基于图卷积神经网络和格拉姆角场的电能质量扰动分类

由于新能源系统的广泛加入，系统中的电能质量扰动数量和种类也相应增加，而传统电能质量扰动（PQD）分类方法存在准确率和效率不高的问题，难以适应现有包含高新能源渗透率的电力系统的电能质量管理。因此，提出了一种基于图卷积神经网络（GCNNs）和格拉姆角场（GAF）的电能质量扰动分类方法。首先，对原始的PQD信号进行归一化和极坐标转化处理；然后采用GAF对不同种类的PQD一维信号进行图形化转换，生成包含不同PQD特征的二维图片；最后，采用GCNNs对不同种类的PQD图片进行训练和分类，实现不同PQD的分类。实验部分采用IEEE-39节点系统仿真并模拟不同种类的PQD曲线，对所提方法进行验证。实验结果表明，所提方法可以自动地进行特征的提取和优化，满足PQD识别和分类的高效性和准确性。