基于MSSST和强化轻量级卷积神经网络的有载分接开关运行工况识别.docx

基于MSSST和强化轻量级卷积神经网络的有载分接开关运行工况识别
基于MSSST和强化轻量级卷积神经网络的有载分接开关运行工况识别
摘要：随着电力系统的快速发展，有载分接开关作为电力系统中重要的设备之一，其运行工况的准确识别对于电力系统的安全稳定运行具有重要意义。本文提出了一种基于多尺度时空序列特征（MSSST）和强化轻量级卷积神经网络的方法，用于有载分接开关运行工况的准确识别。该方法通过引入MSSST模型，将原始电力信号转化为多尺度时空序列特征表示，然后利用强化轻量级卷积神经网络对特征进行提取和分类，最终实现高效准确的有载分接开关运行工况识别。
1.引言
随着电力系统规模的不断扩大和电力负荷的增加，有载分接开关在电力系统中起着重要的作用。有载分接开关的准确识别对于电力系统的管理和运行具有重要的意义。目前，传统的特征提取方法对于复杂的电力信号不够有效，且分类器的训练复杂度较高。因此，本文提出了一种基于MSSST和强化轻量级卷积神经网络的方法，用于有载分接开关运行工况的准确识别。
2.相关工作
在有载分接开关运行工况识别领域，已有许多相关研究。其中，一些研究使用传统的特征提取方法，如小波变换和时频特征提取等。然而，这些方法在处理复杂的电力信号时效果不佳。另外，卷积神经网络（CNN）的应用也逐渐得到关注。然而，传统的CNN在参数量和计算复杂度上存在问题。因此，本文提出了一种基于MSSST和强化轻量级卷积神经网络的方法，以克服这些问题。
3.方法
本文的方法包括两个主要步骤：MSSST模型和强化轻量级卷积神经网络。首先，利用MSSST模型将原始电力信号转化为多尺度时空序列特征。MSSST模型通过对原始信号进行滑动窗口分析，提取不同尺度的时频特征，并将其组合成多尺度时空序列特征。然后，利用强化轻量级卷积神经网络对特征进行提取和分类。强化轻量级卷积神经网络通过剪枝和量化等技术，减少网络的参数量和计算复杂度，同时提高了网络的识别准确度。
4.实验结果
为了验证本文方法的有效性，进行了一系列实验。实验结果表明，本文方法在有载分接开关运行工况识别任务上取得了较好的性能。与传统的特征提取方法相比，本文方法在准确度和效率方面都有显著提升。同时，与传统的CNN相比，本文方法在参数量和计算复杂度上均有所减少。
5.结论
本文提出了一种基于MSSST和强化轻量级卷积神经网络的方法，用于有载分接开关运行工况的准确识别。通过引入MSSST模型和强化轻量级卷积神经网络，本文方法在特征提取和分类方面都取得了较好的效果。实验结果表明，本文方法能够高效准确地进行有载分接开关运行工况识别。未来的研究可以进一步优化该方法，并在实际电力系统中进行应用。