基于多级注意力机制融合的电能质量扰动点分类及时间定位方法研究

随着新能源渗透率的不断提高,电网所受电能质量扰动(power quality disturbances,PQD)变得更加复杂,传统方法难以准确识别扰动类型并定位扰动时间。因此,该文提出一种基于多级注意力机制融合的PQD点分类及时间定位方法。该方法以卷积神经网络为基础建立分类模型,在预处理和模型内部分别嵌入局部特征注意力机制(local feature attention mechanism,LFAM)和双尺度注意力机制(dual-scale attention mechanism,DSAM)。其中,LFAM根据幅值包络线追踪信号的幅值变化,以加权方式增强信号波形的局部特征;DSAM则从通道和神经元两个尺度协助模型学习各维度特征的重要性。最后,模型以多类别-多输出的形式对每个采样点进行分类,并完成扰动时间定位。为了验证所提方法的有效性,该文建立含63种PQD类型的仿真数据库对模型进行测试。在30 dB白噪声环境下,该模型平均分类准确率为99.10%,时间定位误差均为毫秒级,具有更强的泛化性能和鲁棒性。同时,基于交流电源搭建硬件平台来测试模型,其平均准确率为99.03%,进一步验证了所提方法的可靠性。