典型文献
改进PNN神经网络在电力系统次/超同步振荡监测中的应用
文献摘要：
电力系统次/超同步振荡的常用的检测(标题用的是监测,让作者再看看)方法是:首先对实测数据进行滤波得到次/超同步振荡信号分量,再根据对各分量信号进行参数辨识的结果,来确认是否发生次/超同步振荡.这样,振荡判断的准确性就受到滤波器的效果和参数辨识方法准确性的双重影响.为了解决上述问题,提出将同步压缩小波变换(SST)和深度学习方法—概率神经网络(PNN神经网络)相结合应用于次/超同步振荡的监测.首先,用SST变换替代传统滤波器实现滤波的功能,得到次同步频率、工频频率和超同步频率的信号分量.然后,不再进行参数辨识,而是直接将得到的各类信号分量数据直接交于PNN神经网络进行分类,直接挖掘次/超同步振荡数据的特点,达到在线监测的目的.仿真和实例均验证了方法的可靠性.
文献关键词：
次同步振荡;超同步振荡;深度学习;PNN神经网络;同步压缩小波变换(SST);在线监测
中图分类号：
作者姓名：
赵妍;赵起;张劲松;聂永辉
作者机构：
东北电力大学输变电技术学院,吉林 吉林 132012;东北电力大学电气工程学院,吉林 吉林 132012
文献出处：
引用格式：
[1]赵妍;赵起;张劲松;聂永辉-.改进PNN神经网络在电力系统次/超同步振荡监测中的应用)[J].电力电容器与无功补偿,2022(05):76-83
A类：
B类：
PNN,电力系统,超同步振荡,标题,看看,到次,振荡信号,滤波器,参数辨识方法,双重影响,同步压缩小波变换,SST,深度学习方法,概率神经网络,结合应用,步频,工频,频频,接交,交于,在线监测,次同步振荡
AB值：
0.28557
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。
