基于优化DBN-ELM的电力系统宽频振荡监测

为了提高宽频带振荡分类的准确率,提出一种基于优化深度置信网络(deep belief networks,DBN)和极限学习机(extreme learning machine,ELM)模型的宽频振荡监测方法。首先,采用混沛粒子群算法优化的DBN对宽频振荡信号进行特征提取,完成对输入数据的降维处理。然后,将特征矩阵输入到天牛须搜索算法优化后的ELM网络,进行振荡分类。最后,采用优化的DBN-ELM模型对系统仿真的宽频振荡信号进行监测和分类。结果表明,该方法对具有时变和非线性特性的宽频振荡具有更高的分类准确率和更短的分类时间。

基于格拉姆角差场和卷积神经网络的宽频振荡分类方法

宽频振荡模式具有时变性和时空分布特性,对振荡分类方法在准确性、自适应性等方面提出了更高的要求。为此,该文提出一种基于格拉姆差场(gram difference field,GADF)和卷积神经网络(convolutional neural network,CNN)相结合的宽频振荡分类方法。首先,利用GADF将宽频振荡一维时间序列转换为二维特征图,保留了数据对时间的依赖性和数据间存在的潜在联系特征。然后,通过CNN对GADF特征图自适应地完成宽频振荡模态特征的检测和分类。仿真和实测数据分析结果表明,GADF-CNN方法可以有效检测宽频振荡类型,具有更高的分类检测准确率和自适应性。