基于深度学习的电能质量扰动信号分类方法研究

作     者：周凯翔 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：金星;杨月明

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：电能质量扰动 卷积神经网络 Transformer模型 深度可分离卷积 卷积注意力机制 

摘      要：近年来,为了实现更科学、更环保、可持续的发展模式,智能电网迎来了快速发展。然而,随着电网系统规模的日益扩大,电能质量所受的扰动也愈发严重和复杂。在致力于改善电能质量之前,首要任务是对各种电能质量扰动信号进行准确识别和分类,以确定针对不同扰动信号的补偿方案。本文以深度学习为基础,展开了对多种电能质量扰动信号分类方法的研究。论文的主要工作如下: (1)阐述了传统方法在电能质量扰动信号分类领域的研究现状,指明其存在人工干预的缺陷,并突出端到端的深度学习算法在扰动信号分类方面的优势。介绍电能质量相关标准,总结了7种主要单一扰动产生的原因及其对系统造成的潜在危害。根据参考文献以及相关标准搭建23种电能质量扰动信号的数学模型,这些模型覆盖了7种单一扰动,16种复合扰动,为后续数据集的创建以及深度学习模型的训练提供样本。 (2)针对传统卷积神经网络在堆叠多个功能层后会涉及大量参数和复杂计算,以及在模型轻量化过程中常面临性能衰退的问题,提出基于改进卷积神经网络的电能质量扰动信号分类方法。首先,利用深度可分离卷积模块将普通卷积分解为深度卷积和逐点卷积,以减少模型参数量并提高运算效率。然后,利用卷积注意力机制进一步优化特征提取过程,使模型能够自适应地调整其对不同特征通道的关注程度。仿真实验表明,与传统卷积网络相比,本文模型不仅减少了参数量和训练时间,而且在保持性能水平方面也取得了一定的成效。 (3)针对卷积类型神经网络由于局部感受野的限制而缺乏对全局信息建模能力的问题,提出基于改进卷积神经网络与Transformer的电能质量扰动信号分类方法。首先,在改进卷积网络的基础上融合Transformer的编码器部分,增强了模型对全局特征的提取能力,弥补了单一卷积网络在捕捉长距离依赖关系方面的不足。然后,将两个网络以残差的形式相结合,缓解了特征在传递过程中的信息丢失问题。仿真实验以及实际数据测试表明,对比单一卷积结构网络,本文模型在不同噪声环境下的分类准确率更高,尤其是在强噪声环境下,性能优势更为明显。