电能质量扰动识别：组合特征与BTSVM结合方法

"这篇论文是2015年发表在《计算机工程与应用》上的科研成果，主要讨论了电能质量扰动识别的一种新方法，即结合组合特征和二叉树结构支持向量机（BTSVM）。研究针对电能质量扰动信号的特征提取和分类，以提高识别的准确性和效率。" 正文: 在电力系统中，电能质量扰动的识别是一项至关重要的任务，因为它直接影响到电力系统的稳定运行和设备的安全。传统的电能质量扰动识别方法往往依赖于单一特征，这可能不足以全面捕捉扰动信号的复杂特性。因此，本研究提出了一种创新的识别策略，通过结合小波包变换和S变换来提取组合特征，随后利用二叉树结构支持向量机进行多分类。 首先，小波包变换被用来对扰动信号进行多层次的分解，以获取不同频带下的信号能量。这种方法的优势在于，它可以在时间和频率域上同时提供精细的分析，尤其是在高频部分，弥补了传统小波变换可能丢失某些重要特征的不足。通过选择特定的频带，研究者能够捕获到反映不同扰动类型的特征信息。 其次，S变换作为一种改进的时频分析工具，能够生成模矩阵，其中包含了信号的非线性时频特征。这些特征对于识别某些复杂的电能质量扰动至关重要。S变换的模矩阵信息与小波包变换的能量特征相结合，形成了综合的特征向量，为后续的分类提供了更丰富的信息基础。 接下来，研究引入了二叉树结构的支持向量机（BTSVM）作为分类器。BTSVM是一种基于聚类思想的分类模型，它可以有效地处理大量特征和样本，且分类速度快、准确度高。通过训练和测试，BTSVM分类器在处理组合特征时，展示了优于传统方法的性能，平均识别率提升了6%以上，同时减少了训练时间和测试总用时。 总结来说，这篇论文提出了一种基于组合特征（小波包能量和S变换特征）与BTSVM的电能质量扰动识别方法，有效解决了单一特征识别的局限性，提高了识别效率和准确性。这种方法不仅有助于提升电力系统监测的精度，还为未来电能质量领域的研究提供了新的思路和技术手段。