基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT.首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(succ...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 52; no. 4; pp. 12 - 25
Main Authors 毕贵红, 鲍童语, 陈臣鹏, 赵四洪, 陈仕龙, 张梓睿
Format Journal Article
LanguageChinese
Published 昆明理工大学电力工程学院,云南 昆明 650500 16.02.2024
Subjects
混合模式分解
deep learning
电能质量
故障识别
时频分析
power quality
深度学习
time and frequency analysis,hybrid decomposition
fault identification
Online AccessGet full text

Cover

More Information
Summary:能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT.首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(successive variational mode decomposition,SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform,HHT),分析得到多尺度时频图.其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别.Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力.不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.230241