一种新型用于电能质量扰动信号分类的混合深度学习方法

一种新型用于电能质量扰动信号分类的混合深度学习方法
王怡沁
【期刊名称】《软件工程与应用》
【年(卷),期】2022(11)6
【摘要】由于电力电子设备的广泛使用和电力资源的过度消耗,节约能源迫在眉睫。

电力系统中的非线性负载和其他负载被认为是电能质量扰动的主要原因,电能质量
扰动的产生会导致的信号质量和形状的失真,从而导致总效率的降低。

于是,提出一
种新型的混合卷积神经网络方法由一维卷积神经网络结构和二维卷积神经网络组成,用来分类电能质量扰动信号。

这两种卷积神经网络架构所获得的特征使用全连接层进行分类,功率信号使用原始形式的一维卷积神经网络进行处理。

然后将这些信号
转换为图像并使用二维卷积神经网络处理,结合一维和二维卷积神经网络生成的特
征向量。

最后,通过完全连接的层对该组合向量进行分类。

所提出的方法非常适合
信号处理的性质。

这是一种新颖的方法。

将所提出的框架与文献中其他最先进的电能质量扰动分类方法进行了比较。

虽然与其他方法相比,所提出的方法的分类性能
相对较高,但计算复杂度几乎相同。

【总页数】11页(P1479-1489)
【作者】王怡沁
【作者单位】上海理工大学光电信息与计算机工程学院
【正文语种】中文
【中图分类】TN9
【相关文献】
1.基于深度置信网络的电能质量扰动检测与分类
2.基于卡尔曼滤波和深度置信网络的复合电能质量扰动分类
CP:一种新型仿生的轻量级电能质量扰动信号分类模型
4.基于深度卷积序列残差组合神经网络的电能质量扰动分类方法
5.基于一维多尺度深度残差网络的电能质量扰动分类
因版权原因，仅展示原文概要，查看原文内容请购买。