基于双分支并联的特征融合电能质量扰动分类方法

为了提高对电能质量扰动信号(power quality disturbance signal,PQDs)在受到噪声和异常数据干扰时的分类准确率,提出了一种双分支并联特征融合网络的PQDs分类方法.首先,采用一维残差神经网络和一维卷积神经网络两个分支进行特征提取.然后,通过特征融合模块将这些特征融合在一起.最终,通过分类模块对PQDs进行准确分类.相对于串联神经网络,所提方法融合特征向量,增强了特征的区分度,同时适用于并行计算,进一步提高了识别速度.仿真结果表明,所提方法在叠加信噪比为13 dB、15 dB和18 dB的PQDs分类任务中,识别率均超过95%,此外,该方法对异常数据的分类效果也具...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 52; no. 5; pp. 178 - 187
Main Authors 王飞, 王立辉, 周少武, 赵才, 张志飞
Format Journal Article
LanguageChinese
Published 佛山科学技术学院机电工程与自动化学院,广东 佛山 528000%湖南科技大学机电工程与自动化学院,湖南 湘潭 411201 01.03.2024
Subjects
特征提取
扰动分类
one-dimensional residual neural network
feature extraction
一维卷积神经网络
one-dimensional convolutional neural network
disturbance classification
一维残差神经网络
Online AccessGet full text
ISSN1674-3415
DOI10.19783/j.cnki.pspc.230846

Cover

More Information
Summary:为了提高对电能质量扰动信号(power quality disturbance signal,PQDs)在受到噪声和异常数据干扰时的分类准确率,提出了一种双分支并联特征融合网络的PQDs分类方法.首先,采用一维残差神经网络和一维卷积神经网络两个分支进行特征提取.然后,通过特征融合模块将这些特征融合在一起.最终,通过分类模块对PQDs进行准确分类.相对于串联神经网络,所提方法融合特征向量,增强了特征的区分度,同时适用于并行计算,进一步提高了识别速度.仿真结果表明,所提方法在叠加信噪比为13 dB、15 dB和18 dB的PQDs分类任务中,识别率均超过95%,此外,该方法对异常数据的分类效果也具有一定的鲁棒性.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.230846