基于卷积神经网络的电能质量扰动信号分类算法
发布时间：2021-12-02 20:33
现代社会的高速发展越来越依赖于电子设备,由电能质量扰动（Power Quality Disturbance,PQD）信号引起的设备故障,从而威胁到人们的生命财产安全已经成为一个至关重要的问题。电能质量的研究已引起了研究者和工业界的极大关注,电能质量领域的识别和检测方向逐渐成为许多研究者的课题。针对PQD信号种类繁多,组成复杂,特征提取不明确,分类精度低等问题,本文对PQD信号的特征提取、特征选择、识别分类三个阶段进行了研究。（1）在特征提取阶段,为了能够从PQD信号中提取到更多具有代表性的特征,本文采用S变换、小波变换、希尔伯特黄变换提取特征向量。PQD信号经S变换后,从模矩阵中提取出63个特征。通过小波变换对PQD信号进行5层分解,并通过5层的细节系数提取55个特征。利用PQD信号的希尔伯特边际谱提取7个特征。将这125个特征构成原始特征集。（2）在特征选择阶段,为了精简特征向量,提高分类精度,本文采用了基于Relief F和基于分类回归树的特征选择算法,并对他们的选择结果进行比较。Relief F算法通过计算每一个特征的权重值,筛选出权重值最大的特征,从而确定特征子集。分类回归树算...
【文章来源】：西华大学四川省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
子模型特征可视化图
基于卷积神经网络的电能质量扰动信号分类算法52图5.8子模型特征可视化图Fig5.8sub-modelfeaturevisualization图5.9特征融合之后的特征可视化图Fig.5.9Featurevisualizationafterfeaturefusion5.3.7识别率比较图5.10、图5.11是FCNN在25dB和15dB的噪声环境下的识别率曲线和损失曲线。对比单个子卷积神经网络得到的结果，可以看出FCNN在融合了三个子模型提取的特征后，鲁棒性能良好，在测试集上的识别率、曲线稳定性都得到提高。表5.1为不同信噪比下FCNN的识别率，可以看出FCNN在信噪比为25dB和15dB的较强噪声环境下总体分类识别率仍然能保持在99%以上。从单一扰动的角度分析，暂降和中断的分类识别率较低，这是由于在噪声环境下，暂降信号和中断信号在空间特征上比较相似。采用FCNN算法，与文献[63]和文献[64]中的PQD分类算法进行比较。首先，采用的数据模型及参数与文献[63]中数据模型及参数完全相同，然后通过本文方法和文献[64]方法验证此数据集。表5.2为不同方法的总体分类精度对比。由表5.2可知，30dB下的FCNN分类识别率为99.53%，而文献[63]和文献[64]的算法得到的识别率分别只有
【参考文献】：
期刊论文
[1]局部倒频谱编辑方法及其在齿轮箱微弱轴承故障特征提取中的应用[J]. 张西宁,周融通,郭清林,张雯雯. 西安交通大学学报. 2019(12)
[2]基于改进S变换的超高频局部放电信号特征提取及分类[J]. 龙嘉川,王先培,代荡荡,田猛,朱国威,黄云光. 高电压技术. 2018(11)
[3]采用不完全S变换的复杂谐波参数估计[J]. 易吉良,周曼,李中启,李军军,贺力克. 电工技术学报. 2018(S1)
[4]基于相空间重构和卷积神经网络的电能质量扰动分类[J]. 陈伟,何家欢,裴喜平. 电力系统保护与控制. 2018(14)
[5]基于卷积神经网络的电能质量扰动分类[J]. 瞿合祚,李晓明,陈陈,何乐. 武汉大学学报(工学版). 2018(06)
[6]基于生长-修剪优化RBF神经网络的电能质量扰动分类[J]. 王慧慧,王萍,刘涛,张博文. 电网技术. 2018(08)
[7]基于小波包优选的模拟电路故障特征提取方法[J]. 袁莉芬,孙业胜,何怡刚,张悦,吕密. 电工技术学报. 2018(01)
[8]基于EEMD的HHT在电能质量多扰动分类识别中的应用[J]. 曹玲芝,刘俊飞,郑晓婉. 电气技术. 2017(04)
[9]一种实时电能质量扰动分类方法[J]. 陈晓静,李开成,肖剑,孟庆旭,蔡得龙. 电工技术学报. 2017(03)
[10]一种新的电能质量扰动信号压缩感知识别方法[J]. 曹思扬,戴朝华,朱云芳,陈维荣. 电力系统保护与控制. 2017(03)
博士论文
[1]现代电力系统电能质量评估体系的研究[D]. 陶顺.华北电力大学（北京） 2008
硕士论文
[1]电力系统电能质量扰动的检测与识别研究[D]. 何巨龙.湘潭大学 2017
[2]基于相空间重构与原子分解的电能质量复杂扰动分析方法[D]. 崔志强.燕山大学 2017
[3]电压暂降源识别方法研究[D]. 祁博.昆明理工大学 2014
[4]基于加窗功率谱估计的间谐波检测方法研究[D]. 徐会亮.重庆大学 2008
本文编号：3529160
【文章来源】：西华大学四川省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
子模型特征可视化图
基于卷积神经网络的电能质量扰动信号分类算法52图5.8子模型特征可视化图Fig5.8sub-modelfeaturevisualization图5.9特征融合之后的特征可视化图Fig.5.9Featurevisualizationafterfeaturefusion5.3.7识别率比较图5.10、图5.11是FCNN在25dB和15dB的噪声环境下的识别率曲线和损失曲线。对比单个子卷积神经网络得到的结果，可以看出FCNN在融合了三个子模型提取的特征后，鲁棒性能良好，在测试集上的识别率、曲线稳定性都得到提高。表5.1为不同信噪比下FCNN的识别率，可以看出FCNN在信噪比为25dB和15dB的较强噪声环境下总体分类识别率仍然能保持在99%以上。从单一扰动的角度分析，暂降和中断的分类识别率较低，这是由于在噪声环境下，暂降信号和中断信号在空间特征上比较相似。采用FCNN算法，与文献[63]和文献[64]中的PQD分类算法进行比较。首先，采用的数据模型及参数与文献[63]中数据模型及参数完全相同，然后通过本文方法和文献[64]方法验证此数据集。表5.2为不同方法的总体分类精度对比。由表5.2可知，30dB下的FCNN分类识别率为99.53%，而文献[63]和文献[64]的算法得到的识别率分别只有
【参考文献】：
期刊论文
[1]局部倒频谱编辑方法及其在齿轮箱微弱轴承故障特征提取中的应用[J]. 张西宁,周融通,郭清林,张雯雯. 西安交通大学学报. 2019(12)
[2]基于改进S变换的超高频局部放电信号特征提取及分类[J]. 龙嘉川,王先培,代荡荡,田猛,朱国威,黄云光. 高电压技术. 2018(11)
[3]采用不完全S变换的复杂谐波参数估计[J]. 易吉良,周曼,李中启,李军军,贺力克. 电工技术学报. 2018(S1)
[4]基于相空间重构和卷积神经网络的电能质量扰动分类[J]. 陈伟,何家欢,裴喜平. 电力系统保护与控制. 2018(14)
[5]基于卷积神经网络的电能质量扰动分类[J]. 瞿合祚,李晓明,陈陈,何乐. 武汉大学学报(工学版). 2018(06)
[6]基于生长-修剪优化RBF神经网络的电能质量扰动分类[J]. 王慧慧,王萍,刘涛,张博文. 电网技术. 2018(08)
[7]基于小波包优选的模拟电路故障特征提取方法[J]. 袁莉芬,孙业胜,何怡刚,张悦,吕密. 电工技术学报. 2018(01)
[8]基于EEMD的HHT在电能质量多扰动分类识别中的应用[J]. 曹玲芝,刘俊飞,郑晓婉. 电气技术. 2017(04)
[9]一种实时电能质量扰动分类方法[J]. 陈晓静,李开成,肖剑,孟庆旭,蔡得龙. 电工技术学报. 2017(03)
[10]一种新的电能质量扰动信号压缩感知识别方法[J]. 曹思扬,戴朝华,朱云芳,陈维荣. 电力系统保护与控制. 2017(03)
博士论文
[1]现代电力系统电能质量评估体系的研究[D]. 陶顺.华北电力大学（北京） 2008
硕士论文
[1]电力系统电能质量扰动的检测与识别研究[D]. 何巨龙.湘潭大学 2017
[2]基于相空间重构与原子分解的电能质量复杂扰动分析方法[D]. 崔志强.燕山大学 2017
[3]电压暂降源识别方法研究[D]. 祁博.昆明理工大学 2014
[4]基于加窗功率谱估计的间谐波检测方法研究[D]. 徐会亮.重庆大学 2008
本文编号：3529160
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3529160.html
