基于凌日搜索优化CNN/BI-GRU的电能质量扰动分类方法

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。