基于集成学习的电能质量扰动分类算法OA
电能质量扰动的分类在电力系统故障预警与识别中发挥着重要作用。针对新型电力系统下电能质量扰动存在的多种复杂信号,提出了一种结合深度超参数卷积、多尺度特征融合、集成学习的神经网络模型,提高了电能质量扰动的分类精度。将信号预处理为二维递归图像信号,输入到由深度超参数卷积和多尺度卷积构成的神经网络模型,进行特征提取,增强了特征的区分度。通过集成分类器极限梯度提升(extreme gradient boosting,XGBoost)进行分类,提高对电能质量扰动信号分类的精度。实验结果表明所提模型对多种电能质量扰动信号分类准确率高,且具有良好的抗噪能力和泛化性能,为未来智能电网、信号自动识别领域提供新的思路。
袁加梅;汤旭;吴前;张莉莉;张闯;王宏博
国网安徽省电力有限公司营销服务中心,合肥230088国网安徽省电力有限公司营销服务中心,合肥230088国网安徽省电力有限公司营销服务中心,合肥230088国网安徽省电力有限公司营销服务中心,合肥230088黑龙江省电工仪器仪表工程技术研究中心有限公司,哈尔滨150023黑龙江省电工仪器仪表工程技术研究中心有限公司,哈尔滨150023
信息技术与安全科学
电能质量扰动分类多尺度卷积集成学习深度超参数卷积递归图
《电测与仪表》 2026 (2)
P.157-167,11
国家电网有限公司科技项目(5700-202318272A-1-1-ZN)。
评论