FAILED
首站-论文投稿智能助手
典型文献
基于改进CNN-LSTM的电力系统宽频振荡辨识
文献摘要:
宽频振荡的强非线性和强时变性会导致参数准确辨识困难,提出了改进CNN-LSTM神经网络的参数辨识方法.首先,采用卷积神经网络(CNN)提取输入的宽频振荡信号的振荡特征,并通过Softmax分类器输出振荡模态数量.然后,根据模态数量对长短期记忆网络(LSTM)辨识的模态个数进行定阶;同时,通过对CNN输出矩阵进行1×1卷积运算替代LSTM中的矩阵乘法,实现LSTM模型对高维输入的可行性.最后,以卷积运算结果作为LSTM的输入,辨识振荡频率和衰减因子.实测数据分析结果证明改进的CNN-LSTM对宽频振荡的频率和衰减因子都具有较高的辨识精度,在处理宽频振荡频率漂移现象和衰减因子突变等问题上有突出的优势.
文献关键词:
宽频振荡;参数辨识;时变特性;CNN-LSTM
作者姓名:
赵妍;孙硕;柳旭;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;孙硕;柳旭;聂永辉-.基于改进CNN-LSTM的电力系统宽频振荡辨识)[J].智慧电力,2022(02):48-54,96
A类:
B类:
电力系统,宽频振荡,强非线性,时变性,参数辨识方法,振荡信号,Softmax,分类器,振荡模态,长短期记忆网络,定阶,卷积运算,矩阵乘法,高维输入,振荡频率,衰减因子,辨识精度,频率漂移,时变特性
AB值:
0.275323
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。