典型文献
基于小波降噪和深度学习的电能质量扰动分类方法
文献摘要：
针对电能质量扰动信号在强噪声下识别准确率低的问题,提出了一种基于小波降噪和深度学习的电能质量扰动信号识别方法.在信号输入前,采用分层自适应阈值函数HATF(hierarchical adaptive threshold function)降噪法对信号降噪处理;接着在卷积神经网络CNN(convolutional neural network)扰动分类方法之上,对网络加入扰动信号的时序性识别,构建了E-CNN(enhanced-conventional neural network)的融合网络模型提高对含噪信号的识别准确率.仿真结果显示,与信号未去噪时的卷积神经网络相比,引入降噪后的融合网络模型在强噪声环境下的识别准确率依然可以达到98.40％,可以有效分类6种单一扰动信号和4种复合扰动信号.
文献关键词：
电能质量扰动信号;小波降噪算法;分层阈值函数;深度学习;卷积神经网络
中图分类号：
作者姓名：
刘烨;程杉;王瑞;左先旺;徐敬伟
作者机构：
三峡大学电气与新能源学院,宜昌 443002;电力系统智能运行与安全防御宜昌市重点实验室(三峡大学),宜昌 443002;国网山东省电力公司东营供电公司,东营 257000
文献出处：
引用格式：
[1]刘烨;程杉;王瑞;左先旺;徐敬伟-.基于小波降噪和深度学习的电能质量扰动分类方法)[J].电力系统及其自动化学报,2022(11):17-23
A类：
HATF,分层阈值函数
B类：
于小波,电能质量扰动分类,分类方法,电能质量扰动信号,强噪声,识别准确率,信号识别,自适应阈值,hierarchical,adaptive,threshold,function,信号降噪处理,convolutional,neural,network,时序性,enhanced,conventional,融合网络,未去,去噪,噪声环境,复合扰动,小波降噪算法
AB值：
0.234922
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。
