基于受限玻尔兹曼机的电能质量复合扰动识别

被引：18

作者：

马建 ^{[1
]}

陈克绪 ^{[1
]}

肖露欣 ^{[2
]}

吴建华 ^{[2
]}

机构：

[1] 国网江西省电力科学研究院

[2] 南昌大学信息工程学院

来源：

南昌大学学报(理科版) | 2016年 / 40卷 / 01期

关键词：

电能质量; 复合扰动; 受限玻尔兹曼机; 深度学习; 分类识别;

D O I：

10.13764/j.cnki.ncdl.2016.01.006

中图分类号：

TM711 [网络分析、电力系统分析];

学科分类号：

083903 [网络与系统安全];

摘要：

针对目前电能质量混合扰动识别精度不高的问题,引入了受限玻尔兹曼机(RBM)算法。RBM是深度学习的一种新颖算法,在语音识别、机器视觉和图像恢复等领域已取得了很好的应用成果,但在电能质量复合扰动识别上尚未涉及。区别于传统算法提取特征的方式,深度网络通过提取波形的固有抽象特征,克服了人工特征选择的缺陷以及传统神经网络训练时收敛速度慢、容易限于局部最优的缺点。复合扰动信号经过深度网络自动获得特征参数,再经过分类器进行分类识别。实验验证该算法在电能质量复合扰动识别上可以达到很高的性能,优于传统的识别方法。

引用

页码：30 / 34

页数：5

共 10 条

[1]

Analysis of Feature Extracting Ability for Cutting State Monitoring Using Deep Belief Networks.[J].Yang Fu;Yun Zhang;Haiyu Qiao;Dequn Li;Huamin Zhou;Jürgen Leopold.Procedia CIRP.2015,

[2]

Training products of experts by minimizing contrastive divergence [J].