基于深度卷积去噪网络的电能质量扰动识别方法

摘要：

针对复杂噪声环境下电能质量扰动(power quality disturbance,PQD)识别精度低的问题,将软阈值函数与一维卷积神经网络相结合,提出了一种用于电能质量扰动识别的深度卷积去噪网络(deep convolutional denoising network,DCDN).将软阈值函数作为非线性转换层插入到深层网络中,构造软阈值去噪模块以有效地消除噪声及其他冗余特征.软阈值去噪模块作为网络的可学习参数,可以通过模型训练确定其权重.相比于软阈值函数,所提去噪模块能够针对不同样本输入自适应地计算其阈值.仿真结果表明,所提方法在不同噪声水平下,对18种常见的单一和复合电能质量扰动均能有效识别.相比于其他常见的扰动识别算法,所提方法抗噪性强,复杂噪声环境下电能质量扰动的识别精度高.

关键词：电能质量、软阈值去噪、卷积神经网络、深度学习

分类号：TM743(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划;国家自然科学基金

在线出版日期：2023-02-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：118-125