典型文献
基于多尺度融合选择卷积网络的电能质量扰动识别
文献摘要：
传统的电能质量扰动识别在提取分类时都是人工手动单一地选择特征,这种方法普遍存在精度低、成本高、泛化能力弱等缺陷.针对目前深度学习在故障识别分类处理中的应用,文中提出一种基于多尺度融合选择卷积网络实现端到端的电能质量扰动识别分类方法.文中通过仿真实现了单一扰动信号和复合扰动信号,将Multi-scale目标检测和轻量级模块SKNet算法思路相结合,利用不同卷积核构造多个尺度下不同的特征,将特征融合选择得到新的主要特征量,并用线性分类器进行快速的扰动识别.研究结果表明,与未改进的深度学习识别方法对比,文中方法在特征提取上具有更强的区分空间、更高的识别率和鲁棒性,整体识别率达到99％,可为电能质量扰动识别研究提供一种新的思路.
文献关键词：
电能质量扰动;扰动识别;特征提取;多尺度融合;卷积网络;融合选择
中图分类号：
作者姓名：
王凯;孙贤明;任成昊;胡玉耀;王文成;路尧
作者机构：
山东理工大学 电气与电子工程学院,山东 淄博 255049;淄博哇呦创飞智能科技有限公司,山东 淄博 255000
文献出处：
引用格式：
[1]王凯;孙贤明;任成昊;胡玉耀;王文成;路尧-.基于多尺度融合选择卷积网络的电能质量扰动识别)[J].现代电子技术,2022(04):107-112
A类：
融合选择
B类：
多尺度融合,卷积网络,电能质量扰动,扰动识别,取分,泛化能力,故障识别,识别分类,分类处理,端到端,分类方法,仿真实现,扰动信号,复合扰动,Multi,scale,目标检测,轻量级,SKNet,卷积核,特征融合,特征量,分类器,未改,识别方法对比,中方,识别率
AB值：
0.279505
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。
