凌万水，刘刚

（1.上海金智晟东电力科技有限公司，上海 200233；2.国网江苏省电力有限公司宿迁供电分公司，江苏 宿迁 223800）

作为一个高度复杂的网络，智能电网在运行过程中需要先进的监测系统维持其可靠性、安全性与可持续性地工作。随着工业物联网（internet of things，IoT）等概念的提出，智能电网将产生越来越海量的数据，这也对快速有效的数据处理与挖掘提出更高要求[1]。此外，当今的智能电网体系正在连接越来越多样化的基本单位，如各类可再生能源与高级计量设施（advanced metering infrastructure，AMI）等[2]。由于工业社会与电网的高度耦合，停电等电能质量问题会造成重大损失。

在电能质量监测领域，电能质量事件（power quality event，PQE）分类是一个关键问题。一般地，PQE分类分为特征提取与决策两个阶段。在特征提取阶段，使用信号处理技术将电能质量（PQ）信号转换到特定的特征空间并提取特征，然后在决策阶段基于特征使用各种分类模型完成分类。特征空间的形式取决于特征变换中使用的方法，如基本的快速傅里叶变换（fast Fourier transform，FFT）与均方根（root mean square，RMS）变差跟踪等[3-4]。这两类方法在时域分析问题中不适用，短时傅里叶变换（short-time FFT，STFFT）对此进行了改进，使FFT具备了时域分析能力[5]。更为复杂的方法包括卡尔曼滤波器、Hilbert-Huang变换与S变换等[5-7]。在决策阶段，由于PQE检测本质上是分类问题，因此可以使用机器学习中常见的分类算法处理，如深度神经网络（deep neural network，DNN）与支持向量机（support vector machine，SVM）等[8-9]。

本文提出一种基于离散小波变换（discrete wavelet transform，DWT）与极限学习机（extreme learning machine，ELM）的PQE分类技术。在特征提取中，该方法将熵引入到小波变换的计算中，并结合直方图表示可以更为快速地提取特征集合。……