用于复杂电能质量扰动分类的全尺度特征校准多任务分类方法

华回春; 房东霖; 郭敏

doi:10.26945/j.cnki.1001-9898.2026.01.001

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

用于复杂电能质量扰动分类的全尺度特征校准多任务分类方法

更新时间：2026-07-17

- 用于复杂电能质量扰动分类的全尺度特征校准多任务分类方法
- Vol. 45, Issue 1, Pages: 1-8+16(2026)
- 作者机构：
  
  1. 新能源电力系统国家重点实验室(华北电力大学)
  2. 广西电网有限责任公司电力科学研究院
- 作者简介：
- 基金信息：
- DOI：10.26945/j.cnki.1001-9898.2026.01.001
  CLC： TM711
- Published：2026
- 稿件说明：
移动端阅览
华回春, 房东霖, 郭敏. 用于复杂电能质量扰动分类的全尺度特征校准多任务分类方法[J]. 2026, 45(1): 1-8+16.
DOI：

华回春, 房东霖, 郭敏. 用于复杂电能质量扰动分类的全尺度特征校准多任务分类方法[J]. 2026, 45(1): 1-8+16. DOI： 10.26945/j.cnki.1001-9898.2026.01.001.

摘要

非线性电力电子装置的接入会使电网产生复杂的电能质量扰动（power quality disturbances

PQDs），为了提高对PQDs信号的分类准确率，提出了一种用于复杂PQDs分类的全尺度特征校准多任务分类方法（omni-scale feature calibration method

OSFC）。首先，为进一步提高一维卷积神经网络的特征提取能力，在全尺度卷积模块的基础上，使用了压缩激励网络模块（squeeze-and-excitation network

SENet）模块来校准不同尺度的特征对扰动分类的重要性；然后，构建多任务学习框架，将PQDs标签之间的相关性转化为PQDs分类任务之间的相关性，提高了模型的分类精度；最后，基于仿真PQDs信号进行了一系列实验，结果表明所提方法在不同噪声水平下的分类准确率可以达到99%。

Abstract

关键词

Keywords

references

Todeschini Grazia,Kheta Karan,Giannetti Cinzia.An image-based deep transfer learning approach to classify power quality disturbances[J].Electric Power Systems Research,2022.

Radhakrishnan Padmavathi,Ramaiyan Kalaivani,Vinayagam Arangarajan,Veerasamy Veerapandiyan.A stacking ensemble classification model for detection and classification of power quality disturbances in PV integrated power network[J].Measurement,2021.

Qiu Wei,Tang Qiu,Liu Jie,Yao Wenxuan.An Automatic Identification Framework for Complex Power Quality Disturbances Based on Multifusion Convolutional Neural Network[J].IEEE Transactions on Industrial Informatics,2020.

Shouxiang Wang,Haiwen Chen.A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network[J].Applied Energy,2019.

Hu Jie,Shen Li,Albanie Samuel,Sun Gang,Wu Enhua.Squeeze-and-Excitation Networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2019.

Tang Qiu,Qiu Wei,Zhou Yicong.Classification of Complex Power Quality Disturbances Using Optimized S-Transform and Kernel SVM[J].IEEE Transactions on Industrial Electronics,2019.

Richstein J..Verifying the Goldbach conjecture up to 4 center dot 10(14)[J].Mathematics of computation,2001.

李士林,朱旋,周冬冬.ICEEMDAN-小波阈值法在谐波信号中的应用[J].河北电力技术,2024(05).

商立群,李朝彪,邓力文,郝天奇,刘晗.基于ISSA-XGBoost的电能质量扰动识别方法研究[J].电力系统保护与控制,2024(13).

吴瑞琪,周毅.知识融入多源多任务学习的眼底图像分类方法[J].计算机工程与应用,2025(07).

张雪,田岚,曾鸣,刘俊晖,宗绍国.基于梯度幅值方向调整的心电信号多任务分类算法[J].计算机科学,2024(12).

王燕,李雨婕,卞安吉,骆玉深,江浙,曹浩敏.一种数据库查询的多标签电能质量混合扰动识别与分类新方法[J].中国电机工程学报,2024(15).

钱倍奇,陈谦,李宗源,张政伟,牛应灏.基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法[J].电网技术,2024(02).

罗溢,李开成,肖贤贵,尹晨,李贝奥,李旋.基于马尔可夫转移场和深度残差网络的电能质量复合扰动多标签分类[J].中国电机工程学报,2024(07).

张锐,张闯,高辉,程政铎.基于自适应特征增强分组卷积网络的电能质量扰动分类[J].中国电机工程学报,2023(15).

贺才郡,李开成,杨王旺,董宇飞,宋朝霞,范伟欣,王伟.基于双通道GAF和深度残差网络的电能质量复合扰动识别[J].电网技术,2023(01).

刘子伟.基于LightGBM的电力系统暂态稳定评估方法[J].河北电力技术,2022(02).

陈子璇,席燕辉,沈银.基于卡尔曼滤波和深度置信网络的复合电能质量扰动分类[J].电力系统保护与控制,2022(07).

牛健,张志飞,汤铭辉,赵才,王坤.基于改进局部均值分解和概率神经网络的电压扰动识别[J].电源学报,2023(05).

汪飞,全晓庆,任林涛.电能质量扰动检测与识别方法研究综述[J].中国电机工程学报,2021(12).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于混合有限时间的四旋翼无人机轨迹跟踪控制与巡检优化

基于深度学习的变电站高压柜内绝缘子缺陷检测

LLC谐振变换器的谐振电容电压控制策略

基于深度学习算法的直流换相失败预测研究

基于LSTM-TSLightGBM可变权重组合模型的短期电力负荷预测

Related Author

No data

Related Institution

No data

AI问答

⁰