咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于多特征融合卷积神经网络结合Transformer的电能质... 收藏

基于多特征融合卷积神经网络结合Transformer的电能质量扰动分类方法

Classification Method for Power Quality Disturbances Based on Multi-feature Fusion Convolutional Neural Networks Combined with Transformer

作     者:王高峰 张卓石 高蔓 钱云 WANG Gaofeng;ZHANG Zhuoshi;GAO Man;QIAN Yun

作者机构:北华大学电气与信息工程学院吉林吉林132021 

出 版 物:《北华大学学报(自然科学版)》 (Journal of Beihua University(Natural Science))

年 卷 期:2025年第26卷第1期

页      面:115-124页

学科分类:080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

基  金:吉林省科技发展计划项目(20210203169SF) 

主  题:电能质量 扰动分类 时频分析 卷积神经网络 多头注意力机制 

摘      要:随着可再生能源发电技术的发展,越来越多的可再生能源和设备应用到电力系统中,使电能质量扰动(Power Quality Disturbances,PQDs)发生频率显著增加。PQDs的准确分类对于研究PQDs发生原因和预防至关重要。提出基于多特征融合的卷积神经网络(CNN)结合Transformer模型(CNN-Transformer)对PQDs进行分类。利用快速傅里叶变换(fast Fourier transform,FFT)从PQDs时间序列中提取频域信息,使用CNN-Transformer模型分别对PQDs的时域和频域信息进行特征提取,实现PQDs识别分类。使用该模型对16种合成PQDs数据进行仿真,结果显示:该模型在无噪声条件下的分类准确率为99.88%,在噪声条件下准确率在98.00%以上,且拥有良好的抗噪性和泛化性能。与现有部分分类模型比较显示,本文模型在对比的模型中性能最优。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分