Power quality event classification using optimized Bayesian convolutional neural networks

Das Management des Stromnetzes hat eine wichtige Bedeutung für die Nachhaltigkeit und Zuverlässigkeit der elektrischen Energieversorgung. Dabei ist es nach wie vor entscheidend, dass die Netzqualität (PQ) als Teil eines Masterplans des Netzmanagements bewertet wird. Dieser Artikel bietet einen neuartigen Ansatz zur Klassifizierung von PQ-Störungen wie Spannungsschwankungen, Schwellungen, Unterbrechungen und Oberschwingungen. Bei der vorgeschlagenen Methode werden die farbigen kontinuierlichen Wellentransformkoeffizienten der Spannungssignale als Bilddatei auf konvolutionale neuronale Netzwerke angewandt. Daher besteht keine Notwendigkeit für zusätzliche Schritte zur Auswahl von Merkmalen und Datengrößenreduzierung wie bei konventionellen maschinenlernbasierten Klassifikatoren. Die Experimente wurden an einem Datensatz durchgeführt, der 1500 Störsignale aus dem realen Leben enthält, die von der Turkish Electricity Transmission Corporation an verschiedenen Orten in der Türkei gemessen wurden. Mit der Kraft des tiefen Lernens in der Bildverarbeitung bietet die vorgeschlagene Methode eine sehr hohe Klassifizierungsgenauigkeit mit einem Wert von 99,8%. Vergleiche mit den anderen PQ-Störungsklassifizierungsmethoden, die traditionelle Signalverarbeitungsmerkmale nutzen und maschinelles Lernen, die die die vorgeschlagenen Methoden übersteigen, wie die vorgeschlagene Methode, beweisen.