基于凌日搜索优化CNN/BI-GRU的电能质量扰动分类方法
高帅
杨永超
童占北
钟建伟
湖北民族大学 智能科学与工程学院,湖北 恩施 445000
摘要：针对复杂电能质量扰动分类方法识别准确率不高的问题,提出了一种基于凌日搜索优化多模态网络模型的电能质量扰动分类方法.首先,利用格拉姆角场对初始一维时序信号进行数据处理得到二维图像数据;然后,分别将时序信号与图像数据输入多模态网络中进行特征提取,利用凌日搜索算法优化多模态网络参数,提升网络特征捕获能力;再通过特征融合模块,将时序特征和图像特征有效融合;最后,利用自注意力机制增强网络模型对下文信息的理解能力.结果表明,在无噪声环境下分类准确率达到 99.2%,在不同信噪比环境下平均分类准确率达到 98.3%.该研究能对新型电力系统中愈加复杂的电能质量扰动实现准确的分类,与传统分类方法相比鲁棒性较强.
关键词：电能质量扰动深度学习格拉姆角场特征融合凌日搜索算法自注意力机制
分类号：TM711(输配电工程、电力网及电力系统)
资助基金：湖北省自然科学基金(2022CFB264)恩施州技术支撑类科技计划项目(D20230042)
论文发表日期：2024-09-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 361-367 )
英文信息