公共文化服务平台

搜索到1026篇“ 电能质量扰动识别“的相关文章

基于递归图和MobileViT的复合电能质量扰动识别: 2025年; 针对复合电能质量扰动(Power Quality Disturbances,PQDs)信号在识别过程中出现的特征提取难、识别效率低等问题,文章提出一种高效的可视化方法和轻量级网络模型的电能质量扰动识别方法。首先,利用递归图(RP)方法对一维PQDs信号进行可视化以捕捉信号中的非线性动态特征。其次,根据IEEE Std 1159—2019标准对30种PQDs信号进行仿真生成,并采用RP方法建立图像数据集。再次,采用MobileViT轻量级网络对自建图像数据集进行特征提取与分类识别任务。最后,通过与传统轻量级网络MobileNetV2和MobileNetV3的对比实验和鲁棒性检验,验证了文章采用方法具有更高的识别准确率和更快的推理速度。; 刘道庆臧润泽李鹏王振克程晨; 关键词：电能质量扰动可视化

电能质量扰动识别方法、装置、电子设备及存储介质: 本发明实施例公开了一种电能质量扰动识别方法、装置、电子设备及存储介质，该方法应用于电能质量扰动识别系统，该系统的时频信息提取模块采用自适应不完全S变换算法，该系统的浅层双路径神经网络模块采用双路径结构；该方法包括：获取预...; 史帅彬汪鹏

基于优化广义S变换和混合输入神经网络的电能质量扰动识别: 2025年; 利用广义S变换时频矩阵中时间最大幅值曲线和频率最大幅值曲线与电能质量信号幅值和频谱包络线的相关性,提出优化广义S变换的方法对高斯窗函数参数进行自适应选取,充分保留了电能质量扰动的幅值和频率特征。然后提出一种混合输入神经网络框架,分别对原始时间序列和优化广义S变换得到的时频矩阵进行自动特征提取,最后将2种输入提取到的特征进行组合并利用全连接层来识别扰动类型。通过对包含26种电能质量扰动类型的仿真数据集进行训练和验证,结果表明所述方法对扰动识别准确率为99.77%;然后对2种实际电网扰动信号进行测试,对扰动识别准确率仍然能达到92.5%,高于传统单一输入神经网络。; 刘海涛武祥张淑清刘大鹏刘勇穆勇; 关键词：电学计量电能质量扰动识别 S变换

基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法: 本发明公开了一种基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法，包括如下步骤：步骤1、采用小波阈值法对电能质量扰动信号进行预处理，再添加一个循环命令对小波阈值法的参数进行随机选择直到消噪效果的评价值达到设定值...; 倪陈义陈一镖刘东尧遥

基于RQA与DAGSVM的电能质量扰动识别方法: 2025年; 针对电能质量扰动(power quality disturbance, PQD)随机多变导致的特征交叉及分类性能不足的问题,提出了一种递归定量分析(recurrence quantification analysis, RQA)与有向无环图支持向量机(directed acyclic graph support vector machine, DAGSVM)的PQD分类新方法。首先利用基于复杂网络理论的递归定量分析法定量刻画电能质量扰动的递归图,并构造特征矩阵;其次通过DAGSVM构建PQD分类模型;最后采用基于发现学习的教与学优化算法优化PQD分类器的惩罚系数和核函数参数从而提升PQD分类器性能。结果表明,上述方法对PQD具有较高的识别准确率和良好的抗噪性。; 陈武钟建伟杨永超梁会军

基于CNN和Transformer的轻量化电能质量扰动识别模型: 2025年; 针对目前基于深度学习的电能质量扰动(power quality disturbances,PQDs)识别模型参数量多和计算复杂度较高的问题,文中提出了一种卷积神经网络(convolutional neural networks,CNN)融合Transformer(CNN and Transformer,CaT)的轻量化PQDs识别模型。首先,利用深度可分离卷积初步提取扰动信号的局部特征;其次,提出一种高效的软阈值模块,在不显著增加模型参数量与计算复杂度的同时减少特征中的噪声与冗余特征;然后,利用Transformer模型挖掘PQDs信号的全局特征;最后,通过池化层、线性层和Softmax层完成PQDs识别。仿真实验表明,文中所提CaT模型在参数量和浮点运算数较少的情况下能够有效完成PQDs识别,对PQDs信号识别准确率高,具有良好的噪声鲁棒性。同时,得益于轻量化和端到端的模型设计,CaT模型相对于其他深度学习模型的推理时间更短。; 张彼德邱杰娄广鑫周灿罗蜻清李天倩; 关键词：轻量化

一种电能质量扰动识别方法: 本发明公开了一种电能质量扰动识别方法，该方法主要包括：利用改进S变换(Improved S‑Transform,IST)将一维时间扰动信号转换为二维时频图像并添加标签；读取图像数据，并对该图像进行尺寸调节和标准化操作，将...; 王德光杨佳杨明梁成斌

基于IGWO-KELM的复合电能质量扰动识别被引量：1: 2024年; 为了提高复合电能质量扰动(power quality disturbance,PQD)识别结果的正确率,提出了一种基于改进灰狼优化(improved grey wolf optimization,IGWO)算法核极限学习机(kernel extreme leavning madine,KELM)的复合PQD识别方法。利用S变换获得复合PQD信号的特征量,以此作为复合PQD识别模型的输入量。采用精英反向学习、自适应收敛系数和柯西变异这3种策略对灰狼优化算法进行改进,得到全局搜索性能更好的IGWO算法。采用IGWO算法对KELM的核系数和惩罚参数进行优化,建立了基于IGWO-KELM的复合PQD识别模型。仿真分析结果表明,该模型识别的准确率高达98.10%,识别效果明显优于其他方法。; 万文欣陈柏寒杨威何诗雨刘闯; 关键词：正确率

基于深度学习的复合电能质量扰动识别方法: 2024年; 精准的电能质量扰动识别是对电能质量扰动事件发生后需要解决的主要问题之一,这对划分责任和加快电力市场化进程均具有重要意义,而海量的电能质量监测数据则为电能质量扰动识别提供了条件与机遇。不同的电能质量扰动类型,其电气特征上也存在区别,故可利用不同电能质量扰动波形之间的差异来区分电能质量扰动类型。结合深度学习理论,建立一种基于双向独立循环神经网络的复合电能质量扰动识别方法,通过提取电能质量扰动信号的本质特征量,建立输入序列与输出序列之间的内在对应关系,克服了分析结果对物理特征量的依赖性,提升了电能质量扰动识别准确率。实验结果表明,所提方法可以有效应对复合电能质量扰动的多样性问题,可以直接从原始的底层数据中自主学习复合电能质量扰动信号中所隐藏的本质特征量,识别准确率高。; 邓亚平贾颢张晓晖同向前王璐; 关键词：电能质量扰动识别

电能质量扰动识别方法、装置、设备、介质和产品: 本申请涉及一种电能质量扰动识别方法、装置、设备、介质和产品。所述方法包括：获取目标采样时刻的电流采样信号和电压采样信号，并根据电流采样信号和电压采样信号，得到目标采样时刻对应的目标利萨茹曲线；若目标利萨茹曲线满足预设的扰...; 杨英杰习伟蔡田田刘德宏于杨王逸兴

相关作者