基于相空间重构和卷积神经网络的电能质量扰动分类

• 作者: 何家欢 裴喜平 陈伟
• 来源期刊: 电力系统保护与控制
• 关键词: 电能质量 扰动分类 相空间重构 深度学习 卷积神经网络
• 年，卷（期）: 2018,（14）
• 所属期刊栏目: 应用研究
• 页码范围: 87-93
• 页数: 7页
• 字数: 3886字
• 语种: 中文
• DOI: 10.7667/PSPC171080

摘要

为了提高电能质量扰动信号分类的准确率,首先利用相空间重构将一维时间序列电能质量扰动信号重构到多维相空间,获得扰动信号轨迹并投影到二维相平面,形成二维轨迹图像.然后对该图像进行二值化处理,减少信号的数据量,凸显轨迹轮廓.最后通过卷积神经网络对处理后的轨迹图像进行特征提取,并对相应的扰动信号进行分类识别.在卷积神经网络框架Caffe下进行仿真实验,仿真结果表明该方法具有很高的识别准确率和良好的抗噪能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈伟	兰州理工大学电气工程与信息工程学院	59	361	10.0	15.0
2	裴喜平	兰州理工大学电气工程与信息工程学院	30	171	9.0	11.0
3	何家欢	兰州理工大学电气工程与信息工程学院	2	22	2.0	2.0