針對電能質(zhì)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(zhì)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(zhì)量擾動信號分類模型。其次利用分類模型對電能質(zhì)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(zhì)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(jié)果表明,該分類模型對電能質(zhì)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(jié)構(gòu)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(nèi)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