随着新型电力系统中的电压质量扰动(power quality disturbance,PQD)的日益复杂化,传统的分类方法面临着巨大挑战。为提升复杂PQD分类准确性,提出了一种基于多分辨率信号分解(multi-resolution signal decomposition,MSD)和Transformer...随着新型电力系统中的电压质量扰动(power quality disturbance,PQD)的日益复杂化,传统的分类方法面临着巨大挑战。为提升复杂PQD分类准确性,提出了一种基于多分辨率信号分解(multi-resolution signal decomposition,MSD)和Transformer模型的电压质量扰动分类算法。首先通过MSD对PQD信号进行信号分解,获取其时频特性;然后将信号分解结果输入Transformer模型,利用其多头注意力机制对特征进行高阶特征提取;在此基础上,通过softmax函数实现PQD信号的准确分类。在算例实验中,选取8种单一扰动信号和6种复合扰动信号,共计14种扰动源进行分类实验。实验结果表明,该方法不仅可以对上述PQD信号进行准确分类,而且还展现了在噪声环境中的强大鲁棒性。与传统方法相比,该方法大幅缩短了模型训练时间,显著降低了对专家经验的依赖,实现了PQD分类的高度自动化,为电压质量管理提供了一个高效、可靠的PQD分类方法。展开更多
文摘随着新型电力系统中的电压质量扰动(power quality disturbance,PQD)的日益复杂化,传统的分类方法面临着巨大挑战。为提升复杂PQD分类准确性,提出了一种基于多分辨率信号分解(multi-resolution signal decomposition,MSD)和Transformer模型的电压质量扰动分类算法。首先通过MSD对PQD信号进行信号分解,获取其时频特性;然后将信号分解结果输入Transformer模型,利用其多头注意力机制对特征进行高阶特征提取;在此基础上,通过softmax函数实现PQD信号的准确分类。在算例实验中,选取8种单一扰动信号和6种复合扰动信号,共计14种扰动源进行分类实验。实验结果表明,该方法不仅可以对上述PQD信号进行准确分类,而且还展现了在噪声环境中的强大鲁棒性。与传统方法相比,该方法大幅缩短了模型训练时间,显著降低了对专家经验的依赖,实现了PQD分类的高度自动化,为电压质量管理提供了一个高效、可靠的PQD分类方法。
