随着光伏、风电等新能源占比不断增加,以及大量新型电力电子设备等非线性负载接入电网,电力系统中的电能质量扰动事件(power quality disturbances,PQDs)频发。为了提高复合电能质量扰动识别准确率,该文提出一种多尺度卷积融合时间序列T...随着光伏、风电等新能源占比不断增加,以及大量新型电力电子设备等非线性负载接入电网,电力系统中的电能质量扰动事件(power quality disturbances,PQDs)频发。为了提高复合电能质量扰动识别准确率,该文提出一种多尺度卷积融合时间序列Transformer模型(multi-scale convolution fusion time series transformer,MCF-TST)。首先,使用3个不同尺度的卷积核对输入的原始电能质量扰动一维时序信号进行多通道卷积操作,初步提取扰动信号在不同时间尺度的多维特征;然后经过时间序列Transformer中的多头注意力机制提取扰动信号更加深层次的暂态局部特征和周期性全局特征;最后通过全连接层和softmax分类器输出识别结果。仿真和硬件实验结果表明,该文所提模型能够在保留信号的原始一维时序特征的同时提取更高维度的深层特征,对多种复合电能质量扰动识别准确率高,具有良好的抗噪能力和泛化性能。展开更多
采用 S 变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展,S 变换引入了宽度与频率成反向变化的高斯窗,具有与频率相关的分辨率。由于 S 变换具有良好的时频特性,因而非常适合于进行电能质量扰动...采用 S 变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展,S 变换引入了宽度与频率成反向变化的高斯窗,具有与频率相关的分辨率。由于 S 变换具有良好的时频特性,因而非常适合于进行电能质量扰动信号特征提取。首先通过 S 变换进行扰动信号特征提取,然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高,对噪声不敏感,训练样本少等优点,是电能质量扰动识别的有效方法。展开更多
文摘随着光伏、风电等新能源占比不断增加,以及大量新型电力电子设备等非线性负载接入电网,电力系统中的电能质量扰动事件(power quality disturbances,PQDs)频发。为了提高复合电能质量扰动识别准确率,该文提出一种多尺度卷积融合时间序列Transformer模型(multi-scale convolution fusion time series transformer,MCF-TST)。首先,使用3个不同尺度的卷积核对输入的原始电能质量扰动一维时序信号进行多通道卷积操作,初步提取扰动信号在不同时间尺度的多维特征;然后经过时间序列Transformer中的多头注意力机制提取扰动信号更加深层次的暂态局部特征和周期性全局特征;最后通过全连接层和softmax分类器输出识别结果。仿真和硬件实验结果表明,该文所提模型能够在保留信号的原始一维时序特征的同时提取更高维度的深层特征,对多种复合电能质量扰动识别准确率高,具有良好的抗噪能力和泛化性能。
文摘采用 S 变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展,S 变换引入了宽度与频率成反向变化的高斯窗,具有与频率相关的分辨率。由于 S 变换具有良好的时频特性,因而非常适合于进行电能质量扰动信号特征提取。首先通过 S 变换进行扰动信号特征提取,然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高,对噪声不敏感,训练样本少等优点,是电能质量扰动识别的有效方法。
