CN102982347B - 一种基于kl距离的电能质量扰动分类方法 - Google Patents

Abstract

本发明公开了一种基于KL距离的电能质量扰动分类方法，包括特征值提取、SVM模型生成和扰动分类三个部分。在特征值提取部分，对正弦信号和扰动信号进行分帧处理，然后分别进行离散小波分解，计算小波系数的概率分布，最后计算分布的KL距离作为特征值。在SVM模型生成部分，提取不同类型的扰动信号特征值输入到SVM中，生成训练模型。在扰动分类部分，提取待分类信号的特征值，输入到SVM训练模型，分类得到扰动信号类型。本发明时间复杂度较低，分类准确率较高，在电能质量领域具有较好的应用价值。本发明适用于电能质量扰动分类研究。

Description

一种基于KL距离的电能质量扰动分类方法

技术领域

本发明涉及一种基于KL距离的电能质量扰动分类方法，属电能质量技术领域。

背景技术

电力市场环境下，电能质量扰动问题引起广泛关注，其分类识别问题也逐渐成为近年来电力系统研究领域的热点。电能质量扰动分类包括特征值提取、模型训练和分类三个过程。

目前，常用的特征值提取方法有小波变换、希尔伯特黄变换、S变换、数学形态学、瞬时无功功率理论和分形分析法等。其中小波变换已得到广泛应用，小波函数本身衰减很快，属于暂态波形，具有快速傅里叶变换和短时傅里叶变换无法比拟的优点。

其次，在分类器的选择上，常用的方法有模糊分类法、人工神经网络法、Fisher线性分类法、贝叶斯方法和支持向量机法等。其中，支持向量机在解决小样本、非线性及高维模式识别中具有较强的优势，适合电能质量扰动信号分类应用领域。

在分类的时候，主要分为训练和分类两大步骤。这两步都需要进行特征值提取。

（1）在训练的时候，将训练样本的特征值输入到支持向量机，这时，分类器会进行计算，得到分类器的训练模型参数。

（2）在分类的时候，提取待分类样本的特征值，输入到支持向量机，会自动计算得到分类结果。

发明内容

本发明的目的是，要提供一种基于KL距离的电能质量扰动分类方法，对正弦电压信号和扰动信号帧信号进行离散小波分解，计算两者概率分布距离作为分类器的特征值。方法实施简单，复杂度低，具有较高的分类正确率。

本发明的技术方案是：本发明是一种基于KL距离的电能质量扰动分类方法，包括特征值提取步骤、SVM模型生成步骤、扰动分类步骤。

本发明方法中的特征值提取部分包括以下步骤：

（1）对正弦电压信号、电压凸起信号、电压凹陷信号、电压间断信号、电压谐波信号、脉冲暂态信号、振荡暂态信号进行分帧处理。帧长为N,正弦电压帧信号用Vⁿ[i]表示，电压凸起帧信号用表示，电压凹陷帧信号用表示，电压间断帧信号用表示，电压谐波帧信号用表示，脉冲暂态帧信号用表示，振荡暂态信号用表示，其中1≤i≤N，，n为帧号索引。

（2）根据步骤（1）得到的电压帧信号，分别对每帧信号进行离散小波分解，提取第一级小波细节子带系数。正弦电压帧信号的小波细节子带系数用VDⁿ[j]表示，电压凸起帧信号的小波细节子带系数用表示，电压凹陷帧信号的小波细节子带系数用表示，电压间断帧信号的小波细节子带系数用表示，电压谐波帧信号的小波细节子带系数用表示，脉冲暂态帧信号的小波细节子带系数用表示，振荡暂态信号的小波细节子带系数用表示，其中1≤j≤N_D，，N_D为小波细节子带系数长度，n为帧号索引。

（3）根据步骤（2）得到的电压帧信号小波细节子带系数，计算其概率分布函数。正弦电压信号的帧信号小波细节子带系数概率分布函数用VDPⁿ[k]表示、电压凸起信号的帧信号小波细节子带系数概率分布函数用表示、电压凹陷信号的帧信号小波细节子带系数概率分布函数用表示、电压间断信号的帧信号小波细节子带系数概率分布函数用表示、电压谐波信号的帧信号小波细节子带系数概率分布函数用表示、脉冲暂态信号的帧信号小波细节子带系数概率分布函数用表示、振荡暂态电压信号的帧信号小波细节子带系数概率分布函数用表示，其中1≤k≤N_P，，N_P为概率分布系数长度，n为帧号索引。

（4）根据步骤（3）得到的电压帧信号小波系数的概率分布，分别计算正弦电压帧信号与不同电压扰动信号间的概率分布KL距离，距离计算采用如下公式：

${\mathrm{KL}\_V\_V}_{\mathrm{swell}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{swell}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{sag}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{sag}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{interrupt}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{harmonic}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{timpulse}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{toscillation}}^n[k\left]\right))$

其中，KL_V_V_swell(n)是正弦信号与电压凸起信号的KL距离，KL_V_V_sag(n)正弦信号与电压凹陷信号的KL距离，KL_V_V_interrupt(n)是正弦信号与电压间断信号的KL距离，KL_V_V_harmonic(n)是正弦信号与电压谐波信号的KL距离，KL_V_V_timpulse(n)是正弦信号与脉冲暂态信号的KL距离，KL_V_V_toscillation(n)是正弦信号与振荡暂态电压信号的KL距离，log(·)为取对数函数，1≤k≤N_P，，N_P为概率分布系数长度，n为帧号索引。

（5）将步骤（4）计算得到的每帧信号的KL距离作为支持向量机的特征值，训练分类器。

本发明方法中的SVM模型生成部分包括以下步骤：

对电压凸起、电压凹陷、电压间断、电压谐波、脉冲暂态、振荡暂态电压信号进行特征值提取，分别表示为：

$F_{\mathrm{swell}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^m\left(n\right)\}$

$F_{\mathrm{sag}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^m\left(n\right)\}$

$F_{\mathrm{interrupt}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^m\left(n\right)\}$

$F_{\mathrm{harmonic}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^m\left(n\right)\}$

$F_{\mathrm{timpulse}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^m\left(n\right)\}$

$F_{\mathrm{toscillation}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^m\left(n\right)\}$

其中，n为帧号索引，m为电能质量扰动信号的个数。

将特征值F_swell，F_sag，F_interrupt，F_harmonic，F_timpulse，F_toscillation作为输入变量输入到支持向量机中，生成分类器模型。

本发明方法中的所述扰动分类部分包括以下步骤：

给定s个待分类电能质量扰动信号，提取特征值，表示为：

$F_{\mathrm{test}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{test}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{test}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{test}}^s\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{test}}^s\left(n\right)\}$

其中，n为帧号索引，s为待分类电能质量扰动信号的个数。

将特征值F_test输入到分类器模型，分类器自动判别得出s个待分类电压信号的电能质量扰动类型。

本发明与现有技术相比，本发明分析电能质量扰动信号与正弦信号在小波变换域的特性差异，采用概率分布的KL距离作为特征值，能有效地反映不同类型扰动信号的统计特征，同时选用支持向量机作为分类器，分类的准确率更高，时间复杂度低。

本发明适用于电能质量扰动分类研究。

附图说明

图1是本发明特征值提取框图；

图2是本发明扰动分类框图；

具体实施方式

本发明具体实施方式提供了一种基于KL距离的电能质量扰动分类方法，包括以下三个步骤：

1、特征值提取包括以下步骤：

（1）对正弦电压信号、电压凸起信号、电压凹陷信号、电压间断信号、电压谐波信号、脉冲暂态信号、振荡暂态信号进行分帧处理，帧长为N,正弦电压帧信号用Vⁿ[i]表示，电压凸起帧信号用表示，电压凹陷帧信号用表示，电压间断帧信号用表示，电压谐波帧信号用表示，脉冲暂态帧信号用表示，振荡暂态信号用表示，其中1≤i≤N，，n为帧号索引。

（2）根据步骤（1）得到的电压帧信号，分别对每帧信号进行离散小波分解，提取第一级小波细节子带系数。正弦电压帧信号的小波细节子带系数用VDⁿ[j]表示，电压凸起帧信号的小波细节子带系数用表示，电压凹陷帧信号的小波细节子带系数用表示，电压间断帧信号的小波细节子带系数用表示，电压谐波帧信号的小波细节子带系数用表示，脉冲暂态帧信号的小波细节子带系数用表示，振荡暂态信号的小波细节子带系数用表示，其中1≤j≤N_D，，N_D为小波细节子带系数长度，n为帧号索引。

（3）根据步骤（2）得到的电压帧信号小波细节子带系数，计算其概率分布函数。正弦电压、电压凸起、电压凹陷、电压间断、电压谐波、脉冲暂态、振荡暂态电压信号的帧信号小波细节子带系数概率分布函数分别用VDPⁿ[k]，，，，，，表示，其中1≤k≤N_P，，N_P为概率分布系数长度，n为帧号索引。

（4）根据步骤（3）得到的电压帧信号小波系数的概率分布，分别计算正弦电压帧信号与不同电压扰动信号间的概率分布KL距离，距离计算采用如下公式：

${\mathrm{KL}\_V\_V}_{\mathrm{swell}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{swell}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{sag}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{sag}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{interrupt}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{harmonic}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{timpulse}}^n[k\left]\right))$

${\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{toscillation}}^n[k\left]\right))$

其中，KL_V_V_swell(n)，KL_V_V_sag(n)，KL_V_V_interrupt(n)，KL_V_V_harmonic(n)，KL_V_V_timpulse(n)，KL_V_V_toscillation(n)分别是正弦信号与电压凸起、电压凹陷、电压间断、电压谐波、脉冲暂态、振荡暂态电压信号的KL距离，log(·)为取对数函数，1≤k≤N_P，，N_P为概率分布系数长度，n为帧号索引。

（5）将步骤（4）计算得到的每帧信号的KL距离作为支持向量机的特征值，训练分类器。

2、SVM模型生成包括以下步骤：

对电压凸起、电压凹陷、电压间断、电压谐波、脉冲暂态、振荡暂态电压信号进行特征值提取，分别表示为：

$F_{\mathrm{swell}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^m\left(n\right)\}$

$F_{\mathrm{sag}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^m\left(n\right)\}$

$F_{\mathrm{interrupt}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^m\left(n\right)\}$

$F_{\mathrm{harmonic}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^m\left(n\right)\}$

$F_{\mathrm{timpulse}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^m\left(n\right)\}$

$F_{\mathrm{toscillation}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^m\left(n\right)\}$

其中，n为帧号索引，m为电能质量扰动信号的个数。

将特征值F_swell，F_sag，F_interrupt，F_harmonic，F_timpulse，F_toscillation作为输入变量输入到支持向量机中，生成分类器模型。

3、扰动分类包括以下步骤：

给定s个待分类电能质量扰动信号，提取特征值，表示为：

$F_{\mathrm{test}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{test}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{test}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{test}}^s\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{test}}^s\left(n\right)\}$

其中，n为帧号索引，s为待分类电能质量扰动信号的个数。

Claims (1)

1.一种基于KL距离的电能质量扰动分类方法，其特征在于，所述方法包括特征值提取步骤、SVM模型生成步骤、扰动分类步骤；

所述特征值提取包括以下步骤：

(1)设正弦电压信号用V[t]表示，电压凸起信号用V_swell[t]表示，电压凹陷信号用V_sag[t]表示，电压间断信号用V_interrupt[t]表示，电压谐波信号用V_harmonic[t]表示，脉冲暂态信号用V_timpulse[t]表示，振荡暂态信号用V_toscillation[t]表示，其中1≤t≤T，T为信号长度；

对正弦电压信号、电压凸起信号、电压凹陷信号、电压间断信号、电压谐波信号、脉冲暂态信号、振荡暂态信号进行分帧处理，帧长为N,正弦电压帧信号用Vⁿ[i]表示，电压凸起帧信号用表示，电压凹陷帧信号用表示，电压间断帧信号用表示，电压谐波帧信号用表示，脉冲暂态帧信号用表示，振荡暂态信号用表示，其中1≤i≤N，n为帧号索引；

(2)根据步骤(1)得到的电压帧信号，分别对每帧信号进行离散小波分解，提取第一级小波细节子带系数；正弦电压帧信号的小波细节子带系数用VDⁿ[j]表示，电压凸起帧信号的小波细节子带系数用表示，电压凹陷帧信号的小波细节子带系数用表示，电压间断帧信号的小波细节子带系数用表示，电压谐波帧信号的小波细节子带系数用表示，脉冲暂态帧信号的小波细节子带系数用表示，振荡暂态信号的小波细节子带系数用表示，其中1≤j≤N_D，N_D为小波细节子带系数长度，n为帧号索引；

(3)根据步骤(2)得到的电压帧信号小波细节子带系数，计算其概率分布函数；正弦电压信号的帧信号小波细节子带系数概率分布函数用VDPⁿ[k]表示，电压凸起信号的帧信号小波细节子带系数概率分布函数用表示、电压凹陷信号的帧信号小波细节子带系数概率分布函数用表示、电压间断信号的帧信号小波细节子带系数概率分布函数用表示、电压谐波信号的帧信号小波细节子带系数概率分布函数用表示、脉冲暂态信号的帧信号小波细节子带系数概率分布函数用表示、振荡暂态电压信号的帧信号小波细节子带系数概率分布函数用表示，其中1≤k≤N_P，N_P为概率分布系数长度，n为帧号索引；

(4)根据步骤(3)得到的电压帧信号小波系数的概率分布，分别计算正弦电压帧信号与不同电压扰动信号间的概率分布KL距离，距离计算采用如下公式：

$\mathrm{KL}\_V\_V_{\mathrm{swell}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{swell}}^n[k\left]\right))$

$\mathrm{KL}\_V\_V_{\mathrm{sag}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{sag}}^n[k\left]\right))$

$\mathrm{KL}\_V\_V_{\mathrm{interrupt}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{interrupt}}^n[k\left]\right))$

$\mathrm{KL}\_V\_V_{\mathrm{harmonic}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{harmonic}}^n[k\left]\right))$

$\mathrm{KL}\_V\_V_{\mathrm{timpulse}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{timpulse}}^n[k\left]\right))$

$\mathrm{KL}\_V\_V_{\mathrm{toscillation}}\left(n\right)=\underset{1\≤k\≤N_P}{\mathrm{\Σ}}\left({\mathrm{VDP}}^n\right[k]\×\log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{toscillation}}^n[k\left]\right))$

其中，KL_V_V_swell(n)是正弦信号与电压凸起信号的KL距离，KL_V_V_sag(n)是正弦信号与电压凹陷信号的KL距离，KL_V_V_interrupt(n)是正弦信号与电压间断信号的KL距离，KL_V_V_harmonic(n)是正弦信号与电压谐波信号的KL距离，KL_V_V_timpulse(n)是正弦信号与脉冲暂态信号的KL距离，KL_V_V_toscillation(n)是正弦信号与振荡暂态电压信号的KL距离，log(·)为取对数函数，1≤k≤N_P，N_P为概率分布系数长度，n为帧号索引；

(5)将步骤(4)计算得到的每帧信号的KL距离作为支持向量机的特征值，训练分类器；

所述SVM模型生成包括以下步骤：

对电压凸起、电压凹陷、电压间断、电压谐波、脉冲暂态、振荡暂态电压信号进行特征值提取，电压凸起信号特征值F_swell、电压凹陷信号特征值F_sag、电压间断信号特征值F_interrupt、电压谐波信号特征值F_harmonic、脉冲暂态信号特征值F_timpulse、振荡暂态信号特征值F_toscillation分别表示为：

$F_{\mathrm{swell}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{swell}}^m\left(n\right)\}$

$F_{\mathrm{sag}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{sag}}^m\left(n\right)\}$

$F_{\mathrm{interrupt}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}^m\left(n\right)\}$

$F_{\mathrm{harmonic}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}^m\left(n\right)\}$

$F_{\mathrm{timpulse}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}^m\left(n\right)\}$

$F_{\mathrm{toscillation}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^m\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}^m\left(n\right)\}$

其中，n为帧号索引，m为电能质量扰动信号的个数；

将特征值F_swell，F_sag，F_interrupt，F_harmonic，F_timpulse，F_toscillation作为输入变量输入到支持向量机中，生成分类器模型；

所述扰动分类包括以下步骤：

给定s个待分类电能质量扰动信号，提取特征值，表示为：

$F_{\mathrm{test}}=\{{\mathrm{KL}\_V\_V}_{\mathrm{test}}^1\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{test}}^1\left(n\right),...,{\mathrm{KL}\_V\_V}_{\mathrm{test}}^s\left(1\right)...{\mathrm{KL}\_V\_V}_{\mathrm{test}}^s\left(n\right)\}$

其中，n为帧号索引，s为待分类电能质量扰动信号的个数；

将特征值F_test输入到分类器模型，分类器自动判别得出s个待分类电压信号的电能质量扰动类型。