基于压缩感知的三相电能质量扰动信号压缩及分类新方法-于华楠.pdf

《基于压缩感知的三相电能质量扰动信号压缩及分类新方法-于华楠.pdf》由会员分享，可在线阅读，更多相关《基于压缩感知的三相电能质量扰动信号压缩及分类新方法-于华楠.pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第46卷第3期 吉林大学学报(工学版) V0146 No32016年5月 Journal of Jilin University(Engineering and Technology Edition) May 2016基于压缩感知的三相电能质量扰动信号压缩及分类新方法于华楠，代芳琳，苏天恺(东北电力大学信息工程学院，吉林省吉林市132012)摘 要：首先，选取傅立叶基作为压缩感知中的过完备字典、高斯随机矩阵作为观测矩阵、正交匹配追踪(OMP)算法作为重构算法，对电能质量扰动信号进行压缩采样。然后，采用灰度共生矩阵纹理特征中的能量特征值、灰度值出现概率两种方法对压缩感知重构信号进行分类检测。试验

2、结果表明：本文方法可以同时实现对三相电能质量信号的压缩重构，也可以实现对信号的准确分类，并减少了信号压缩采样过程中的数据量。关键词：信息处理技术；电能质量；压缩感知；灰度图；灰度共生矩阵中图分类号：TM933；TP274 文献标志码：A 文章编号：16715497(2016)03096408DOI：1013229jcnkiidxbgxb201603043New compression and classification method of three-phase power qualitydisturbance signal based on compressed sensingYU Hua

3、nan，DAI Fanglin。SU Tiankai(College of Information Engineering，Northeast Dianli University，Jilin 132012，China)Abstract：First，in order to reconstruct threephase power quality disturbance signals，the Fourierbasis is chosen as the overcomplete dictionary；Gaussian random matrices as the observation matri

4、x；and orthogonal pursuit algorithm as the reconstruction algorithmThen，the energy eigenvalue ofgray level cooccurrence matrix texture features and the probability of the occurrence of grey value areused to classify the disturbance signalsThe experiment results show that the proposed method cannot on

5、ly realize simultaneous compression and reconstruction of threephase electric signals andaccurate classification of such signals，but also reconstruct the original signal samples，reducing thedata volume of signal compression and samplingKey words：information processing；power quality；compressed sensin

6、g(CS)；grayscale；gray leveleooccurrence matrl X0 引 言近年来，电能质量已成为影响用电设备安全可靠运行的重要因素之一。研究电能质量信号的压缩和分类具有重要意义。对信号压缩、检测和分类的方法主要有小波变换理论、S变换等，它们收稿日期：20150902基金项目：国家自然科学基金项目(51307020)作者简介：于华楠(1981一)，女，副教授，博士研究方向：压缩传感理论，无线通信信道估计E-mail：yhn8101171 63corn万方数据第3期 于华楠，等：基于压缩感知的三相电能质量扰动信号压缩及分类新方法 。965都是以Nyquist采样定理为基

7、础的传统处理方法，采样数据量较大。Donoho等提出了一种新的理论压缩感知(Compressed sensing，CS)理论。3，它同时实现了信号采样和压缩，突破了Nyquist采样定理的限制，极大地减少了采样数据量，具有广泛的应用前景H。7。文献8首次将压缩感知应用于短时电能质量扰动信号压缩采样中，研究了CS短时电能质量信号压缩采样的实现方法。文献9研究了应用于电能质量信号的CS稀疏基及其性能。文献E10将CS应用于暂态短时电能质量扰动信号处理中，并将一维时间信号转换为二维矩阵进行处理，进一步减少了采样数据量。目前对于电能质量扰动信号的分类方法研究已取得一定进展。文献11提出了一种基于dqO

8、变换和专家系统的扰动信号区分方法，但是对信号的区分过程比较复杂。文献12利用小波神经网络分类器对电能质量扰动进行识别，该方法需要进行大量的训练，计算量非常大。文献13提出了电力信号短时扰动检测及自动分类方法，分类时利用二进制序列，不直观、不易于观测。文献14提出了一种基于广义s变换的暂态电能质量扰动定位及识别。目前，电能质量信号压缩检测方法几乎都是针对单相信号进行压缩检测。然丽，实际的电能质量监测系统往往是同时监测三相数据信息，而且三相电信号之间存在很大的相关性。因此，本文提出了一种同时处理三相电能质量扰动信号的方法。通过变换使三相电信号同时通过本文设计的压缩感知算法进行重构，然后利用灰度共生

9、矩阵纹理特征中的能量特征值、检测灰度值出现概率两种方法对三相电信号进行分类。从而同时实现对三相电能质量扰动信号的快速、准确压缩重构及分类。1信号压缩及分类整体方案本文所提出的三相电能质量短时扰动信号压缩及分类整体方案如图1所示。首先将三相电能质量短时扰动信号(“。、“。)转换为连续的一维时间信号“。，便于在下一步同时对三相电信号进行压缩感知；然后选择稀疏表示中的稀疏基、随机投影中的观测矩阵和重构算法，对信号进行压缩感知；在对信号进行压缩感知时，为了减少信号之间的冗余，采用了将一维时间信号转换为二维灰度图的方法，因此，重构的信号是以二维灰度图的“甜 信原始 ! 灰度 号三相 共生电能 兰 一维

10、no 稀疏 随机 信号 Ubl 分+ 矩阵 类质量 转换 表示 投影 重构 特征 检信号 提取+Ucl 测图1 三相电能质量信号压缩及分类框图Fig1 Diagram of the three-phase power quality signalcompression and classification形式表示的。然后，通过以下两种方法对灰度图进行特征提取：通过灰度共生矩阵对重构信号进行纹理特征提取：提取出各种扰动信号的纹理特征，经过比较分析，找到能够准确区分各种信号的特征量，然后通过观测找到这种特征量的某种变换的值，作为以后试验时对信号进行区分的标准；信号灰度图的各灰度值出现概率统计：绘制

11、出各种扰动信号对应的灰度值出现概率图，经过分析，找到能够区分各种信号的规律。当对某未知的每相至多含有一种短时扰动的三相电信号，采用本文方法进行CS重构出二维灰度图后，采用以上两种方法对灰度图进行特征提取，提取时涉及到对灰度图的分块，按照第种分类方法将得到3个纹理特征量(、。、)，这3个量代表了三相电信号扰动时刻的特征量，通过将这3个量与已经得到的区分各类扰动信号规律的量进行比较，可以对信号进行快速分类。采用第种方法可以得到三幅灰度值概率图，根据这3幅图和得到的信号分类规律来对信号进行分类。综合比较两种方法对信号分类的准确性、复杂性等特征，选择其中一种较好的方法。2压缩感知原理压缩感知(cS)的

12、核心思想是：若长度为N的信号x本身是稀疏的，或者在某个正交基甲上具有稀疏性，那么可将原始信号x通过一个与正交基妒不相关的测量矩阵垂撇(MK，MN)进行非自适应线性投影，得到保持原始信号结构并且远小于信号长度的测量值y(M1)。最后通过求解数值最优化问题来精确重构原始信号x。CS理论直接获取数据压缩后的表达，省略了获取N维信号这个中间步骤，其线性测量模型如式(1)所示：YOx=垂邺=OS (1)式中：D=卯为M x N的线性测量矩阵；s中只万方数据 966 吉林大学学报(工学版) 第46卷有K个非零元素，即S为N维K一稀疏向量；观测量y的维数满足MCKlogNN，C为与重建精度有关的过采样系数，

13、C1。CS的重构过程就是从测量向量Y=邯中恢复N维信号工的过程。首先通过对式(1)的逆问题(见式(2)进行求解，获取稀疏系数S，然后将s代入x=邺中，将稀疏度为K的信号z正确恢复出来。minJJ妒“x JJ (2)1 stY 2删3 算法实现31 CS算法实现稀疏基在CS理论中的角色与传统采样理论中的Nyquist采样频率类似，是实现压缩重构的必要条件之一。能否高精度地重构原始信号主要依赖于该信号的稀疏表示。对短时电能质量扰动信号进行压缩采样时，需要选择合适的稀疏基对短时电能质量扰动信号进行稀疏表示。由于电能质量信号的基波是频率为50 Hz的正弦信号，而傅立叶基也是正弦信号，且为正交基。因此，

14、本文选择傅立叶基作为稀疏表示中的稀疏基。本文选择高斯随机矩阵作为测量矩阵，为了提高测量矩阵的随机性，将对测量矩阵进行近似QR分解及单位化处理。本文选择了运行效率和重构精度适中的正交匹配追踪(Orthogonal matching pursuit，OMP)算法作为重构算法，再利用测量值y对信号进行重构。从而确定了CS方法中的稀疏基、测量矩阵及重构算法。本文对信号进行CS处理过程中采用了文献10中的将一维时间信号转换为二维灰度图的方法。一维时间信号的相邻数据为2个，只能表示信号在水平方向上的变化，而二维灰度图像中的相邻数据为8个，能表示信号在水平、垂直和对角线三个方向上的变化。所以，对信号进行分析

15、时将一维时间信号转换为二维灰度图进行分析具有分析角度灵活、直观等特点。由于二维图像比一维信号具有更大的冗余度，因此可以通过去除图像各像素之间的相关性，进一步提高压缩性能和重构质量。因此，本文将时间信号转换为灰度图进行处理。32基于灰度共生矩阵的纹理检测算法实现321算法实现步骤灰度共生矩阵是通过计算图像中特定方向和特定距离的两像素之间灰度差值出现的次数，得到图像在方向、间隔、幅度变化大小和速度的综合信息，从而将图像的灰度值转化为纹理信息1引，进而对图像进行分类等研究。灰度共生矩阵是指灰度级为i的点到灰度级为J的点的概率，其中灰度级为i的点是按照某个固定的位置关系d一(D。，D，)离开i点的。用

16、n(厶j)(i，一0，1，2，L一1)来表示灰度共生矩阵，其中i，J为像素的灰度，L为图像共有多少个灰度级，d为两个像素的空间位置间的关系，d的不同代表了两个像素之间的距离和方向不同。灰度共生矩阵的生成方向用0表示，取值分别为0。，45。，90。和135。当d确定以后，就可以生成在关系d下的灰度共生矩阵，如式(3)所示：Pdr Pd(0，0) Pd(O，j) Pd(O，L一1)Pd(1，0) Pd(1，j) Pd(1，L一1)1i ； iPd(i，0) Pd(i，J) Pa(，L一1)1i ； !LPd(L一1，0)Pa(L一1，j)Pa(L一1，L一1)j(3)式中：n的每个元素代表一种灰度

17、组合下出现的次数，例如：n(o，1)表示在图像上位置关系为d时，两个像素的灰度为0和1的情况出现的次数，本文中d取1，则B可记为P。灰度共生矩阵的纹理特征有14种，一般采用下面4个最常用的不相关的纹理特征：能量：L一1 Ll厂。一pz(i，j) (4)i一0=0对比度：f：一n2 fP(i，J)l (5)n一0 、l0 J=0L-1 L-1 熵： 一一P(i，j)logP(i，歹) (6)i=0 J=OL-1 L-1巧P(i，歹)一Ul“z相关：fs 2苎世_丽一(7)式中：Ul、U2、盯1和t72分别定义为：，PP，l、D1、0mmH舢H倒t，22PP“H舢H舢卜卜H三三三一一一一“口口万方

18、数据第3期 于华楠，等：基于压缩感知的三相电能质量扰动信号压缩及分类新方法 。967本文将对三相电能质量短时扰动信号进行压缩重构和分类研究。短时电压波动的具体分类情况如表1所示。表1 IEEE制定的短时电压波动特征参数及分类Table 1 Short-term voltage fluctuation characteristicparameters and classification of IEEE由表1可以看出，IEEE制定的电压波动特征参数中，05周波(10 ms)、30周波(o6 s)、3 S、1 rain是各类别的持续时间的分界点；01、09、11、12、14、18 Pu是各类别的幅

19、值的分界点。由上文知当三相电为表1中的短时扰动时，通过CS方法重构的信号以灰度图的形式存在，本文利用灰度共生矩阵的4种纹理特征对电能质量扰动信号进行分类检测，实现步骤为：(1)通过CS方法对表1所示的电压中断、电压暂升、电压暂降及标准的电能质量信号进行重构，得到重构的灰度图。(2)对步骤(1)所得的4个灰度图进行灰度共生矩阵分析，计算本文所提到的4个纹理特征。通过4个纹理特征，对其进行分析，找到能够区分信号的特征量。(3)利用步骤(2)得到的特征量做进一步变换，使之在对灰度图进行区分时直观明了。322纹理特征量的选取利用CS方法对实现步骤(1)进行Matlab仿真试验。仿真的三相电信号基波频率

20、，为50 Hz；奈奎斯特采样频率为64 kHz；信号时长为085 s；数据长度N为16 384；观测数M为12 160。按照本文方法得到仿真结果如图2所示(本文以扰动存在于信号全部时间中得到的灰度图为例)。重构出了电压中断、电压暂升、电压暂降及正弦信号的灰度图。由于灰度图的亮暗及纹理均不同，因此可以利用纹理的特征来区分灰度图。假设正弦信号的灰度图为标准灰度图，由图2可见：电压中断信号的灰度图为全黑，且无纹理变换；电压暂升信号的灰度图比标准灰度图亮很多，即白色区域的面积增加，纹理变化明显；电压暂降信号的灰度图比标准灰度图暗，无白色区域，只有黑色和灰色，纹理特征较明显。为了直观表示各灰度图的不同，

21、对灰度图进行算法实现步骤(2)的计算，灰度共生矩阵取0。，45。，90。和135。四个方向，结果如图3所示。四种信号的能量值的平均值如表2所示。 rb)电压暂升信号(d)正弦信号图2 正弦信号及扰动信号的灰度图Fig2 Grayscale of sine signal and the disturbancesignal捌馨2 3 4灰度基数(a)能量2 3 4灰度基数(c)对比度图3灰度共生矩阵的4个特征值Fig3 Four eigenvalues of gray level cooccurrencematrix表2 四种信号的能量值的平均值Table 2 Energy average val

22、ue of four kinds signals33基于灰度值出现概率的检测算法实现331算法实现步骤利用各种扰动的灰度图计算灰度图中每种灰度值出现的概率。利用灰度值出现概率检验扰动信号类型的步骤为：(1)计算正弦信号、电压中断、电压暂升及电万方数据 968 吉林大学学报(工学版) 第46卷压暂降信号的灰度值的出现概率。此处，扰动存在于整个扰动时间内。(2)对步骤(1)所得的4个灰度值出现概率图进行分析，找到区分4种信号的方法。332信号分类标准的选择灰度图中黑色的灰度值为0，白色的灰度值为255，其他介于黑色和白色之间的灰度值为o255。由图2中各图像可以通过Matlab得到对应的灰度值出现

23、概率图，如图4所示。灰度值(a)电压中断信号灰度值(c)电压暂降信号灰度值(b1电压暂升信号图4 四种信号的灰度值及出现概率图Fig4 Grey value and probability graph of fourkinds of signals由图4可见：中断信号只在灰度值为0处出现概率不为0，概率为1；电压暂升信号在灰度值为0及255两处出现概率较大，灰度值为0处出现概率与正弦信号值一样，灰度值为255处出现概率大于正弦信号此处的出现概率；电压暂降信号的灰度值的取值范围小于255，在灰度值为0处出现概率与正弦信号值一样；而正弦信号的灰度值为0255，且在灰度值为0处出现概率最大且只有一个

24、最大值点。因此，通过以上分析可知：当在灰度值为0处的出现概率大于05时，存在中断扰动；当灰度值为255处的出现概率大于0025时，存在电压暂升扰动；当灰度值的取值范围小于255且在非零处有值时，存在电压暂降扰动。所以，通过灰度值的出现概率图可以对以上几种扰动信号进行分类。4仿真分析对本文方法进行仿真试验。三相电信号的表达式为：r“，()一夕(f)sin(27rft)似一1,t EE0,t,胡叭幻08阳式中：基波频率，为50 Hz。仿真的三相电信号为正弦信号，奈奎斯特采样频率为64 kHz，数据长度N为16384；观测数M为12 160；z一口，b，C；001 s2一t13 s，此处的t1024

25、 S，t2064 S。(1)当aTa，仇一0时，“。为暂时中断信号。(2)当37一b，m一12时，u。为暂时暂升信号。(3)当zc，m一08时，甜。为暂时暂降信号。三相电信号的Matlab仿真结果如图5所示。0之测0警_0图5三相电原始信号Fig5 Three-phase electric original signal构造出三相电信号后，采用本文方法先将三相电信号转换为二维灰度图，然后对其进行压缩重构，原灰度图及压缩感知重构的灰度图如图6所示。(a)原灰度图 (b)重构的灰度图图6三相电信号原灰度图及重构的灰度图Fig6 Original and refactoring gray image

26、 grayscaleof three-phase electrical signals本文采用峰值信噪比PSNR来评价CS算法对信号重构的效果。图7为128128图像原灰度图和重构灰度图的PSNR对比。试验结果为重复20次后取平均值得到的。从图7中可知，随万方数据第3期 于华楠等：基于压缩感知的三相电能质量扰动信号压缩及分类新方法 969图7 采样值下压缩感知的重构质量Fig7 Reconstruction quality of compression underdifferent sampling value perception着采样值的增加即压缩比的增大，PSNR呈上升趋势，重构准确度提

27、高。图6中原灰度图数据为16 384，重构灰度图数据为12 160。此外，采用本文方法当使用的采样数据比Nyquist采样数据少23时，PSNR为35 dB，可以很好地重构出原灰度图。由图6可见，其中有三块位置变化明显，此三块灰度图为扰动发生时刻的灰度图。为了提取出扰动时刻的灰度图，对重构的灰度图进行分块。因为已知重构的灰度图由三相电信号顺次组成，所以，首先将灰度图分为三块(见图8)，理论上每一块灰度图中都应该只包含一种扰动；然后，再根据本文的两种方法对灰度图进行扰动信号检测。当采用灰度共生矩阵检测方法时，将图8得到的每一块灰度图均分为三小块灰度图，并将这三小块灰度图作为一组，计算每小块灰度图

28、的4个角度的能量平均值，如表3所示。在表3中对每一组中的个能量值进行分(|i) (b) (CI图8重构的灰度图均分为三块后的灰度图Fig8 After the grayscale reconstruction are dividedinto three pieces of gray表3 图8中的每块灰度图均分为3块后每块的能量平均值Table 3 Each block of energy after each grayscaleare divided into three in figure 8均分为三块后的每块能量平均值灰度图第一块 第二块 第三块析，找出与表2中接近的数值，进而区分出扰动的

29、类型及扰动存在的灰度图小块。当采用灰度值出现概率的方法对扰动信号进行分类时，对图8得到的3幅灰度图进行Matlab仿真，得到如图9所示的灰度值出现概率图，然后对其进行分类。最后，对两种方法的分类效果进行比较。由表3可知，图8中的(a)(b)(c)图各均分为三块后每一块在4个角度的能量的平均值。由于图8(a)的三个能量值中的第二个值是1，且每个图只有一种扰动，所以可以快速地判定出图8(a)为中断信号的重构结果，即三相电信号中U。为中断信号。依次进行判定，可知为电压暂升信号，“。为电压暂降信号。图9中的(a)(b)(c)图对应图8中的(a)(b)(c)图，图(d)为正弦信号的灰度值概率图。由图9(

30、a)可见，灰度值为0处出现概率约为065，远大于05，所以图9(a)中存在电压中断信号；图9(b)中的灰度值为255处的出现概率接近于006，远大于0025，所以图9(b)中存在电压暂升扰动；图9(c)中灰度值为255处的出现概率小于正弦信号的值，且其他值处出现概率密集，因此，图9(c)为暂降信号。综上可知，两种方法都可以对扰动信号进行检测。灰度共生矩阵方法是对几个数据进行比较就可以得到结果，比较简单方便；灰度值出现概率的方法是对直方图之间进行观测，这种方法的优点是当扰动时间较长时可以快速地分辨出各种扰动，但是当扰动时间较短时各个灰度值出现概率O8瓣O 6熟。羽0 20 O一1O504乳，曼0

31、2O10Ol灰度值 灰度值(a)图8(a)灰度值出现概率 (b)图8(b)灰度值出现概率灰度值 灰度值(c)图8(c)灰度值出现概率 (d)正弦信号出现概率图9 扰动信号及正弦信号的灰度值出现概率Fig9 Gray level value probability of disturbancesignal and sine signal万方数据 970 吉林大学学报(工学版) 第46卷的直方图就比较接近于正弦信号的直方图，此时，很难用肉眼观测出信号有没有扰动及为何种扰动，而灰度共生矩阵的方法却可以对这种情况进行快速检测。所以，由以上分析可知，采用灰度共生矩阵的方法更加合理。采用灰度共生矩阵的方法

32、的Matlab仿真试验时间为21910 S；采用对三相电信号的每一相分别进行仿真的时间为46890 S。由此可知：采用本文方法将三相电信号进行转换为一维时间信号再对信号进行处理的运行时间比对每一相信号分别处理的时间要短，而且可以同时对三相电信号进行处理，试验结果一次性得出，还避免了重复进行试验的麻烦。所以，本文方法是简便易行的。采用本文灰度共生矩阵的方法对表1中的各类信号进行扰动分类试验100次，结果如表4所示。表4扰动信号分类试验结果Table 4 Disturbance signal classification experiment results由表4可知，采用灰度共生矩阵方法区分瞬时

33、扰动信号的正确率较低，因为当扰动时间较短时，灰度图的能量值与正弦信号的能量值较接近，所以容易造成区分错误；区分暂时扰动信号时，准确率有所提升，因为扰动时间增加，扰动部分在灰度图中占的面积变大，能量值越来越接近表2中的值，容易区分；区分短时扰动信号时，由于扰动时间很长，所以扰动部分的灰度图更明显，能量值与表2的值更为接近，准确率更高。通过以上试验可知，在信号扰动时长、幅度适当时，本文方法可以快速、准确地区分出信号的扰动类型。5 结束语采用本文方法可以同时对三相电信号进行压缩，且采样值比以Nyquist采样定理为基础的传统处理方法少20时也能够很好地重构原灰度图。本文方法减少了信号压缩采样过程中的

34、数据量，突破了奈奎斯特采样限制。在对信号进行分类时，利用灰度共生矩阵纹理特征量中的能量平均值作为区分扰动信号的标准，可以简单、快速地对扰动信号进行准确区分。通过试验验证可知，本文方法简单、容易实现，是一种采样数据少、可以同时区分三相电扰动信号的有效方法。参考文献：1Candes E JCompressive samplingcProceedings of the International Congress of Mathematiclans，Madrid，Spain，2006：143314522Candes E J，Tao TNear optimal signal recoveryfrom

35、random projections：Universal encoding strategiesI-JIEEE Transactions on Information Theory，2006，52(12)：5406-54253Donoho DCompressed sensingJIEEE Transactions on Information Theory，2006，52(4)：128913064张颖超，茅丹，胡凯压缩传感理论在心电图信号恢复问题上的研究J计算机研究与发展，2014，51(5)：1018-1027Zhang Ying-chao，Mao Dan，Hu KaiECG signalr

36、ecovery problem based on compressed sensing theoryJJournal of Computer Research and Development，2014，51(5)：1018-10275于华楠，张敬傺，代芳琳压缩传感在电能质量扰动信号分析中的应用EJ吉林大学学报：信息科学版，2014，32(6)：618623Yu Huahad，Zhang Jing-jie，Dai FanglinAppliction of power quality disturbance signal based oncompressed sensingJJournal of

37、Jilin University(Information Science Edition)，2014；32(6)：6186236田文飚，芮国胜，张海波，等压缩感知框架下非均匀信息采集及重构J吉林大学学报：工学版，2014，44(4)：1209-1214Tian Wenbiao。Rui Guosheng，Zhang Haibo，et a1Non-uniform information acquisition and reconstruc。tion within copmpressed sensing frameworkJJournal of Jilin University(Engineerin

38、g and Technology Edition)，2014，44(4)：120912147Candas E，Romberg J，Tao TRobust uncertaintyprinciples：exact signal reconstruction from highlyincomplete frequency informationJIEEE Transactions on Information Theory，2006，52(2)：4895098苗桂君，王学伟，杨立国，等短时电能质量信号压缩采样方法的研究J电测与仪表，2010，47(12)：811，19Miao Oui-j un，Wa

39、ng Xue_wei，Yang Liguo，et a1万方数据第3期 于华楠，等：基于压缩感知的三相电能质量扰动信号压缩及分类新方法 971Research on compression sampling algorithm ofshorttime power qualityJElectrical MeasurementInstrumentation。2010，47(12)：8-11，199李雪梅，苗桂君，王学伟，等电能质量信号压缩采样稀疏基性能研究J电测与仪表，2011，48(9)：1417Li Xue-mei，Miao Guij un，Wang Xue-wei，et a1Aresearch

40、 on performance of compression samplingsparse matrix of power quality signalJElectricalMeasurementInstrumentation，2011，48(9)：141710王学伟，王琳，苗桂君，等暂态和短时电能质量扰动信号压缩采样与重构方法J电网技术，2012，36(3)：191-196Wang Xue-wei，Wang Lin，Miao Guii un，et a1Anapproach for compressive sampling and reconstruction of transient and

41、 short。time power quality disrturbance signalsJPower System Technology，2012，36(3)：191196111欧阳森，王建华，宋政湘，等一种基于dq0变换和专家系统的电能质量信号辩识方法J1电力系统及其自动化学报，2003，15(5)：2124，33Ouyang Sen，Wang Jian-hua，Song Zhengxiang，etaIA power quality identification method based ODdqO conversion and expert systemJ3Proceedingsof

42、the EPSA，2003，15(5)：2124，331 2Wang M，Mamishev E VClassification of powerquality events using optimaltim e-frequency representationspart 1：theoryJ1IEEE Transactions onPower Delivery，2004，19(3)：14881495131田刚，包志华，堵俊，等电力信号短时扰动的检测及自动分类J电力系统及其自动化学报，2006，18(2)：3134，40Tian Gang，Bao Zhihua，Du Jun，et a1Detect

43、ionand auto-classification of shorttime disturbance of e1ectrie signalJProceedings of the CSUEPSA，2006，18(2)：31-34，40141刘奇，周雒维，卢伟国基于广义S变换的暂态电能质量扰动定位与识别I-J电力系统保护与控制，2012，40(7)：60-65Liu Qi，Zhou Luo-wei，Lu WeiguoLocalizationand identification of transient power quality disturbantes based on generalized S-transformJPowerSystem Protection and Control，2012，40(7)：6065151李慧娜，郭超峰，平源灰度共生矩阵在指纹图像分割中的应用J1数据采集与处理，2012，27(1)：6367Li Huinan，Guo Chaofeng，Ping YuanApplicationof gray level co-occurrence matrix for fingerprintsegmentationJJournal of Data Acquisition&Processing，2012，27(1)：6367万方数据