基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别

• 作者: 赵晨 李开成 林寿英 曾子莹 林炜鑫
• 来源期刊: 华南师范大学学报（自然科学版）
• 关键词: 电能质量 扰动识别 极限学习机 流形正则化 半监督学习
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 物理学与光学工程|Physics & Optical Engineering
• 页码范围: 8-16
• 页数: 9页
• 分类号: TM712
• 语种: 中文
• DOI: 10.6054/j.jscnun.2021052

摘要

为了有效利用电能质量复合扰动识别中存在的大量难以标注的实测样本,提出了一种基于Jerk流形正则化深度极限学习机(DJRELM)的半监督扰动学习方法.算法通过堆叠嵌入Jerk流形正则化的极限学习机自编码器(JRELM-AE)实现在复合扰动特征自动提取的同时保持数据内部流形结构.分类层通过阈值预测极限学习机和Jerk正则化半监督极限学习机的结合将多层网络扩展到多标签半监督分类应用.实验结果表明:该方法在不同噪声环境下的分类准确率均高于几种基于极限学习机的监督学习、半监督学习算法、传统多层极限学习机和深度卷积神经网络,具有理论意义和实用价值.