面向暂态扰动分类的PMU数据图像嵌入深度学习方法
机器学习
2018-12-27 v1 计算机视觉与模式识别
机器学习
摘要
本文提出一种基于深度学习（DL）的电网扰动分类研究。所用数据来自频率监测网络（FNET）的真实同步相量集，包含三类不同的扰动事件。我们采用一种称为格拉姆角场（Gramian Angular Field）的图像嵌入技术，将每条事件数据的时间序列转换为二维图像以供学习。我们测试了两种主要DL算法，即CNN（卷积神经网络）与RNN（循环神经网络），并与两种广泛使用的数据挖掘工具——支持向量机与决策树进行比较。测试结果表明，在电力系统暂态扰动分类应用中，两种DL算法均优于其他方法。
引用
@article{arxiv.1812.09427,
title = {Image Embedding of PMU Data for Deep Learning towards Transient Disturbance Classification},
author = {Yongli Zhu and Chengxi Liu and Kai Sun},
journal= {arXiv preprint arXiv:1812.09427},
year = {2018}
}
备注
An updated version of this manuscript has been accepted by the 2018 IEEE International Conference on Energy Internet (ICEI), Beijing, China