安徽理工大学电气与信息工程学院 王景玲

针对电能质量扰动识别数据多、特征数据提取复杂、识别精度低等问题，提出了一种基于格拉姆角场(Gramian Angular Fields，GAF)和二维卷积神经网络(Two-Dimensional Convolutional Neural Network，2D-CNN)的电能质量扰动识别分类新方法。首先对GAF将电能质量扰动信号一维数据转化为二维图像的过程进行了分析，其次介绍了二维卷积神经网络的结构和训练过程及反向传播算法，并在Tensorflow/Keras框架中搭建2D-CNN，建立了电能质量扰动分类模型。仿真实验结果表明，该方法能够提高分类精度，具有良好的鲁棒性。

随着电力电子设备的广泛应用和电网中非线性负荷的增加，时常会出现电压凹陷、膨胀、中断以及瞬态电磁等一系列电能质量扰动问题，电能质量的降低不仅无法满足用户侧的供电需求同时也会对电力系统的安全性和经济性造成影响。近年来，电能质量扰动的识别和分类是其研究热点之一。电能质量的研究主要包括两个方面：一是电能质量扰动检测的研究，二是电能质量扰动分类识别的研究。通常，对电能质量信号进行特征值提取的方法有：稀疏分解、相空间重构、S变换、希尔伯特黄变换等；对已提取的特征信号进行分类的方法主要有：决策树、支持向量机、循环神经网络、深度信念网络等。

鉴于此，本文提出了一种新的检测识别方法。首先通过GAF将电能质量扰动信号的一维时间序列转换为二维图片，其次通过搭建二维卷积神经网络模型对GAF图像进行分类和识别，最终仿真实验结果验证了该方法的合理性与准确性。……