10.3969/j.issn.1007-757X.2023.02.036
基于改进卷积神经网络的电能质量异常扰动研究
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.
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
39
TP3(计算技术、计算机技术)
2023-08-30(万方平台首次上网日期,不代表论文的发表时间)
共5页
135-139