基于卷积-长短期记忆网络的电能质量扰动分类
为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法.首先,将扰动信号进行采样作为输入.然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新.最后,再对输出的特征数据进行学习分类.仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法.
电能质量、扰动分类、深度学习、卷积神经网络、长短期记忆网络
48
国家自然科学基金项目资助61503240,61603246
2020-03-22(万方平台首次上网日期,不代表论文的发表时间)
共7页
86-92