基于深度前馈网络的电能质量复合扰动识别

针对电能质量复合扰动识别中识别准确率不高和泛化性能较差的问题,提出基于深度前馈网络(Deep Feedforward Network,DFN)的扰动识别方法。先在少数重要频率点上对扰动信号作不完全S变换,从得到的时频矩阵中提取多种识别特征,构建和训练三层DFN扰动分类器,并使用Dropout正则化来提高分类器的泛化性能。仿真实验和实测实验表明,文中的方法能够有效识别8种复合扰动在内的共17种扰动类型,并具有很好的抗噪性能和泛化性能。与CART决策树、极限学习机、随机森林等现有方法相比,方法识别准确率更高,鲁棒性更好,具有良好的应用前景。     

基于不完全S变换与梯度提升树的电能质量复合扰动识别

针对电能质量复合扰动中特征选择困难和分类准确率不高的问题,提出基于不完全S变换和梯度提升树的特征选择和分类器构建方法。首先通过选取特定频率的不完全S变换得到扰动的时频矩阵。再从时频矩阵中提取53种原始特征量,并基于梯度提升树对各个特征的重要性进行度量,选取重要特征。最后根据选取的特征集训练和构建梯度提升树,得到扰动分类器。仿真实验表明,对于包括8种复合扰动在内的共17种扰动类型,该方法的分类准确率高于CART决策树、随机森林(RF)、多层感知机(MLP)等现有方法。不同噪声条件下的分类结果表明,该方法具有良好的抗噪性能和算法鲁棒性,展现出良好的应用前景。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。