一种基于DWT-IPCA的新深度学习方法，用于分类可再生能源集成微电网中的PQ（电压和电流）扰动

《IEEE Access》：A New Deep Learning Method for Classification of PQ Disturbances using DWT-IPCA in Renewable-integrated Microgrids

　　

摘要：

在实时多能源系统中，电能的质量问题从发电到消费的整个过程中都存在严重的影响。对电能质量扰动（PQDs）进行智能分类是解决可再生能源集成微电网中电能质量问题关键步骤。在传统框架中，电能质量扰动的智能分类过程包括三个阶段：信号分析、提取和优化关键特征以及扰动分类。然而，信号分析的局限性，加上手动特征选择的复杂性和不准确性，导致对多种扰动的分类精度降低，抗噪声能力减弱。鉴于电能质量扰动的固有复杂性和非平稳特性，本研究提出了一种混合方法，该方法利用离散小波变换（DWT）提取显著的时间-频率特征。为了解决这些特征的高维性和潜在冗余问题，应用了改进的主成分分析（PCA），在保留关键信息的同时减少了计算开销。然后，通过深度卷积神经网络（CNN）处理得到的特征集，该网络包含一维卷积层、池化层和批量归一化层，有效捕捉多尺度特征并防止过拟合。这种由多个此类层组成的深度架构有助于从大量扰动数据集中自主学习出鲁棒且抽象的表示。所提出的方法在合成数据和来自实验微电网设置的实时电能质量数据上进行了评估，结果表明，该模型在准确性和泛化能力方面均优于现有的最先进方法。