技術特征：

1.一種帶標簽信息子字典級聯(lián)學習的電能質(zhì)量擾動識別方法，其特征在于，包括以下幾個步驟：

步驟1、建立K類電能質(zhì)量擾動信號模型，生成相應的含有復合信號的訓練樣本集利用主成分分析PCA方法進行降維特征提取，并貼上標簽；步驟2、采用訓練字典的算法對K類降維的電能質(zhì)量數(shù)據(jù)訓練成冗余子字典，對含有標簽信息的子字典級聯(lián)成結(jié)構化字典，同時降維訓練樣本是具有標簽性的矩陣，目標字典是具有帶線性分類器參數(shù)形式；步驟3、輸入降維特征提取的測試樣本信號，讓其在優(yōu)化下的級聯(lián)字典下進行稀疏表示，獲得稀疏表示矩陣形式；步驟4、利用K類電能質(zhì)量擾動信號的訓練樣本的子字典依次重構K個降維測試樣本信號，分別計算與原降維測試樣本信號的冗余誤差，由冗余誤差最小值確定目標歸屬類。

2.根據(jù)權利要求1所述的一種帶標簽信息子字典級聯(lián)學習的電能質(zhì)量擾動識別方法，其特征是：步驟1中，所述生成相應的含有復合信號的訓練樣本集為：

E＝[E₁，E₂，...，E_k]∈R^M×N，其中k表示訓練樣本類別數(shù)，M表示為采樣點數(shù)，N為信號長度，每一類訓練樣本集E_i，訓練的樣本集類別分別代表電壓正常，電壓暫降，電壓諧波，電壓中斷，電壓缺口，電壓振蕩，電壓尖峰，電壓暫升以及相應組合的復合信號構成，經(jīng)過PCA降維以后獲得的特征矩陣為Y＝[Y₁，Y₂，...，Y_k]∈R^P×N，其中P＜M，對于標簽信息的電能質(zhì)量模型信號，附加標簽信息矩陣H＝[H₁，H₂，...，H_k]，則H₁＝[0，0，...，1]^T表示電壓暫升。

3.根據(jù)權利要求1所述的一種帶標簽信息子字典級聯(lián)學習的電能質(zhì)量擾動識別方法，其特征是：步驟2中，采用訓練字典的算法對K類降維的電能質(zhì)量數(shù)據(jù)訓練成冗余子字典，對含有標簽信息的子字典級聯(lián)成結(jié)構化字典進行優(yōu)化，該過程可以分為以下幾個步驟：

步驟2.1、選取降維后的特征訓練樣本的部分原子作為初始化字典D_i，每個特征原子作為初始化冗余字典的每一列，為了提高算法的運算效率，對初始化的字典作歸一化處理，||D_ij||₂＝1，i＝1，2，...，k，j＝1，2，...，P，D_ij作為字典的列向量，于是級聯(lián)之后的結(jié)構化字典D＝[D₁，D₂，...，D_k]；

步驟2.2、對于字典的優(yōu)化目標函數(shù)為：

$J=\underset{D,W}{\arg \min }\underset{i=1}{\overset{k}{\Σ}}\left\{\right||Y_i-{\mathrm{DA}}_i|{|}_F^2+\left|\right|Y_i-D_i{A}_i^i|{|}_F^2+\mathrm{\μ}\underset{j=1,j\≠i}{\Σ}|\left|A_i^j\right|{|}_F^2+\mathrm{\η}\left|\right|H_i-{\mathrm{WA}}_i|{|}_F^2+\mathrm{\β}|\left|W\right|{|}_F^2\}+\mathrm{\λ}|\left|A\right|{|}_1$

i＝1，2，...，k，j＝1，2，...，P，降維樣本Y_i在字典D上的編碼系數(shù)A_i可以表示為表示Y_i在D_j上的編碼系數(shù)，因此降維訓練樣本可以表示為：目標函數(shù)中為重構精度要求，保證降維子訓練樣本Y_i可以被子字典D_i很好的表示，同時子訓練樣本在其他子字典D_j(j≠i)上系數(shù)非常小，D_j就不能很好地重構Y_i，W是線性分類器H-WA的參數(shù)矩陣，H為標簽矩陣，這樣編碼系數(shù)A和對應的類別標簽H就建立了一個線性分類器，通過學習后該分類器對編碼系數(shù)具有良好的識別力，這樣就能用學習得到的線性分類器來進行識別。μ，η，β，λ為正則化參數(shù)用來權衡誤差和稀疏程度；

步驟2.3、設置迭代次數(shù)s和迭代的閾值J_s。

4.根據(jù)權利要求3所述的一種帶標簽信息子字典級聯(lián)學習的電能質(zhì)量擾動識別方法，其特征是：對目標函數(shù)需要進一步優(yōu)化求解，設置則：

$J=\underset{D^{\′}}{\arg \min }\underset{i=1}{\overset{k}{\Σ}}\left\{\right||{Y_i}^{\′}-D^{\′}{A_i}^{\′}|{|}_F^2+\left|\right|{Y_i}^{\′}-{D_i}^{\′}{A}_i^{i^{\′}}|{|}_F^2+\mathrm{\μ}\underset{j=1,j\≠i}{\Σ}|\left|A_i^{j^{\′}}\right|{|}_F^2\}+\mathrm{\λ}|\left|A^{\′}\right|{|}_1$

i＝1，2，...k，j＝1，2，...P，μ，λ為權衡誤差和稀疏程度的標量參數(shù)；由于D′做了歸一化處理，就可以直接省略；通過上述的換元，將訓練樣本矩陣Y轉(zhuǎn)化為帶標簽信息的矩陣Y′，將字典D轉(zhuǎn)化為帶線性分類器參數(shù)的字典D′，將三個變量D、A、W轉(zhuǎn)變?yōu)閮蓚€變量D′、A′。

5.根據(jù)權利要求4所述的一種帶標簽信息子字典級聯(lián)學習的電能質(zhì)量擾動識別方法，其特征是：還包括，對優(yōu)化后的字典模型進行學習，分為兩個部分：稀疏編碼和字典更新：稀疏編碼：固定字典D′更新稀疏編碼稀疏A′：

$J=\underset{A_i^{\′}}{\arg \min }\left\{\right||{Y_i}^{\′}-D^{\′}{A_i}^{\′}|{|}_F^2+\left|\right|{Y_i}^{\′}-{D_i}^{\′}{A}_i^{i^{\′}}|{|}_F^2+\mathrm{\μ}\underset{j=1,j\≠i}{\Σ}|\left|A_i^{j^{\′}}\right|{|}_F^2+\mathrm{\λ}\left|\right|A^{\′}\left|{|}_1\right\},$

字典更新：更新的稀疏編碼稀疏A′來更新字典D′：

$J=\underset{D^{\′}}{\arg \min }\left\{\right||{Y_i}^{\′}-\underset{j=1,j\≠j\≠i}{\overset{k}{\Σ}}{D_j}^{\′}{A_j}^{\′}-{D_i}^{\′}{A_i}^{\′}|{|}_F^2+\left|\right|{Y_i}^{\′}-{D_i}^{\′}{A_i^i}^{\′}\left|{|}_F^2\right\}$

字典D′的更新是通過逐個子字典依次更新的，D′＝[D₁′，D₂′，...，D_k′]。

6.根據(jù)權利要求1所述的一種帶標簽信息子字典級聯(lián)學習的電能質(zhì)量擾動識別方法，其特征是：步驟3中，獲得測試樣本信號的稀疏表示矩陣，稀疏表示是通過子字典更新得到的稀疏表示矩陣

7.根據(jù)權利要求1所述的一種帶標簽信息子字典級聯(lián)學習的電能質(zhì)量擾動識別方法，其特征是：步驟4中，由冗余誤差最小值確定目標歸屬類為：