典型文献
基于一维多尺度深度残差网络的电能质量扰动分类
文献摘要：
针对传统电能质量扰动识别和分类方法存在分类准确率低、泛化能力差、鲁棒性弱的问题,提出了一种基于深度学习的一维多尺度深度残差网络(1D-MDR)对电能质量扰动进行识别分类的方法.该方法首先引入多尺度熵对扰动信号进行预处理,有效地表征扰动信号的多尺度特征;然后将多尺度特征信号输入到基于自适应软阈值的深度残差网络中,对多尺度电能质量扰动信号进行特征提取并融合;最后,利用全连接网络实现电能质量扰动信号的分类.仿真实验表明,提出的方法能够自动、准确地进行特征提取,并进行有效的识别分类.通过对比实验,证明该方法具有更高的准确率.
文献关键词：
深度学习;多尺度特征提取;残差网络;电能质量扰动;软阈值
中图分类号：
作者姓名：
龚仁喜;涂晓云
作者机构：
广西大学电气工程学院,广西 南宁 530004
文献出处：
引用格式：
[1]龚仁喜;涂晓云-.基于一维多尺度深度残差网络的电能质量扰动分类)[J].电气开关,2022(06):25-32
A类：
B类：
维多,深度残差网络,电能质量扰动分类,扰动识别,分类方法,分类准确率,泛化能力,1D,MDR,识别分类,多尺度熵,特征信号,软阈值,电能质量扰动信号,全连接网络,多尺度特征提取
AB值：
0.190809
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。
