第44卷第1期2023年2月Vol.44No.1Feb.2023发电技术发电技术PowerGenerationTechnology基于粒子群优化与卷积神经网络的电能质量扰动分类方法董光德1，李道明2，陈咏涛1，马兴1，付昂1，穆钢2，肖白2*（1.国网重庆市电力公司电力科学研究院，重庆市渝北区401123；2.东北电力大学电气工程学院，吉林省吉林市132000）PowerQualityDisturbanceClassificationMethodBasedonParticleSwarmOptimizationandConvolutionalNeuralNetworkDONGGuangde1,LIDaoming2,CHENYongtao1,MAXing1,FUAng1,MUGang2,XIAOBai2*(1.ElectricPowerResearchInstitute,StateGridChongqingElectricPowerCompany,YubeiDistrict,Chongqing401123,China;2.SchoolofElectricalEngineering,NortheastElectricPowerUniversity,Jilin132012,JilinProvince,China)摘要摘要：针对传统电能质量扰动分类方法中人工选取特征困难、步骤繁琐和分类准确率低等问题，提出了一种基于粒子群优化(particleswarmoptimization，PSO)算法与卷积神经网络(convolutionalneuralnetwork，CNN)的扰动分类方法。首先，利用reshape函数将各电能质量扰动信号的一维时间序列分别转成行列相等的二维矩阵，并对这些二维矩阵进行适当划分，形成训练数据集和测试数据集；其次，基于CNN构建电能质量扰动的分类模型；再次，采用PSO算法对该分类模型的参数进行优化，使用训练数据集对优化后的电能质量扰动分类模型进行训练；最后，使用测试数据集对经过训练的电能质量扰动分类模型进行测试，根据输出标签得到各类电能质量扰动的分类结果。仿真结果表明：该分类模型可以自行提取电能质量扰动数据的特征，相较于其他电能质量扰动分类模型，其对电能质量扰动信号的分类准确率更高。关键词关键词：新能源；电能质量；扰动分类；特征提取；粒子群优化(PSO)；深度学习；卷积神经网络(CNN)ABSTRACT:Aimingattheproblemsofdifficultmanualselectionoffeatures,cumbersomeclassificationstepsandlowaccuracyintraditionalpowerqualitydisturbanceclassificationmethods,adisturbanceclassificationmethodbasedonparticleswarmoptimization(PSO)andconvolutionalneuralnetwork(CNN)wasproposed.Firstly,theone-dimensionaltimeseriesofpowerqualitydisturbancesignalswereconvertedintotwo-dimensionalmatriceswithequalrowsandcolumnsbyusingthereshapingfunction,andthesetwo-dimensionalmatriceswereproperlydividedintotrainingdat...
