2000年，S.Santoso利用傅氏和小波變換的方法對電能質(zhì)量擾動進行了特征提取^[39]后，提出了完整的基于小波的電能質(zhì)量擾動波形的神經(jīng)網(wǎng)絡(luò)分類器的實現(xiàn)方法^[40-41]。這兩篇文章對小波理論及其在電力系統(tǒng)中的應(yīng)用起到了重要的作用，主要流程示于圖3。其中Ident表示用傳統(tǒng)的方法判斷擾動是否為電 壓跌落或瞬時斷電，之所以不用小波變換處理這兩種情況是由于小波變換難以處理光滑連續(xù)的電壓跌落。 該文提出用各尺度下的小波系數(shù)作為ANN的輸入特征矢量，這使該工作的輸入量太大，于是，文獻[42-43]提出用各尺度下的能量的集合作為擾動的特征輸入矢量，不但使輸入量大為減小，而且得到很好的分類效果。文獻[44]則首先找出小波變換后含最大能量的尺度，用該尺度的小波系數(shù)與原始正弦波形的小波系數(shù)相減，并取其差值作為神經(jīng)網(wǎng)絡(luò)的輸入變量，從而成功對8種單一擾動進行了有效區(qū)分。

但基于小波的ANN方法有時也會誤判，而且對多重擾動的分辨率低或者根本無法分辯。這是由于以下原因：1)小波變換難以檢測頻率微變擾動；2)用來作為ANN輸入量的特征量難以選取，無法精確描述各種擾動；3)送入ANN進行訓練的樣本數(shù)無法全面覆蓋各種擾動問題；4)基于小波的ANN方法訓練的結(jié)果受ANN本身結(jié)構(gòu)的限制。
文獻[45]對ANN進一步改進，提出使用小波模糊ANN分類器對電能質(zhì)量問題進行檢測與分析，該方法首先從原始信號中提取擾動分量并去噪，然后用小波變換提取特征值，最后進行模糊ANN分析與識別，該方法大大減少了輸入ANN的特征值的個數(shù)，且對各種擾動問題有良好的適應(yīng)性。文獻[46]提出ANN模糊分類器。該文首先將擾動分為三組，選取不同尺度下的小波系數(shù)分別作為這三組的ANN輸入特征量，在ANN訓練后，再通過一模糊聯(lián)想記憶變換，最大限度消除模式識別中的不確定性，從而提高系統(tǒng)的精確性并簡化模型。文獻[47]為電能質(zhì)量的擾動的分類提供了一條全新的思路。它把模糊邏輯和專家系統(tǒng)結(jié)合，通過FFT/WT重新定義了8個特征量，建立相應(yīng)的規(guī)則，也得到了很好的分類效果。
2.2 電能質(zhì)量的提高
除了用AI方法對電能質(zhì)量的擾動進行分類分析外，也有文獻考慮用AI方法提高電能質(zhì)量，包括用模糊方法實現(xiàn)電壓和無功的控制[48]、用專家系統(tǒng)、遺傳算法和模糊集理論實現(xiàn)電容器組的最優(yōu)分布^[49-51]；用模糊邏輯分析擾動對敏感負荷的作用^[52]。

3 結(jié)論
目前，在動態(tài)電能質(zhì)量缺少統(tǒng)一的定義、統(tǒng)一的實踐標準和統(tǒng)一的對擾動進行解釋的標準的情況下，結(jié)合各種人工智能技術(shù)和先進的數(shù)學變換工具在對動態(tài)電能質(zhì)量進行檢測與識別中的作用已成為一個不爭的事實。各種AI方法和數(shù)學變換均有優(yōu)點也有缺陷，沒有哪一種方法是萬能的，應(yīng)該結(jié)合各自的長處，對動態(tài)電能質(zhì)量進行最有效的分析。目前為止，對動態(tài)電能質(zhì)量進行識別使用得最多的仍然是基于小波變換的ANN技術(shù)，其它AI方法的研究尚不多見，而且，大部分的識別只針對單一擾動，而對多重擾動的分析幾乎沒有，這些問題有待進一步的研究。