基于類別語言值的電能質(zhì)量信號(hào)模糊分類

劉曉勝 劉 博 徐殿國

基于類別語言值的電能質(zhì)量信號(hào)模糊分類

劉曉勝 劉 博 徐殿國

（哈爾濱工業(yè)大學(xué)電氣工程及自動(dòng)化學(xué)院 哈爾濱 150001）

模糊邏輯方法已被廣泛用于電能質(zhì)量信號(hào)的分類，但在模糊分類系統(tǒng)設(shè)計(jì)過程中存在過多的不確定因素，增加了設(shè)計(jì)過程的復(fù)雜性，不易得到好的分類結(jié)果。針對(duì)這一問題，本文提出一種基于類別語言值的電能質(zhì)量信號(hào)模糊分類方法。該方法直接用待分類的各個(gè)類別來定義模糊輸入變量的語言值，根據(jù)各個(gè)類別對(duì)應(yīng)的輸入變量取值來設(shè)定隸屬函數(shù)。所設(shè)計(jì)分類系統(tǒng)的模糊規(guī)則直接來自于對(duì)輸入量數(shù)值分布的分析，規(guī)則數(shù)量與類別數(shù)量相同。輸入模糊變量的語言值和隸屬函數(shù)的設(shè)計(jì)，不再只與輸入量相關(guān)，而且與待分類信號(hào)性質(zhì)、分類結(jié)果直接相關(guān)。仿真和實(shí)測數(shù)據(jù)的分類識(shí)別結(jié)果表明了這種模糊分類方法的可行性和有效性。

電能質(zhì)量 模糊邏輯 類別語言值 特征選擇

1 引言

現(xiàn)代電力系統(tǒng)中，電力電子設(shè)備的應(yīng)用越來越廣泛，各種非線性、沖擊性、波動(dòng)性負(fù)載大量增加，使電力系統(tǒng)所遭受的電能質(zhì)量擾動(dòng)日趨嚴(yán)重。隨著電網(wǎng)規(guī)模的不斷擴(kuò)大和用戶對(duì)電能質(zhì)量要求的不斷提高，如何提高電能質(zhì)量、保證供電可靠性，受到日益廣泛的關(guān)注。電能質(zhì)量信號(hào)的分類是評(píng)估和改善電能質(zhì)量的必要前提。

電能質(zhì)量信號(hào)可采用支持向量機(jī)[1-3]、二進(jìn)制特征矩陣[4]、Markov模型等方法進(jìn)行分類[5]。近年來，由于電能質(zhì)量信號(hào)本身的復(fù)雜性和類別的多樣性，模糊邏輯[6-9]、神經(jīng)網(wǎng)絡(luò)[10-13]等人工智能方法的應(yīng)用越來越受到關(guān)注。模糊分類與神經(jīng)網(wǎng)絡(luò)分類同樣易于表述電能質(zhì)量信號(hào)包含的非線性信息；但是，模糊邏輯是對(duì)人類模糊思維過程的模擬，模糊分類更易于融合、利用人類所具有的相關(guān)經(jīng)驗(yàn)知識(shí)，且算法復(fù)雜度相對(duì)神經(jīng)網(wǎng)絡(luò)分類較低，因此成為電能質(zhì)量信號(hào)分類的另一有效方法。文獻(xiàn)[9]提出一種采用決策樹-模糊（DT-F）規(guī)則庫的電能質(zhì)量擾動(dòng)信號(hào)分類器。DT-F規(guī)則庫的復(fù)雜性是限制其應(yīng)用的一個(gè)重要因素。文獻(xiàn)[14]采用小波變換對(duì)電能質(zhì)量信號(hào)進(jìn)行特征量提取，并設(shè)計(jì)了一種基本的模糊分類器實(shí)現(xiàn)了分類。但噪聲等因素的影響同樣會(huì)使分類正確率大大降低。文獻(xiàn)[15]提出一種基于小波變換的模糊推理方法，但并未通過加入噪聲來驗(yàn)證所提方法的魯棒性。文獻(xiàn)[16]同樣采用小波變換來提取電能質(zhì)量信號(hào)的特征量，并將神經(jīng)網(wǎng)絡(luò)和模糊邏輯相結(jié)合進(jìn)行信號(hào)分類。文獻(xiàn)[17]對(duì)電能質(zhì)量信號(hào)進(jìn)行廣義S變換，獲取5個(gè)特征值用于分類。為降低系統(tǒng)復(fù)雜度，對(duì)模糊規(guī)則庫進(jìn)行了精簡，設(shè)計(jì)了12條規(guī)則。顯然，為使這樣的規(guī)則精簡有效，必然要求模糊推理過程的其他部分與規(guī)則密切配合，尤其是輸入模糊變量的語言值個(gè)數(shù)、隸屬函數(shù)形狀及位置參數(shù)。然而，在傳統(tǒng)的模糊推理方法中，這些參數(shù)和模糊規(guī)則的設(shè)計(jì)都是相互獨(dú)立的。雖然模糊分類系統(tǒng)的各個(gè)組成部分相互聯(lián)系，對(duì)分類結(jié)果都有重要影響，但是各個(gè)部分的設(shè)計(jì)過程并沒有體現(xiàn)出這種內(nèi)在的聯(lián)系。如輸入模糊變量的語言值個(gè)數(shù)、隸屬函數(shù)參數(shù)的設(shè)計(jì)，只與輸入變量的取值相關(guān)，而與分類目的之間沒有直接聯(lián)系。于是，在模糊分類系統(tǒng)的設(shè)計(jì)過程中，出現(xiàn)了過多的不確定因素，增加了設(shè)計(jì)過程的復(fù)雜性，不易得到好的分類結(jié)果。本文針對(duì)這一問題，探求改進(jìn)模糊推理方法，簡化設(shè)計(jì)過程。這樣的嘗試有可能使電能質(zhì)量信號(hào)模糊分類面臨的問題得到更好地解決。

本文提出了類別語言值模糊分類方法，并用來解決9類電能質(zhì)量信號(hào)的分類問題。第二部分論述了類別語言值模糊分類方法，給出了基于該方法的模糊分類系統(tǒng)設(shè)計(jì)過程。第三部分針對(duì)電能質(zhì)量信號(hào)的分類問題，設(shè)計(jì)了類別語言值模糊分類系統(tǒng)，并進(jìn)行了驗(yàn)證。結(jié)果表明，分類計(jì)算量較小，分類正確率較高。

2 類別語言值模糊分類方法的提出

在模糊邏輯中，輸入輸出變量選擇、設(shè)定語言值、定義隸屬函數(shù)、模糊推理方法設(shè)計(jì)、解模糊方法設(shè)計(jì)等環(huán)節(jié)，對(duì)模糊推理的結(jié)果都有影響。隸屬函數(shù)是用來在模糊邏輯與精確的現(xiàn)實(shí)數(shù)據(jù)之間建立起聯(lián)系的紐帶，也是最為重要的模糊運(yùn)算環(huán)節(jié)，對(duì)模糊推理的最終結(jié)果有重要影響。

隸屬函數(shù)總是與模糊變量的取值（語言值）一一對(duì)應(yīng)，模糊變量的每一個(gè)取值都有一個(gè)定義在論域上的隸屬函數(shù)與之對(duì)應(yīng)。模糊變量的取值與該模糊變量輸入具體數(shù)值的大小相關(guān)；為便于表述，通常記為正大（PB）、正?。≒S）、零（ZO）、負(fù)?。∟S）、負(fù)大（NB）等。如果需要做更細(xì)致的論域劃分，則增加正中（PM）、負(fù)中（NM）之類的語言值。基于上述隸屬函數(shù)設(shè)置，模糊推理規(guī)則的數(shù)量與輸入模糊變量的語言值數(shù)量（亦即隸屬函數(shù)數(shù)量）直接相關(guān)。如對(duì)于二輸入單輸出的模糊推理系統(tǒng)，若2個(gè)輸入模糊變量各有5個(gè)語言值，則其完整的模糊規(guī)則數(shù)為5×5=25條。

利用模糊邏輯構(gòu)造模糊推理系統(tǒng)對(duì)電能質(zhì)量信號(hào)進(jìn)行分類，其輸入模糊變量的數(shù)量通常大于2個(gè)，于是完整的模糊規(guī)則數(shù)量也較多。考慮到在線實(shí)現(xiàn)的實(shí)時(shí)性，以及必要性，通常在電能質(zhì)量信號(hào)分類模糊系統(tǒng)設(shè)計(jì)中，需要設(shè)計(jì)適當(dāng)?shù)脑瓌t，對(duì)規(guī)則進(jìn)行取舍，以減少規(guī)則數(shù)量，從而減少計(jì)算量，加快響應(yīng)速度。而規(guī)則的取舍，不論設(shè)計(jì)怎樣的取舍原則，對(duì)具體問題總會(huì)出現(xiàn)兩難的境地。其結(jié)果或者是保留了太多規(guī)則而增加了計(jì)算復(fù)雜度并可能導(dǎo)致過擬合，或者是因?yàn)樯崛チ艘恍┮?guī)則而導(dǎo)致識(shí)別正確率下降。

從另一個(gè)方面來看，上述輸入模糊變量語言值及其隸屬函數(shù)的設(shè)計(jì)方法，僅與輸入模糊變量的性質(zhì)相關(guān)。這種方法對(duì)于需要輸出精確數(shù)值以便作用于現(xiàn)實(shí)對(duì)象的一般模糊推理系統(tǒng)是合適的，但是，對(duì)于模糊分類系統(tǒng)就不一定是最合適的了。模糊分類系統(tǒng)是用來對(duì)輸入對(duì)象進(jìn)行分類的模糊推理系統(tǒng)，它的目的是分類，它需要得到的是離散的分類結(jié)果，而不是精確的、連續(xù)變化的輸出數(shù)值。由此，若能在輸入模糊變量語言值及其隸屬函數(shù)的設(shè)計(jì)中，不只考慮輸入變量的性質(zhì)和特征，同時(shí)考慮推理系統(tǒng)輸出端的分類要求，則有可能得到更適合于分類應(yīng)用場合的新的模糊推理系統(tǒng)設(shè)計(jì)方法。

為便于電能質(zhì)量信號(hào)的模糊分類，通常需要采用適當(dāng)?shù)臄?shù)學(xué)變換，將測得的電能質(zhì)量信號(hào)數(shù)據(jù)序列變換為幾個(gè)特征量，然后基于這幾個(gè)特征量進(jìn)行模糊分類。對(duì)模糊分類系統(tǒng)來說，這些特征量就是系統(tǒng)的輸入變量，系統(tǒng)的輸出則是分類的結(jié)果，即電能質(zhì)量信號(hào)的類別，如電壓暫升、電壓暫降、電壓中斷、切口、諧波等。

針對(duì)電能質(zhì)量信號(hào)分類這一問題，考慮電能質(zhì)量信號(hào)模糊分類器簡化模糊規(guī)則的需要與傳統(tǒng)模糊推理機(jī)制之間的差異，本文提出以下設(shè)想:在輸入模糊變量的論域上，直接以電能質(zhì)量信號(hào)的類別（如電壓暫升、電壓暫降等）作為語言值，并根據(jù)輸入變量的特性來定義與之對(duì)應(yīng)的隸屬函數(shù)。如上所述，輸入模糊變量為用來表征電能質(zhì)量信號(hào)擾動(dòng)信息的特征值。對(duì)于每個(gè)電能質(zhì)量信號(hào)類別來說，每個(gè)特征值都會(huì)有一個(gè)與之對(duì)應(yīng)的取值范圍，隸屬函數(shù)需要涵蓋這個(gè)范圍，并具有合適的函數(shù)表達(dá)式，即具有合適的延展性。

綜上所述，由于輸入模糊變量取值直接與輸出的分類結(jié)果一一對(duì)應(yīng)，模糊規(guī)則數(shù)即等于分類數(shù)，規(guī)則數(shù)量顯著降低。這種設(shè)想，本文稱之為類別語言值模糊分類方法。

3 電能質(zhì)量信號(hào)的類別語言值模糊分類

為實(shí)現(xiàn)電能質(zhì)量信號(hào)的分類識(shí)別，首先需要對(duì)電能質(zhì)量信號(hào)進(jìn)行適當(dāng)?shù)臄?shù)學(xué)變換，以利于提取能夠表征信號(hào)本質(zhì)特性的特征量；再以這些特征量為輸入變量，與類別語言值模糊分類方法結(jié)合進(jìn)行信號(hào)分類。

3.1特征量選取

基于數(shù)學(xué)變換的特征提取，是電能質(zhì)量信號(hào)分類的基礎(chǔ)。S變換是一種可逆的局部時(shí)頻分析方法，其高斯窗口隨頻率變化，具有更高、分布通常更合理的頻率分辨率，并可以獨(dú)立分析信號(hào)各頻率分量的幅值變化[18]，是一種相對(duì)較好的變換方法，有利于提取多樣的電能質(zhì)量信號(hào)特征值。窗寬可調(diào)整的廣義S變換則使特征值提取具有了更大的自由度。信號(hào)h(t)的廣義S變換離散計(jì)算式為

式中，H(n+i)是h(n+i)的傅里葉變換；k為窗寬調(diào)整系數(shù)，且k＞0；N為總采樣點(diǎn)數(shù)；m=0，1，2，…，N-1；n=0，1，2，…，(N-1)/2。

根據(jù)IEEE相關(guān)標(biāo)準(zhǔn)，給出9種待分類電能質(zhì)量信號(hào)的數(shù)學(xué)模型，如表1所示。其中標(biāo)準(zhǔn)信號(hào)的基礎(chǔ)頻率為50Hz，電壓幅值為歸一化值，u(t)為單位階躍函數(shù)。設(shè)定采樣頻率為錄波器常用的3 200Hz，連續(xù)采樣點(diǎn)數(shù)1 024點(diǎn)，使用上述模型，計(jì)算得到電能質(zhì)量信號(hào)采樣時(shí)間序列的樣本數(shù)據(jù)。為盡量保證數(shù)據(jù)樣本對(duì)實(shí)際中可能出現(xiàn)的信號(hào)的全覆蓋，每種信號(hào)在其模型參數(shù)允許變化范圍內(nèi)隨機(jī)產(chǎn)生98個(gè)樣本，再添加信號(hào)模型參數(shù)取最大值和最小值的情況，共得到98+2=100個(gè)樣本，上述9種信號(hào)共得到900個(gè)數(shù)據(jù)樣本。對(duì)每個(gè)樣本，添加噪聲，作廣義S變換，得到S變換結(jié)果矩陣S(i，j)。S變換結(jié)果矩陣（簡稱S矩陣）的行數(shù)為M=513，列數(shù)N=1 024。

表1 標(biāo)準(zhǔn)信號(hào)及電能質(zhì)量擾動(dòng)信號(hào)仿真模型Tab.1 Simulation models of power quality signals

基于S矩陣，設(shè)定用來作為分類依據(jù)的電能質(zhì)量信號(hào)特征量如下。

（1）特征量F1。S矩陣幅值-時(shí)間數(shù)據(jù)在基頻附近的均值。計(jì)算式為

以電網(wǎng)基礎(chǔ)頻率50Hz為例。因?yàn)閿?shù)據(jù)采樣頻率為3 200Hz，故S矩陣相鄰兩行之間的頻率差為3.125Hz。所以將基本頻率附近取為S矩陣的第15～19行。

（2）特征量F2。S矩陣幅值-時(shí)間數(shù)據(jù)在基頻附近的幅值標(biāo)準(zhǔn)差。計(jì)算式為

（3）特征量F3。S矩陣的諧波含量。分母為無擾動(dòng)標(biāo)準(zhǔn)正弦信號(hào)的S矩陣基頻附近數(shù)值的平方和開根號(hào)，記為V。分子則為其他所有頻率點(diǎn)數(shù)值的平方和開根號(hào)。于是，可得F3的計(jì)算式為

（4）特征量F4。計(jì)算與F3類似，是800Hz以上的諧波數(shù)值平方和開根號(hào)與無擾動(dòng)標(biāo)準(zhǔn)正弦信號(hào)的S矩陣基波附近數(shù)值的平方和開根號(hào)值之比。該特征量專用于區(qū)分振蕩信號(hào)。計(jì)算式為

本文選取上述4個(gè)特征量來區(qū)分9類電能質(zhì)量信號(hào)。在相同或相近的分類數(shù)條件下，本文特征量個(gè)數(shù)明顯少于多數(shù)國內(nèi)外同類研究文獻(xiàn)。而特征量數(shù)目少，通常表明所設(shè)計(jì)的分類器結(jié)構(gòu)簡單、計(jì)算量少。

對(duì)上述所有樣本數(shù)據(jù)，作廣義S變換，得到S矩陣，分別按照式（2）～式（5）計(jì)算特征量F1、F2、F3、F4的數(shù)值。計(jì)算出全部樣本的特征值，即可確定各個(gè)特征量（即模糊分類推理系統(tǒng)的輸入量）的論域。進(jìn)而根據(jù)樣本特征量數(shù)值的分布情況，可在論域上定義對(duì)應(yīng)于各個(gè)類別語言值的隸屬函數(shù)。同時(shí)，根據(jù)樣本特征量數(shù)值的分布情況，還可分析確定，依據(jù)這些特征量是否能夠區(qū)分9類電能質(zhì)量信號(hào)。若存在不能區(qū)分的信號(hào)，則應(yīng)考慮增、減或更換特征量。需要指出的是，本文給出的4個(gè)特征量就是通過上述過程確定的。

3.2論域及隸屬函數(shù)確定

具體來說，各類信號(hào)所有樣本的特征量計(jì)算值的分布范圍即為該特征量的論域，而每類信號(hào)的特征值分布范圍即為該類信號(hào)（模糊輸入變量的語言值）隸屬函數(shù)的大致分布范圍。下面以特征量F1為例進(jìn)行說明。

F1是所設(shè)計(jì)模糊分類推理系統(tǒng)的一個(gè)輸入量，其語言值直接取為待分類的信號(hào)類別，即標(biāo)準(zhǔn)、電壓暫降、電壓暫升、電壓中斷、諧波、電壓閃變、振蕩、尖峰、切口等9個(gè)語言值，依次記為F1Normal、F1Sag、F1Swell、F1Interruption、F1Harmonics、F1Flicker、F1Transients、F1Spike、F1Notch。

取隸屬函數(shù)為改進(jìn)的高斯型函數(shù)，即

式（6）中，a、b、σ為隸屬函數(shù)形狀參數(shù)，計(jì)算式為

式中，F(xiàn)1min、F1max分別為該類信號(hào)F1值的最小值、最大值。這樣計(jì)算出的隸屬函數(shù)參數(shù)，使高斯隸屬函數(shù)中間隸屬度為1的區(qū)域覆蓋F1min至F1max區(qū)域的80%，F(xiàn)1=F1max或F1min時(shí)的隸屬度都約為0.75。

上述900個(gè)樣本的特征量F1計(jì)算結(jié)果如圖1所示，圖中橫坐標(biāo)為特征量F1的計(jì)算值。為將9類信號(hào)各自的特征值F1在圖中區(qū)分開來，圖1的縱坐標(biāo)對(duì)各類信號(hào)分別設(shè)定為不同的固定值，圖中由下至上依次為標(biāo)準(zhǔn)、電壓暫降、電壓暫升、電壓中斷、諧波、電壓閃變、振蕩、尖峰、切口9類信號(hào)的特征值，其縱坐標(biāo)具體數(shù)值沒有實(shí)際意義。

圖1 特征量F1的樣本計(jì)算值Fig.1 Samples of F1

圖1 中，所有樣本特征量F1計(jì)算值的變化范圍為[5.40489E-4，1.90017]，對(duì)該變化范圍的最小值作向下取整，對(duì)最大值進(jìn)行向上取整運(yùn)算，將其論域設(shè)定為[0，2]。如上所述，定義在論域上的語言值有9個(gè)，分別對(duì)應(yīng)于9類信號(hào)的F1值。根據(jù)每類信號(hào)特征值數(shù)值的最大、最小值，由式（7）可以確定相應(yīng)語言值的隸屬函數(shù)參數(shù)，從而得到該語言值的隸屬函數(shù)。電壓暫降信號(hào)的特征值（對(duì)應(yīng)于圖1中縱坐標(biāo)值為1的數(shù)據(jù)點(diǎn)）的最大、最小值分別為0.900 27、0.099 71，代入式（7），可計(jì)算出語言值F1Sag的隸屬函數(shù)參數(shù)a=0.179 766、b=0.820 214和σ=0.152 106 4。依此類推，可確定模糊輸入變量F1的所有9個(gè)語言值的隸屬函數(shù)，如圖2所示。圖2中，標(biāo)出了3個(gè)隸屬函數(shù)對(duì)應(yīng)的語言值；其他隸屬函數(shù)幾乎重疊在一起，不便標(biāo)出語言值。

圖2 特征量F1的語言值與隸屬函數(shù)Fig.2 Linguistic values and membership functions of F1

以此類推，可以確定其他3個(gè)模糊輸入變量F2、F3和F4的各個(gè)語言值的隸屬函數(shù)。圖3、圖4分別給出了特征量F2、F3的樣本計(jì)算結(jié)果，與之對(duì)應(yīng)的語言值隸屬函數(shù)分布情況分別如圖5、圖6所示，其分布同樣遵循每類信號(hào)特征值的樣本數(shù)據(jù)計(jì)算結(jié)果，但與圖2所示F1隸屬函數(shù)的分布情況有很大差別，反映了電能質(zhì)量信號(hào)特征的不同側(cè)面。

圖3 特征量F2的樣本計(jì)算值Fig.3 Samples of F2

圖4 特征量F3的樣本計(jì)算值Fig.4 Samples of F3

圖5 特征量F2的語言值與隸屬函數(shù)Fig.5 Linguistic values and membership functions of F2

圖6 特征量F3的語言值與隸屬函數(shù)Fig.6 Linguistic values and membership functions of F3

3.3模糊規(guī)則提取

觀察圖1可以發(fā)現(xiàn)，電壓暫降、電壓暫升、電壓中斷3類信號(hào)的F1數(shù)值與其他6類信號(hào)有明顯差異，這三類信號(hào)僅依據(jù)F1值就可以進(jìn)行分類識(shí)別。而其他6類信號(hào)的F1數(shù)值都分布在1附近的狹小區(qū)域，其分類識(shí)別需要借助其他特征量。

如上所述，特征量F4專用于識(shí)別振蕩信號(hào)。在電壓暫降、電壓暫升、電壓中斷和振蕩4類信號(hào)可識(shí)別的情況下，下面分析如何識(shí)別其他5類信號(hào)。觀察圖3所示特征量F2的樣本計(jì)算值，電壓閃變信號(hào)的取值與其他4類信號(hào)互不重疊，故可利用特征量F2識(shí)別電壓閃變信號(hào)。同時(shí)可以看出，標(biāo)準(zhǔn)、諧波兩類信號(hào)的數(shù)值，與尖峰、切口兩類信號(hào)可明顯區(qū)分，但各自又有重疊，需要借助特征量F3來識(shí)別。觀察圖4，標(biāo)準(zhǔn)和諧波、尖峰和切口兩組信號(hào)各自取值都有明顯區(qū)別。于是，這4類信號(hào)可由特征量F2、F3的組合來區(qū)分。

通過上述分析，得到所有9類信號(hào)的分類依據(jù)，于是直接得到了如下9條用于分類的模糊規(guī)則，每條規(guī)則對(duì)應(yīng)于1類信號(hào)。

（1）if [(F1 is F1Normal) and (F2 is F2Normal) and (F3 is F3Normal)] then Signal is Normal

（2）if (F1 is F1Sag) then Signal is Sag

（3）if (F1 is F1Swell) then Signal is Swell

（4）if (F1 is F1Interruption) then Signal is Interruption

（5）if [(F1 is F1Harmonics) and (F2 is F2 Harmonics) and (F3 is F3Harmonics) and (F4 is not F4Harmonics)] then Signal is Harmonics

（6）if [(F1 is F1Flicker) and (F2 is F2Flicker) and (F3 is F3Flicker)] then Signal is Flicker

（7）if [(F1 is F1Transients) and (F2 is F2 Transients) and (F3 is F3Transients) and (F4 is F4Transients)] then Signal is Transients

（8）if [(F2 is F2Spike) and (F3 is F3Spike) and (F4 is F4Spike)] then Signal is Spike

（9）if [(F2 is F2Notch) and (F3 is F3Notch) and (F4 is F4Notch)] then Signal is Notch

上述規(guī)則中，規(guī)則5中的“not”代表非運(yùn)算。其中，規(guī)則2、3、4對(duì)應(yīng)于電壓暫降、電壓暫升、電壓中斷3類信號(hào)的識(shí)別。如上所述，僅靠F1即可對(duì)其進(jìn)行識(shí)別，所以對(duì)應(yīng)規(guī)則的前提部分僅有對(duì)輸入特征量F1的判斷。其他6條規(guī)則的前提部分相對(duì)復(fù)雜一些，構(gòu)成依據(jù)如前述。

4 電能質(zhì)量信號(hào)模糊分類結(jié)果

4.1仿真結(jié)果

上述9條模糊規(guī)則的合成采用最大隸屬度法，選擇所有信號(hào)類別中前提滿意度最大的一個(gè)類別作為分類結(jié)果。

為驗(yàn)證所設(shè)計(jì)分類方法的有效性，采用上述900個(gè)樣本進(jìn)行分類識(shí)別。為檢驗(yàn)所提方法的抗噪能力，產(chǎn)生信號(hào)的過程中加入了隨機(jī)產(chǎn)生的白噪聲，樣本數(shù)據(jù)的信噪比為分別為50dB和20dB。分類結(jié)果如表2所示。

表2 仿真實(shí)驗(yàn)分類結(jié)果Tab.2 Classification accuracies of simulation

由表2可見，新方法能夠適應(yīng)不同信噪比條件下的電能質(zhì)量信號(hào)分類要求；在高噪聲的情況下，新方法也具有較高的分類正確率，具備良好的抗噪性能，表明了所提方法的可行性和有效性。相較于傳統(tǒng)模糊分類方法，新方法結(jié)構(gòu)簡單、計(jì)算量小。

4.2實(shí)測數(shù)據(jù)校驗(yàn)結(jié)果

為進(jìn)一步驗(yàn)證所提方法在電力系統(tǒng)應(yīng)用中對(duì)實(shí)際數(shù)據(jù)的分類效果，采用國內(nèi)500kV輸電線故障錄波數(shù)據(jù)對(duì)電能質(zhì)量擾動(dòng)分類進(jìn)行校驗(yàn)。所用實(shí)測電能質(zhì)量數(shù)據(jù)由山大電力公司錄波設(shè)備采集并記錄。每類電能質(zhì)量信號(hào)實(shí)測數(shù)據(jù)20組，限于電力系統(tǒng)實(shí)測數(shù)據(jù)數(shù)量，部分波形來自實(shí)驗(yàn)室可編程序電能質(zhì)量擾動(dòng)發(fā)生器。采用實(shí)測數(shù)據(jù)進(jìn)行電能質(zhì)量信號(hào)分類結(jié)果如表3所示。

表3 實(shí)測數(shù)據(jù)校驗(yàn)結(jié)果Tab.3 Classification accuracies of real data verification

由表3可知，采用所提方法進(jìn)行實(shí)測電能質(zhì)量信號(hào)分類仍然可以得到較高的分類正確率，進(jìn)一步驗(yàn)證了本文所提方法的有效性。

5 結(jié)論

模糊邏輯本質(zhì)上的模糊特性使得模糊推理方法成為信號(hào)分類識(shí)別領(lǐng)域的一種常用方法。為保證分類的有效性并降低系統(tǒng)計(jì)算復(fù)雜度，模糊分類系統(tǒng)的設(shè)計(jì)需要很多的技巧，無論是語言值個(gè)數(shù)的選擇、隸屬函數(shù)分布的確定，還是模糊推理規(guī)則的設(shè)計(jì)，都有不小的復(fù)雜性。而且這些相對(duì)獨(dú)立的部分，對(duì)分類結(jié)果都有重要影響，需要反復(fù)的試湊，有時(shí)還需要借助粒子群算法等智能優(yōu)化方法。但是優(yōu)化方法的引入，如果沒有與特定分類問題相關(guān)的足夠的約束條件，又可能影響到模糊分類系統(tǒng)的泛化性能。

本文以9類電能質(zhì)量信號(hào)的分類識(shí)別為例，提出了一種新的模糊分類方法。該方法將語言值選擇和隸屬函數(shù)的分布直接與待分類信號(hào)性質(zhì)、分類目的相聯(lián)系，而不是僅取決于輸入量的數(shù)值分布。該方法中，各個(gè)輸入模糊變量的語言值個(gè)數(shù)與待分類的類別數(shù)量相同，隸屬函數(shù)參數(shù)直接由各個(gè)類別的相關(guān)數(shù)據(jù)計(jì)算得到。模糊規(guī)則數(shù)量也與類別數(shù)量相同，且可直接得到對(duì)輸入量值分布的分析。

由于將分類的目的融入語言值選擇和隸屬函數(shù)的設(shè)計(jì)，這種模糊分類方法的設(shè)計(jì)過程，主要是選擇合適的輸入模糊變量，其他部分的設(shè)計(jì)則有了較多的確定性，于是大大減少了設(shè)計(jì)工作量。并且，模糊規(guī)則數(shù)量與類別數(shù)量相同，減少了模糊分類系統(tǒng)的在線計(jì)算量，保證了分類識(shí)別的響應(yīng)速度。

電能質(zhì)量信號(hào)的分類識(shí)別結(jié)果表明了這種模糊分類方法的有效性。雖然是以電能質(zhì)量信號(hào)分類為例，但這種方法也可以被用于其他分類應(yīng)用場合。

[1] 黃南天, 徐殿國, 劉曉勝. 基于S變換與SVM的電能質(zhì)量復(fù)合擾動(dòng)識(shí)別[J]. 電工技術(shù)學(xué)報(bào), 2011, 26(10)： 23-30.

Huang Nantian, Xu Dianguo, Liu Xiaosheng. Identification of power quality complex disturbances based on S-Transform and SVM[J]. Transactions of China Electrotechnical Society, 2011, 26(10)： 23-30.

[2] 李庚銀, 王洪磊, 周明. 基于改進(jìn)小波能熵和支持向量機(jī)的短時(shí)電能質(zhì)量擾動(dòng)識(shí)別[J]. 電工技術(shù)學(xué)報(bào), 2009, 24(04)： 161-167.

Li Gengyin, Wang Honglei, Zhou Ming. Short-time power quality disturbances identification based on improved wavelet energy entropy and SVM[J]. Transactions of China Electrotechnical Society, 2009, 24(04)：161-167.

[3] 秦業(yè), 袁海文, 袁海斌, 等. 基于優(yōu)化最小二乘支持向量機(jī)的電能質(zhì)量擾動(dòng)分類[J]. 電工技術(shù)學(xué)報(bào), 2012, 27(08)： 209-214.

Qin Ye, Yuan Haiwen, Yuan Haibin, et al. Classification of power quality disturbances based on optimized least squares support vector machine[J]. Transactions of China Electrotechnical Society, 2012, 27(08)： 209-214.

[4] 王麗霞, 何正友, 趙靜. 一種基于線性時(shí)頻分布和二進(jìn)制閾值特征矩陣的電能質(zhì)量分類方法[J]. 電工技術(shù)學(xué)報(bào), 2011, 26(04)： 185-191.

Wang Lixia, He Zhengyou, Zhao Jing. Power quality disturbance classification based time-frequency distribu-tion and binary threshold on linear feature matrix [J]. Transactions of China Electrotechnical Society, 2011, 26(04)： 185-191.

[5] Dehghani H, Vahidi B, Naghizadeh R A. Power quality disturbance classification using a statistical and wavelet-based hidden Markov model with dempster-shafer algorithm[J]. Electrical Power and Energy Systems, 2013, 47： 368-377.

[6] Abdelsalam A A, Eldesouky, A A, Sallam A A. Classification of power system disturbances using linear Kalman filter and fuzzy-expert system[J]. International Journal of Electrical Power&Energy Systems. 2012, 43(1)： 688-695.

[7] Rodriguez A, Aguado J A, Martin F. Rule-based classification of power quality disturbances using S-transform[J]. Electric Power Systems Research, 2012, 86： 113-121.

[8] Kapoor R, Gupta R. Fuzzy lattice based technique for classification of power quality disturbances[J]. European Transactions on Electrical Power, 2012, 22(8)： 1053-1064.

[9] Samantaray S R. Decision tree-initialised fuzzy rulebased approach for power quality events classification[J]. IET Generation Transmission & Distribution, 2010, 4(4)： 538-551.

[10] 管春, 周雒維, 盧偉國. 基于多標(biāo)簽RBF神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量復(fù)合擾動(dòng)分類方法[J]. 電工技術(shù)學(xué)報(bào), 2011, 26(08)： 198-204.

Guan Chun, Zhou Luowei, Lu Weiguo. Recognition of multiple power quality disturbances using multilabel RBF neural networks[J]. Transactions of China Electrotechnical Society, 2011, 26(08)： 198-204.

[11] Mishra S, Bhende C N, Panigrahi B K. Detection and classification of power quality disturbances using s-transform and probabilistic neural network[J]. IEEE Transactions on Power Delivery, 2008, 23(1)： 280-287.

[12] Yap K S, Lim C P, Au M T. Improved GART neural network model for pattern classification and rule extraction with application to power systems[J]. IEEE Transactions on Neural Networks, 2011, 22(12)： 2310 2323.

[13] Lee C Y, Shen Y X. Optimal feature selection for power quality disturbances classification[J]. IEEE Transactions on Power Delivery, 2011, 26(4)： 2342-2351.

[14] Meher S K, Pradhan A K. Fuzzy classifiers for power quality events analysis[J]. Electric Power Systems Research, 2010, 80(1)： 71-76.

[15] Zhu T X, Tso S K, Lo K L. Wavelet-based fuzzy reasoning approach to power quality disturbance recognition[J]. IEEE Transactions on Power Delivery, 2004, 19(4)： 1928-1935.

[16] Reaz M B I, Choong F, Sulaiman M S, et al. Expert system for power quality disturbance classifier[J]. IEEE Transactions on Power Delivery, 2007, 22(3)：1979-1988.

[17] Behera H S, Dashb P K, Biswal B. Power quality time series data mining using S-transform and fuzzy expert system[J]. Applied Soft Computing, 2010, 10： 945-955.

[18] Stockwell R G, Mansinha L, Lowe R P. Localization of the complex spectrum： the S-transform[J]. IEEE Transactions on Signal Processing, 1996, 44(4)： 998-1001.

Fuzzy Classification of Power Quality Signals Based on Pattern Linguistic Values

Liu Xiaosheng Liu Bo Xu Dianguo
（Harbin Institute of Technology Harbin 150001 China）

There are some uncertain factors in the design process of fuzzy system for classification of power quality signals, so that the complexity of the design process is increased and the classification accuracy is usually not very high. To solve these problems, a new fuzzy classification method of power quality signals is proposed in this paper, namely pattern linguistic values method. Patterns of power quality signals to be classified are directly used to define the linguistic values of fuzzy inputs variables in this way, and the membership functions are defined depending on the values of input variables for each pattern. Besides, fuzzy rules are directly obtained from the analysis of distribution of input variable values, and the number of rules is equal to the number of patterns. Thus, the design of linguistic values and membership functions are directly related to the characters of signals to be classified and classification purposes, not just depending on the distribution of input values. Simulation and real data verification results show the validity and efficiency of the proposed method.

Power quality, fuzzy logic, pattern linguistic values, feature selection

TM714.3

劉曉勝 男，1966年生，教授，博士生導(dǎo)師，研究方向?yàn)殡娔苜|(zhì)量控制、智能變電站通信、電力線載波通信等。

國家自然科學(xué)基金（51277042）資助項(xiàng)目。

2014-05-08 改稿日期 2015-03-16

劉 博 女，1985年生，博士研究生，研究方向?yàn)殡娔苜|(zhì)量分析與控制。