来源：期刊VIP网 时间：
作者：王高峰;张昊;钱云;高蔓;
单位：北华大学电气与信息工程学院;
摘要：随着新能源的大规模应用，电能质量扰动（PQDs）事件的概率显著增加，而这些扰动会给配电系统造成重大损失。因此，提出一种基于卷积神经网络（CNN）和Transformer的PQDs分类方法，即CTranCAM。该方法通过CNN的卷积操作自动提取PQDs信号时间序列的局部特征，然后使用Transformer中的多头注意力机制对提取的特征进行全局和长期关系建模，以弥补CNN在处理全局信息方面的缺陷，最后通过全连接层输出识别结果。使用CTranCAM方法对25类合成PQDs数据进行仿真，结果表明，该方法的分类准确率在无噪声条件下为99.60%，在信噪比为30 dB、40 dB和50 dB时，准确率分别达到了99.20%、99.36%和99.40%，具有良好的抗噪性和泛化性能。另外，通过与其他方法的性能比较得出，所提方法在不同噪声环境下都具有较好的分类性能，是一种较优秀的PQDs分类方法。
关键词：电能质量扰动;;卷积神经网络;;Transformer模型;;多头注意力机制;;特征提取;;分类性能
基金资助：吉林省科技发展计划项目(20210203169SF)
