基于多特征融合的卷积神经网络的电能质量扰动识别方法

摘要

电能质量扰动的识别是电力系统故障预警与识别的重要手段。电网中,变压器系统存在的电能质量扰动通常为叠加扰动波形。为提高扰动智能识别框架的准确度,提出了一种基于多特征融合卷积神经网络(multi feature convolution neural network,MFCNN)的电能质量扰动的识别模型。提出的MFCNN模型具有2个子模型,将原始的时域数据和经过快速傅里叶变换(fast Fourier transform,FFT)所得频域数据分别作为2个子模型的输入,通过对时域、频域信息的特征融合来实现复杂扰动信号的识别;利用多组电能质量叠加扰动数据,训练传统机器学习模型和MFCNN模型,对比不同模型对电能质量扰动识别的准确率,验证MFCNN模型的有效性。实验结果表明,MFCNN模型对于7种扰动信号的识别准确率均可达到91.6%以上,其中,谐波和陷波叠加扰动信号的准确率为92.9%,具有更强的识别能力。