典型文献
基于深度卷积去噪网络的电能质量扰动识别方法
文献摘要：
针对复杂噪声环境下电能质量扰动(power quality disturbance,PQD)识别精度低的问题,将软阈值函数与一维卷积神经网络相结合,提出了一种用于电能质量扰动识别的深度卷积去噪网络(deep convolutional denoising network,DCDN).将软阈值函数作为非线性转换层插入到深层网络中,构造软阈值去噪模块以有效地消除噪声及其他冗余特征.软阈值去噪模块作为网络的可学习参数,可以通过模型训练确定其权重.相比于软阈值函数,所提去噪模块能够针对不同样本输入自适应地计算其阈值.仿真结果表明,所提方法在不同噪声水平下,对18种常见的单一和复合电能质量扰动均能有效识别.相比于其他常见的扰动识别算法,所提方法抗噪性强,复杂噪声环境下电能质量扰动的识别精度高.
文献关键词：
电能质量;软阈值去噪;卷积神经网络;深度学习
中图分类号：
作者姓名：
奚鑫泽;邢超;覃日升;郭成;周鑫
作者机构：
云南电网有限责任公司电力科学研究院,昆明 650217
文献出处：
引用格式：
[1]奚鑫泽;邢超;覃日升;郭成;周鑫-.基于深度卷积去噪网络的电能质量扰动识别方法)[J].南方电网技术,2022(12):118-125
A类：
DCDN
B类：
深度卷积,去噪网络,电能质量扰动,扰动识别,复杂噪声,噪声环境,power,quality,disturbance,PQD,识别精度,软阈值函数,一维卷积神经网络,deep,convolutional,denoising,network,非线性转换,转换层,深层网络,软阈值去噪,去噪模块,消除噪声,冗余特征,可学习参数,模型训练,提去,噪声水平,复合电能质量,识别算法,抗噪性
AB值：
0.290604
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
