一种用于电力质量扰动分类的集成深度卷积神经网络方法：基于图像迁移的智慧城市技术路线

随着可再生能源源源不断地接入电网，供电半导体设备的数量激增，导致了电力质量扰动（PQD）。这对电网的可靠性和智慧城市基础设施构成了巨大的挑战。在智慧城市环境中，准确的检测和分类对于电网的可靠性以及消费者的电器至关重要。传统的电力质量监测依赖于简单的机器学习分类器或信号处理方法。然而，最近的进展引入了深度卷积神经网络（DCNN）作为检测和分类PQD的有前景的方法。这些技术有潜力展示出高分类准确率，使其在智慧城市框架下的实时操作中成为更合适的选择。本文提出了一种投票集成方法，通过迁移学习使用DCNN架构对十六种PQD进行分类。在此过程中，采用连续小波变换（CWT）将一维（1-D）PQD信号转换为时频图像。四种预训练的DCNN架构，即残差网络-50（ResNet-50）、视觉几何组-16（VGG-16）、AlexNet和SqueezeNet在MATLAB中进行训练和实现，使用四个数据集的图像，即无噪声、20 dB噪声、30 dB噪声和随机噪声。此外，我们还测试了带有挤压和激励（SE）机制的ResNet-50的性能。观察到，带有SE机制的ResNet-50具有更好的分类准确性，但会造成计算开销。通过使用投票集成模型，分类性能得到了提升。结果表明，所提出的方案提高了准确性（99.98%）、精确率（99.97%）、召回率（99.80%）和F1得分（99.85%）。本工作的结果证明，带有SE机制的ResNet-50作为单一分类模型是可行的，而集成方法进一步提高了PQD分类的泛化性能.