基于循环神经网络的电能质量扰动识别
发布时间:2024-06-29 10:59
针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法。首先在Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型。其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率。最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类。仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号。
【文章页数】:7 页
【部分图文】:
本文编号:3997522
【文章页数】:7 页
【部分图文】:
图1正常信号和扰动信号的递归图
-90-电力系统保护与控制(13)谐波+暂升+脉冲(14)谐波+波动+振荡图1正常信号和扰动信号的递归图Fig.1Recursivegraphofnormalanddisturbancesignals2循环神经网络2.1循环神经网络基本原理循环神经网络[20-26](Recurr....
图1正常信号和扰动信号的递归图
-90-电力系统保护与控制(13)谐波+暂升+脉冲(14)谐波+波动+振荡图1正常信号和扰动信号的递归图Fig.1Recursivegraphofnormalanddisturbancesignals2循环神经网络2.1循环神经网络基本原理循环神经网络[20-26](Recurr....
图2RNN结构图
-90-电力系统保护与控制(13)谐波+暂升+脉冲(14)谐波+波动+振荡图1正常信号和扰动信号的递归图Fig.1Recursivegraphofnormalanddisturbancesignals2循环神经网络2.1循环神经网络基本原理循环神经网络[20-26](Recurr....
图4训练损失曲线
个Epoch内快速下降,此后曲线依旧呈缓慢下降趋势,最终稳定在一个较低的数值;识别率则由一个较低的初始值迅速上升并保持在一个较高的数字。通过对比二者的分类效果可知,随机噪声的增强使得网络的识别率有所下降,但网络仍保持了较高的分类精度,说明本方法具有一定程度的抗噪能力。原始数据输入....
本文编号:3997522
本文链接:https://www.wllwen.com/kejilunwen/dianlilw/3997522.html
上一篇:基于电压薄弱环节识别的配电网供电恢复策略
下一篇:没有了
下一篇:没有了