基于Res-CA模型的电能质量扰动分类研究

电能质量扰动(PQDs)可能会引发电力设备故障,导致能源浪费。使用传统的机器学习方法识别多种类型的PQDs往往需要人工设计不同的特征提取器或分类器,耗时费力。而采用深度学习模型能够同时处理多种类型的扰动,具有较强的适应性。文章将深度残差神经网络ResNet18与坐标注意力(CA)模块相结合,构建了一个用于PQDs分类任务的Res-CA模型。首先,通过ResNet18骨干网络提取时间嵌入特征,然后采用CA模块进一步捕获重要性更高的深层时间特征,最后通过Softmax分类器实现PQDs信号类型的识别。在20 dB和30 dB两种信噪比条件下对16种PQDs信号进行实验,实验结果表明:Res-CA网络可以有效地对PQDs信号进行分类,在两种信噪比下的识别准确率分别为99.41%和99.78%。