Startsida
Hjälp
Sök i LIBRIS databas

     

 

Sökning: onr:bldg71pp829vgv1b > A Robust Transform-...

A Robust Transform-Domain Deep Convolutional Network for Voltage Dip Classification [Elektronisk resurs]

Bagheri, Azam (författare)
Gu, Irene Y.H. (författare)
Bollen, Math (författare)
Balouji, Ebrahim (författare)
Luleå tekniska universitet Institutionen för teknikvetenskap och matematik (utgivare)
Publicerad: Institute of Electrical and Electronics Engineers (IEEE), 2018
Engelska.
Ingår i: IEEE Transactions on Power Delivery. - 0885-8977.
Läs hela texten
Läs hela texten
Läs hela texten
  • E-artikel/E-kapitel
Sammanfattning Ämnesord
Stäng  
  • This paper proposes a novel method for voltage dip classification using deep convolutional neural networks. The main contributions of this paper include: (a) to propose a new effective deep convolutional neural network architecture for automatically learning voltage dip features, rather than extracting hand-crafted features; (b) to employ the deep learning in an effective two-dimensional transform domain, under space-phasor model (SPM), for efficient learning of dip features; (c) to characterize voltage dips by two-dimensional SPM-based deep learning, which leads to voltage dip features independent of the duration and sampling frequency of dip recordings; (d) to develop robust automatically-extracted features that are insensitive to training and test datasets measured from different countries/regions. Experiments were conducted on datasets containing about 6000 measured voltage dips spread over seven classes measured from several different countries. Results have shown good performance of the proposed method: average classification rate is about 97% and false alarm rate is about 0.50%. The test results from the proposed method are compared with the results from two existing dip classification methods. The proposed method is shown to out-perform these existing methods. 

Ämnesord

Engineering and Technology  (hsv)
Teknik och teknologier  (hsv)
Engineering and Technology  (hsv)
Electrical Engineering, Electronic Engineering, Information Engineering  (hsv)
Other Electrical Engineering, Electronic Engineering, Information Engineering  (hsv)
Teknik och teknologier  (hsv)
Elektroteknik och elektronik  (hsv)
Annan elektroteknik och elektronik  (hsv)
Electric Power Engineering  (ltu)
Elkraftteknik  (ltu)

Indexterm och SAB-rubrik

Power quality
Voltage dip
Machine learning
Deep learning
Convolutional Neural Network.
Inställningar Hjälp

Beståndsinformation saknas

Om LIBRIS
Sekretess
Blogg
Hjälp
Fel i posten?
Kontakt
Teknik och format
Sök utifrån
Sökrutor
Plug-ins
Bookmarklet
Anpassa
Textstorlek
Kontrast
Vyer
LIBRIS söktjänster
SwePub
Sondera
Uppsök

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

Copyright © LIBRIS - Nationella bibliotekssystem

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy