60、电力质量扰动分类与增量学习算法中的距离度量研究

电力质量扰动分类与增量学习算法中的距离度量研究

1. 电力质量扰动分类中的稀疏线性模型

在电力质量（PQ）扰动分类领域，研究引入了过完备表示（OR）和稀疏线性模型（SLM）的概念。通过组合不同的时频字典，为PQ扰动分类提供了新的思路。同时，还引入了Group Lasso方法，将每个字典视为SLM中的一个组。

实验结果表明，与不使用SLM的方法相比，Group Lasso显著提高了线性和非线性分类器在PQ扰动分类中的性能。由于SLM能够实现OR，确保了PQ扰动分类的高性能，这一框架消除了对于不同类型失真应使用何种字典的不确定性。

以下是不同分类器在有无Group Lasso情况下，使用不同字典进行分类的性能表现：
| 分类器 | 字典 | GT + 谐波 | MHWT + 谐波 | ST + 谐波 | GWST + 谐波 |
| — | — | — | — | — | — |
| 无SLM | 1 - NN | 0.8710 ± 0.0149 | 0.6311 ± 0.0216 | 0.8322 ± 0.0175 | 0.7292 ± 0.0159 |
| | 3 - NN | 0.8592 ± 0.0102 | 0.6360 ± 0.0197 | 0.8261 ± 0.0186 | 0.7246 ± 0.0166 |
| | LDC | 0.5956 ± 0.0199 | 0.5363 ± 0.0203 | 0.6560 ± 0.0204 | 0.5121 ± 0.0296 |
| | QDC | 0.8053 ± 0.0122 | 0.5808 ± 0.0327 | 0.7200 ± 0.0184 | 0.6550 ±