基于循环神经网络的电能质量扰动识别

• 作者: 杨岸 武昭旭 祝龙记
• 来源期刊: 电力系统保护与控制
• 关键词: 递归图 循环神经网络 LSTM 电能质量扰动信号 分类
• 年，卷（期）: 2020,（18）
• 所属期刊栏目: 应用研究
• 页码范围: 88-94
• 页数: 7页
• 语种: 中文
• DOI: 10.19783/j.cnki.pspc.191421

摘要

针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法.首先在Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型.其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率.最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类.仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	祝龙记		94	577	10.0	20.0
2	杨岸		34	84	5.0	7.0
3	武昭旭		1	0	0.0	0.0