文献类型：期刊文章

作　　者：吴怀诚[1] 刘家强[1] 岳蕾[1] 徐凯[2] 张秋慧[1]

WU Huaicheng;LIU Jiaqiang;YUE Lei;XU Kai;ZHANG Qiuhui(Maintenance Branch of State Grid Liaoning Electric Power Co.,Ltd.,Shenyang 110003,Liaoning,China;Equipment Department of State Grid Liaoning Electric Power Co.,Ltd.,Shenyang 110003,Liaoning,China)

机构地区：[1]国网辽宁省电力有限公司检修分公司,辽宁沈阳110003 [2]国网辽宁省电力有限公司设备部,辽宁沈阳110003

出　　处：《电网与清洁能源》

基　　金：国家电网有限公司科技项目(2021YF-42)。

年　　份：2023

卷　　号：39

期　　号：9

起止页码：19-23

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

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。

关 键 词：电力系统故障 电能质量扰动 变压器  多特征卷积神经网络  快速傅里叶变换

分 类 号：TM711]