多头通道选择与全局特征融合的电能质量扰动分类识别方法

摘要

新能源背景下，电能质量扰动(power quality disturbances, PQDs)常面临扰动信息利用率低和易受噪声干扰等问题。为此，提出一种基于通道多头自注意力机制优化的残差密集连接空洞空间金字塔池化层(residual densely connected atrous spatial pyramid pooling optimized by channel multi-head self-attention mechanism, RDASPP-CMSA)用于PQDs分类。使用残差密集连接空洞空间金字塔池化层(residual densely connected atrous spatial pyramid pooling, RDASPP)提取和融合目标的多尺度全局特征，引入残差连接和BottleNeck模块显著提高模型的感知能力和稳定性。结合全局池化和多头自注意力机制，提出一种动态加权的特征选择策略，即通道多头自注意力机制(channel multi-head self-attention mechanism, CMSA);通过在通道和时间维度上同时进行特征学习，动态加权选择特征，识别扰动中的关键特征；通过全连接层精准实现对每个扰动信号的分类。仿真结果显示：RDASPP-CMSA在30 dB噪声环境下对29种扰动的识别准确率为99.60%,对5种实际电网扰动识别准确率达到99.98%,在分类准确率和抗噪性能方面均表现良好，具有分类准确率高、噪声鲁棒性强等优点。

关键词

电网 / 电能质量 / 注意力机制 / 深度学习