در نظر گرفتن ویژگی­های زیاد نیاز به حجم حافظه و زمان محاسباتی بیشتری دارد. به همین دلیل در سالهای اخیر، روش­های کاهش بعد و انتخاب ویژگی در یادگیری ماشین، به شدت مورد توجه بوده­اند. دو روش اصلی برای انتخاب ویژگی وجود دارد: روش فیلتر کردن و روش فراگیر یا روکشی.

روشهای یادگیری مختلفی برای کلاس بندی الگوها وجود دارد که از جمله آنها می­توان به توابع احتمال شباهت، K نزدیکترین همسایه، روشهای مبتنی بر قوانین، ماشین بردار پشتیبان، شبکه­های عصبی، درخت تصمیم و روشهای بیزی اشاره کرد. هر کدام از این روشها نقاط قوت و ضعفی داشته و بسته به تعریف مساله و هدف، می­تواند در کاربردهای مختلف به نحو مناسبی استفاده شود. در سالهای اخیر، تعدادی روش دسته­بندی آماری و روش یادگیری ماشین به منظور دسته­بندی اغتشاشات کیفیت توان پیشنهاد شده است. از جمله این روش­ها می­توان به روش دسته­بندی نزدیکترین همسایه، درخت­های تصمیم، ماشین بردار پشتیبان و روش شبکه­های عصبی اشاره نمود.

در سال­های اخیر تحقیقات بسیاری به منظور بهبود سیستم­های تشخیص کیفیت توان صورت گرفته است که در آنها استفاده از آنالیز موجک جهت استخراج ویژگی بسیار متداول است.

در مقالات گذشته،  تلاشهایی برای طرح یک سیستم خودکار تشخیص کیفیت توان به عمل آمده است. دربرخی مقالات استخراج ویژگی با استفاده از تبدیل s و در برخی دیگر با استفاده از تبدیل موجک گسسته صورت گرفته است و این ویژگیها برای آموزش طبقه­بندی کننده ماشین بردار پشتیبان مورد استفاده قرار گرفته است. در مرجعی چندین روش برای انتخاب ویژگیهای مناسب و حذف ویژگی­های غیر مفید، برای مساله تشخیص سیگنال­های کیفیت توان، ارائه شده است.

در سیستم­های تشخیص از قابلیت­های محاسبات نرم همچون سیستم­های خبره مبتنی بر منطق فازی و شبکه­های عصبی استفاده شده است. در مرجعی با کمک شبکه عصبی پس انتشار خطا به طبقه­بندی 7 کلاس از اغتشاشات پرداخته است. در مرجعی با استفاده از درخت تصمیم­گیری و به کمک ابزار ساده محاسباتی یک نمونه عملی از سیستم تشخیص دسته­بندی اغتشاشات کیفیت توان بیان شده است.

اغتشاش­های کیفیت توان طیف فرکانسی وسیعی دارند. برای پردازش شکل موج اغتشاش­های کیفیت توان فرکانس پایین مانند نوسان ولتاژ، معمولا از تبدیل فوریه گسسته استفاده می­شود اما برای پردازش اغتشاش­های کیفیت توان فرکانس بالا نظیر حالتهای گذرا، بهتر است ضرایب موجک به کار رود. از این رو برخی مقالات، این دو روش را کنار یکدیگر به­کار گرفته­اند تا با استخراج ویژگی­های مناسبی از شکل موج اغتشاش، شناسایی و طبقه بندی اغتشاش را ساده­تر سازند.

مشکلات روش­های قبلی به شرح ذیل می­باشد:

• تبدیل فوریه گسسته و تبدیل CZ، اطلاعات مناسبی را در حوزه زمان استخراج نمی­کنند.
• از نتایج مقالات پیشین می­توان استنتاج کرد که با استفاده از تبدیل موجک به تنهایی نمی­توان ویژگیهای با کیفیت بالا ایجاد نمود.
• استفاده از تبدیل فوریه، تبدیل S و تبدیل موجک به تنهایی نمی­تواند برای استخراج ویژگی موثر باشد. زیرا هر کدام ضعف­هایی دارند. اخیرا مقالاتی به استفاده از حالت ترکیبی تبدیل موجک و فوریه پرداخته­اند.
• استخراج ویژگی با موجک به نویز حساس می­باشد مخصوصا اگر در سطوح جزییات بالا ویژگیها استخراج شوند.
• در برخی از مقالات منتشر شده به تعداد کمی از اغتشاشات کیفیت توان پرداخته شده است
• در بسیاری از تحقیقات پیشین، بخش انتخاب ویژگی برای بهبود عمل سیستم تشخیص وجود ندارد.
• اصولا عملکرد ابزارهای تشخیص الگو به چند پارامتر داخلی وابسته است که این پارامترها در بسیاری از مقالات پیشین بوسیله سعی و خطا تنظیم شده است.
• در بسیاری از کاربردهای عملی در این حوزه، دقت و بازده روش­های موجود مناسب نمی­باشد و باید بهبود یابد.
• در تحقیقات پیشین، بیشتر سعی بر این است که الگوریتم پیشنهادی دارای دقت بالایی باشد. در بسیاری از این تحقیقات عملکرد یک سیستم مونیتورینگ آفلاین مورد بررسی قرار گرفته است.
• علی رغم اینکه در مقالات چاپ شده در این حوزه، الگوریتمهای زیادی به­کار رفته است ولی کمبود بررسی جامع و مقایسه عملکرد الگوریتم­های مختلف، مشاهده می­شود.

[1] SOLAR

[2] Multiresolution Generalized S-transform

[3] microgrid

[4] Particle Swarm Optimization(PSO)

[5] Distributed Generation(DG)

[6] Modular Probabilistic Neural Network(MPNN)

[7] Least Square Support Vector Machinen(LS-SVMs)