基于多周期差分特征融合卷积网络的电能质量扰动分类

董优丽; 丁小俊; 李鑫; 王颂凯; 严林

doi:10.13393/j.cnki.issn.1672-948X.2025.05.014

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于多周期差分特征融合卷积网络的电能质量扰动分类

三峡大学学报（自然科学版） 2025年第5期页码：106-112

土木水电论坛_电力网络 | 更新时间：2025-09-14

- 基于多周期差分特征融合卷积网络的电能质量扰动分类
- 暂无标题
- 作者机构：
  
  1. 湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室
  2. 国家电网有限公司华中分部
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目(52077089)
- DOI：10.13393/j.cnki.issn.1672-948X.2025.05.014
  中图分类号： TM711
- 纸质出版日期：2025
- 稿件说明：
移动端阅览
董优丽, 丁小俊, 李鑫, 等. 基于多周期差分特征融合卷积网络的电能质量扰动分类[J]. 三峡大学学报（自然科学版）, 2025,(5):106-112.
董优丽, 丁小俊, 李鑫, 等. 基于多周期差分特征融合卷积网络的电能质量扰动分类[J]. 三峡大学学报（自然科学版）, 2025,(5):106-112. DOI： 10.13393/j.cnki.issn.1672-948X.2025.05.014.

DOI：

摘要

电力事件或电力故障持续时间的不确定性以及监测设备的多样化导致电网中实际采集的扰动信号长短不一.针对变化样本长度的电能质量扰动分类问题

本文提出了一种利用多周期差分特征(multi-period differential features

MPDF)和多通道卷积网络的分类方法.首先将扰动信号进行二维转换并以不同的周期间隔进行差分处理

消除正弦周期的背景

强化扰动发生和结束时段的扰动特征;然后构建多通道卷积网络捕捉原始信号和多个周期差分信号的特征信息

再利用全局平均池化获取全局特征;最后将特征进行融合以形成信息丰富、有辨识度的特征表示

从而实现任意长度扰动信号的分类.仿真实验表明该方法特征提取能力强

对变长扰动信号的识别率高.

Abstract

关键词

Keywords

references

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.

Mrutyunjaya Sahani,P.K. Dash.Variational mode decomposition and weighted online sequential extreme learning machine for power quality event patterns recognition[J].Neurocomputing,2018.

陈伟,何家欢,裴喜平.基于相空间重构和卷积神经网络的电能质量扰动分类[J].电力系统保护与控制,2018(14).

徐艳春,高永康,李振兴,李振华,吕密.基于VMD初始化S变换的混合动力系统电能质量扰动检测与分类[J].中国电机工程学报,2019(16).

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).

李志军,陈伟根,周湶,宗起振,卢应强.基于改进深度学习混合网络与小波分析的电机故障诊断方法[J].三峡大学学报(自然科学版),2021(06).

陈金红,崔东文.基于深度学习神经网络超参数优化的入库径流预测方法研究——以云南省暮底河水库为例[J].三峡大学学报(自然科学版),2023(04).

陈潇潇,周云海,张泰源,郑培城.基于深度强化学习的有源配电网实时电压控制策略[J].三峡大学学报(自然科学版),2024(01).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

关联资源

暂无数据