深度信念网络在电能质量复合扰动识别中的应用

针对电能质量复合扰动信号数据量大、识别效率低的问题,提出一种基于压缩感知理论和深度信念网络的电能质量复合扰动识别方法。首先通过压缩感知理论得到原始扰动信号的测量值,并基于正交匹配追踪算法求得稀疏向量;其次构建深度信念网络分类模型,将稀疏向量作为网络的输入,通过对比散度学习算法训练网络,实现扰动信号的分类;最后对14种常见扰动信号进行仿真验证,仿真结果表明,该方法有效地减少了所需处理的扰动数据量,并且对单一扰动和复合扰动都有效且具有很高的识别效率。