基于MTF可视化和改进DenseNet神经网络的电能质量扰动识别算法

作     者：时帅 陈子文 黄冬梅 贺琪 孙园 胡伟 SHI Shuai;CHEN Ziwen;HUANG Dongmei;HE Qi;SUN Yuan;HU Wei

作者机构：上海电力大学电气工程学院上海200090 上海电力大学计算机与技术学院上海200090 上海海洋大学信息学院上海201306 上海电力大学数理学院上海200090 上海电力大学经济与管理学院上海200090 

出 版 物：《电力科学与技术学报》 (Journal of Electric Power Science And Technology)

年 卷 期：2024年第39卷第4期

页      面：102-111页

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

基　　金：国家自然科学基金(61972240) 

主　　题：电能质量扰动 马尔科夫迁移场 可视化 密集卷积网络 通道注意力机制 分类识别 

摘      要：针对传统电能质量扰动(power quality disturbances,PQDs)分类器人工选取特征过程复杂、精细化程度不足的问题,提出一种基于马尔科夫迁移场(Markov translate filed,MTF)可视化和改进密集卷积网络(dense convolu-tional networks,DenseNet)的PQDs识别新方法。首先将一维PQD信号经MTF映射为二维图像,接着将图像输入到具有新型通道注意力机制的改进DenseNet中,最后训练网络自行从海量样本中提取特征,实现PQDs信号的正确识别。算例结果表明:在无噪声和信噪比为20、30 dB情况下,所提改进DenseNet能有效克服传统方法中主观性强、抗噪性能差等特征缺点,可以更好地提取复合PQD特征信息,对复合PQD识别率高。