یک روش جدید یادگیری عمیق برای طبقه‌بندی اختلالات کیفیت توان با استفاده از شبکه عصبی پیچشی عمیق

با ادغام سیستم‌های انرژی چندگانه، رو به وخامت بودن ریسک‌های کیفیت توان در مراحل مختلف تولید، تبدیل، تحویل و مصرف انرژی وجود دارد. طبقه‌بندی خودکار اختلالات کیفیت توان پایه و اساس حل مشکل کیفیت توان است. از نقطه‌نظر سنتی، فرآیند شناسایی اختلالات کیفیت توان باید به سه مرحله مستقل تقسیم شود: تحلیل سیگنال، انتخاب ویژگی و طبقه‌بندی. با این حال، برخی نواقص ذاتی در آنالیز سیگنال وجود دارد و روند انتخاب ویژگی دستی خسته‌کننده و غیردقیق است، که منجر به دقت طبقه‌بندی پایین اختلالات چندگانه و ایمنی نویز ضعیف می‌شود. این مقاله یک رویکرد حلقه بسته جدید برای شناسایی و طبقه‌بندی اختلالات کیفیت توان براساس یک شبکه عصبی پیچشی عمیق پیشنهاد می‌کند. با توجه به ویژگی‌های مساله اختلالات کیفیت توان، یک ساختار واحد که شامل لایه‌های پیچشی یک بعدی، تجمع، و نرمال سازی دسته‌ای است برای بدست آوردن ویژگی‌های چند مقیاسی و کاهش بیش از حد تناسب طراحی شده‌است. در شبکه عصبی پیچشی عمیق پیشنهادی، چندین واحد روی هم انباشته شده‌اند تا ویژگی‌ها را از نمونه‌های اختلال عظیم به طور خودکار استخراج کنند. مقایسه با دیگر شبکه‌های عص

Highlights•A closed-loop deep-learning method for PQD classification is proposed.•A special unit construction is designed to facilitate the identification of PQDs.•The deep CNN is applied to realize an automatic feature extraction and selection.•The proposed method has advantages in accuracy, efficiency and noise immunity.AbstractWith the integration of multiple energy systems, there are more and more deterioration risks of power quality in different energy production, transformation, delivery and consumption stages. Automatic classification of power quality disturbances is the foundation to deal with power quality problem. From the traditional point of view, the identification process of power quality disturbances should be divided into three independent stages: signal analysis, feature selection and classification. However, there are some inherent defects in signal analysis and the procedure of manual feature selection is tedious and imprecise, leading to a low classification accurac