李 琦，许素安，施 阁，袁 科，王家祥

（中国计量大学机电工程学院，浙江杭州 310018）

0 引言

在以新能源为主体的新型电力系统中，电力负荷越来越多的接入电网，电压、电流复杂多变成为常态。在这种复杂环境下，电能质量扰动常由多种不同类型、不同强度、不同起止时刻的基本电能质量扰动（Power Quality Disturbance，PQD）复合而成[1-2]。各PQD 特征量之间时频域特征相互交叉重叠，传统方法无法对其进行准确分类。准确识别复合PQD是治理电能质量的基础，是电力工程领域研究的热点问题。

识别PQD 的关键在于信号检测和模式识别。短时傅里叶变换（Short-Time Fourier Transform，STFT）[3]、小波变换（Wavelet Transform，WT）[4]、希尔伯特-黄变换（Hilbert-Huang Transform，HHT）[5-6]、S变换（Stockwel Transform，ST）[7-8]和变分模态分解（Variational Mode Decomposition，VMD）[9]等是常用的信号检测方法。ST 结合了WT 与STFT 的优点，将小波基函数用高斯窗代替，改善了窗宽固定的缺陷，时频特性优越，不易受噪声影响。

模式识别步骤基于PQD 特征对信号进行分类，常用算法有：K 最近邻[10]、神经网络[11]、多标签学习[12]、支持向量机[13]、决策树[14-15]等。文献[14]将混沌搜索与决策树算法相结合，能够充分学习样本特征，识别效果好但模型复杂，训练耗时长。文献[15]提出带有投票方法的集成分类模型，分类精度较高，但没有对复合扰动信号进行分析。文献[16]使用方向梯度直方图检测信号，再利用支持向量机（Support Vector Machines，SVM）对信号进行分类，获得了较好的分类效果。相较于其他分类方法，SVM 结构简单，泛化能力好。但单一的SVM 算法受参数的影响较大，需考虑核函数的优化问题。已有学者利用粒子群（Particle Swarm Optimization，PSO）[17]、遗传算法（Genetic Algorithm，GA）[18]、鲸鱼算法（Whale Optimization Algorithm，WOA）[19]等群智能算法对SVM 进行了优化，但其分类精度仍有改进空间。……