共 6 条
[1]
[2]
[3]
[4]
[5]
[6]
基于卷积神经网络的电能质量扰动分类
被引：84
作者：
瞿合祚
李晓明
陈陈
何乐
机构：
[1] 武汉大学电气工程学院
来源：
关键词：
卷积神经网络;
深度学习;
电能质量扰动;
多类分类;
特征提取;
D O I：
10.14188/j.1671-8844.2018-06-011
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：
为了减小在设计电能质量扰动分类器时人工选取扰动特征存在的困难,基于对样本数据进行深度学习提出一种采用卷积神经网络(Convolutional Neural Network,CNN)的电能质量扰动分类算法,利用CNN从原始扰动图像中自适应地提取特征并加以分类.首先将一维电能质量扰动数据映射为二维灰度图,并分析各类扰动在二维灰度图形式下的特征;然后以LeNet-5为基础构建适用于电能质量扰动分类的CNN网络结构,并采用随机梯度下降法训练分类网络对电能质量扰动进行分类.仿真结果表明卷积神经网络能有效收敛,且在不同噪声情况下能准确地进行扰动分类,具有较好的噪声鲁棒性,是电能质量扰动分类的一种可行方法.
引用
收藏
页码：534 / 539
页数：6
相关论文