文献类型：期刊文章

作　　者：高伟[1] 郭谋发[1] 许立彬[2]

GAO Wei;GUO Mou-fa;XU Li-bin(College of Electrical Engineering and Automation,Fuzhou University,Fuzhou 350108,China;State Grid Fujian Maintenance Company,Fuzhou 350001,China)

机构地区：[1]福州大学电气工程与自动化学院,福州350108 [2]国网福建省电力有限公司检修分公司,福州350001

出　　处：《电机与控制学报》

基　　金：国家自然科学基金(51677030);晋江市福大科教园区发展中心科研项目(2019-JJFDKY-23)。

年　　份：2020

卷　　号：24

期　　号：8

起止页码：131-140

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对配电网内部过电压类别难以辨识的问题,提出了基于改进CWD-CNN的过电压类型识别方法。采用乔威廉姆斯分布(choi-williams distribution,CWD)对电力系统中常见的7种过电压信号进行时频分解,构造可表达过电压信号时频能量特征的二维矩阵,并利用卷积神经网络(convolutional neural network,CNN)进行过电压的分类识别。改进后的CNN卷积核具有长方形尺度,能够高效、迅速地对时频图像进行特征提取。同时,分别从迭代次数、批量样本数、隐层特征图个数以及卷积核尺寸等方面分析其对寻优结果的影响,并确定最佳寻优参数,最后从样本库随机抽取数据进行交叉验证。结果表明,该方法能够有效地对7类过电压信号进行分类识别,并具有较高的识别率,避免了人工提取特征量的局限性和复杂性。

关 键 词：内部过电压 乔威廉姆斯分布  时频能量特征  卷积神经网络  长方形卷积核  参数寻优

分 类 号：TM73]