基于GAF与卷积神经网络的电能质量扰动分类

摘要：

针对在设计电能质量扰动(Power Quality Disturbance,PQD)分类器时人工选取特征过程繁琐并且不够精确的问题,提出一种基于格拉姆角场(Gramian Angular Field,GAF)和卷积神经网络(Convolutional Neural Network,CNN)的PQD分类方法.首先将一维PQD信号映射为二维图像,接着在已有的神经网络基础上构造适用于PQD分类的网络框架.最后将二维图像作为输入,CNN将自动从海量的扰动样本中提取特征并加以分类.仿真结果表明该方法在噪声数据中具有良好的分类性能,是一种行之有效的PQD分类方法.

关键词：电能质量、格拉姆角场、卷积神经网络、特征提取、扰动分类

所属期刊栏目：49

分类号：TM76;TH17;TP3

资助基金：国家自然科学基金61871133

在线出版日期：2021-08-02（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：97-104