基于神经网络的电能质量扰动识别

张占俊，董耀，王剑锋，杨怀建

基于神经网络的电能质量扰动识别

张占俊，董耀，王剑锋，杨怀建

（国网青海省电力公司 海西供电公司，青海 格尔木 817000）

针对目前电能质量扰动识别中高噪声背景下识别正确率低的问题，提出了一种多分辨率广义S变换与神经网络扰动识别与分类方法。首先将信号进行多分辨率广义S变化得到模矩阵，从模矩阵提取特征曲线与特征矩阵，分别输入到前馈神经网络（FNN）与深度卷积神经网络AlexNet进行训练；然后通过学习，自主提取扰动信号特征，并迭代收敛，直接实现扰动识别分类。经仿真实验分析，FNN与AlexNet在低噪声下有较好识别能力，但AlexNet的识别精度更高；在高噪声背景下，FNN识别效果下降明显，而AlexNet依然保持较高的识别率。

电能质量；S变换；前馈神经网络；深度卷积神经网络

0 引言

随着光伏、风力发电等新能源的发展，以及非线性、不平衡性负荷的广泛使用，电能质量问题日益突出；与此同时，高新产品制造业对电能质量提出了更加严格的要求。于是，电能质量扰动识别作为冶理电能质量问题的前提，显得尤为重要。扰动识别的一般步骤如下：第一阶段需提取扰动信号特征，主要手段有S变换、广义S变换、多分辨率广义S变换等[1-3]，以实现特征值、特征曲线或特征矩阵等特征信息的提取；第二阶段构造基于模糊逻辑的模式识别系统，主要有支持向量机、决策分类树、神经网络等[4,5]。

文献[6]以提高时间分辨率与频率分辨率为目标，选择多分辨率广义S变换2个参数，生成1组最佳特征向量。……