做了几年波形分析，我最怕的不是信号本身有多复杂，而是拿到一段“看着不对劲、又说不清哪里不对劲”的电压波形。谐波、闪变、暂升这些扰动叠在一起的时候，示波器上就是一坨乱糟糟的曲线，算THD只能告诉你总畸变率，看不出扰动发生在什么时候;FFT能告诉你有哪些频率成分，又完全丢掉时间信息。直到我系统地折腾了一套基于S变换的时频分析方法，才真正把“电能质量扰动识别”这件事从靠感觉变成了可复现的流程：信号进来，S变换出一张时频图，单一扰动有单一定位，复合扰动也能分块拆解。
这篇文章不打算做理论搬运，就围绕S变换对电能质量扰动（谐波、闪变、暂升以及它们组合出的复合扰动）做时频变换识别这条主线，把原理、代码、参数、坑位一次性说清楚。适合正在做电能质量监测、故障录波分析，或者想把手里的波形数据变成分类特征的同行参考。
1. 为什么扰动识别偏偏选中S变换
1.1 谐波、闪变、暂升的时域特征，决定了工具必须“两全”
先说清楚一个问题：电能质量扰动识别，本质上是想从电压（或电流）信号里回答三个问题——有什么扰动、发生在什么时间、强度有多大。
谐波扰动是稳态的，持续存在，特征集中在频域：50Hz基波之外，5次、7次、11次谐波各自在固定频率上有一个峰值。这类信号用FFT看频谱非常清晰，但FFT一旦面对闪变和暂升就露馅了。
闪变本质是工频幅值的低频调幅，调制频率一般在0.05Hz到35Hz之间。它的频谱特征是基频两侧出现一对边带，例如9Hz调制会在50Hz附近出现41Hz和59Hz的旁瓣。光看频谱能发现边带，但如果想知道闪变的持续时间、调制深度变化，FFT完全给不了时间维度。
暂升、暂降这类扰动就更典型了：持续时间往往只有几个周波到几百毫秒，幅值先跳变、维持一段、再恢复。这种信号在频域上能量是散开的，在时域上看幅值跳变倒是清楚，可一旦混入谐波，时域波形又会糊成一片。
换句话说，扰动识别需要的是一个能同时给出“频率在哪、时间在哪”的工具。这决定了短时傅里叶变换、小波变换、S变换三选一的路口。
1.2 三种时频工具的取舍：固定窗、尺度窗和频率自适应窗
短时傅里叶变换（STFT）实现最简单：把信号切成一堆短窗，对每个窗做FFT。但它的窗宽是固定的，选了窄窗，时间分辨率高、频率分辨率低，谐波频率看不准;选了宽窗，频率分开了、时间上又模糊了。闪变和暂升这种“低频慢变+突变”混在一起的情况，固定窗很难两头兼顾。
小波变换用尺度伸缩替代固定窗，高频用窄窗、低频用宽窗，理论上自适应了，但小波输出的尺度与实际频率之间不是线性映射，从时频图里读不出“这个是50Hz基波、那个是250Hz谐波”这种直观信息。做扰动识别的工程师，还是希望坐标轴直接就是频率，否则分类逻辑很难跟物理意义挂钩。
S变换最特别的地方在于它的窗宽随频率倒数变化：低频的时候窗宽、频率分辨率高，正好照顾基波和闪变边带这类低频成分；高频的时候窗窄、时间分辨率高，能定位谐波或暂升突变产生的瞬态成分。而且它是在傅里叶变换框架下构建的，输出坐标天然就是时间和频率，相位信息也保留，不会像小波那样把相位信息弄丢。对谐波、闪变、暂升这类“低频稳、高频瞬”的多模态扰动信号，S变换是三者里最“省心”的。
1.3 一维波形变成二维时频图，识别问题瞬间变成图像问题
S变换把一维时间序列变成二维复数矩阵：横轴是时间，纵轴是频率，每个点的幅值代表该时刻该频率成分的能量强弱。把幅值矩阵画成热力图，就是常说的S变换时频图。
这个变换带来的直接好处是：扰动识别从“波形形态判断”变成“时频图上的特征定位”。谐波是一排水平亮线，闪变是基频线附近的周期性波动带，暂升是一条幅值整体抬升的色块，复合扰动则是这些特征在图上叠加。到了这一步，哪怕不写分类算法，人眼也能在时频图上把扰动成分拆得七七八八。而机器识别更是可以把时频图当二维图像输入，用统计特征或者深度学习模型做分类，这也是我后来把整套流程跑通的核心思路。
2. S变换的原理与扰动在时频图上的“指纹”
2.1 S变换的数学表达与离散实现
S变换的定义容易看懂：
S(τ, f) = ∫ x(t) · w(τ - t) · e^{-i2πft} dt
其中高斯窗w(t)的宽度与频率成反比：
w(t) = (|f| / √(2π)) · e^{-t² · f² / 2}
这个表达式的含义是：对每一个分析频率f，用一个宽度为1/f量级的高斯窗去截取信号，再做傅里叶分析，从而得到该频率下的时间-幅值变化曲线。频率越低，窗越宽，频率分辨率越好；频率越高，窗越窄，时间定位越准。实践中最常用的离散实现方式是借助FFT加快运算：先把信号做FFT得到X(k)，对每个频率f，在频域将X(k)与一个平移高斯函数相乘，再做逆FFT，得到该频率对应的时间序列。
下面是我在实际项目里用的一个精简版Python实现：
import numpy as np def s_transform(x, fs, fmin=1.0, fmax=2500.0, nf=256): """ 简化版S变换 x: 输入信号 fs: 采样频率 Hz fmin / fmax: 分析频率范围 nf: 频率轴采样点数 返回 freq_axis, t_axis, st_matrix """ n = len(x) t = np.arange(n) / fs Xf = np.fft.fft(x) freqs = np.fft.fftfreq(n, d=1.0/fs) freq_axis = np.linspace(fmin, fmax, nf) st = np.zeros((nf, n), dtype=complex) for idx, f in enumerate(freq_axis): # 频域高斯窗，宽度与频率f成正比（此处窗在频域表示为关于f的标准差） gaussian = np.exp(-2 * np.pi**2 * (freqs - f)**2 / f**2) st[idx, :] = np.fft.ifft(Xf * gaussian) return freq_axis, t, st这段代码能跑通，但对于实际工况数据，我建议重点关注两件事：一是频率范围不要从0Hz开始，因为高斯窗在0Hz附近会变成一条极宽的平线，计算意义不大；二是采样长度N和频率点数nf决定了输出矩阵的尺寸，默认256×N在大部分工控机上都没问题。
2.2 单一扰动的时频特征速查
把S变换跑完后，我最常做的事情是先画时频幅值热力图。不同扰动在图上留下的“指纹”差异非常明显，我把它们整理成了一张速查表：
| 扰动类型 | 时频图特征 | 典型频段 | 时间形态 |
|---|---|---|---|
| 谐波 | 基频及整数倍频处多条水平亮线 | 50、150、250Hz等 | 持续稳定、无随时间波动 |
| 闪变 | 基频两侧的一对边带，强度周期性波动 | 基频±（0.05~35Hz） | 亮线围绕基频上下振动 |
| 暂升 | 整个频带幅值突增的色块 | 全频带，基频最明显 | 突变起点与恢复点有明显分界 |
| 暂降 | 与暂升相反，幅值突降的凹陷色块 | 全频带，基频最明显 | 同样有明显起止时刻 |
| 暂中断 | 幅值近零的贯穿型缺口 | 全频带 | 持续时间通常较长 |
这里要特别说明一下：我见过不少初学者只盯着基频那条亮线看，其实谐波的亮线位置是判断扰动类型最直观的线索。如果看到150Hz、250Hz上出现了与基频平行的稳定亮线，基本可以断定有3次和5次谐波；如果这些亮线的颜色深浅随时间周期性变化，就要考虑谐波与闪变同时存在的可能。
2.3 从时频图看谐波与闪变：两条最容易识别的“指纹”
谐波的识别在时频图上几乎是最容易的。一个纯谐波扰动信号做S变换后，基频50Hz处是一条贯穿整个时间轴的亮线，150Hz、250Hz等位置也会出现亮线，幅值大小与谐波含量正相关。如果谐波含量稳定，这些线的颜色整段几乎一致。我经常用这种方式快速核对THD计算结果，两三秒就能确认到底是哪几次谐波偏高。
闪变识别则要看基频亮线的“波动性”。因为闪变是对工频幅值的低频调幅，S变换在基频附近的时频幅值会随时间上下浮动，并且在基频两侧出现对称的边带亮线。比如8.8Hz调制引起的闪变，会在41.2Hz和58.8Hz附近各出现一条细线，这两条线的间距就等于调制频率。看边带比看基频波动更准确，因为基频幅值波动有时会被采样噪声干扰，而边带频率位置很少误判。
3. 实操流程：从原始采样到扰动识别
3.1 数据采集与预处理：决定结果的“隐形参数”
做S变换之前，数据质量不过关的话，后面所有特征都白搭。我先说采样：目前电力行业通用测试规范对电能质量监测的采样率要求，一般建议每周波至少128个采样点，也就是在50Hz工频下采样率至少6400Hz。我自己的项目里习惯用每周波128点的配置，既满足谐波分析到50次谐波的需求，又不会让S变换矩阵过大。
预处理有几个容易忽略但影响很大的细节：
- 去直流：采样系统有时会引入很小的直流偏置，不去掉的话，S变换在0Hz附近的能量会污染低频段分析，我一般在做FFT前先减去信号均值。
- 归一化：把波形幅值除以基波幅值，让不同电压等级的监测数据可以横向比较，否则分类模型容易被幅值大小带偏。
- 找基波频率：电网频率在49.8Hz到50.2Hz之间波动，直接把S变换的基频坐标固定成50Hz会引入误差。我习惯先做一次粗略FFT，锁定实际基波频率，再把这个频率代入S变换的频率轴生成逻辑。
3.2 S变换参数怎么定：频率范围、频率点数和窗宽
参数设置方面，我踩过不少坑，这里给出经过验证的推荐起点：
- 频率范围：一般从1Hz到2500Hz。低频从1Hz开始是为了覆盖闪变调制频率，高频到2500Hz对应每周波128点采样率下的奈奎斯特频率3200Hz留出余量。如果只关注谐波和暂升，可以把上限降到1000Hz，计算量能小一半。
- 频率点数nf：默认取256到512。点数太少，频率分辨率不够，谐波亮线可能落在两个频点之间导致幅值被平均；点数太多，比如2048，计算时间和内存会迅速上涨，但识别准确率提升有限。实测下来256个频率点对常见扰动已经够用。
- 高斯窗的离散化处理：理论中的高斯窗是连续函数，离散实现时要注意频率f不能太接近0，否则高斯窗退化成恒定值，整个S变换失去意义。这也是我为什么把fmin设成1Hz而不是0Hz的原因。
计算量有个粗略的估算方法：S变换的计算复杂度约为O(nf × N logN)，N是采样点数。假设记录长度是3秒、采样率6400Hz，N=19200，nf=256，单次S变换耗时在普通笔记本上大约零点几秒到一两秒，完全可接受。如果做在线实时监测，可以缩短记录长度到1秒，或者每秒钟只对最新一个周波做滑动S变换，牺牲少量时间分辨率换取实时性。
3.3 特征提取的三种思路：统计量、突变点、分类器
S变换矩阵拿到手之后，怎么把它变成可用于识别的特征，是整套流程里最体现功底的部分。我常用三种思路，分别适用不同场景。
第一种是纯统计特征：对S变换幅值矩阵按频率带划分（基频带、谐波带、边带），分别计算均值、方差、峰值、能量。例如，基频带的幅值方差能反映闪变调制强弱，谐波带的平均幅值能反映谐波含量。这种特征的优点是解释性强，调试的时候能直接对应到物理量。
第二种是突变点特征：提取基频幅值的时间序列，对它做一阶差分或边缘检测，找到幅值跳变的起点和恢复点。两个跳变点之间的时间跨度既是暂升/暂降的持续时间，两个跳变点的幅值差就是扰动深度。对谐波+暂升这种复合扰动，就分别看基频线的幅值阶跃和谐波线的存在情况，两个特征独立提取再合并。
第三种是图像化特征：直接把S变换幅值矩阵作为二维图像，输入卷积神经网络（CNN）做分类。这个思路的好处是省去了人工设计特征的环节，坏处是数据量要求高、解释性差。我建议在项目初期先用前两种方法把流程跑通、建立“时频图长什么样”的直觉，再考虑上深度学习。
下面是一段提取基频幅值序列和暂升/暂降起点检测的示例代码：
def extract_perturbation_features(st_matrix, freq_axis, fs): # 找基频位置 f0_idx = np.argmin(np.abs(freq_axis - 50.0)) base_trace = np.abs(st_matrix[f0_idx, :]) # 基频幅值的一阶差分，用于检测突变时刻 diff_trace = np.diff(base_trace) jump_idx = np.where(np.abs(diff_trace) > 0.15 * np.mean(base_trace))[0] # 暂升/暂降持续时间 if len(jump_idx) >= 2: duration = (jump_idx[-1] - jump_idx[0]) / fs max_deviation = np.max(base_trace[jump_idx[0]:jump_idx[-1]]) \ - np.min(base_trace[jump_idx[0]:jump_idx[-1]]) else: duration = 0.0 max_deviation = 0.0 return base_trace, duration, max_deviation配合后面接一层简单的决策规则，就能把暂升、暂降、短时中断这类以幅值突变为主的扰动识别出来。
3.4 单一扰动识别的完整流程示例
拿电压暂升举个例子：一段3秒的电压波形，在0.8秒到2.1秒之间幅值从1.0pu抬升到1.25pu。
第一步，预处理去直流、归一化；第二步，S变换得到256×19200的时频矩阵；第三步，提取基频幅值时间序列，用差分检测到两个跳变点，起点在0.8秒附近，终点在2.1秒附近，持续时间约1.3秒，幅值抬升幅度约0.25pu；第四步，检查谐波带的平均幅值是否同时升高。在这个例子里，谐波带幅值没有同步变化，于是判定为单一暂升扰动。
整个过程不需要人盯着波形看，程序自动输出“扰动类型=暂升、持续时间=1.3秒、深度=25%”这样的结构化结论。实际项目中，把这套逻辑套到成百上千个录波文件上，比肉眼检查快得多。
4. 复合扰动的识别：时频特征是叠加的，不是糊掉的
4.1 复合扰动到底难在哪
复合扰动是工程里最常见的场景：工厂里的非线性负载一起动，既拉低电压（暂降），又往电网里灌谐波；电弧炉运行的时候，既引起电压闪变又产生间谐波。复合扰动识别难，难在特征互相干扰——暂降发生后谐波幅值也变了，闪变的边带跟间谐波频率靠得很近，单一扰动的判断规则组合在一起经常互相矛盾。
我接触过的一个实际案例是某台区设备投切瞬间录到的波形：电压先短暂跌落，随后出现持续约半秒的谐波畸变。单独看FFT，频谱里既有谐波峰又有低频旁瓣，很难确定哪些是暂降带来的瞬态成分、哪些是稳态谐波；单独看时域波形，跌落过程又淹没在谐波纹波里，根本找不准起点。
4.2 复合扰动的时频图破解法
复合扰动的关键破解点，就是把每个扰动映射到不同的时频区域，然后分区域识别。S变换之后，暂降事件在基频幅值时间序列上表现为明显的凹陷，凹陷的起点和终点非常清楚；谐波畸变在150Hz、250Hz亮线上表现为能量增强。这两个特征在时频图上一高一低、互不遮挡，完全可以在同一张图上分别提取。
实际操作时，我会先把时频图按频率分成三个子带：基频带（45~55Hz）、低频带（1~45Hz）、谐波带（100~2500Hz）。基频带用来判断暂升、暂降、暂中断；低频带用来判断闪变；谐波带用来判断谐波成分。每个子带单独提取特征，最后再组合成一个综合判断。这样做的好处是，一个复合扰动哪怕三个子带同时有特征，也不会因为互相干扰而漏判。
4.3 几个容易混淆的典型场景
复合扰动识别里，我至少踩过三个混淆严重的坑，现在总结如下：
- 闪变与间谐波：两者都能在基频附近产生谱峰，但闪变的边带对称分布在基频两侧，而且边带间隔等于调制频率；间谐波通常只有一个不对称的谱峰。看时频图时，如果只看到单侧谱线，优先怀疑间谐波而不是闪变。
- 谐波+暂降与暂降后的谐波突变：前者谐波亮线在暂降期间依然存在，只是幅值随基波成比例变化；后者是暂降发生后新增的谐波亮线，两个事件在时间上有先后关系。判断方法是看谐波亮线出现时刻是否与暂降起点完全一致。
- 暂升伴随短时中断：这两个从名字上看不应该混淆，但在复合扰动里，先暂升后中断（比如备自投动作过程）会让基频幅值序列出现“先升后断”的形态。如果只检测单个幅值阶跃，很容易漏掉后面的中断。我后来改成对整条基频幅值曲线做分段多项式拟合，把每一段的幅值水平和持续时间都提取出来，才彻底解决这个问题。
5. 常见问题与排查实录
5.1 S变换常见问题速查
按我自己的经验，S变换实现和调参的过程里，大多数“结果不对”都集中在下面几个问题上：
| 现象 | 可能原因 | 解决思路 |
|---|---|---|
| 时频图低频端一片模糊 | 高斯窗在低频过宽，窗内包含多个周期，时间分辨率丧失 | 适当减小低频起始频率，或提高采样率 |
| 谐波亮线偏粗、频率轴错位 | 频率点数nf不足，或基波频率未校正 | 增加nf到512，先FFT锁定实际基频 |
| 边缘出现大幅值假象 | 信号两端高斯窗不完整产生的边缘效应 | 分析前加窗或边缘截断，只取中间80%区域 |
| 计算耗时严重偏高 | 频率点数太多，或记录长度过长 | 限制fmax，缩短窗口长度，使用FFT加速版本 |
| 暂升/暂降起止时刻不准 | 差分阈值设置过低/过高 | 根据噪声水平自适应设定阈值，或先平滑基频幅值曲线 |
5.2 边缘效应：最容易被误解的“假故障”
边缘效应是S变换里几乎一定会遇到的问题。信号的起始和结束位置，高斯窗有一半是悬空的，窗内能量不足，S变换幅值会明显偏低，表现在时频图上就是左右两端各出现一条“暗带”。如果扰动恰好发生在信号尾部，这个暗带会严重干扰判断。
我的处理办法有两个：一是记录长度留足裕量，比如分析2秒窗，实际采集3秒，只取中间2秒做S变换；二是对提取到的幅值序列做首尾裁剪，判决时只用中间80%的数据。这样做以后，因为边缘效应导致的误判率能下降一大半。
5.3 三个项目里踩过的坑
第一个坑：采样率不匹配导致的谐波分析误差。有一段时间我图省事，直接用FFT结果判谐波，发现5次谐波幅值总是不稳定。后来查明白是采样率只有3200Hz，25次以上的谐波混叠进了低频段，把S变换谱线也污染了。现在我的原则是，能用6400Hz采样就不用32000Hz，谐波次数高需求时直接上12800Hz。
第二个坑：把所有扰动都按同一套频率范围做S变换。闪变分析需要精细的低频分辨率，谐波分析需要尽量高的高频上限。我一开始统一设成0到2500Hz，闪变边带在256个频点下分辨率不够，边带频率读数总是偏。后来改成两遍分析：第一遍低频细化（1到100Hz，256点），第二遍高频粗看（100到2500Hz，128点），闪变谐波两头都照顾到。
第三个坑：复合扰动分类时只看时频图特征，没考虑工况背景。同一种“谐波+暂降”的时频图，在电容投切和电机启动两种场景下，物理本质完全不同。如果只做信号处理不做场景联动，识别结果就只是“像什么样”，而不是“是什么”。后来我在特征向量里加入了事件发生前后的功率曲线、电流波形形态，准确率才真正到了能用的程度。
6. 一点个人心得
把整套S变换扰动识别流程搭起来之后，我的体感是：这方法最大的价值不是“更先进”，而是“更直观”。以前给非专业人员解释谐波和闪变的区别，要对着波形和频谱讲半天;现在直接把时频图摆出来，一条条亮线对应哪类扰动，几分钟就能讲明白。识别算法的调试也变得很简单，哪个特征判断错了，就去看对应频率区域时频图上的实际表现，马上能定位问题。
最后再分享一个小技巧：S变换的幅值矩阵不要只看二维热力图，我建议配合三维瀑布图一起看，把幅值作为高度轴，时间和频率作为水平轴。很多在热力图上看不出来的细微特征，比如闪变调制深度的渐变、复合扰动中两个事件的重叠区间，在三维视角下一目了然。这个方法在我排查复合扰动分类错误时帮过不少忙。
如果后续你想把这套流程做成自动识别系统，建议认真考虑在线滑窗S变换加轻量分类器的组合。先在线检测扰动事件发生时刻，再对事件片段做精细S变换和特征提取，计算量能大幅下降，识别可靠性和实时性也可以兼顾。这条路我自己还在持续优化中，之后有新的实践成果再来分享。
