基于多尺度融合选择卷积网络的电能质量扰动识别
Modern Electronics Technique（2022）
Abstract
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.
MoreAI Read Science
Must-Reading Tree
Example
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined