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。