基于類別語言值的電能質量信號模糊分類

劉曉勝 劉 博 徐殿國

基于類別語言值的電能質量信號模糊分類

劉曉勝 劉 博 徐殿國

（哈爾濱工業大學電氣工程及自動化學院 哈爾濱 150001）

模糊邏輯方法已被廣泛用于電能質量信號的分類，但在模糊分類系統設計過程中存在過多的不確定因素，增加了設計過程的復雜性，不易得到好的分類結果。針對這一問題，本文提出一種基于類別語言值的電能質量信號模糊分類方法。該方法直接用待分類的各個類別來定義模糊輸入變量的語言值，根據各個類別對應的輸入變量取值來設定隸屬函數。所設計分類系統的模糊規則直接來自于對輸入量數值分布的分析，規則數量與類別數量相同。輸入模糊變量的語言值和隸屬函數的設計，不再只與輸入量相關，而且與待分類信號性質、分類結果直接相關。仿真和實測數據的分類識別結果表明了這種模糊分類方法的可行性和有效性。

電能質量 模糊邏輯 類別語言值 特征選擇

1 引言

現代電力系統中，電力電子設備的應用越來越廣泛，各種非線性、沖擊性、波動性負載大量增加，使電力系統所遭受的電能質量擾動日趨嚴重。隨著電網規模的不斷擴大和用戶對電能質量要求的不斷提高，如何提高電能質量、保證供電可靠性，受到日益廣泛的關注。電能質量信號的分類是評估和改善電能質量的必要前提。

電能質量信號可采用支持向量機[1-3]、二進制特征矩陣[4]、Markov模型等方法進行分類[5]。近年來，由于電能質量信號本身的復雜性和類別的多樣性，模糊邏輯[6-9]、神經網絡[10-13]等人工智能方法的應用越來越受到關注。模糊分類與神經網絡分類同樣易于表述電能質量信號包含的非線性信息；但是，模糊邏輯是對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經驗知識，且算法復雜度相對神經網絡分類較低，因此成為電能質量信號分類的另一有效方法。文獻[9]提出一種采用決策樹-模糊（DT-F）規則庫的電能質量擾動信號分類器。DT-F規則庫的復雜性是限制其應用的一個重要因素。文獻[14]采用小波變換對電能質量信號進行特征量提取，并設計了一種基本的模糊分類器實現了分類。但噪聲等因素的影響同樣會使分類正確率大大降低。文獻[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證所提方法的魯棒性。文獻[16]同樣采用小波變換來提取電能質量信號的特征量，并將神經網絡和模糊邏輯相結合進行信號分類。文獻[17]對電能質量信號進行廣義S變換，獲取5個特征值用于分類。為降低系統復雜度，對模糊規則庫進行了精簡，設計了12條規則。顯然，為使這樣的規則精簡有效，必然要求模糊推理過程的其他部分與規則密切配合，尤其是輸入模糊變量的語言值個數、隸屬函數形狀及位置參數。然而，在傳統的模糊推理方法中，這些參數和模糊規則的設計都是相互獨立的。雖然模糊分類系統的各個組成部分相互聯系，對分類結果都有重要影響，但是各個部分的設計過程并沒有體現出這種內在的聯系。如輸入模糊變量的語言值個數、隸屬函數參數的設計，只與輸入變量的取值相關，而與分類目的之間沒有直接聯系。于是，在模糊分類系統的設計過程中，出現了過多的不確定因素，增加了設計過程的復雜性，不易得到好的分類結果。本文針對這一問題，探求改進模糊推理方法，簡化設計過程。這樣的嘗試有可能使電能質量信號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類電能質量信號的分類問題。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設計過程。第三部分針對電能質量信號的分類問題，設計了類別語言值模糊分類系統，并進行了驗證。結果表明，分類計算量較小，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、設定語言值、定義隸屬函數、模糊推理方法設計、解模糊方法設計等環節，對模糊推理的結果都有影響。隸屬函數是用來在模糊邏輯與精確的現實數據之間建立起聯系的紐帶，也是最為重要的模糊運算環節，對模糊推理的最終結果有重要影響。

隸屬函數總是與模糊變量的取值（語言值）一一對應，模糊變量的每一個取值都有一個定義在論域上的隸屬函數與之對應。模糊變量的取值與該模糊變量輸入具體數值的大小相關；為便于表述，通常記為正大（PB）、正小（PS）、零（ZO）、負小（NS）、負大（NB）等。如果需要做更細致的論域劃分，則增加正中（PM）、負中（NM）之類的語言值。基于上述隸屬函數設置，模糊推理規則的數量與輸入模糊變量的語言值數量（亦即隸屬函數數量）直接相關。如對于二輸入單輸出的模糊推理系統，若2個輸入模糊變量各有5個語言值，則其完整的模糊規則數為5×5=25條。

利用模糊邏輯構造模糊推理系統對電能質量信號進行分類，其輸入模糊變量的數量通常大于2個，于是完整的模糊規則數量也較多。考慮到在線實現的實時性，以及必要性，通常在電能質量信號分類模糊系統設計中，需要設計適當的原則，對規則進行取舍，以減少規則數量，從而減少計算量，加快響應速度。而規則的取舍，不論設計怎樣的取舍原則，對具體問題總會出現兩難的境地。其結果或者是保留了太多規則而增加了計算復雜度并可能導致過擬合，或者是因為舍去了一些規則而導致識別正確率下降。

從另一個方面來看，上述輸入模糊變量語言值及其隸屬函數的設計方法，僅與輸入模糊變量的性質相關。這種方法對于需要輸出精確數值以便作用于現實對象的一般模糊推理系統是合適的，但是，對于模糊分類系統就不一定是最合適的了。模糊分類系統是用來對輸入對象進行分類的模糊推理系統，它的目的是分類，它需要得到的是離散的分類結果，而不是精確的、連續變化的輸出數值。由此，若能在輸入模糊變量語言值及其隸屬函數的設計中，不只考慮輸入變量的性質和特征，同時考慮推理系統輸出端的分類要求，則有可能得到更適合于分類應用場合的新的模糊推理系統設計方法。

為便于電能質量信號的模糊分類，通常需要采用適當的數學變換，將測得的電能質量信號數據序列變換為幾個特征量，然后基于這幾個特征量進行模糊分類。對模糊分類系統來說，這些特征量就是系統的輸入變量，系統的輸出則是分類的結果，即電能質量信號的類別，如電壓暫升、電壓暫降、電壓中斷、切口、諧波等。

針對電能質量信號分類這一問題，考慮電能質量信號模糊分類器簡化模糊規則的需要與傳統模糊推理機制之間的差異，本文提出以下設想:在輸入模糊變量的論域上，直接以電能質量信號的類別（如電壓暫升、電壓暫降等）作為語言值，并根據輸入變量的特性來定義與之對應的隸屬函數。如上所述，輸入模糊變量為用來表征電能質量信號擾動信息的特征值。對于每個電能質量信號類別來說，每個特征值都會有一個與之對應的取值范圍，隸屬函數需要涵蓋這個范圍，并具有合適的函數表達式，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果一一對應，模糊規則數即等于分類數，規則數量顯著降低。這種設想，本文稱之為類別語言值模糊分類方法。

3 電能質量信號的類別語言值模糊分類

為實現電能質量信號的分類識別，首先需要對電能質量信號進行適當的數學變換，以利于提取能夠表征信號本質特性的特征量；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合進行信號分類。

3.1特征量選取

基于數學變換的特征提取，是電能質量信號分類的基礎。S變換是一種可逆的局部時頻分析方法，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，并可以獨立分析信號各頻率分量的幅值變化[18]，是一種相對較好的變換方法，有利于提取多樣的電能質量信號特征值。窗寬可調整的廣義S變換則使特征值提取具有了更大的自由度。信號h(t)的廣義S變換離散計算式為

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

根據IEEE相關標準，給出9種待分類電能質量信號的數學模型，如表1所示。其中標準信號的基礎頻率為50Hz，電壓幅值為歸一化值，u(t)為單位階躍函數。設定采樣頻率為錄波器常用的3 200Hz，連續采樣點數1 024點，使用上述模型，計算得到電能質量信號采樣時間序列的樣本數據。為盡量保證數據樣本對實際中可能出現的信號的全覆蓋，每種信號在其模型參數允許變化范圍內隨機產生98個樣本，再添加信號模型參數取最大值和最小值的情況，共得到98+2=100個樣本，上述9種信號共得到900個數據樣本。對每個樣本，添加噪聲，作廣義S變換，得到S變換結果矩陣S(i，j)。S變換結果矩陣（簡稱S矩陣）的行數為M=513，列數N=1 024。

表1 標準信號及電能質量擾動信號仿真模型Tab.1 Simulation models of power quality signals

基于S矩陣，設定用來作為分類依據的電能質量信號特征量如下。

（1）特征量F1。S矩陣幅值-時間數據在基頻附近的均值。計算式為

以電網基礎頻率50Hz為例。因為數據采樣頻率為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-時間數據在基頻附近的幅值標準差。計算式為

（3）特征量F3。S矩陣的諧波含量。分母為無擾動標準正弦信號的S矩陣基頻附近數值的平方和開根號，記為V。分子則為其他所有頻率點數值的平方和開根號。于是，可得F3的計算式為

（4）特征量F4。計算與F3類似，是800Hz以上的諧波數值平方和開根號與無擾動標準正弦信號的S矩陣基波附近數值的平方和開根號值之比。該特征量專用于區分振蕩信號。計算式為

本文選取上述4個特征量來區分9類電能質量信號。在相同或相近的分類數條件下，本文特征量個數明顯少于多數國內外同類研究文獻。而特征量數目少，通常表明所設計的分類器結構簡單、計算量少。

對上述所有樣本數據，作廣義S變換，得到S矩陣，分別按照式（2）～式（5）計算特征量F1、F2、F3、F4的數值。計算出全部樣本的特征值，即可確定各個特征量（即模糊分類推理系統的輸入量）的論域。進而根據樣本特征量數值的分布情況，可在論域上定義對應于各個類別語言值的隸屬函數。同時，根據樣本特征量數值的分布情況，還可分析確定，依據這些特征量是否能夠區分9類電能質量信號。若存在不能區分的信號，則應考慮增、減或更換特征量。需要指出的是，本文給出的4個特征量就是通過上述過程確定的。

3.2論域及隸屬函數確定

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

F1是所設計模糊分類推理系統的一個輸入量，其語言值直接取為待分類的信號類別，即標準、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個語言值，依次記為F1Normal、F1Sag、F1Swell、F1Interruption、F1Harmonics、F1Flicker、F1Transients、F1Spike、F1Notch。

取隸屬函數為改進的高斯型函數，即

式（6）中，a、b、σ為隸屬函數形狀參數，計算式為

式中，F1min、F1max分別為該類信號F1值的最小值、最大值。這樣計算出的隸屬函數參數，使高斯隸屬函數中間隸屬度為1的區域覆蓋F1min至F1max區域的80%，F1=F1max或F1min時的隸屬度都約為0.75。

上述900個樣本的特征量F1計算結果如圖1所示，圖中橫坐標為特征量F1的計算值。為將9類信號各自的特征值F1在圖中區分開來，圖1的縱坐標對各類信號分別設定為不同的固定值，圖中由下至上依次為標準、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類信號的特征值，其縱坐標具體數值沒有實際意義。

圖1 特征量F1的樣本計算值Fig.1 Samples of F1

圖1 中，所有樣本特征量F1計算值的變化范圍為[5.40489E-4，1.90017]，對該變化范圍的最小值作向下取整，對最大值進行向上取整運算，將其論域設定為[0，2]。如上所述，定義在論域上的語言值有9個，分別對應于9類信號的F1值。根據每類信號特征值數值的最大、最小值，由式（7）可以確定相應語言值的隸屬函數參數，從而得到該語言值的隸屬函數。電壓暫降信號的特征值（對應于圖1中縱坐標值為1的數據點）的最大、最小值分別為0.900 27、0.099 71，代入式（7），可計算出語言值F1Sag的隸屬函數參數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個語言值的隸屬函數，如圖2所示。圖2中，標出了3個隸屬函數對應的語言值；其他隸屬函數幾乎重疊在一起，不便標出語言值。

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

以此類推，可以確定其他3個模糊輸入變量F2、F3和F4的各個語言值的隸屬函數。圖3、圖4分別給出了特征量F2、F3的樣本計算結果，與之對應的語言值隸屬函數分布情況分別如圖5、圖6所示，其分布同樣遵循每類信號特征值的樣本數據計算結果，但與圖2所示F1隸屬函數的分布情況有很大差別，反映了電能質量信號特征的不同側面。

圖3 特征量F2的樣本計算值Fig.3 Samples of F2

圖4 特征量F3的樣本計算值Fig.4 Samples of F3

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

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

3.3模糊規則提取

觀察圖1可以發現，電壓暫降、電壓暫升、電壓中斷3類信號的F1數值與其他6類信號有明顯差異，這三類信號僅依據F1值就可以進行分類識別。而其他6類信號的F1數值都分布在1附近的狹小區域，其分類識別需要借助其他特征量。

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

通過上述分析，得到所有9類信號的分類依據，于是直接得到了如下9條用于分類的模糊規則，每條規則對應于1類信號。

（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

上述規則中，規則5中的“not”代表非運算。其中，規則2、3、4對應于電壓暫降、電壓暫升、電壓中斷3類信號的識別。如上所述，僅靠F1即可對其進行識別，所以對應規則的前提部分僅有對輸入特征量F1的判斷。其他6條規則的前提部分相對復雜一些，構成依據如前述。

4 電能質量信號模糊分類結果

4.1仿真結果

上述9條模糊規則的合成采用最大隸屬度法，選擇所有信號類別中前提滿意度最大的一個類別作為分類結果。

為驗證所設計分類方法的有效性，采用上述900個樣本進行分類識別。為檢驗所提方法的抗噪能力，產生信號的過程中加入了隨機產生的白噪聲，樣本數據的信噪比為分別為50dB和20dB。分類結果如表2所示。

表2 仿真實驗分類結果Tab.2 Classification accuracies of simulation

由表2可見，新方法能夠適應不同信噪比條件下的電能質量信號分類要求；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。相較于傳統模糊分類方法，新方法結構簡單、計算量小。

4.2實測數據校驗結果

為進一步驗證所提方法在電力系統應用中對實際數據的分類效果，采用國內500kV輸電線故障錄波數據對電能質量擾動分類進行校驗。所用實測電能質量數據由山大電力公司錄波設備采集并記錄。每類電能質量信號實測數據20組，限于電力系統實測數據數量，部分波形來自實驗室可編程序電能質量擾動發生器。采用實測數據進行電能質量信號分類結果如表3所示。

表3 實測數據校驗結果Tab.3 Classification accuracies of real data verification

由表3可知，采用所提方法進行實測電能質量信號分類仍然可以得到較高的分類正確率，進一步驗證了本文所提方法的有效性。

5 結論

模糊邏輯本質上的模糊特性使得模糊推理方法成為信號分類識別領域的一種常用方法。為保證分類的有效性并降低系統計算復雜度，模糊分類系統的設計需要很多的技巧，無論是語言值個數的選擇、隸屬函數分布的確定，還是模糊推理規則的設計，都有不小的復雜性。而且這些相對獨立的部分，對分類結果都有重要影響，需要反復的試湊，有時還需要借助粒子群算法等智能優化方法。但是優化方法的引入，如果沒有與特定分類問題相關的足夠的約束條件，又可能影響到模糊分類系統的泛化性能。

本文以9類電能質量信號的分類識別為例，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的分布直接與待分類信號性質、分類目的相聯系，而不是僅取決于輸入量的數值分布。該方法中，各個輸入模糊變量的語言值個數與待分類的類別數量相同，隸屬函數參數直接由各個類別的相關數據計算得到。模糊規則數量也與類別數量相同，且可直接得到對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的設計，這種模糊分類方法的設計過程，主要是選擇合適的輸入模糊變量，其他部分的設計則有了較多的確定性，于是大大減少了設計工作量。并且，模糊規則數量與類別數量相同，減少了模糊分類系統的在線計算量，保證了分類識別的響應速度。

電能質量信號的分類識別結果表明了這種模糊分類方法的有效性。雖然是以電能質量信號分類為例，但這種方法也可以被用于其他分類應用場合。

[1] 黃南天, 徐殿國, 劉曉勝. 基于S變換與SVM的電能質量復合擾動識別[J]. 電工技術學報, 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. 基于改進小波能熵和支持向量機的短時電能質量擾動識別[J]. 電工技術學報, 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, 袁海文, 袁海斌, 等. 基于優化最小二乘支持向量機的電能質量擾動分類[J]. 電工技術學報, 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. 一種基于線性時頻分布和二進制閾值特征矩陣的電能質量分類方法[J]. 電工技術學報, 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. 基于多標簽RBF神經網絡的電能質量復合擾動分類方法[J]. 電工技術學報, 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，博士生導師，研究方向為電能質量控制、智能變電站通信、電力線載波通信等。

國家自然科學基金（51277042）資助項目。

2014-05-08 改稿日期 2015-03-16

劉 博 女，1985年生，博士研究生，研究方向為電能質量分析與控制。