16、智能电网电能质量扰动与机器人逆运动学的神经网络解决方案

智能电网电能质量扰动与机器人逆运动学的神经网络解决方案

1. 智能电网电能质量扰动检测与分类

1.1 FDNN 结构与能量特征提取

在智能电网中，对于电能质量扰动（PQDs）的检测和分类是保障电网稳定运行的重要环节。采用了基于离散小波变换（DWT）和前馈深度神经网络（FDNN）的混合方法。FDNN 的结构中，将单相 PQD 信号的 DWT 系数的能量特征作为输入。具体来说，对 DWT 系数应用能量特征提取技术，其能量计算公式为：
[E_{D_j} = \sum_{n = 1}^{N} d_{jn}^2]
其中，(j) 表示分解级别，(d) 为细节系数，(N) 是细节系数的数量。FDNN 网络将五个细节系数的能量值作为输入，系统输出有 8 个标记的类别输出。

1.2 FDNN 性能评估

FDNN 分类器的性能表现出色，训练准确率（Train Acc）达到 100%，测试准确率（Test Acc）为 99.13%。训练和测试集随机分布，测试集约占 30%。训练持续了 200 个周期，约 608 秒。以下是 FDNN 分类器测试集的详细性能报告：
| 类别 | 精度 | 召回率 | F1 分数 | 支持度 |
| — | — | — | — | — |
| C1 | 95.17% | 99.11% | 97.10% | 338 |
| C2 | 100% | 97.20% | 98.76% | 321 |
| C3 | 99.64% | 97.89% | 98.55% | 285 |
| C4 | 99.00% | 100% | 99.50% | 298 |
| C5