基于卷积-长短期记忆网络的电能质量扰动分类

• 作者: 张艳 曹梦舟
• 来源期刊: 电力系统保护与控制
• 关键词: 电能质量 扰动分类 深度学习 卷积神经网络 长短期记忆网络
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 应用研究
• 页码范围: 86-92
• 页数: 7页
• 字数: 4757字
• 语种: 中文
• DOI: 10.19783/j.cnki.pspc.190288

摘要

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法.首先,将扰动信号进行采样作为输入.然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新.最后,再对输出的特征数据进行学习分类.仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6％,优于单一的CNN法和单一的LSTM法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张艳	上海海事大学物流工程学院	22	46	4.0	5.0
2	曹梦舟	上海海事大学物流工程学院	1	0	0.0	0.0