基于SCG优化SSAE-FFNN的电能质量复合扰动深度特征提取与分类

• Published in: 电力工程技术 Vol. 43; no. 3; pp. 99 - 110
• Main Authors: 丁皓月, 吕干云, 史明明, 费骏韬, 俞明, 吴启宇
• Format: Journal Article
• Language: Chinese
• Published: 南京工程学院电力工程学院,江苏南京 211167%国网江苏省电力有限公司电力科学研究院,江苏南京 211103%国网江苏省电力有限公司南京市溧水区供电分公司,江苏南京 211200 2024
• Subjects: 电能质量; scaled conjugate gradient(SCG); 堆叠稀疏自编码器(SSAE); power quality; composite disturbance classification; stacked sparse auto encoder(SSAE); feedforward neural network(FFNN); deep feature extraction; 复合扰动分类; 缩放共轭梯度(SCG); 前馈神经网络(FFNN); 深度特征提取
• ISSN: 2096-3203
• DOI: 10.12158/j.2096-3203.2024.03.011

TM732; 随着智能电网的发展,电能质量问题已遍布电网并威胁着电网的安全稳定,且电能质量监测数据日渐庞大,因此实现大规模系统中电能质量扰动(power quality disturbances,PQDs)的深度特征提取及智能分类识别对电力系统污染检测与管理具有重要意义.为此,文中提出一种基于堆叠稀疏自编码器(stacked sparse auto encoder,SSAE)和前馈神经网络(feedforward neural network,FFNN)的电能质量复合扰动分类方法.首先,基于IEEE标准构建PQDs仿真模型.然后,建立基于SSAE-FFNN的PQDs分类模型,并引入缩放共轭梯度(scaled conjugate gradient,SCG)算法对模型进行优化,以提高梯度下降速度和网络训练效率.接着,为有效降低堆叠网络的重构损失同时提取出深度的低维特征,构建SSAE的逐层训练集及微调策略.最后,通过算例分析验证文中方法的分类效果、鲁棒性、泛化性和适用场景规模.结果表明,文中方法能够有效识别电能质量复合扰动,对含误差扰动和某地市电网的21组实测扰动录波数据也有较高的分类准确率.