典型文献
基于2D-ResNet的船舶电力系统电能质量扰动识别
文献摘要：
为实现船舶电力系统电能质量扰动准确识别,结合深度学习提出基于二维残差网络(2D-ResNet)的电能质量扰动识别方法.首先将电能质量一维时间序列通过距离矩阵转化为二维平面图,随后将图像送入所提二维残差网络中提取特征.最终输出特征图通过线性层分类器得到识别结果,实现船舶电力系统电能质量扰动的在线识别.与现有特征提取方法相比,不同信噪比下该方法扰动识别准确率均最高.信噪比为20 dB时,单标签分类平均准确率为93.86％,多标签分类平均F1-score为96.52％,证明了2D-ResNet能有效提取扰动特征且对噪声具备鲁棒性.对于未知复合扰动,单标签分类器识别失败,而多标签分类器准确识别出扰动中的未知成分,且F1-score达到93％,证明了多标签分类适用于未知复合扰动识别.
文献关键词：
船舶电力系统;电能质量;二维残差网络;扰动识别;单标签分类;多标签分类
中图分类号：
作者姓名：
宋铁维;施伟锋;毕宗;谢嘉令
作者机构：
上海海事大学电气自动化系,上海 201306
文献出处：
引用格式：
[1]宋铁维;施伟锋;毕宗;谢嘉令-.基于2D-ResNet的船舶电力系统电能质量扰动识别)[J].电力系统保护与控制,2022(10):94-103
A类：
二维残差网络,单标签分类
B类：
2D,ResNet,船舶电力系统,电能质量扰动,扰动识别,准确识别,距离矩阵,平面图,送入,提取特征,特征图,分类器,在线识别,识别准确率,dB,平均准确率,多标签分类,score,有效提取,复合扰动,器识
AB值：
0.163318
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。
