摘要：电能质量扰动 (Power Quality Disturbances，PQDs)分类任务中，深度学习方法的应用越来越广泛。针对实测标签数据不足，而仿真数据可以批量生成的特点，本文提出了一种基于递归图理论和预训练迁移学习的扰动识别方法。首先，使用递归图算法将PQDs信号转换为二维递归图像。接着，使用大量仿真数据对VGG-16深度学习网络进行预训练，并保存模型权重参数。最后，通过迁移学习方法，使用少量实测数据对模型的全连接层进行微调，实现在训练样本数量受限情况下对PQDs信号的深度特征提取和分类。仿真和实测数据验证表明，本文方法在标签数据不足情况下训练得到的模型仍具有较高的分类准确率。
文章目录
0 引言
1 递归图理论
1.1 相空间重构及递归图原理
1.2 递归参数的选取
1.3 递归量化分析
2 VGG-16神经网络与预训练迁移学习
2.1 基于深度模型的迁移学习
2.2 VGG16卷积神经网络
2.3 预训练迁移学习算法的提出
3 仿真数据验证
3.1 电能质量扰动信号的递归图片
3.2 仿真数据结果验证
4 实测数据验证
4.1 预训练模型
4.2 实测PQDs信号分类
5 结论
