基于稀疏降噪自编码的电能质量扰动识别研究.docx

? ? 基于稀疏降噪自编码的电能质量扰动识别研究 ? ? 邓 鹏，张良力，2，王 斌，2 (1. 武汉科技大学信息科学与工程学院，湖北 武汉 430081；2. 武汉科技大学人工智能学院，湖北 武汉 430081) 1 引言 由于大量非线性负载、电力电子装置、可再生能源转换设备和微电网的接入，电网电能质量受到巨大冲击。为保证电网运行稳定和用户取电安全，必须监测并优化电网电能质量。而从海量、高维的电网电能信号中正确识别各种扰动数据，是进行电网电能质量后续监测及动态补偿的重要前提[1]。 特征提取、分类识别是电能质量扰动识别的两个主要部分[2]。传统特征提取方法有傅里叶变换、小波变换、S变换及希尔伯特-黄变换等[3-4]。其中傅里叶变换稳态信号分析能力强，但无法有效提取暂态信号局部特征；S变换运算过程繁杂，所提取的特征对噪声不敏感且精度不高；多种类小波基的选取问题增加了小波变换特征提取预处理时间；希尔伯特-黄变换需要额外处理以抑制模态混叠现象。分类识别常见方法如K近邻法、支持向量机(SVM)、决策树及极限学习机等，属于浅层分类模型，应对复合多重扰动时，分类器精度易受到限制[5]。 通过模拟人脑智能化处理海量、高维信息的深度学习方法，凭借优秀的数据内部信息提取能力，在电能质量扰动识别领域受到学者关注，如文献[6]采用卷积神经网络，文献[7]采用深度置信网络进行电能扰动信号识别实验