基于改进卷积神经网络的电能质量异常扰动研究

摘要：

针对电能质量扰动信号种类繁多、分类精度低以及现有分类算法抗噪性低、鲁棒性差的问题,文章提出一种改进卷积神经网络的电能质量扰动信号分类方法.采用S变换提取电能质量扰动信号特征,采用分类回归树算法对提取特征进行选择,采用改进CNN卷积神经网络对电能质量扰动信号进行分类.测试结果表明,在SNR=15 dB和SNR=25 dB的强噪声环境下,3种改进子模型在一定的迭代次数后,对8种不同扰动信号的训练精度都可达99％以上,同时对电能质量扰动信号的平均识别率达9 6％以上,表现出很强的抗噪性、高鲁棒性和和高分类精度的特点.

关键词：改进的卷积神经网络、电能质量、特征提取、异常扰动、分类精度

所属期刊栏目：39

分类号：TP3(计算技术、计算机技术)

在线出版日期：2023-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：135-139