【技术实现步骤摘要】
本专利技术涉及一种电能质量扰动识别技术，尤其是一种微电网电能质量扰动识别方法。
技术介绍
1、微电网是一个独立的、紧凑的电力系统，包括各种分布式电源、负载、储能和控制系统。它提供了诸如有效的资源利用、快速的设置和广泛的适用性等关键优势，使分布式电源成为能源生产和管理的一个有吸引力的选择。电力电子器件在微电网中的广泛应用导致大量谐波信号注入电网。这会导致电能质量下降，表现为电压波形失真、波动、闪变和三相不平衡。此外，微型电网，通常是独立的节点，可在连接和隔离模式下运行，有助于优化分布式电力的使用。它们可以实现本地能源管理，提供冗余，增强电网弹性，并减少传输损耗。通过平衡本地发电和负荷，微型电网缓解了大电网的峰值需求效应和电压波动，提高了供电可靠性和电网整体效率。鉴于其重要作用，微电网处于全球电力系统研究和发展的前沿。要充分发挥微电网的优势，必须解决电力系统的根本性问题。微电网的一项关键技术是快速准确地确定电能质量扰动。正确识别干扰类型（如电压暂降、谐波和中断等）至关重要，它为将来有效管理电能质量问题奠定了基础。
2、目前，国内外许多学者都在致力于准确地辨识电能质量干扰信号，采用比较多的就是传统的浅层机器学习方法进行识别，但是随着智能电网的不断发展，电力数据也在飞速的增加，传统的浅层机器学习很难从海量的数据中挖掘出有用的信息。因此需要一种微电网电能质量扰动识别方法，能够提升数据处理效率和识别精度。
技术实现思路
1、专利技术目的在于：提供一种微电网电能质量扰动识别方法，能够
2、技术方案：本专利技术所述的微电网电能质量扰动识别方法，其特征在于，包括如下步骤：
3、步骤1，接收一维电能质量扰动信号，并利用多层次全局卷积神经网络对接收的一维电能质量扰动信号进行初步的特征提取，获得初步特征信号；
4、步骤2，将获得的初步特征信号输入简化的transformer模型中，利用简化的transformer模型对初步特征信号进行有效特征增加，获得增强特征信号；
5、步骤3，将获得的增强特征信号输入至全连接层中，利用全连接层将高维的特征空间映射到低维的空间中，获得低维特征信号；
6、步骤4，将获得的低维特征信号输入至softmax分类器中，利用softmax分类器进行特征分类，获得扰动识别信号标签。
7、进一步的，步骤1中，多层次全局卷积神经网络由多个多层次全局卷积串联构成，多层次全局卷积包括一维卷积层、relu激活函数层、gam 注意力模块以及最大池化层；gam注意力模块包括通道注意力层和序列注意力层；多层次全局卷积的模型表达式为：
8、，其中，为一维卷积层，为relu激活函数层，为通道注意力层，为序列注意力层，为最大池化层， i表示第 i个多层次全局卷积， mgc i表示第 i层全局卷积模块。
9、进一步的，通道注意力层进行通道注意力计算的具体步骤为：
10、首先，设输入特征信号为，其中， b为批次大小， c为通道数，一维信号的 c为1， l为序列长度，r表示实数集，表示的是一个实数矩阵，具有维度 b× c× l；
11、然后，利用线性变换层对输入特征信号的通道维度进行压缩，线性变换层的输出单元数为，其中，int()为将数据类型转换为整数的函数，rate为预设的超参数，用于控制压缩比率，进行压缩的算法表达式为：
12、，其中，z1为压缩后的特征信号，为线性变换层的权重，为线性变换层的偏置；
13、然后，使用relu激活函数增加非线性处理能力，具体算法表达式为：
14、，式中，a为激活函数处理后的结果数据，relu()代表relu激活函数；
15、然后，通过一个线性层将通道维度从压缩后的通道数恢复至原始的通道数c，以完成通道注意力的计算，具体算法表达式为：
16、，其中，z2为恢复后的通道数据，为线性层的权重，为线性层的偏置；
17、然后，通过sigmoid函数对 z2进行缩放，使其范围限制在[0,1]之间，表示每个通道的重要程度为：
18、，其中，e为指数函数的底数，为自然常数，ca表示通道的重要程度，表示sigmoid函数；
19、最后，将重要程度ca与原始输入 x进行逐元素乘法，来动态调整各通道的特征响应，即：
20、，其中，表示hadamard乘积， s为调整后的特征信号。
21、进一步的，序列注意力层的具体实现步骤为：
22、首先，设定通道注意力机制输出的特征信号 s的维度为，其中， b为批次大小， c为通道数， l为序列长度；
23、然后，利用第一卷积层的卷积操作来减少通道数量，第一卷积层使用卷积核大小为7，步长为1，边缘填充为3，输出的通道数为，rate为控制通道压缩的超参数，第一卷积层操作的算法表达式为：
24、，其中，y1为第一卷积层卷积后的特征信号，为卷积核的权重，为卷积核的偏置，表示卷积操作；
25、然后，将卷积后的特征信号y1经过批归一化层和relu激活函数处理，具体算法表示为：
26、，其中，y2为归一化及激活函数处理后的特征信号，bn表示批归一化操作；
27、然后，利用第二卷积层将y2的通道数从第一卷积层输出的通道数增加到最终的输出通道数，第二卷积层的卷积核大小为 7，边缘填充为 3，具体的算法表达式为：
28、，其中，y3为第二卷积层卷积后的特征信号，为卷积核的权重，为卷积核的偏置；
29、然后，利用批归一化层对y3进行处理，得到最终的序列注意力特征信号，具体算法表达式为：
30、，其中，y4为序列注意力特征信号；
31、然后，再将序列注意力特征信号y4通过sigmoid激活函数处理，输出每个位置的重要性权重，范围在[0,1]之间，每个序列位置的重要程度表达式为：
32、，其中，sa表示序列位置的重要程度，表示sigmoid函数；
33、最后，将每个序列位置的重要程度sa与输入s进行逐元素乘法本文档来自技高网...
【技术保护点】
1.一种微电网电能质量扰动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的微电网电能质量扰动识别方法，其特征在于，步骤1中，多层次全局卷积神经网络由多个多层次全局卷积串联构成，多层次全局卷积包括一维卷积层、ReLU激活函数层、GAM 注意力模块以及最大池化层；GAM 注意力模块包括通道注意力层和序列注意力层；多层次全局卷积的模型表达式为：
3.根据权利要求2所述的微电网电能质量扰动识别方法，其特征在于，通道注意力层进行通道注意力计算的具体步骤为：
4.根据权利要求2所述的微电网电能质量扰动识别方法，其特征在于，序列注意力层的具体实现步骤为：
5.根据权利要求1所述的微电网电能质量扰动识别方法，其特征在于，步骤2中，简化的Transformer模型由多个Transformer基础模块堆叠构成；每个Transformer基础模块均由一个MSA模块、一个MLP模块、两个残差模块以及两个归一化模块组成；两个残差模块用于分别将MSA模块和MLP模块的输入直接加到对应的输出上；两个归一化层分别对MSA模块和MLP模块的输入进行标准
6.根据权利要求5所述的微电网电能质量扰动识别方法，其特征在于，MSA模块的算法公式为：
7.根据权利要求5所述的微电网电能质量扰动识别方法，其特征在于，MLP模块的表达式为：
8.根据权利要求5所述的微电网电能质量扰动识别方法，其特征在于，残差模块的表达式为：
9.根据权利要求5所述的微电网电能质量扰动识别方法，其特征在于，归一化模块的表达式为：
...【技术特征摘要】
1.一种微电网电能质量扰动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的微电网电能质量扰动识别方法，其特征在于，步骤1中，多层次全局卷积神经网络由多个多层次全局卷积串联构成，多层次全局卷积包括一维卷积层、relu激活函数层、gam 注意力模块以及最大池化层；gam 注意力模块包括通道注意力层和序列注意力层；多层次全局卷积的模型表达式为：
3.根据权利要求2所述的微电网电能质量扰动识别方法，其特征在于，通道注意力层进行通道注意力计算的具体步骤为：
4.根据权利要求2所述的微电网电能质量扰动识别方法，其特征在于，序列注意力层的具体实现步骤为：
5.根据权利要求1所述的微电网电能质量扰动识别方法，其特征在于，步骤2中，简化的transformer模型由多个transforme...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。