Indexed by：
Abstract：
为逐步实现新型电力系统,大量电力电子元器件被投入电网使用.由此引起的电能质量问题愈发严重,主要表现为电能质量扰动类型复合化,并造成传统识别算法适用性降低.针对这一问题,该文采用可视化轨迹圆技术,将一维扰动信号转换为具有明显形状特征的二维轨迹圆,并输入到深度残差网络进行自主的特征学习并分类识别.首先,对复合电能质量扰动信号进行希尔伯特变换得到基于采样时间的包络线序列;然后,以瞬时幅值为极径,以瞬时相位为对应极角,在极坐标上得到轨迹圆图像;最终将轨迹圆输入到ResNet18中训练学习并通过最优网络模型实现分类识别.为验证该算法的有效性,该文同时利用仿真和实验进行扰动信号分类,结果表明该方法能有效克服传统方法特征选择主观性强、抗噪性能差等缺点,可以更好地提取复合电能质量扰动特征信息,对复合电能质量扰动识别率高.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
中国电机工程学报
ISSN： 0258-8013
Year： 2022
Issue： 17
Volume： 42
Page： 6274-6285,后插10
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 5
Affiliated Colleges：
