湖南師範大學工程與設計學院、湖南大學電氣與資訊工程學院、中國電力科學研究院的研究人員李建閩、林海軍、樑成斌、滕召勝、成達，在2019年第16期《電工技術學報》上撰文指出（論文標題為“基於雙解析度S變換和學習向量量化神經網路的電能品質擾動檢測方法”），隨著實際電網中非線性負荷以及衝擊性負荷的不斷增加，電能品質問題日趨嚴重。實現電能品質擾動訊號的準確、快速檢測對於查詢電能品質問題根源、改善電能品質、確保電網安全、保障經濟穩定具有重大意義。
為此，提出一種基於雙解析度S變換和學習向量量化（LVQ）神經網路的電能品質擾動訊號檢測方法。演算法先採用雙解析度S變換實現擾動訊號特徵向量的準確、快速提取。在獲得擾動訊號的特徵向量後對各特徵向量進行歸一化處理並利用經過訓練的LVQ神經網路對擾動訊號進行分類識別。
模擬和實際測試結果表明，該文提出的基於雙解析度S變換和LVQ神經網路的電能品質擾動檢測演算法具有訓練速度快、分類準確率高、適合嵌入式實現等優點。
隨著電網的持續發展，各種非線性、衝擊性負荷和電力電子裝置的不斷增加，電能品質問題日趨嚴重，已成為世界各國高度關注的問題。對電能品質擾動（Power Quality Disturbances, PQD）訊號進行準確檢測和有效辨識是電能品質問題實行評估、預測、診斷、維護和管理的重要依據，是改善和提高電能品質的前提與關鍵。
目前，電能品質擾動訊號的檢測和識別方法較多，但大多包含對擾動訊號進行特徵向量提取和依據特徵向量對擾動訊號進行辨識兩大步驟。
擾動訊號特徵向量提取方法主要包括快速傅立葉變換（Fast Fourier Transform, FFT）及其改進演算法、短時傅立葉變換（Short Time Fourier Transform, STFT）、小波變換（Wavelet Transform, WT）、希爾伯特黃變換（Hilbert-Huang Transform, HHT）、S變換等。
FFT因具有正交、完備等諸多優點而在電能品質檢測領域被廣泛應用，但FFT在訊號分析中面臨時域和頻域區域性化矛盾，因而只適合平穩訊號分析，無法滿足對具有暫態、突變等非平穩特性的電能品質擾動訊號的分析要求。
STFT雖然在一定程度上克服了FFT及其改進演算法不能進行區域性分析的缺陷，但其窗函式長度固定，使得同一訊號採用不同窗函式的STFT分析結果相差甚遠。WT具備時頻分析能力且適合具有突變特性的非平穩訊號分析，但其易受噪聲影響，且存在計算量較大、母函式選擇困難等問題。
HHT是非平穩訊號分析的另一常用方法，該方法對訊號的奇異點較為敏感，在分析暫態電能品質問題時有較好的動態效能，但其同樣存在抗噪效能差、高次樣條插值耗時長等問題。S變換作為WT和STFT的結合，不僅具備良好的時頻分析能力，且變換結果與其傅立葉變換直接相關，無需滿足小波容許條件，非常適合電能品質擾動訊號特徵的提取，但其計算量大，限制了其在嵌入式系統中的應用。
電能品質擾動訊號特徵向量分類識別方法主要有模糊邏輯（Fuzzy Logic, FL）、決策樹（Decision Tree, DT）、支援向量機（Support Vector Machine, SVM）、人工神經網路（Artificial Neural Network, ANN）等。FL和DT可統一歸類為規則判別方法，這兩種方法均具有原理簡單、易於理解等優點，但隨著擾動訊號型別的增多，系統的容錯能力和複雜度會極大地限制其分類能力。
SVM雖然演算法簡單，但當樣本數量增加且樣本間存在相互混疊時，會導致支援向量數目增加、訓練難度增大等問題。ANN在理論上可以對任意連續函式進行學習和逼近，具有大規模並行處理、分散式儲存和處理、自學習和自適應能力強等優點，特別是其中結構簡單的學習向量量化（Learning Vector Quantization, LVQ）神經網路，僅需計算輸入向量和競爭層之間的距離就可完成分類處理和型別識別，已被廣泛地應用於故障診斷、模式識別和影象處理等領域。
為實現電能品質擾動的準確分類識別及其在嵌入式系統中的應用，本文提出一種基於雙解析度S變換（Double Resolution S Transform, DRST）和LVQ神經網路的電能品質擾動訊號檢測新方法。DRST通過可變時頻頻寬積實現對電能品質擾動訊號特徵向量進行準確提取。
為便於嵌入式系統實現，本文在不影響特徵提取準確度的前提下對DRST進行簡化，採用只計算關鍵頻率點，忽略其他無關頻率點的方式來減少演算法運算量。而後通過LVQ神經網路來對所提取的特徵向量進行辨識。在訓練階段，所提取的特徵向量被髮送至PC對LVQ網路進行訓練以得到網路模型引數。訓練結束後，將得到的模型引數儲存到下位機中。在分類階段，下位機利用經過訓練的模型引數構建LVQ神經網路實現電能品質擾動訊號的辨識。
本文在無噪聲、有噪聲以及基波頻率波動等條件下對演算法進行模擬分析，並且與其他電能品質擾動識別演算法進行對比，模擬與對比結果表明本文演算法能夠準確、快速地對電能品質擾動訊號進行分類識別。實際構建的硬體測試平臺驗證了本文演算法的準確性和有效性。
總結本文提出了一種基於DRST和LVQ神經網路的電能品質擾動檢測方法。演算法首先通過可變時頻頻寬積的DRST實現電能品質擾動訊號特徵向量的準確提取。在不影響特徵提取準確度的條件下，通過對DRST演算法進行簡化並給出其快速演算法的實現流程，極大地減少了演算法的計算量和執行時間。此外，根據各擾動訊號的型別特點，本文通過引入多個競爭層獲勝神經元模式實現LVQ神經網路的優化，提高了分類的準確率。
模擬和實際測試結果表明，本文提出的電能品質擾動檢測方法進行電能品質擾動訊號檢測的準確率高、速度快，非常適合電力系統擾動訊號的嵌入式實時檢測。