基于MTF和CNN融合注意力机制的过电压故障识别研究

摘要

在“双碳”目标背景下，电力行业得到了高速发展，各行各业对电能质量与数量的需求急剧增加，为电力系统的安全稳定运行带来了极大挑战。为了提高电力系统过电压故障识别的准确度，本文提出了一种基于马尔可夫转移场(Markov Transition Field, MTF)与卷积神经网络(Convolutional Neural Network, CNN)融合注意力机制(Attention Mechanism, AM)的过电压故障识别模型(MTF-CNN-Attention)。利用MTF技术将一维时序数据转化为二维平面特征图形，从而提高卷积神经网络与注意力机制的特征提取能力和学习效率。然后将MTF-CNN-Attention模型与现有的GoogleNet、AlexNet、ResNet-50、VGG模型进行对比分析。结果显示，相较于上述4种模型，MTF-CNN-Attention模型的识别准确度分别提升了5.36%、7.26%、3.74%、4.85%,有着更好的识别精度。

关键词

马尔可夫转移场 / 卷积神经网络 / 注意力机制 / 过电压故障识别