CN114936579A - 基于双重注意力机制的电能质量扰动局部分类方法 - Google Patents
基于双重注意力机制的电能质量扰动局部分类方法 Download PDFInfo
- Publication number
- CN114936579A CN114936579A CN202210597045.6A CN202210597045A CN114936579A CN 114936579 A CN114936579 A CN 114936579A CN 202210597045 A CN202210597045 A CN 202210597045A CN 114936579 A CN114936579 A CN 114936579A
- Authority
- CN
- China
- Prior art keywords
- power quality
- signal
- quality disturbance
- local
- attention mechanism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000013136 deep learning model Methods 0.000 claims abstract description 7
- 238000003672 processing method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000009471 action Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出一种基于双重注意力机制的电能质量扰动局部分类方法，其主要由基于希尔伯特变换局部注意力机制的信号处理方法、基于通道注意力机制的深度学习分类模型组成。前者使用希尔伯特变换提取电能质量扰动信号的包络线，并对信号及其包络线引入局部注意力机制，达到增强信号局部扰动特征的效果；后者在深度学习模型中引入通道注意力机制，提升电能质量扰动的局部分类的精度和性能。该方法通过双重注意力机制的共同作用，实现对电能质量扰动信号的局部分类。
Description
技术领域
本发明属于电能质量扰动信号检测分类技术领域，尤其涉及一种基于双重注意力机制的电能质量扰动局部分类方法。
背景技术
在水能、风能、生物质能、太阳能、地热能等清洁能源的大量并网的同时，电力系统还受到电动汽车充电桩普及、轨道交通电气化以及电力系统电力电子化等影响，各种电力设备受到电能质量的影响愈发严重。此时，电能质量扰动的产生将给电力系统带来不同程度的经济损失和安全隐患，从而使电力系统面临着更高的电能质量风险。
电力系统在正常运行时，电压将以额定幅值、额定频率的形式进行传输，其理想波形为正弦波。电能质量扰动则是电力系统在实际运行中受到各种外界因素的干扰，随着理想的运行状态发生变化而出现的电能质量扰动现象。电能质量扰动的出现将会影响电气设备的正常运行，造成敏感器件的损坏等问题。同时，各种电力电子设备对电能质量有着极高的要求。故准确、快速地对电能质量扰动进行分类，是保障电网稳定、安全、高效运行的基本前提。
在进行电能质量扰动分类时，使用傅里叶变换、S变换、小波变换、经验模态分解、变分模态分解等时频域分析法能够实现电能质量扰动的高精度分类，但是其过程严重依赖于专家经验，而且能够区分的扰动种类有限。此外，该方法使用的特征检测模型和特征分类模型都将影响分类精度，而当电能质量扰动的扰动参数发生变动时，需要重新对两种模型进行参数选取和结构调整，需要较高的人工成本。并且随着电能质量扰动不断复杂化，如新能源并网引起的各种电能质量复合扰动、电力电子设备引起的周期性电压缺口的普遍出现，时频域分析法难以满足各种环境下电能质量扰动的分类需求。而使用深度学习代替人工筛选的方式完成电能质量扰动分类任务，具有更高的灵活性和准确性。目前，深度学习分类法主要使用卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Networks,RNN)对电能质量扰动进行特征提取，通过深度学习训练挖掘信号空间特征和时序特征中的潜在联系，进而实现电能质量扰动分类。
发明内容
考虑现有技术的电能质量分类方法主要针对电能质量扰动整体类型的分类问题，即对输入的整组电能质量扰动信号进行分类，而没有考虑对电能质量扰动发生的区间进行识别和分类的，即没有对输入的电能质量信号进行局部扰动分类。本发明提出一种基于双重注意力机制的电能质量扰动局部分类方法，用于实现对电能质量扰动的扰动区间及其类别的分类，即电能质量扰动局部分类。解决当前电力系统中不断复杂化的电能质量扰动分类问题。
其主要由基于希尔伯特变换局部注意力机制的信号处理方法、基于通道注意力机制的深度学习分类模型组成。前者使用希尔伯特变换提取电能质量扰动信号的包络线，并对信号及其包络线引入局部注意力机制，达到增强信号局部扰动特征的效果；后者在深度学习模型中引入通道注意力机制，提升电能质量扰动的局部分类的精度和性能。该方法通过双重注意力机制的共同作用，实现对电能质量扰动信号的局部分类。
本发明具体采用以下技术方案：
一种基于双重注意力机制的电能质量扰动局部分类方法，其特征在于,按照以下步骤对电能质量扰动信号进行和数据预处理和模型训练：
首先，使用基于希尔伯特变换局部注意力机制的信号处理方法对电能质量扰动信号进行预处理，使信号的局部扰动得到特征增强；
其次，使用通道注意力机制搭建深度学习分类模型，并使用分类模型对电能质量扰动信号进行训练，使其具备对电能质量扰动局部分类的能力。
进一步地，使用希尔伯特变换提取电能质量扰动信号的包络线，并根据包络线对信号进行注意力计算，使信号的局部扰动特征得到增强。
在深度学习分类模型中引入通道注意力机制，使模型关注学习中对任务更加有效的通道。
一种基于双重注意力机制的电能质量扰动局部分类方法，其特征在于，包括以下步骤：
步骤S1：根据电能质量的标幺值对输入电能质量扰动信号进行标幺化计算，得到标幺化信号，并将其视为函数f(t)；
步骤S2：对f(t)使用希尔伯特变换，计算其瞬时幅值即包络线A(t)；
步骤S3：将A(t)作为f(t)的注意力权重，对f(t)进行加权计算，得到局部注意力信号L(t):
L(t)＝A(t)·f(t) (4)
步骤S4：使用卷积神经网络CNN和SENet搭建电能质量扰动局部分类模型：使用卷积神经网络CNN中的卷积层Conv和SENet搭建基于通道注意力机制的深度学习分类模型，通过SENet获取卷积层Conv中各个卷积核通道的重要程度，并对通道赋以权重；
步骤S5：将步骤S3中所得的局部注意力信号L(t)输入至步骤S4中的电能质量扰动局部分类模型中，经过深度学习训练，输出电能质量扰动局部分类结果。
进一步地，步骤S2具体包括以下步骤：
步骤S21：将Xi对f(t)进行希尔伯特变换H(t)：
式(1)中的p.v.为柯西主值积分；
步骤S22：利用H(t)可以计算输入信号f(t)的解析信号fa(t)：
fa(t)＝f(t)+iH(t)＝A(t)eiθ(t) (2)
步骤S23：根据fa(t)计算输入信号f(t)的瞬时幅值A(t)：
进一步地，步骤S4具体包括以下步骤：
步骤S41：对于长度为n的输入信号X，卷积神经网络中的c个卷积核每次卷积后得到一个维度大小为n×1×c的矩阵Xc，此时Xc中各个通道的权重为默认权重；
步骤S42：SENet中的Fsq对Xc的每个卷积核中的n个元素进行全局平均池化，将矩阵Xc压缩为1×1×c的特征矩阵Xsq：
Xsq＝Fsq(Xc)＝Avg([x1,x2...xn]) (5)
步骤S43：SENet中的Fex通过全连接神经网络FC所训练得到的权重W，对特征矩阵Xsq进行非线性变换，得到每个卷积核的对应的通道权重Wc：
Wc＝Fex(Xsq,W)＝W·Xsq (6)
步骤S44：SENet中的Fsc将输入矩阵X和通道权重Wc相乘，得到通道注意力矩阵Yc，此时Yc中各个通道被赋予了各自的权重：
Yc＝Fsc(X,Wc)＝Wc·X (7)；
每个所述SENet模块在深度学习模型中，使用全连接层FC获取通道间的相关性，其中第一个FC使用ReLU作为激活函数提取通道间的非线性权重，τ为减少通道间的计算量的缩放系数，第二个FC使用Sigmoid作为激活函数使所得权重标准化；最后通过Scale层将所得向量进行乘积，将标准化权重加权到各个卷积核通道上，最终得到通道注意力矩阵Yc。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的基于双重注意力机制的电能质量扰动局部分类方法。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的基于双重注意力机制的电能质量扰动局部分类方法。
与现有技术相比，本发明及其优选方案至少具有以下突出优势：
1、使用基于希尔伯特变换局部注意力机制的信号处理方法，对输入电能质量扰动信号进行权重分配，达到增强电能质量扰动局部特征的效果。
2、使用通道注意力机制构建电能质量扰动局部分类深度学习模型，对模型中卷积核通道的权重进行分配，从而实现准确、高效的电能质量扰动局部分类。
附图说明
图1为本发明实施例方法总体流程示意图。
图2为本发明实施例基于希尔伯特变换局部注意力机制的信号处理方法示意图。
图3为本发明实施例SENet模块原理示意图。
图4为本发明实施例SENet模块结构结果示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1-图4所示，本实施例提供的基于双重注意力机制的电能质量扰动局部分类方法，可以描述为以下步骤：
步骤S1：如图2所示，根据电能质量的标幺值对输入电能质量扰动信号进行标幺化计算，得到标幺化信号，并将其视为函数f(t)。
步骤S2：如图2所示，对f(t)使用希尔伯特变换，计算其瞬时幅值即包络线A(t)。其具体包括以下步骤：
步骤S21：对f(t)进行希尔伯特变换H(t)可得：
式(1)中的p.v.为柯西主值积分。
步骤S22：利用H(t)可以计算输入信号f(t)的解析信号fa(t)：
fa(t)＝f(t)+iH(t)＝A(t)eiθ(t) (2)
步骤S23：根据fa(t)可以计算输入信号f(t)的瞬时幅值A(t)：
步骤S3：如图2所示，将A(t)作为f(t)的注意力权重，对f(t)进行加权计算，得到局部注意力信号L(t):
L(t)＝A(t)·f(t) (4)
步骤S4：如图1所示，使用CNN中的卷积层(Conv)和SENet搭建基于通道注意力机制的深度学习分类模型，其核心步骤是通过SENet获取Conv中各个卷积核通道的重要程度，并对通道赋以权重，具体的步骤如下所示：
步骤S41：如图3所示，对于长度为n的输入信号X，Conv中的c个卷积核每次卷积后将得到一个维度大小为(n×1×c)的矩阵Xc，此时Xc中各个通道的权重为默认权重；
步骤S42：如图3所示，SENet中的Fsq对Xc的每个卷积核中的n个元素进行全局平均池化，将矩阵Xc压缩为(1×1×c)的特征矩阵Xsq：
Xsq＝Fsq(Xc)＝Avg([x1,x2...xn]) (5)
步骤S43：如图3所示，SENet中的Fex通过全连接神经网络(FC)所训练得到的权重W，对特征矩阵Xsq进行非线性变换，得到每个卷积核的对应的通道权重Wc：
Wc＝Fex(Xsq,W)＝W·Xsq (6)
步骤S44：如图3所示，SENet中的Fsc将输入矩阵X和通道权重Wc相乘，得到通道注意力矩阵Yc，此时Yc中各个通道有了各自的权重：
Yc＝Fsc(X,Wc)＝Wc·X (7)
在本实施例中，每个SENet模块在深度学习模型中的结构如图4所示，模块使用全连接层FC获取通道间的相关性，其中第一个FC使用ReLU作为激活函数提取通道间的非线性权重，τ为减少通道间的计算量的缩放系数，第二个FC使用Sigmoid作为激活函数使所得权重标准化。最后通过Scale层将所得向量进行乘积，将标准化权重加权到各个卷积核通道上，最终得到通道注意力矩阵Yc。
步骤S5：如图1所示，将步骤S3中所得的局部注意力信号L(t)输入至步骤S4中的深度学习模型中，经过深度学习训练，输出电能质量扰动局部分类结果。
综上所述，本发明实施例方案有助于实现电能质量扰动的局部扰动特征增强与局部扰动分类，从而增加电力系统的运行稳定性，保障电网的安全运行。
本实施例提供的以上涉及算法的程序设计方案可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程、以及流程图中的流程结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程图中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于双重注意力机制的电能质量扰动局部分类方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (8)
1.一种基于双重注意力机制的电能质量扰动局部分类方法，其特征在于,按照以下步骤对电能质量扰动信号进行和数据预处理和模型训练：
首先，使用基于希尔伯特变换局部注意力机制的信号处理方法对电能质量扰动信号进行预处理，使信号的局部扰动得到特征增强；
其次，使用通道注意力机制搭建深度学习分类模型，并使用分类模型对电能质量扰动信号进行训练，使其具备对电能质量扰动局部分类的能力。
2.根据权利要求1所述的基于双重注意力机制的电能质量扰动局部分类方法，其特征在于：使用希尔伯特变换提取电能质量扰动信号的包络线，并根据包络线对信号进行注意力计算，使信号的局部扰动特征得到增强。
3.根据权利要求1所述的基于双重注意力机制的电能质量扰动局部分类方法，其特征在于：在深度学习分类模型中引入通道注意力机制，使模型关注学习中对任务更加有效的通道。
4.一种基于双重注意力机制的电能质量扰动局部分类方法，其特征在于，包括以下步骤：
步骤S1：根据电能质量的标幺值对输入电能质量扰动信号进行标幺化计算，得到标幺化信号，并将其视为函数f(t)；
步骤S2：对f(t)使用希尔伯特变换，计算其瞬时幅值即包络线A(t)；
步骤S3：将A(t)作为f(t)的注意力权重，对f(t)进行加权计算，得到局部注意力信号L(t):
L(t)＝A(t)·f(t) (4)
步骤S4：使用卷积神经网络CNN和SENet搭建电能质量扰动局部分类模型：使用卷积神经网络CNN中的卷积层Conv和SENet搭建基于通道注意力机制的深度学习分类模型，通过SENet获取卷积层Conv中各个卷积核通道的重要程度，并对通道赋以权重；
步骤S5：将步骤S3中所得的局部注意力信号L(t)输入至步骤S4中的电能质量扰动局部分类模型中，经过深度学习训练，输出电能质量扰动局部分类结果。
5.根据权利要求4所述的基于双重注意力机制的电能质量扰动局部分类方法，其特征在于：
步骤S2具体包括以下步骤：
步骤S21：将Xi对f(t)进行希尔伯特变换H(t)：
式(1)中的p.v.为柯西主值积分；
步骤S22：利用H(t)可以计算输入信号f(t)的解析信号fa(t)：
fa(t)＝f(t)+iH(t)＝A(t)eiθ(t) (2)
步骤S23：根据fa(t)计算输入信号f(t)的瞬时幅值A(t)：
6.根据权利要求4所述的基于双重注意力机制的电能质量扰动局部分类方法，其特征在于：
步骤S4具体包括以下步骤：
步骤S41：对于长度为n的输入信号X，卷积神经网络中的c个卷积核每次卷积后得到一个维度大小为n×1×c的矩阵Xc，此时Xc中各个通道的权重为默认权重；
步骤S42：SENet中的Fsq对Xc的每个卷积核中的n个元素进行全局平均池化，将矩阵Xc压缩为1×1×c的特征矩阵Xsq：
Xsq＝Fsq(Xc)＝Avg([x1,x2...xn]) (5)
步骤S43：SENet中的Fex通过全连接神经网络FC所训练得到的权重W，对特征矩阵Xsq进行非线性变换，得到每个卷积核的对应的通道权重Wc：
Wc＝Fex(Xsq,W)＝W·Xsq (6)
步骤S44：SENet中的Fsc将输入矩阵X和通道权重Wc相乘，得到通道注意力矩阵Yc，此时Yc中各个通道被赋予了各自的权重：
Yc＝Fsc(X,Wc)＝Wc·X (7)；
每个所述SENet模块在深度学习模型中，使用全连接层FC获取通道间的相关性，其中第一个FC使用ReLU作为激活函数提取通道间的非线性权重，τ为减少通道间的计算量的缩放系数，第二个FC使用Sigmoid作为激活函数使所得权重标准化；最后通过Scale层将所得向量进行乘积，将标准化权重加权到各个卷积核通道上，最终得到通道注意力矩阵Yc。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6其中任一所述的基于双重注意力机制的电能质量扰动局部分类方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6其中任一所述的基于双重注意力机制的电能质量扰动局部分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210597045.6A CN114936579A (zh) | 2022-05-30 | 2022-05-30 | 基于双重注意力机制的电能质量扰动局部分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210597045.6A CN114936579A (zh) | 2022-05-30 | 2022-05-30 | 基于双重注意力机制的电能质量扰动局部分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114936579A true CN114936579A (zh) | 2022-08-23 |
Family
ID=82866809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210597045.6A Pending CN114936579A (zh) | 2022-05-30 | 2022-05-30 | 基于双重注意力机制的电能质量扰动局部分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114936579A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113918711A (zh) * | 2021-07-29 | 2022-01-11 | 北京工业大学 | 一种基于多视图多层注意力的面向学术论文的分类方法 |
| WO2022044013A1 (en) * | 2020-08-25 | 2022-03-03 | Innereye Ltd. | Method and system for quantifying attention |
| CN114372495A (zh) * | 2022-03-22 | 2022-04-19 | 湖南大学 | 基于深度空间残差学习的电能质量扰动分类方法及系统 |
-
2022
- 2022-05-30 CN CN202210597045.6A patent/CN114936579A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022044013A1 (en) * | 2020-08-25 | 2022-03-03 | Innereye Ltd. | Method and system for quantifying attention |
| CN113918711A (zh) * | 2021-07-29 | 2022-01-11 | 北京工业大学 | 一种基于多视图多层注意力的面向学术论文的分类方法 |
| CN114372495A (zh) * | 2022-03-22 | 2022-04-19 | 湖南大学 | 基于深度空间残差学习的电能质量扰动分类方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 曹梦舟;张艳;: "基于卷积-长短期记忆网络的电能质量扰动分类", 电力系统保护与控制, no. 02, 16 January 2020 (2020-01-16), pages 92 - 98 * |
| 金涛: "A novel dual-attention optimization model for points calssification of power quality diturbances", APPLIED ENERGY, vol. 339, 1 June 2023 (2023-06-01), pages 121011 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy | |
| CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
| Qu et al. | Multi-step wind speed forecasting based on a hybrid decomposition technique and an improved back-propagation neural network | |
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| Wang et al. | Power quality disturbance classification based on compressed sensing and deep convolution neural networks | |
| CN110941928B (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
| CN111193256A (zh) | 基于变分模态分解和门控循环单元的电力负荷预测方法 | |
| CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
| CN109242212A (zh) | 一种基于变模式分解与长短记忆网络的风电预测方法 | |
| CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
| CN113746087B (zh) | 基于ctgan的电网暂稳样本可控生成以及评估方法和系统 | |
| Dong et al. | Short-term wind-speed forecasting based on multiscale mathematical morphological decomposition, K-means clustering, and stacked denoising autoencoders | |
| CN111553510A (zh) | 一种短期风速预测方法 | |
| CN109444604A (zh) | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 | |
| Fu et al. | Multi-step-ahead significant wave height prediction using a hybrid model based on an innovative two-layer decomposition framework and LSTM | |
| CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
| Rodriguez et al. | Power quality disturbance classification via deep convolutional auto-encoders and stacked LSTM recurrent neural networks | |
| CN116561567A (zh) | 一种基于变分模态分解的短期光伏功率预测模型及构建方法、应用方法 | |
| Sung et al. | TL–LED arc Net: Transfer Learning Method for Low-Energy Series DC Arc-Fault Detection in Photovoltaic Systems | |
| Sun et al. | The CEEMD-LSTM-ARIMA model and its application in time series prediction | |
| Cheng et al. | Adversarial attacks on deep neural network-based power system event classification models | |
| Wang et al. | An Automatic Identification Framework for Complex Power Quality Disturbances Based on Ensemble CNN | |
| CN114936579A (zh) | 基于双重注意力机制的电能质量扰动局部分类方法 | |
| CN114021424B (zh) | 一种基于pca-cnn-lvq的电压暂降源识别方法 | |
| Zhang et al. | Disturbance Identification of Power Quality Based on Markov Transition Field and Deep Residual Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |