
摘 要： 为了克服电能质量扰动识别时由于特征选择和提取不当造成最后识别精度低的缺点，提出一种基于数学统计的电能质量扰动幅值采样点数的特征提取方法和PSO?SVM电能质量扰动识别新方法。该方法根据10个周波信号的幅值差异，统计每段幅值范围内的采样点数，对其进行处理后作为各扰动信号的特征，然后采用PSO?SVM分类器对多种扰动信号进行分类识别。该方法特征提取的过程简单，减少了大量的计算处理时间。仿真实验结果表明，该方法能快速地识别出各种扰动信号，且识别精度高于传统方法并具有较好的抗噪声性能。
关键词： 电能质量； 数学统计； 特征提取； PSO?SVM
中图分类号： TN911.25+4?34； TM76 文献标识码： A 文章编号： 1004?373X（2017）14?0174?04
Abstract： To overcome the shortcomings of low recognition accuracy caused by improper feature selection and extraction in power quality disturbance recognition， a new feature extraction and recognition method is proposed based on the sample points of power quality disturbance amplitude of mathematical statistics and PSO?SVM. According to the amplitude distribution difference over 10 cycles of signals， the number of samples in amplitude range of each section is calculated， and then used as features of different disturbances after preprocessing. PSO?SVM classifier is used for classification recognition of multiple disturbance signals. The proposed method is simple in the process of feature extraction and efficient in computation. The simulation results show that the proposed method is capable of classifying various disturbance signals at a high speed， and has a higher recognition accuracy and better anti?noise performance in comparison with the traditional methods.
Keywords： power quality； mathematical statistics； features extraction； PSO?SVM
0 引 言
随着科技的进步和工业的发展，越来越多的非线性、冲击性以及不平衡负荷在电力系统中投入运行，产生了一系列的电能质量扰动[1]。这些电能质量扰动将会给工业发展、用户体验和经济建设带来巨大的影响。为了解决电能质量扰动问题，首先必须正确地识别出电能质量的扰动类型，从而采用不同的补偿和控制措施来治理电能质量。
迄今为止，研究工作者基于电能质量扰动的研究提出了诸多方法并应用到电能质量扰动的分析中[2?3]。这些方法大都可分为特征提取和分类识别两个步骤。在特征提取方法的选择上有：短时傅里叶变换[4]、小波变换[5]、S变换[6]和希尔伯特?黄变换[7]等。这些方法有着其各自的优点及不足之处：短时傅里叶变换通过加固定不变的窗函数分析电能质量信号，暂时克服了傅里叶变换时局部分析能力差的缺陷，但却存在自适应性差，不易分析突变信号的缺点；小波变换具有多分辨率分析的特点，可以多尺度分析信号，但是在小波基上的选择较为困难；S变换是小波变换和改进的傅里叶变换的结合，也具有多分辨率分析的特点，但在分析信号奇异点上还存在不足，其次S变换的计算量也较为庞大；希尔伯特?黄变换主要采用了经验模态分解法，克服了小波变换中小波基选择困难的缺陷，不受Heisenberg测不准原理的制约，但经验模态分解存在模态混叠问题，当信号组合分量的频率太接近时，常不能得到正确的经验模态分解结果。在分类识别方法上，有决策树[8]、神经网络[9]和支持向量机[4?5]等方法。神经网络作为模式识别中最为重要的算法之一，已有较为庞大的神经网络体系，如：BP神经网络、RBF网络和PNN神经网络[9]等。这些神经网络的缺陷通常在于网络的训练需要经过多次迭代、收敛速度慢和易陷入局部最优等。支持向量机算法是基于统计学习理论的分类识别方法，能够在很广的函数集中构造函数，不需要微调，计算简单，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。
本文利用数学统计的方法，根据电能质量扰动信号原有波形幅值构造出特征，克服了传统特征提取方法中特征选择不当造成识别精度不高的缺点。采用PSO?SVM算法，快速计算出SVM核函数参数和惩罚项参数值，以达到准确地识别出各种扰动信号的目的。实验仿真结果表明该方法的识别精度高于以往算法且具有较好的抗噪声性能。
1 基于扰动幅值的特征提取算法
1.1 电能质量扰动类型
根据IEEE标准，常见的电能质量包括电压暂升、电压暂降、电压中断、振荡暂态和谐波[10]。其中电压暂升、电压暂降和电压中断为幅值扰动，暂态振荡和谐波为加性扰动[11]。然而，复杂的电力系统当中，除了单一的电能质量扰动信号，还可能存在多种多样的复合扰动，本文识别的类型除了上述5种单一扰动外，还选取了电压暂降+谐波及电压暂升+谐波两种复合扰动。扰动模型如表1所示。
1.2 扰动信号特征提取
传统的特征提取算法大都是得到基于变换后信号的均值、方差、能量和峰值峭度等特征[3]。然而，这些特征往往需要经过再次的筛选才能被用于最后分类识别时的特征。诸多学者提出了一系列的特征选择算法[12]如前向顺序选择法（SFS）、后向顺序选择法（SBS）和斯密特正交法（GSO）。这些方法在一定程度上增加了识别精度，但也增加了算法的复杂程度。根据IEEE标准，电能质量扰动信号的模型如表1所示，其波形如图1所示，其中纵轴表示幅值，单位为标幺值（p.u.），横轴取值范围表示10个周波的采样点数。根据扰动信号本身的固有波形，本文提出了基于数学统计分段幅值的采样点数的数学统计算法[13]。电能质量信号的基波频率为，即周期s。电压暂升、电压暂降、电压中断、电压暂升+谐波和电压暂降+谐波的扰动存在时间为。因此，采样10个周波，将足够反映出波形的变化情况。对于标准的电力信号，根据奈奎斯特采样定理，采样频率必须大于2倍的基波频率，为了便于更为精确地观测谐波干扰信号，采样频率一般取3.2 kHz，此时10个周波的采样点数为640。根据幅度的变化范围，对[-2，0]区间的幅值取绝对值，最后分别统计[0，2]区间内，每个0.1单位内的采样点数。图2为图1所对应的采样点数目的水平柱形图，其中横坐标代表采样点数，纵坐标代表20份0.1单位的幅值大小。
2 扰动信号分类识别
2.1 粒子群优化算法
粒子群优化算法是源于鸟类捕食行为的进化算法，最早由Kennedy和Eberhart在1995年提出[14]。在寻优过程中，初始化一群粒子，每个粒子代表寻优时的潜在解。其中各粒子的特征包含位置、速度和粒子适应度。粒子在寻优空间以一定速度飞行，根据自身所经历的位置和群体粒子的位置不断更新适应度最优位置，最后求得最优解[15]。粒子迭代更新公式如下：
2.2 支持向量机算法
电能质量扰动信号分类是一种多分类问题，面对如此多样的电能质量扰动信号，分类器的选择至关重要。支持向量机通过建立一个分类超平面作为决策曲面，对多种电能质量扰动信号进行分类识别。支持向量机最初由Vapnik提出用于研究线性可分问题[16]。假设有训练集，为训练样本，为样本对应的标签。存在一个分类面将训练样本很好地区分开，当且仅当两类训练集到分类面的最小距离最大[4]。在实际分类中，有的样本为线性不可分的，此时需引入一个非线性映射函数，将样本映射到高维空间，此时得到的超平面为。由于噪声的影响，再引入非负的松弛变量，使得目标函数为：
通过上面分析，训练集和核函数是支持向量机学习算法的关键。核函数的种类有：多项式核函数、高斯径向基核函数、多层感知器核函数和复合核函数等[15]。不同核函数所建立的SVM的性能会有较大的差异。本文采用高斯径向基核函数：
综上所述，训练一个合适的支持向量机的分类面关键是在于寻找到合适的惩罚项和核函数中的可调参数。采用粒子群优化算法，将粒子和的寻优位置分别设定在[]和[]之间，可在很短时间内得到准确的值。
3 仿真分析
根据表1扰动信号模型，通过Matlab产生7类电能质量扰动信号。为了表示方便，如表1所示的顺序，依次标记为C1～C7。采样频率为3.2 kHz，共采样10个周波，每周波采样64个点，共计640个点。每类扰动信号共随机生成200个样本，选取每类扰动信号的150个样本作为训练集，剩余的50个样本作为测试集。由于实际现场的电能质量扰动信号受各种环境因素影响，因此加入多种高斯白噪声。
采用本文提出的特征提取算法，首先得到20个分段幅值内的采样点数，再将每一段采样点数归一化，即除以总点数640，最后得到一个20维的特征信号，此为降维过程。在PSO?SVM算法中，粒子數目设为40，迭代次数为30，惩罚项和核函数参数的取值范围均设定为[0.5，512]。首先将7类扰动信号共计1 050个训练样本输入到PSO?SVM网络中进行训练，然后输入7类扰动信号共350个测试样本进行分类识别。最后的分类识别结果如表2和表3所示。表2为其中的一次分类识别图，表3的结果为经过4?折交叉法计算后得到的不同噪声下的分类识别结果的平均值。
PSO寻优方法克服了传统SVM分类时人工选择参数造成识别精度不能达到最佳的缺陷，与之后的网格法寻找SVM参数相比更为简捷[15]。实验时所求得的最佳和的值如表4所示。
对比以往不同特征选择的方法如HHT变换[7]、S变换[9]和小波变换[17]，及模式识别方法如决策树[7]、PSO?PNN[9]和SVM[17]，本文做了进一步的相关对比试验，比较结果如表5所示。从表5可知，采用本文所提出的数学统计方法提取扰动信号幅值特征并结合PSO?SVM识别的方法在很大程度上提高了最后的识别精度。
4 结 论
本文提出了一种基于数学统计的电能质量扰动幅值大小采样点特征提取方法。该方法能够快速地得到不同幅值范围的采样点数，并正确地表示常见的7类电能质量扰动信号。该方法克服了传统特征提取方法中特征选择不当造成最后识别精度不高的缺点。采用PSO?SVM分类器，通过粒子群自动寻优，找到合适的SVM惩罚项参数值和核函数参数值。该方法能够解决传统神经网络作为分类器时容易陷入局部最优解的困难。最后通过仿真实验和与以往电能质量扰动识别方法的分类结果相比，表明该方法对常见的7类电能质量扰动信号的识别率优于以往算法，并具有较好的抗噪声性能。
参考文献
[1] 杨璐.电能质量及检测方法研究[J].通信电源技术，2015（6）：28?30.
[2] 赵凤展，杨仁刚.时频分析方法在电能质量扰动检测与识别中的应用[J].华北电力大学学报，2006（5）：33?37.
[3] 方群会，刘强，周林，等.模式分类方法在电能质量扰动信号分类中的应用综述[J].电网技术，2009（1）：31?36.
[4] 覃思师，刘前进.基于STFT变换和DAGSVMs的电能质量扰动识别[J].电力系统保护与控制，2011（1）：83?86.
[5] 黄南天，徐殿国，刘晓胜.基于S变换与SVM的电能质量复合扰动识别[J].电工技术学报，2011（10）：23?30.
[6] 徐永海，肖湘宁，杨以涵，等.小波变换在电能质量分析中的应用[J].电力系统自动化，1999（23）：55?58.
[7] 田振果，傅成华，吴浩，等.基于HHT的电能质量扰动定位与分类[J].电力系统保护与控制，2015（16）：36?42.
[8] 陈华丰，张葛祥.基于决策树和支持向量机的电能质量扰动识别[J].电网技术，2013（5）：1272?1278.
[9] 覃星福，龚仁喜.基于广义S变换与PSO?PNN的电能质量扰动识别[J].电力系统保护与控制，2016（15）：10?17.
[10] Transmission and Distribution Committee of the IEEE Power & Energy Society. IEEE recommended practice for monitoring electric power quality： IEEE Std 1159?2009 [S]. New York： The Institute of Electrical and Electronics Engineers， 2009： 1.
[11] 张杨，刘志刚.一种基于时频域多特征量的电能质量混合扰动分类新方法[J].中国电机工程学报，2012（34）：83?90.
[12] ABDOOS A A， MIANAEI P K， GHADIKOLAEI M R. Combined VMD?SVM based feature selection method for classification of power quality events [J]. Applied soft computing， 2016， 38： 637?646.
[13] VALTIERRA?RODRIGUEZ M， DE JESUS ROMERO?TRONCOSO R， OSORNIO?RIOS R A， et al. Detection and classification of single and combined power quality disturbances using neural networks [J]. IEEE transactions on industrial electronics， 2014， 61（5）： 2473?2482.
[14] KENNEDY J， EBERHART R. Particle swarm optimization[C]// Proceedings of 1995 IEEE International Conference on Neural Networks. [S.l.]： IEEE， 1995， 4： 1942?1948.
[15] 杨宁霞，孙晧，公政，等.一种基于PSO?SVM的电能质量扰动识别与分类的新方法[J].电测与仪表，2014（16）：17?20.
[16] CHAPELLE O， HAFFNER P， VAPNIK V N. Support vector machines for histogram?based image classification [J]. IEEE transactions on neural networks， 1999， 10（5）： 1055?1064.
[17] 张红，雷志国，金月，等.基于SVM的电能质量扰动分类[J].电测与仪表，2014（23）：69?72.
