基于自编码器和卷积神经网络的电能质量扰动分类

摘要

传统电能质量扰动分类方法往往需要依靠专家经验提取特征,分类的准确率有限.结合具有强大特征提取能力的稀疏自动编码器和卷积神经网络提出了一种基于深度学习的电能质量扰动分类方法.本文所提方法包括无监督的特征提取和有监督的扰动分类两个环节.首先,通过编码器将高维度的输入数据映射到低维的隐变量特征,并利用解码器把新特征还原为原始的输入信号.然后,以编码器输出的隐变量作为特征,经卷积网络输出扰动类型.仿真结果表明,本文方法提取的特征以及分类器的性能均优于传统方法.