10.11857/j.issn.1674-5124.2021070076
基于AGA-SSAE和SDP域转换的暂态电能质量扰动识别方法
针对复杂电能质量扰动信号非平稳性和非线性导致的信号特征难以直接提取和识别的问题,该文提出一种基于自适应遗传算法优化(adaptive genetic algorithm,AGA)的栈式稀疏自编码器(stacked sparse autoencoder,SSAE)和对称点模式(symmetrized dot pattern,SDP)域转换的暂态电能质量扰动识别方法.首先,通过Matlab仿真随机生成 6种单一扰动信号和 9种复合扰动信号,通过SDP方法将原始时域扰动信号转换至极坐标域,实现扰动信号可视化并生成对应的扰动图谱,对扰动图谱进行参数优化;然后,基于Tensorflow开源框架搭建SSAE识别模型,并由AGA算法完成模型结构及其参数的优化,实现扰动图谱的深度特征提取与挖掘;最后,由末端分类器进行无监督学习分类,比较常见扰动识别方法的优劣.结果表明:该文提出的基于AGA-SSAE和SDP域转换的暂态电能质量扰动识别方法能够对暂态扰动进行高效、准确的识别分类,平均测试准确率为 97.89%,优于传统方法 10%左右;同时所提方法的架构清晰,且具有较好的收敛性和泛化能力,适用于电力系统电能质量暂态扰动的快速、精确识别.
电能质量、对称点模式、栈式降噪自编码、暂态系统
49
TM930
国网河北营销中心市场开发室网上国网线上线下全渠道融合建设费用B704YF200028
2023-09-15(万方平台首次上网日期,不代表论文的发表时间)
共9页
28-35,66