1.2.3 擾動的分類
文獻[28]是最早以文章的形式發(fā)表的運用小波理論對擾動進行分類的文章。該文運用一非正交的二次樣條小波將暫態(tài)波形進行小波變換，提取變換后的特征信號，然后運用貝葉斯分類器來識別各種暫態(tài)。但此方法的實現(xiàn)過程卻太過繁瑣。文獻[29-30]考慮用最大似然法來進行擾動的分類。文獻[29]首先設(shè)計了一個濾波器把擾動分量從基頻分量中提取出來，之后用Battle-Lemarie樣條小波函數(shù)對擾動分量進行小波變換，將得到的小波系數(shù)進行特征提取后，用最大似然準(zhǔn)則得到最終決策。該方法不但可以區(qū)分各種電壓擾動且能指出擾動的原因。文獻[30]使用基于小波的隱Markov模型的參數(shù)最優(yōu)化估計方法，正確率可達到95.5%。文獻[31]進一步改進了文獻[30]，提出在時域內(nèi)基于規(guī)則，而在頻域內(nèi)基于隱Markov模型的擾動分類方法。文獻[32]則利用擾動信號在不同尺度下的能量分布的不同，建造了一條基于多分辨率的擾動偏差曲線，根據(jù)不同擾動在此曲線上呈現(xiàn)出的差別，此方法不但能有效地檢測各種擾動，還能對擾動原因進行判斷。文獻[33]提出在時域而非頻域內(nèi)確定擾動的起始時刻和持續(xù)時間，用一基于Vetterli-Herley-Sweldens定理的Lifting方法構(gòu)成的雙正交復(fù)小波，在小波域內(nèi)一個特定尺度下確定幅度，之后用二進數(shù)特征量表示不同擾動，進行分類。該文對五種暫態(tài)擾動進行分類，結(jié)果正確。
但是，由于電能質(zhì)量擾動涉及的特征量太多，使得分類判據(jù)復(fù)雜易錯，因此直接提取小波變換后的特征量進行擾動分類的研究并不是太多。大量的電力工作者轉(zhuǎn)為研究用人工智能的方法對擾動進行分類。

2 人工智能的應(yīng)用
近年來，人工智能技術(shù)發(fā)展迅速，分支眾多，除了人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、專家系統(tǒng)和遺傳算法等技術(shù)，也有人研究將不同特性的智能技術(shù)結(jié)合起來進行應(yīng)用，如：模糊神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、模糊專家系統(tǒng)、自適應(yīng)模糊邏輯等，以期對電力系統(tǒng)的運行、監(jiān)試、預(yù)測、控制和規(guī)劃發(fā)揮更大的作用。
2.1 擾動的分類
早期的利用ANN對擾動進行分類的方法直接用DFT提取信號中的不同諧波次數(shù)，并且把若干次諧波次數(shù)歸為一類擾動的特征量(3次、6次和9次諧波作為一種，5次和7次諧波作為一種，11次和13次諧波作為一種)輸入不同的神經(jīng)網(wǎng)絡(luò)^[34]進行分類。由于受DFT的限制，這種方法的有效性受到限制，但這種思路卻一直延續(xù)至今。1996年，S.Santoso在文獻[35]中將雙正交小波用于檢測、定位和識別不同原因的電能質(zhì)量擾動問題。作者認(rèn)為可以根據(jù)在各尺度下小波系數(shù)平方值體現(xiàn)出的特征，用ANN等軟計算方法對電能質(zhì)量的擾動進行自動識別。該文獻對將小波變換應(yīng)用于電能質(zhì)量的評估做了探索性的研究和有益的嘗試，但并未討論由于輸入數(shù)據(jù)的誤差所帶來的分類器判斷錯誤的問題。同年，文獻[36]采用非正交樣條小波重又對電容器投切暫態(tài)進行分析，該文作者對文獻[28]中未討論的具體實現(xiàn)細節(jié)進行了大量的工作。首先利用濾波器組給出了一個可用任何小波進行變換的數(shù)字設(shè)備，然后利用與文獻[35]相同的思路對暫態(tài)信號進行特征的提取。在S.Santoso思想的啟發(fā)下，F(xiàn).Mo ^[37]提出可以利用ANN技術(shù)實現(xiàn)智能暫態(tài)錄波儀，以克服傳統(tǒng)錄波儀必須人工分析波形、閾值嚴(yán)格以及無法提供實時信息等缺點。但該文并未提供任何具體的實現(xiàn)步驟。B.Perunicic^[38]也提出一種集數(shù)字濾波、小波變換和ANN為一體的電能質(zhì)量檢測和分類的新方法?？傮w思路如圖2所示。該文對噪聲、次諧波畸變、周期性電壓波動、電壓凹陷、直流偏移以及振蕩等10種電能質(zhì)量擾動問題進行檢測與分類，得到良好的效果。同時，該文對小波母函數(shù)的選擇、采樣率和采樣周期、監(jiān)測器位置和性能等細節(jié)問題進行了全面地討論。