基于特征融合一维卷积神经网络的电能质量扰动分类

现有基于特征选取的电能质量扰动分类算法存在鲁棒性差、抗噪性能不强等问题。提出了一种改进的一维卷积神经网络用于电能质量扰动信号的分类。首先通过三个卷积神经网络子模型分别提取电能质量扰动信号的特征向量,然后将提取的特征向量融合为一个新的特征向量,最后通过BP神经网络实现分类。与改进前的一维卷积神经网络模型以及现有的电能质量扰动分类算法相比,该算法提取的特征向量具有更大的区分度。仿真结果表明,该算法有更好的鲁棒性和识别率,且抗噪能力强,为电能质量扰动信号分类提供了一种新思路。     

基于多特征融合的卷积神经网络的电能质量扰动识别方法

电能质量扰动的识别是电力系统故障预警与识别的重要手段。电网中,变压器系统存在的电能质量扰动通常为叠加扰动波形。为提高扰动智能识别框架的准确度,提出了一种基于多特征融合卷积神经网络（multi feature convolution neural network,MFCNN）的电能质量扰动的识别模型。提出的MFCNN模型具有2个子模型,将原始的时域数据和经过快速傅里叶变换（fast Fourier transform,FFT）所得频域数据分别作为2个子模型的输入,通过对时域、频域信息的特征融合来实现复杂扰动信号的识别;利用多组电能质量叠加扰动数据,训练传统机器学习模型和MFCNN模型,对比不同模型对电能质量扰动识别的准确率,验证MFCNN模型的有效性。实验结果表明,MFCNN模型对于7种扰动信号的识别准确率均可达到91.6%以上,其中,谐波和陷波叠加扰动信号的准确率为92.9%,具有更强的识别能力。     

基于深度学习融合网络的含噪电能质量扰动识别方法

针对强噪声环境下电能质量扰动识别精度不高的问题,提出一种自适应小波降噪和深度学习相结合的电能质量扰动识别方法。首先,通过改进峰和比分层自适应阈值和能量优化的阈值函数算法对含噪扰动信号进行降噪处理。然后,通过残差神经网络对降噪后的扰动信号进行深层特征提取,在此基础上融入多头注意力机制下的双向长短时记忆网络,建立时序特征依赖关系,构成适用于噪声环境下的扰动识别框架。最后,在不同强度噪声环境下对20类扰动信号进行仿真实验。由仿真结果可知,该方法具有良好的噪声鲁棒性,在不同噪声环境下均有较高的识别正确率。     

基于多特征组合的电能质量扰动识别方法

为解决电力系统电能质量复合扰动识别困难的问题,同时为电网无功功率补偿提供依据,提出了一种基于多特征组合的电能质量复合扰动识别方法。应用小波包变换和S变换对电能质量扰动信号进行时频分析,提取信号的幅值特征和频率特征,构建电能质量扰动的多特征组合。然后利用概率神经网络构建多特征组合分类器实现电能质量扰动的分类识别。仿真实验证明,该方法能够识别包括两种复合扰动在内的7种电能质量扰动信号,并且具有较高的分类准确度和抗干扰能力,具有工程应用价值。     

基于通道选择多尺度融合深度残差网络的电能质量扰动识别

针对传统电能质量扰动分类方法人工特征选择困难、准确率低的缺点,在传统卷积网络的基础上,借鉴Inception、残差的思想,结合混合池化和高效通道注意力机制,提出一种基于通道选择多尺度融合深度残差网络（CSSF-ResNet）的电能质量扰动识别方法。使用多尺度卷积提取不同尺度的特征,将全局混合池化与高效通道注意力机制相结合,在通道维度进行特征筛选,挖掘有效特征,并引入残差连接,构成CSSF-ResNet。仿真结果表明,所提方法具有分类准确率高、噪声鲁棒性强等优点。     

基于侧输出融合卷积神经网络的电能质量扰动分类方法

针对传统电能质量扰动分类方法分类准确率低、人工选择特征困难等缺点,提出了一种基于深度学习的侧输出融合卷积神经网络用于电能质量扰动信号分类.首先,对电能质量扰动信号进行预处理,使输入信号数据标准化,有利于提升所提方法的收敛速度和精度.在传统卷积神经网络中引入侧输出融合结构,通过组合卷积低、中和高层的信息进行特征融合,以更好地对输入信号进行分类.针对实测数据不足和信号数据类型分布不均衡等问题,采用数据增强的方法对信号进行处理.仿真和实测数据验证表明,所提方法可以自动进行特征提取和优化,具有分类速度快、分类准确率高等优点.     

基于自适应特征增强分组卷积网络的电能质量扰动分类EI北大核心CSCD

分布式电源在接入电网时会产生复杂的电能质量扰动(power quality disturbances,PQDs),为提高对PQDs信号分类识别的准确率,构建了自适应特征增强分组卷积神经网络(grouping convolutional neural network with adaptive feature enhanced network,GCNN-AFEN)。GCNN-AFEN模型的核心:首先,对PQDs信号进行S变换形成时频矩阵图像,利用CNN与结构稀疏的GCNN相结合作为特征学习的基础框架以减少模型参数,进而提高运算速度;然后,AEFN模块通过通道注意力机制、频域特征增强和软阈值去噪环节,自适应学习扰动类型与对应特征图的相关性,增加信噪比,突出能够代表扰动类别的深层特征;最后,通过全连接层(fully connected layers,FC)和Softmax分类器进行分类识别。仿真实验表明,提出的模型对于电能质量扰动信号具有较高的分类识别准确率和噪声鲁棒性,能够用于电能质量扰动的快速识别和分类。     

基于神经网络的电能质量扰动识别

针对目前电能质量扰动识别中高噪声背景下识别正确率低的问题,提出了一种多分辨率广义S变换与神经网络扰动识别与分类方法.首先将信号进行多分辨率广义S变化得到模矩阵,从模矩阵提取特征曲线与特征矩阵,分别输入到前馈神经网络(FNN)与深度卷积神经网络AlexNet进行训练;然后通过学习,自主提取扰动信号特征,并迭代收敛,直接实现扰动识别分类.经仿真实验分析,FNN与AlexNet在低噪声下有较好识别能力,但AlexNet的识别精度更高;在高噪声背景下,FNN识别效果下降明显,而AlexNet依然保持较高的识别率.     

基于GAF与卷积神经网络的电能质量扰动分类

针对在设计电能质量扰动(Power Quality Disturbance, PQD)分类器时人工选取特征过程繁琐并且不够精确的问题,提出一种基于格拉姆角场(Gramian Angular Field, GAF)和卷积神经网络(Convolutional Neural Network, CNN)的PQD分类方法。首先将一维PQD信号映射为二维图像,接着在已有的神经网络基础上构造适用于PQD分类的网络框架。最后将二维图像作为输入,CNN将自动从海量的扰动样本中提取特征并加以分类。仿真结果表明该方法在噪声数据中具有良好的分类性能,是一种行之有效的PQD分类方法。     

基于双分支并联的特征融合电能质量扰动分类方法

为了提高对电能质量扰动信号(power quality disturbance signal, PQDs)在受到噪声和异常数据干扰时的分类准确率,提出了一种双分支并联特征融合网络的PQDs分类方法。首先,采用一维残差神经网络和一维卷积神经网络两个分支进行特征提取。然后,通过特征融合模块将这些特征融合在一起。最终,通过分类模块对PQDs进行准确分类。相对于串联神经网络,所提方法融合特征向量,增强了特征的区分度,同时适用于并行计算,进一步提高了识别速度。仿真结果表明,所提方法在叠加信噪比为13 dB、15 dB和18 dB的PQDs分类任务中,识别率均超过95%,此外,该方法对异常数据的分类效果也具有一定的鲁棒性。     

融合多维度特征的绝缘子状态边缘识别方法

针对传统的绝缘子状态识别方法存在实时性差、特征提取能力不足的问题,基于边缘计算的思想,提出了一种融合多维度特征的绝缘子状态边缘识别方法.利用云边协同和边边联邦协同的联合技术手段,构建了绝缘子状态的边缘识别框架.设计了一种融合多维度特征提取的深度学习网络,该网络采用ResNet101作为主干特征提取网络,使用Incept...     

基于深度学习的多输入特征融合的暂态电压稳定性评估方法

暂态电压稳定性评估是电力系统稳定性评估中的难点和重点.提出一种基于深度学习、考虑多输入特征集的暂态电压稳定性评估方法,首先建立包含故障前、故障发生时刻、故障切除时刻的多输入故障集;然后基于深度学习建立卷积神经网络并离线训练PMU数据,最终达到快速准确评估暂态电压稳定性的目的.仿真结果表明,提出的评估方法与现有的神经网络...     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

基于量子行为粒子群优化-人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behaved particle swarm optimization, QPSO)的改进算法,用于优化人工神经网络(artificial neural network, ANN),实现电能质量(power quality, PQ)扰动识别。采用2个神经子网络,分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取,作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数,改进了QPSO算法的参数迭代更新过程,从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明,与加入动量因子的前馈式神经网络的训练方法相比,该算法具有更好的收敛性和稳定性。     

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTM-Attention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征;其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力;最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTM-Attention模型具有更高的预测精度,证明了该方法的有效性。     

基于单向表示字典学习的电能质量扰动识别方法

电能质量扰动识别是电能质量数据分析问题中极其重要的一个部分。目前已经实现的电能质量扰动识别方法普遍存在识别速度较慢,识别准确率仍有较大提升空间等问题。本文提出一种计算简单但能有效识别分类的方法,即基于单向表示字典学习的电能质量扰动识别方法。首先对电能质量数据的训练样本进行训练得到与各个类别对应的子字典,提出单向约束以使样本在字典中的表示系数方向可以区分,然后通过计算测试样本的表示系数方向以及大小来区分所属类别。实验结果表明,本文所提方法不但识别准确度高于已有的识别方法,而且计算效率也有较大提升。     

基于小波神经网络的电能质量扰动辨识

为了对电能质量进行有效的治理,以提高用电效率,有必要对电能质量扰动进行准确的分类。基于小波的时频分析特点和一种新型的小波神经网络,提出了一种电能质量实用分类方法。利用正交小波对信号进行多分辨率分析,提取各类电能质量变化的能量特征;利用小波神经网络对输入特征矢量进行识别,完成对电能质量的自动分类。研究表明,该方法能有效地区分电压骤降、电压骤升、电压中断、脉冲暂态4种电能质量问题。     

利用小波变换及人工神经网络识别电能扰动

电能质量问题成为近年许多高等院校、科研院所的研究重点,电能扰动识别是电能质量研究的一个重要方面。为此,指出了电能扰动识别包括预处理、特征提取和模式识别等3个过程,研究了基于小波变换和人工神经网络的电能扰动模式识别方法。借助于Matlab软件生成120个电能扰动样本并使用小波变换提取特征后,采取反向传播神经网络和概率神经网络识别的正确率分别为87.5%和85%。仿真分析结果发现:使用小波变换提取特征向量并使用反向传播神经网络设计分类器所得到的识别系统的性能比较令人满意。     

基于特征提取的有源电力滤波器故障诊断方法

针对有源电力滤波器APF(Active Power Filter)的IGBT功率管易发生故障的问题,提出了基于故障特征提取的有源电力滤波器故障诊断方法。构建了APF故障仿真模型和基于小波包分析的故障特征提取方法,仿真分析了APF网侧电流波形,并运用小波包分析对IGBT故障时的网侧电流波形进行处理,提取了IGBT故障特征向量,最后运用神经网络对特征向量的分类来实现对APF的故障诊断。在APF故障诊断系统上进行测试,验证了该诊断方法的有效性和可行性。