基于自编码器和卷积神经网络的电能质量扰动分类

被引：29

作者：

朱瑞金

郭威麟

龚雪娇

机构：

[1] 西藏农牧学院电气工程学院

来源：

电力系统及其自动化学报 | 2019年 / 31卷 / 07期

关键词：

电能质量; 扰动分类; 稀疏自动编码器; 卷积神经网络;

D O I：

10.19635/j.cnki.csu-epsa.000199

中图分类号：

TM711 [网络分析、电力系统分析]; TP183 [人工神经网络与计算]; TN762 [编码器];

学科分类号：

080508 [光电信息材料与器件]; 083903 [网络与系统安全]; 140502 [人工智能];

摘要：

传统电能质量扰动分类方法往往需要依靠专家经验提取特征,分类的准确率有限。结合具有强大特征提取能力的稀疏自动编码器和卷积神经网络提出了一种基于深度学习的电能质量扰动分类方法。本文所提方法包括无监督的特征提取和有监督的扰动分类两个环节。首先,通过编码器将高维度的输入数据映射到低维的隐变量特征,并利用解码器把新特征还原为原始的输入信号。然后,以编码器输出的隐变量作为特征,经卷积网络输出扰动类型。仿真结果表明,本文方法提取的特征以及分类器的性能均优于传统方法。

引用

页码：70 / 75

页数：6

共 9 条

[1]

Discriminatively boosted image clustering with fully convolutional auto-encoders.[J].Fengfu Li;Hong Qiao;Bo Zhang.Pattern Recognition.2018,

[2]

Power Quality Disturbances Classification Using Compressive Sensing and Maximum Likelihood [J].

Liu, Hui ;

Hussain, Fida ;

Shen, Yue .

IETE TECHNICAL REVIEW, 2018, 35 (04) :359-368

[3]

A new optimal feature selection algorithm for classification of power quality disturbances using discrete wavelet transform and probabilistic neural network.[J].Suhail Khokhar;Abdullah Asuhaimi Mohd Zin;Aslam Pervez Memon;Ahmad Safawi Mokhtar.Measurement.2017,

[4]

基于深度自编码网络的轴承故障诊断 [J].