基于卷积神经网络和随机森林的三相电压暂降分类

被引：45

作者：

刘佳翰 ^{[1
]}

陈克绪 ^{[2
]}

马建 ^{[2
]}

徐春华 ^{[1
]}

吴建华 ^{[1
]}

机构：

[1] 南昌大学信息工程学院

[2] 国网江西省电力公司电力科学研究院

来源：

电力系统保护与控制 | 2019年 / 47卷 / 20期

关键词：

空间相量模型; 卷积神经网络; 随机森林; 电压暂降; 电能质量;

D O I：

暂无

中图分类号：

TM714.2 [电压调整];

学科分类号：

080802 [电力系统及其自动化];

摘要：

特征提取是电能质量扰动识别的关键步骤,然而传统的数学变换与浅层神经网络相结合的方法无法自动提取特征。为此,提出了一种基于卷积神经网络(CNN)和随机森林(RF)的混合模型来对三相电压暂降数据进行自动特征提取及分类。首先,将三相电压暂降数据转换为空间相量模型(SPM);其次,利用CNN对SPM进行特征提取;最后,将RF应用于分类。为了加快CNN训练速度并缓解过拟合,引入了Dropout、学习率指数衰减和自适应矩估计权值更新算法。实验结果表明,与其他分类方法相比,所提方法具有较好的泛化性能和较高的分类准确率,这为电压暂降识别提供了一种客观、高效的辅助手段。

引用

页码：112 / 118

页数：7

共 10 条

[1]

基于改进形态滤波器和弧长差分序列的微电网电能质量扰动定位与识别 [J].

卓金宝 ;

施伟锋 ;

兰莹 ;

张威 ;

卢捷 .

电工技术学报, 2017, 32 (17) :21-34

[2]

基于多标签随机森林的电能质量复合扰动分类方法 [J].

瞿合祚 ;

刘恒 ;

李晓明 ;

黄建明 .

电力系统保护与控制, 2017, 45 (11) :1-7

[3]

分布式光伏电站接入低压配电网系统暂态电压稳定性研究 [J].

李升 ;

姜程程 ;

赵之瑜 ;

李子瑜 .

电力系统保护与控制, 2017, 45 (08) :67-72

[4]

一种实时电能质量扰动分类方法 [J].

陈晓静 ;

李开成 ;

肖剑 ;

孟庆旭 ;

蔡得龙 .

电工技术学报, 2017, 32 (03) :45-55

[5]

基于配电网的复合电压暂降源分类与识别新方法 [J].

李夏林 ;

刘雅娟 ;

朱武 .

电力系统保护与控制, 2017, 45 (02) :131-139

[6]

Improved characterization of multi-stage voltage dips based on the space phasor model.[J].Azam Bagheri;Math H.J. Bollen;Irene Y.H. Gu.Electric Power Systems Research.2018,

[7]

k-NN based fault detection and classification methods for power transmission systems [J].

Aida Asadi Majd ;

Haidar Samet ;

Teymoor Ghanbari .

Protection and Control of Modern Power Systems, 2017, 2 (1)

[8]

Power quality disturbance detection and classification using wavelet and RBFNN.[J].P. Kanirajan;V. Suresh Kumar.Applied Soft Computing.2015,

[9]

A critical review of detection and classification of power quality events.[J].Om Prakash Mahela;Abdul Gafoor Shaik;Neeraj Gupta.Renewable and Sustainable Energy Reviews.2015, Jan.

[10]

A novel hybrid CNN–SVM classifier for recognizing handwritten digits.[J].Xiao-Xiao Niu;Ching Y. Suen.Pattern Recognition.2011, 4

← 1 →