基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

被引：63

作者：

屈相帅 ^{[1
,2
]}

段斌 ^{[1
,2
]}

尹桥宣 ^{[1
,2
]}

晏寅鑫 ^{[2
]}

钟颖 ^{[2
]}

机构：

[1] 湘潭大学智能计算与信息处理教育部重点实验室

[2] 湘潭大学湖南省风电装备与电能变换协同创新中心

来源：

电力自动化设备 | 2019年 / 39卷 / 05期

关键词：

电能质量; 扰动分类; 特征提取; 扰动识别; 稀疏自动编码器; 深度学习;

D O I：

暂无

中图分类号：

TM711 [网络分析、电力系统分析]; TP18 [人工智能理论];

学科分类号：

083903 [网络与系统安全]; 140502 [人工智能];

摘要：

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。

引用

页码：157 / 162

页数：6

共 12 条

[1]

一种电能质量多扰动分类中特征组合优化方法 [J].