基于改进支持向量机的电能质量扰动分类
基于决策树和支持向量机的电能质量扰动识别_陈华丰(1)
第 37 卷 第 5 期
电
网
技
术
1273
显，且小波基选择困难；相比而言，S 变换由于其 良好的时频局部性能，对噪声不敏感，常被用来分 析电能质量扰动信号，但当扰动类型很多时，难以 提取特征区分所有扰动类型。这些方法提取的特征 输入到模式识别分类器中可以实现电能质量扰动 的自动识别。模式识别方法有聚类方法 、神经网 络 、支持向量机(support vector machine，SVM) 、 专家系统[9]、决策树方法[9-11]等。SVM 常用作扰动 分类，但是当扰动类型较多时，特征混叠现象使识 别错误率增加；如果类别较少时选择合适的分类特 征，SVM 则会显示出优良的泛化能力。决策树方 法通过建立规则，模拟人类的逻辑思维实现分类， 但是其对某些类别分类的特征阈值会受噪声影响 而难以确定。如果 SVM 使用这种特征对这些类别 进行分类，就能融合 2 种分类器的优点，设计出组 合分类器。 本文采用 S 变换以及快速傅里叶变换 (fast Fourier transform， FFT)结合动态测度的特征提取方 法，分类器采用决策树结合 SVM 的组合分类器。 首先用极值点包络刻画出扰动信号 FFT 频谱中的 主要频率点，然后采用极值点包络的动态测度法寻 找主要频率点，结合 S 变换提取的特征通过构建规 则将 11 种扰动类型进行归类， 然后采用 S 变换的 2 个特征对没有区分开来的扰动进行分类，就能实现 所有扰动类型的分类。测试对比实验证实了该方法 的有效性。
陈华丰，张葛祥
（西南交通大学 电气工程学院，四川省 成都市 610031）
Power Quality Disturbance Identification Using Decision Tree and Support Vector Machine
基于特征组合与优化SVM的电能质量扰动识别
The support vector machine (SVM) is used as the classifier for identifying power quality disturbances, the feature quantities extracted by wavelet and S-transform are input to SVM to identify the types of power quality disturbances. Aiming at the problem of parameter selection of the classifier, an improved particle swarm optimization (IPSO) algorithm is proposed to dynamically adjust the inertia weight and learning factor，So that the particles have reasonable motion inertia and strong learning ability in the search space, so as to accurately obtain the optimal parameter combination and improve the accuracy of disturbances identification.The accuracy of power quality disturbance recognition based on feature combination and optimization SVM proposed in this paper is verified by simulation. The results show that the recognition accuracy of features extracted by wavelet and S-transform is 2.4167% higher than that of features extracted by S-transform. By comparing the classification results of SVM, PSO optimized SVM and IPSO optimized SVM in power quality disturbances, IPSO optimized SVM can availably enhance the accuracy of disturbance recognition and has certain noise resistance. Key words：P ower Quality Disturbance, Wavelet Transform, S-transform, SupportVector Machine, Particle Swarm OptimizationThesis ：A pplied Research目录1 绪论 (1)1.1 课题研究背景及意义 (1)1.2 国内外电能质量扰动识别方法的研究现状 (1)1.2.1 现有电能质量扰动的检测方法 (2)1.2.2 现有电能质量扰动的分类识别方法 (4)1.3 本文主要研究内容 (5)2 电能质量扰动数学模型的建立 (7)2.1 电能质量扰动的分类 (7)2.2 常见电能质量扰动的数学模型 (9)2.2.1 单一扰动与标准电压的数学模型 (9)2.2.2 复合扰动的数学模型 (12)2.3 本章小结 (14)3 电能质量扰动的特征提取 (15)3.1 基于小波变换的电能质量扰动特征提取 (15)3.1.1 基于小波变换的电能质量扰动分析 (15)3.1.2 小波变换提取电能质量扰动的能量特征 (19)3.2 基于S变换的电能质量扰动特征提取 (20)3.2.1 基于S变换的电能质量扰动分析 (20)3.2.2 S变换提取电能质量扰动的幅频特征 (28)3.3 基于特征组合的电能质量扰动分类逻辑 (31)3.4 本章小结 (32)4 基于优化SVM的电能质量扰动识别 (33)4.1 支持向量机 (33)4.1.1 结构风险最小化原则 (33)4.1.2 构造最优分类超平面 (34)4.2 基于改进粒子群算法优化SVM (38)4.2.1 选择核函数 (38)4.2.2 粒子群优化SVM (39)4.2.3 改进粒子群优化SVM (41)4.2.4 基于IPSO优化SVM识别效果的验证 (43)4.3 电能质量扰动识别的仿真测试 (45)4.3.1 优化SVM分类模型的构建 (45)4.3.2 测试结果与分析 (48)4.4 本章小结 (50)5 总结与展望 (52)5.1 总结 (52)5.2 下一步工作展望 (52)致谢 (54)参考文献 (55)附录 (59)1 绪论1.1 课题研究背景及意义电能作为一种便于转换和控制的清洁能源，在现代社会生产和生活等不同领域已广泛被应用。
基于小波包和支持向量机的电能质量扰动识别
里 叶 变 换 和 小 波 变 换 的 组 合 与 发 展 ，文 献 ［ ， ３ ４］ 中 提 出 了通 过 ｓ变 换 法 提 取 扰 动 信 号 的特 征 ，
类 器 性 能优 劣 的重 要 因素 之 一 。
本 文 选 用 小 波 包 分 析 法 对 电 能 质 量 扰 动 信 号
ＶＭ 分 类 器 的 训 练 样 仿 真结 果 表 明 ，这 种 方 法 能 够 在 噪 声 环 境 中 检 浸 进 行 特 征 提 取 ，将 其 作 为 Ｓ ０ 各 种 扰 动信 号 ，但 是 其 检 测 精 度 与 信 噪 比值 相 关 本 ；利 用 Ｓ ＶＭ 和 粒 子 群 优 化 算 法 快 速 训 练 Ｓ ＶＭ
断、脉 冲暂态及谐波 ；利用 小波 包分析 方 法对上 述扰 动信 号进 行特 征 向量提 取 ；并采 用粒子 群 算法对
Ｓ Ｍ核 函数参数 ｙ和惩罚参数 ｃ寻优 ，确 定最优 Ｓ Ｍ 分 类模 型，最终测试 精度 为 ９．２％ ，表 明该算 Ｖ Ｖ ８１５
法 实 时性 强 、 识 别 精 度 高 ，从 而验 证 了所 用 方 法 的 可 行 性 。
力 部 门 、用 户 及 相 关 研 究 人 员 的关 注 ， 同 时 ， 电 求 解 问 题 能 力 强 ，具 有 大 规 模 分 布 并 行 处 理 、非
力 系 统 中产 生 的数 据 正 在 以指 数 速 度 增 长 ， 因此 ， 线 性 、 自组 织 和 自学 习 等 优 良特 性 ， 目前 是 分 类
征 量 均有 较好 地 检 测 能 力 ，但 其 易 受 到 噪声 干 扰 ， 选 取较 大 ，会 导 致 Ｓ ＶＭ 范 化 能 力 变 弱 ，识 别 精 度 不 易 准 确 识 别 是 哪 种 扰 动 类 型 ；Ｓ变 换 法 ，是 傅 不 高 ，因此 ，Ｓ ＶＭ 的参 数 选 择 问题 是决 定 Ｓ ＶＭ 分
基于CNN和改进型SVM的电能质量扰动分类方法
基于CNN和改进型SVM的电能质量扰动分类方法
杨华勋
【期刊名称】《红水河》
【年(卷),期】2023(42)1
【摘要】为了解决电能质量扰动特征选取繁琐和困难、运算速度慢、识别精度低和分类准确率低等难题,提出一种融合卷积神经网络和改进型支持向量机的电能质量扰动分类方法。
通过使用卷积神经网络自主提取电能质量的特征值,再将特征值输入到支持向量机网络中进行分类识别;利用蝗虫优化算法选取最佳的惩罚因子和核函数,大大提升了支持向量机网络预测收敛速度。
实验结果表明,采用文中提出的分类算法对8种常见的电能质量扰动信号能够有效地识别和分类,预测准确率达到0.998,相比CNN算法,具有更高的识别精度和分类准确率。
该文提供了一种抗干扰能力强的电能质量扰动分类方法。
【总页数】6页(P99-104)
【作者】杨华勋
【作者单位】柳州铁道职业技术学院通信信号学院
【正文语种】中文
【中图分类】TP183;TM711
【相关文献】
1.基于GA-SVM的电能质量扰动分类方法研究
2.一种基于PSO-SVM的电能质量扰动识别与分类的新方法
3.基于PSO-SVM的电能质量符合扰动分类识别方法
4.
基于案例推理和SVM-KNN的电能质量扰动分类方法5.基于SVM的电能质量扰动信号分类方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO-SVM的电能质量复合扰动分类识别方法
粒子群优化（particle swarm optimization，PSO）和支持向量机（support vector machine，SVM）的电能质量复合扰动识
别方法。首先采用 db4 小波对扰动信号进行特征提取，通过对得到的近似分量和各层细节分量参数进行数学变换，
获得合适的训练和测试样本。然后用 PSO 寻优方法对支持向量机的参数进行选择，解决了参数选择不当造成的识
作者简介： 马燕琪（1995-），女，研究方向为电力系统及其自动化。
2016 年 第 8 期 总第 185 期 17
-2
0
-2
200 400 600 800 1000 1200
200 400 600 800 1000 1200
C5 ??????? -2 2
400 600 800 1000 1200
1 电能质量扰动类型
电 能 质 量 相 关 的 IEEE 标 准 将 扰 动 信 号 分 为 暂 态 和 稳 态 2 种 类 型 ，常 见 的 单 一 电 能 质 量 扰 动 有 ：电 压 中 断 、电 压 暂 升 、电 压 暂 降 、脉 冲 暂 态 、谐 波 及 电 压 波 动 ，各 信 号 模 型 如 表 1 所 示 。 文 献 [5] 将 电 能 质 量 扰 动 又 分 为 幅 值 扰 动 和 加 性 扰 动 ，因 此 电 能 质 量 复 合 扰 动 共 有 40 种 ，其 中 包 含 了 17 种 双 重 扰 动 ，17 种 三 重 扰 动 和 6 种 四 重 扰 动 。 本 文 采 用 文 献 [6] 所 提 出 的 10 种 电 力 系 统 常 见 复 合 扰 动 信 号 ，具 体 包 括 ：电 压 暂 升 和 谐 波 ，电 压 暂 升 和 电 压 波 动 ，电 压 暂 降 和 谐 波 ，电 压 暂 降 和 电 压 波 动 ，脉 冲 暂 态 和 谐 波 ，脉 冲 暂 态 和 电 压 波 动 ，电 压 暂 升 、谐 波 和 电 压 波 动 ，电 压 暂 降 、谐 波 和 电 压 波 动 ，脉 冲 暂 态 、谐 波 和 电 压 波 动 ，电 压 暂 升 、脉 冲暂态、谐波和电压波动。10 种复合扰动信号分 别 用 C1~C10 表 示 ，波 形 图 如 图 1 所 示 ，其 中 信 号 的采样频率为 6.4 kHz。
基于小波变换和改进的RVM的电能质量扰动分类
基 于小 波 变 换 和 改进 的 Ｒ Ｖ Ｍ 的 电 能 质 量 扰 动 分 类
赵 立 权 ，谢 妮 娜
（ 东北 电力大 学信 息工程 学院 ，吉林省 吉林 市 １ ３ ２ ０ １ ２ ） 摘 要 ：为 了提 高相 关 向量机 的回 归预 测 的 准确 率 ， 本 文提 出 了一种 改进 的 相 关 向量机 算 法 。该 算
决 电能 质量 问题 的关键 之一 。 目前 电能 质量扰 动分
基础 上提 出 的一 种 解 决 回归 预 测 或 分 类 问 题 的方
法 ， 它通 过 最 大后 验 概 率 求 解 相关 向 量 的权 重 。 对 于给定 的输入 样本 ＝ ｛ ｝ ： ， ， 其中 ， Ⅳ为样 本 的个 数 ， 对 应 的 目标输 出为 ｔ＝ ｛ ｔ ｝ ： 。其模 型定
分解， 将 分解后 得到 的各层 小波 系数 能量所 占的比例 值作 为特 征 量 ， 然后 ， 用改进 后 的相 关向 量机
对特 征 量进行 分 类 ， 进 而 实 现 基 于 小 波 变换 和 改进 的 相 关 向 量 机 的 电 能 质 量 扰 动 分 类 。 实验 结 果
表明， 该 方法 能够对 各种 电能质 量扰 动信号 进行分 类 ， 并且其 分类 准确 率优 于支持 向量机和 未改进
Ｒ Ｖ Ｍ 利用 贝 叶斯 框 架 构 建 学 习 机 ， 与 Ｓ Ｖ Ｍ 相 比泛化 能力 更好 、 解 更 为稀疏 ， 而且 核 函数 不需 要满
足 梅西 定理 。Ｒ Ｖ Ｍ 方 法 已经 应 用 于 一些 预测 和分
假设 之 间是 独立 同分 布 的 ， 则 样本 集 的 似然 概率
１ 引言
“ 提 供满 足 ２ ｌ 世 纪用 户 需求 的 电能质 量 ” 是 智
基于改进型神经网络的电能质量扰动识别
真结果表明 ， 此方法训练时间短 ， 收敛性好 ， 不易出现过拟合现 象 且对多数扰动信号类型均适合 。 ．
Ｋｅ ｗｏ ｄ ： ｎ ｔ ｇ ｒ ｍ；Ｂａ ｅ ｉｎ ｒ ｇ ｌ ｒ ａ ｉｎ；Ｎｅ ｒ ｅｗ ｒ ｙ ｒ ｓ Ｇｅ ｅｉ ａ ｏ ｔ ｃｌ ｉ ｈ ｙ ｓ －ｅ ｕ ａｉ ｔ ａ ｚ ｏ ｕ ａ ｎ ｔ ｏｋ ｌ
０ 引 言
敏感性电子设备如计算机 、 电子控制 器、 微 变速驱 动器 的广
Ｐｏ ｒＱｕ ｌｙ Ｄｉｔ ｒａ ｃ ｄ ｎｉｃ ｔ ｎ Ｂａ ｅ ｎ ｌ ｒｖ ｄ Ｎｅ ｒ Ｉ ｔ ｒ ｗｅ ａｉ ｓｕ ｂ ｎ ｅ ｌｅ ｔｉａ ｉ ｓ ｄ Ｏ ｍｐ ｏ ｅ ｕａ ｗｏ ｋ ｔ ｆ ｏ Ｎｅ
ＪＮ Ｙ ｎ Ｚ Ｎ ｉ－ｎ Ｚ Ａ Ｇ Ｊ ｇｈ ｎ Ｉ ａ ， ＨＯ Ｇ Ｊ ｊ ， Ｈ Ｎ ｉ —ｏ ｇ ｎｉ ｎ
（ ｏｅｅｏ ｎｏｍ ｔｎＥ ｇｎｅｎ ， ｈｊ ｎ ｎｖｒｔ ｏ ｅ ｎｌ ｙ Ｈ ｎｚｏ ｈｊ ｎ １０ ３ Ｃ ｉａ Ｃ ｌｇ ｆｒａｉ ｎｉ ｒ ｇ Ｚ ｅａｇＵ ｉ ｓｙ ｆＴｃ ｏ ｇ ， ａｇｈｕＺ ｅａｇ３０ ２ ， ｈｎ ） ｌ ｆＩ ｏ ｅｉ ｉ ｅ ｉ ｈ ｏ ｉ
Ａｂ ｔ ａ ｔ： ｒ ｖ ｄ ｎ ｕ ａ ｅｗｏｋ ｉ ｐ ｔｆｒ ｒ ｎ ｔ ｉ ｐ ｐ ｒ ｔ ｎ ａ ｃ ｈ ｄ ｎ ｉ ｃ ｔ ｎ ｅｆ ｃ ｆｐ ｗｅ ｕ ｌ ｙ ｄ ｓ ｒ ａ ｃ ． Ｂ ｓ ｄ ｏ ｓｒ ｃ Ａｎ ｉ ｏ ｅ ｅ ｒ ｌｎ ｔ ｒ ｓ ｕ ｗａｄ ｉ ｈ ｓ ａ ｅ ｏ ｅ ｈ ｎ ｅ ｔ ｅ ｉ ｅ ｔ ａｉ ｆ ｔ ｏ ｒ ｑ ａｉ ｉｔ ｂ ｎ ｅ ｍｐ ｏ ｉ ｆ ｏ ｅ ｏ ｔ ｕ ａｅ ｎ
电力系统及其自 动化
Ｐ ｗｅ ｙ ｔ ｍ ＆ Ａｕｏ ｏ ｒ ｓｅ Ｓ ｔ ｍａ ｉｎ ｔ ｏ
基于优化DDAGSVM多类分类策略的电能质量扰动识别
基于优化DDAGSVM多类分类策略的电能质量扰动识别任子晖;王琦【摘要】针对电能质量扰动类型多样且识别率不高的问题,该研究的目的是如何将多类分类问题应用于支持向量机.首先通过S变换和FFT变换提取扰动信号特征量进行模型训练.其次将广义KKT判定条件与样本空间分布序列相结合引入类间识别度,将类间识别度最高的超平面函数作为分类器根节点,以此克服传统决策导向非循环图支持向量机分类器(DDAGSVM)在分类生成顺序上随机化的缺点,并将改进的DDAGSVM应用于电能扰动信号的识别分类.实验结果表明,所提算法较传统DDAGSVM算法有良好效果和更好的鲁棒性.%In order to solve the problem that the power quality disturbance is diverse and the recognition rate is not high, the purpose of this paper is how to apply the multi-class classification problem to the support vector machine. Firstly, the disturbance signal eigenvalue is extracted to train model by S transform and FFT transform. Secondly, the generalized KKT decision condition is combined with the sample space distribution sequence to introduce interclass recognition degree. The hyperplane function with the highest interclass degree is used as the root node of the classifier to overcome the shortcomings of traditional Decision-oriented Non-cyclic Graph Support Vector Machine Classifier (DDAGSVM) randomization in the order of classification generation, and the improved DDAGSVM is applied to the classification of the energy disturbance signal. The experimental results show that the proposed algorithm has better effect and better robustness than the traditional DDAGSVM algorithm.【期刊名称】《电力系统保护与控制》【年(卷),期】2018(046)005【总页数】7页(P82-88)【关键词】支持向量机;决策导向非循环图;类间识别度;广义KKT条件;空间分布序列【作者】任子晖;王琦【作者单位】中国矿业大学信息与控制工程学院,江苏徐州 221008;中国矿业大学信息与控制工程学院,江苏徐州 221008【正文语种】中文工业发展导致电网存在多种复杂的电能质量扰动问题，因此高效快速地检测扰动并准确识别分类已成为当今电能质量扰动分析的热点话题[1-2]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于改进支持向量机的电能质量扰动分类摘要：对近年来电网发展和研究的热门话题之一：电能质量扰动识别分类系统进行研究。
识别分类系统使用小波变换方法对扰动电压信号进行特征提取，之后收入由支持向量机建立的识别系统中。
相对小波能量只能表达总分解层信号能量中各层信号能量的比例，对于电能质量扰动信号的检测不能直接使用信息熵公式。
因此引入加权算子以改进相对小波能量，加权算子对电能扰动特征进行放大，实时反映电能扰动特征。
针对使用支持向量机建立电能质量扰动识别系统时会由于扰动信号特征向量维度高、数据庞大等问题，提出一种基于混合核函数的LSSVM建立电能质量扰动识别系统。
选取RBF核函数和Polynomial核函数分别作为局部以及全局核函数，构造混合核函数，提高系统泛化能力。
使用PSO优化算法对LSSVM分类器进行分类，提高分类器的识别精度等性能。
最后通过实验验证研究的电能质量扰动识别分类系统的识别性能。
关键词：电能质量；扰动识别；最小二乘支持向量机；小波变换中图分类号：TN911.23?34；TM711 文献标识码：A 文章编号：1004?373X（2016）10?0138?04Power quality disturbance classification based on improved support vector machineJING Hao，PANG Xianhai，LI Xiaofeng，SUN Zhongji（Electric Power Research Institute，State Grid Hebei Electric Power Company，Shijiazhuang 050021，China）Abstract：The disturbance identification and classification system of power quality is studied，which is one of the hot topics of power grid development and research. The identification and classification system uses the wavelet transform method to extract the features of the disturbance voltage signal，and then transmits the features to the recognition system established by support vector machine. Since the relative wavelet energy can only express the proportion of the signal energy of each layer in the signal energy of the total decomposition layer，the detection of power quality disturbance signal can’t directly use the information entropy formula. The weighted operator is introduced to improve the relative wavelet energy，which can amplify and reflect the power disturbance features in real time. Since the feature vector of disturbance signal has the problems of high dimension and large data when the support vector machine is used to establish the power quality disturbanceidentification system，a method of using LSSVM based on hybrid kernel function to establish the power quality disturbance classification system is proposed. The RBF kernel function and Polynomial kernel function are selected as the local and global kernel functions respectively to construct the hybrid kernel function. The hybrid kernel function can improve the generalization ability of the system. The PSO algorithm is used to classify the LSSVM classifiers and improve the recognition accuracy and performance of the classifiers. The recognition performance of the power quality disturbance identification and classification system was verified in experiments.Keywords：power quality；disturbance identification；least square support vector machine；wavelet transform0 引言建立智能电网是现在电网发展和研究的热门话题，建立智能电网的重要目标和方向之一是保障供电的电能质量以及对各类不同用电用户的使用需求提供服务。
因此，实现对电能质量检测系统的建立健全、准确评价电能质量、对电网电能质量中出现的扰动进行及时准确的识别分类是近年来研究工作者关注研究热点问题之一[1?3]。
基于支持向量机建立的分类器能够有效解决神经网络分类器模型存在的容易陷入局部最优解、收敛速度慢以及需要大量训练样本等问题，其优势是使用小样本即可完成网络训练，能够实现非线性以及高维度的系统识别和辨识，因而得以广泛应用[4?6]。
使用支持向量机建立电能质量扰动识别系统时会由于扰动信号特征向量维度高、数据庞大等问题而需要建立多个分类器同时进行工作，因此支持向量机的参数选择则直接对所建立的扰动识别系统的识别效率和准确率产生影响，使用传统的梯度下降法、交叉验证法等进行参数选取时往往存在容易陷入局部最优解以及计算量大等问题[7]。
为此本文提出一种基于混合核函数的LSSVM建立电能质量扰动识别系统。
选取RBF核函数和Polynomial核函数分别作为局部以及全局核函数，构造混合核函数，提高系统泛化能力。
使用PSO优化算法对LSSVM分类器进行分类，提高分类器的识别精度等性能。
1 小波变换原理小波分析实际是对分析信号和使用的小波信号的相似度进行衡量的一种从现代调和分析发展而来的方法。
小波分析中，小波能熵的表述如下：设定信号采样个数为[N]，在[k]时刻，某信号在尺度[j]下一维小波高频系数和小波能谱分别为[Djk]，[Ejk=Djk2]，在[k]个采样点下，小波信号能量为[Ej=kDjk2]。
则小波能熵表示为[8]：实验结果对比如表1所示。
实验结果表明，在同样使用常规LSSVM模型建立的识别系统中，使用原始小波能熵进行扰动电压信号特征提取时，系统的平均识别率为75.6%，要明显低于使用引入加权算子的改进小波能熵83.3%的平均识别率。
在同样使用改进小波能熵进行扰动电压信号特征提取，使用改进的LSSVM模型建立的识别系统平均识别率为90.3%，相比常规LSSVM模型建立的识别系统的平均识别率约提高了7.0%，说明本文提出的电能质量扰动识别系统的识别性能比较优秀。
表1 识别准确率对比%5 结论对电网电能质量中出现的扰动进行及时准确地识别分类是近年来研究工作者关注研究热点问题之一。
本文引入加权算子来改进传统的相对小波能量特征提取方法，并使用混合核函数改进常规LSSVM分类模型，建立电能质量扰动识别系统。
最后使用基于dSPACE的实验工作平台对电能质量扰动分类方法进行实验研究，研究结果表明，本文提出的电能质量扰动识别系统的识别性能较好。
参考文献[1] 李庚银，王洪磊，周明.基于改进小波能熵和支持向量机的短时电能质量扰动识别[J].电工技术学报，2009（4）：161?167.[2] 孔英会.数据流技术及其在电力信息处理中的应用研究[D].保定：华北电力大学，2008.[3] 王洪磊.基于小波熵和SVM的动态电能质量扰动识别研究[D].保定：华北电力大学，2007.[4] 房国志.暂态电能质量检测方法的研究与实现[D].哈尔滨：哈尔滨理工大学，2013.[5] 陈华丰.电能质量扰动信号识别方法研究[D].成都：西南交通大学，2013.[6] 何顺帆.实时电能质量分析理论与技术的研究[D].武汉：华中科技大学，2013.[7] 黄南天.基于S变换与模式识别的电能质量暂态信号分析[D].哈尔滨：哈尔滨工业大学，2012.[8] 徐飞.基于混合核函数的LSSVM发酵建模[D].大连：大连理工大学，2012.[9] 张杨.混合电能质量扰动信号识别算法研究[D].成都：西南交通大学，2012.[10] 李欣.电力系统过电压分层模式识别及其应用研究[D].重庆：重庆大学，2012.[11] 黄南天，徐殿国，刘晓胜.基于S变换与SVM的电能质量复合扰动识别[J].电工技术学报，2011（10）：23?30.[12] 王丽霞.基于信号处理的电能质量扰动检测与识别[D].成都：西南交通大学，2010.[13] 郑志成，徐卫亚，徐飞，等.基于混合核函数PSO?LSSVM的边坡变形预测[J].岩土力学，2012，33（5）：1421?1426.[14] 周金明，王传玉，何帮强.基于混合核函数FOA?LSSVM的预测模型[J].计算机工程与应用，2015，51（4）：133?137.。