← 返回
基于FPGA的自适应VMD数据深度卷积神经网络与在线序列RVFLN的电能质量事件识别
FPGA-Based Deep Convolutional Neural Network of Process Adaptive VMD Data With Online Sequential RVFLN for Power Quality Events Recognition
| 作者 | Mrutyunjaya Sahani · Pradipta Kishore Dash |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2021年4月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 机器学习 深度学习 故障诊断 储能变流器PCS |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 自适应变分模态分解 深度卷积神经网络 在线序列随机向量函数链接网络 电能质量事件 实时识别 FPGA |
语言:
中文摘要
本文提出了一种集成自适应变分模态分解（SAVMD）、深度卷积神经网络（DCNN）和在线序列随机向量函数链接网络（OSRVFLN）的方法，用于实时分类单一及复合电能质量事件（PQEs）。SAVMD通过优化分解层数和数据保真因子，有效提取信号特征，结合DCNN与OSRVFLN实现高效的电能质量监测与识别。
English Abstract
In this article, self-adaptive variational mode decomposition (SAVMD), deep convolutional neural networks (DCNN), and online-sequential random vector functional link networks (OSRVFLN) are integrated to categorize the single as well as combined power quality events (PQEs) in real time. The SAVMD method is proposed to optimize both the number of decomposition and data-fidelity factor to extract the...
S
SunView 深度解读
该技术在电能质量监测与故障诊断领域具有重要应用价值，高度契合阳光电源iSolarCloud智能运维平台及储能系统（PowerTitan/PowerStack）的智能化需求。通过引入SAVMD与深度学习算法，可显著提升逆变器及PCS在复杂电网环境下的故障识别精度与响应速度，实现电能质量的实时监测与预警。建议将该算法轻量化部署至阳光电源的边缘计算模块或FPGA控制器中，以增强组串式逆变器和储能变流器在弱电网下的自适应能力，提升系统的并网稳定性与运维智能化水平。