基于双重注意力机制的电能质量扰动局部分类方法技术

本发明专利技术提出一种基于双重注意力机制的电能质量扰动局部分类方法，其主要由基于希尔伯特变换局部注意力机制的信号处理方法、基于通道注意力机制的深度学习分类模型组成。前者使用希尔伯特变换提取电能质量扰动信号的包络线，并对信号及其包络线引入局部注意力机制，达到增强信号局部扰动特征的效果；后者在深度学习模型中引入通道注意力机制，提升电能质量扰动的局部分类的精度和性能。该方法通过双重注意力机制的共同作用，实现对电能质量扰动信号的局部分类。号的局部分类。号的局部分类。

【技术实现步骤摘要】
基于双重注意力机制的电能质量扰动局部分类方法


[0001]本专利技术属于电能质量扰动信号检测分类
，尤其涉及一种基于双重注意力机制的电能质量扰动局部分类方法。

技术介绍

[0002]在水能、风能、生物质能、太阳能、地热能等清洁能源的大量并网的同时，电力系统还受到电动汽车充电桩普及、轨道交通电气化以及电力系统电力电子化等影响，各种电力设备受到电能质量的影响愈发严重。此时，电能质量扰动的产生将给电力系统带来不同程度的经济损失和安全隐患，从而使电力系统面临着更高的电能质量风险。
[0003]电力系统在正常运行时，电压将以额定幅值、额定频率的形式进行传输，其理想波形为正弦波。电能质量扰动则是电力系统在实际运行中受到各种外界因素的干扰，随着理想的运行状态发生变化而出现的电能质量扰动现象。电能质量扰动的出现将会影响电气设备的正常运行，造成敏感器件的损坏等问题。同时，各种电力电子设备对电能质量有着极高的要求。故准确、快速地对电能质量扰动进行分类，是保障电网稳定、安全、高效运行的基本前提。
[0004]在进行电能质量扰动分类时，使用傅里叶变换、S变换、小波变换、经验模态分解、变分模态分解等时频域分析法能够实现电能质量扰动的高精度分类，但是其过程严重依赖于专家经验，而且能够区分的扰动种类有限。此外，该方法使用的特征检测模型和特征分类模型都将影响分类精度，而当电能质量扰动的扰动参数发生变动时，需要重新对两种模型进行参数选取和结构调整，需要较高的人工成本。并且随着电能质量扰动不断复杂化，如新能源并网引起的各种电能质量复合扰动、电力电子设备引起的周期性电压缺口的普遍出现，时频域分析法难以满足各种环境下电能质量扰动的分类需求。而使用深度学习代替人工筛选的方式完成电能质量扰动分类任务，具有更高的灵活性和准确性。目前，深度学习分类法主要使用卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Networks,RNN)对电能质量扰动进行特征提取，通过深度学习训练挖掘信号空间特征和时序特征中的潜在联系，进而实现电能质量扰动分类。

技术实现思路

[0005]考虑现有技术的电能质量分类方法主要针对电能质量扰动整体类型的分类问题，即对输入的整组电能质量扰动信号进行分类，而没有考虑对电能质量扰动发生的区间进行识别和分类的，即没有对输入的电能质量信号进行局部扰动分类。本专利技术提出一种基于双重注意力机制的电能质量扰动局部分类方法，用于实现对电能质量扰动的扰动区间及其类别的分类，即电能质量扰动局部分类。解决当前电力系统中不断复杂化的电能质量扰动分类问题。
[0006]其主要由基于希尔伯特变换局部注意力机制的信号处理方法、基于通道注意力机制的深度学习分类模型组成。前者使用希尔伯特变换提取电能质量扰动信号的包络线，并
对信号及其包络线引入局部注意力机制，达到增强信号局部扰动特征的效果；后者在深度学习模型中引入通道注意力机制，提升电能质量扰动的局部分类的精度和性能。该方法通过双重注意力机制的共同作用，实现对电能质量扰动信号的局部分类。
[0007]本专利技术具体采用以下技术方案：
[0008]一种基于双重注意力机制的电能质量扰动局部分类方法，其特征在于,按照以下步骤对电能质量扰动信号进行和数据预处理和模型训练：
[0009]首先，使用基于希尔伯特变换局部注意力机制的信号处理方法对电能质量扰动信号进行预处理，使信号的局部扰动得到特征增强；
[0010]其次，使用通道注意力机制搭建深度学习分类模型，并使用分类模型对电能质量扰动信号进行训练，使其具备对电能质量扰动局部分类的能力。
[0011]进一步地，使用希尔伯特变换提取电能质量扰动信号的包络线，并根据包络线对信号进行注意力计算，使信号的局部扰动特征得到增强。
[0012]在深度学习分类模型中引入通道注意力机制，使模型关注学习中对任务更加有效的通道。
[0013]一种基于双重注意力机制的电能质量扰动局部分类方法，其特征在于，包括以下步骤：
[0014]步骤S1：根据电能质量的标幺值对输入电能质量扰动信号进行标幺化计算，得到标幺化信号，并将其视为函数f(t)；
[0015]步骤S2：对f(t)使用希尔伯特变换，计算其瞬时幅值即包络线A(t)；
[0016]步骤S3：将A(t)作为f(t)的注意力权重，对f(t)进行加权计算，得到局部注意力信号L(t):
[0017]L(t)＝A(t)
·
f(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0018]步骤S4：使用卷积神经网络CNN和SENet搭建电能质量扰动局部分类模型：使用卷积神经网络CNN中的卷积层Conv和SENet搭建基于通道注意力机制的深度学习分类模型，通过SENet获取卷积层Conv中各个卷积核通道的重要程度，并对通道赋以权重；
[0019]步骤S5：将步骤S3中所得的局部注意力信号L(t)输入至步骤S4中的电能质量扰动局部分类模型中，经过深度学习训练，输出电能质量扰动局部分类结果。
[0020]进一步地，步骤S2具体包括以下步骤：
[0021]步骤S21：将X
i
对f(t)进行希尔伯特变换H(t)：
[0022][0023]式(1)中的p.v.为柯西主值积分；
[0024]步骤S22：利用H(t)可以计算输入信号f(t)的解析信号f
a
(t)：
[0025]f
a
(t)＝f(t)+iH(t)＝A(t)e
iθ(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0026]步骤S23：根据f
a
(t)计算输入信号f(t)的瞬时幅值A(t)：
[0027][0028]进一步地，步骤S4具体包括以下步骤：
[0029]步骤S41：对于长度为n的输入信号X，卷积神经网络中的c个卷积核每次卷积后得
到一个维度大小为n
×1×
c的矩阵X
c
，此时X
c
中各个通道的权重为默认权重；
[0030]步骤S42：SENet中的F
sq
对X
c
的每个卷积核中的n个元素进行全局平均池化，将矩阵X
c
压缩为1
×1×
c的特征矩阵X
sq
：
[0031]X
sq
＝F
sq
(X
c
)＝Avg([x1,x2...x
n
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0032]步骤S43：SENet中的F
ex
通过全连接神经网络FC所训练得到的权重W，对特征矩阵X
sq
进行非线性变换，得到每个卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双重注意力机制的电能质量扰动局部分类方法，其特征在于,按照以下步骤对电能质量扰动信号进行和数据预处理和模型训练：首先，使用基于希尔伯特变换局部注意力机制的信号处理方法对电能质量扰动信号进行预处理，使信号的局部扰动得到特征增强；其次，使用通道注意力机制搭建深度学习分类模型，并使用分类模型对电能质量扰动信号进行训练，使其具备对电能质量扰动局部分类的能力。2.根据权利要求1所述的基于双重注意力机制的电能质量扰动局部分类方法，其特征在于：使用希尔伯特变换提取电能质量扰动信号的包络线，并根据包络线对信号进行注意力计算，使信号的局部扰动特征得到增强。3.根据权利要求1所述的基于双重注意力机制的电能质量扰动局部分类方法，其特征在于：在深度学习分类模型中引入通道注意力机制，使模型关注学习中对任务更加有效的通道。4.一种基于双重注意力机制的电能质量扰动局部分类方法，其特征在于，包括以下步骤：步骤S1：根据电能质量的标幺值对输入电能质量扰动信号进行标幺化计算，得到标幺化信号，并将其视为函数f(t)；步骤S2：对f(t)使用希尔伯特变换，计算其瞬时幅值即包络线A(t)；步骤S3：将A(t)作为f(t)的注意力权重，对f(t)进行加权计算，得到局部注意力信号L(t):L(t)＝A(t)
·
f(t)
ꢀꢀꢀꢀꢀ
(4)步骤S4：使用卷积神经网络CNN和SENet搭建电能质量扰动局部分类模型：使用卷积神经网络CNN中的卷积层Conv和SENet搭建基于通道注意力机制的深度学习分类模型，通过SENet获取卷积层Conv中各个卷积核通道的重要程度，并对通道赋以权重；步骤S5：将步骤S3中所得的局部注意力信号L(t)输入至步骤S4中的电能质量扰动局部分类模型中，经过深度学习训练，输出电能质量扰动局部分类结果。5.根据权利要求4所述的基于双重注意力机制的电能质量扰动局部分类方法，其特征在于：步骤S2具体包括以下步骤：步骤S21：将X
i
对f(t)进行希尔伯特变换H(t)：式(1)中的p.v.为柯西主值积分；步骤S22：利用H(t)可以计算输入信号f(t)的解析信号f
a
(t)：f
a
(t)＝f(t)+iH(t)＝A(t)e
iθ(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)步骤S23：根据f
a
(t)计算输入信号f(t)的瞬时幅值A(t)：6.根据权利要求4所述的基于双重注意力机制的电能质量扰动局部分类方法，其特征在于：
步骤S4具体包括以下步骤：步骤S41：对于长度为n的输入信号X，卷积神经网络中的c个卷积核每次卷积后得到一个维度大小为n<...

【专利技术属性】
技术研发人员：金涛，龚正，
申请(专利权)人：福州大学，
类型：发明
国别省市：