發(fā)布時間：2024-06-29 10:59

　　針對電能質量擾動信號識別算法復雜、識別率低等問題,提出一種將長短時記憶神經(jīng)網(wǎng)絡應用于電能質量擾動信號識別分類的新方法。首先在Tensorflow中搭建長短時記憶神經(jīng)網(wǎng)絡,建立電能質量擾動信號分類模型。其次利用分類模型對電能質量擾動信號原始數(shù)據(jù)進行有監(jiān)督學習,提取擾動信號的深層次特征,并將其連接到Softmax分類器輸出各擾動信號的識別率。最后將電能質量擾動信號通過遞歸圖生成的二維軌跡圖像作為分類模型的輸入,通過訓練模型實現(xiàn)擾動信號的分類。仿真結果表明,該分類模型對電能質量擾動信號的一維和二維表示均有較好的分類準確率,可以有效識別7種單一擾動和6種復合擾動信號。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1正常信號和擾動信號的遞歸圖

-90-電力系統(tǒng)保護與控制(13)諧波+暫升+脈沖(14)諧波+波動+振蕩圖1正常信號和擾動信號的遞歸圖Fig.1Recursivegraphofnormalanddisturbancesignals2循環(huán)神經(jīng)網(wǎng)絡2.1循環(huán)神經(jīng)網(wǎng)絡基本原理循環(huán)神經(jīng)網(wǎng)絡[20-26](Recurr....

圖1正常信號和擾動信號的遞歸圖

-90-電力系統(tǒng)保護與控制(13)諧波+暫升+脈沖(14)諧波+波動+振蕩圖1正常信號和擾動信號的遞歸圖Fig.1Recursivegraphofnormalanddisturbancesignals2循環(huán)神經(jīng)網(wǎng)絡2.1循環(huán)神經(jīng)網(wǎng)絡基本原理循環(huán)神經(jīng)網(wǎng)絡[20-26](Recurr....

圖2RNN結構圖

-90-電力系統(tǒng)保護與控制(13)諧波+暫升+脈沖(14)諧波+波動+振蕩圖1正常信號和擾動信號的遞歸圖Fig.1Recursivegraphofnormalanddisturbancesignals2循環(huán)神經(jīng)網(wǎng)絡2.1循環(huán)神經(jīng)網(wǎng)絡基本原理循環(huán)神經(jīng)網(wǎng)絡[20-26](Recurr....

圖4訓練損失曲線

個Epoch內快速下降，此后曲線依舊呈緩慢下降趨勢，最終穩(wěn)定在一個較低的數(shù)值；識別率則由一個較低的初始值迅速上升并保持在一個較高的數(shù)字。通過對比二者的分類效果可知，隨機噪聲的增強使得網(wǎng)絡的識別率有所下降，但網(wǎng)絡仍保持了較高的分類精度，說明本方法具有一定程度的抗噪能力。原始數(shù)據(jù)輸入....

本文編號：3997522