基于卷积神经网络和Transformer的电能质量扰动分类

随着新能源的大规模应用,电能质量扰动(PQDs)事件的概率显著增加,而这些扰动会给配电系统造成重大损失。因此,提出一种基于卷积神经网络(CNN)和Transformer的PQDs分类方法,即CTranCAM。该方法通过CNN的卷积操作自动提取PQDs信号时间序列的局部特征,然后使用Transformer中的多头注意力机制对提取的特征进行全局和长期关系建模,以弥补CNN在处理全局信息方面的缺陷,最后通过全连接层输出识别结果。使用CTranCAM方法对25类合成PQDs数据进行仿真,结果表明,该方法的分类准确率在无噪声条件下为99.60%,在信噪比为30 dB、40 dB和50 dB时,准确率分别达到了99.20%、99.36%和99.40%,具有良好的抗噪性和泛化性能。另外,通过与其他方法的性能比较得出,所提方法在不同噪声环境下都具有较好的分类性能,是一种较优秀的PQDs分类方法。

资料为PDF文档格式.

本文档关键词:扰动,电能,卷积,质量,神经网络