中文摘要：

动态电能质量(DPQ)复杂扰动的自动检测与辨识是全面掌握并整体提高系统电能质量的基础。本项目提出基于聚类技术的选择性多子SVM集成DPQ复杂扰动的检测与辨识新方法，并主要对以下关键技术进行研究(1) 扰动数据的预处理。将数学形态学理论与小波变换理论结合，构造形态小波，提出形态小波扰动去噪算法，既去除噪声，又保留扰动的突变信息。(2) 扰动的实时检测。深入研究S变换，利用非对称窗口函数改造调制Gauss函数，提出基于广义S变换的电能质量扰动检测方法，提取特征量，实现快速数值算法。(3)扰动的辨识与分类。首先，将扰动信号进行自组织映射聚类分析，把各个扰动初步分散到各子空间中，使得各子空间的样本具有相似特性，不同子类间具有明显差异。然后，对各子空间的样本分别构造并训练生成多个子SVM学习机。最后，分析各子SVM辨识结果的精度，选择精度最高的子SVM进行集成，输出辨识分类的最终结果。

结论摘要：

动态电能质量(DPQ)复杂扰动的自动检测与辨识是全面掌握并整体提高系统电能质量的基础。本项目提出基于聚类技术的选择性多子SVM集成DPQ复杂扰动的检测与辨识新方法，并主要对以下关键技术进行研究(1) 扰动数据的预处理。将数学形态学理论与小波变换理论结合，构造形态小波，提出形态小波扰动去噪算法，既去除噪声，又保留扰动的突变信息。(2) 扰动的实时检测。深入研究S变换，利用非对称窗口函数改造调制Gauss函数，提出基于广义S变换的电能质量扰动检测方法，提取特征量，实现快速数值算法。(3) 扰动的辨识与分类。首先，将扰动信号进行自组织映射聚类分析，把各个扰动初步分散到各子空间中，使得各子空间的样本具有相似特性，不同子类间具有明显差异。然后，对各子空间的样本分布构造并训练生成多个子SVM学习机。最后，分析各子SVM辨识结果的精度，选择精度最高的子SVM进行集成，输出辨识分类的最终结果。