基于自适应特征增强分组卷积网络的电能质量扰动分类

作者：张锐; 张闯; 高辉^*; 程政铎

来源：中国电机工程学报, 2023, 43(15): 5808-5818.

DOI：10.13334/j.0258-8013.pcsee.220972

• 电能质量扰动
• 分组卷积
• 混洗卷积
• 通道注意力机制
• 自适应特征增强网络

分布式电源在接入电网时会产生复杂的电能质量扰动(power quality disturbances,PQDs)，为提高对PQDs信号分类识别的准确率，构建了自适应特征增强分组卷积神经网络(grouping convolutional neural network with adaptive feature enhanced network,GCNN-AFEN)。GCNN-AFEN模型的核心：首先，对PQDs信号进行S变换形成时频矩阵图像，利用CNN与结构稀疏的GCNN相结合作为特征学习的基础框架以减少模型参数，进而提高运算速度；然后，AEFN模块通过通道注意力机制、频域特征增强和软阈值去噪环节，自适应学习扰动类型与对应特征图的相关性，增加信噪比，突出能够代表扰动类别的深层特征；最后，通过全连接层(fully connected layers,FC)和Softmax分类器进行分类识别。仿真实验表明，提出的模型对于电能质量扰动信号具有较高的分类识别准确率和噪声鲁棒性，能够用于电能质量扰动的快速识别和分类。

• 单位
  自动化学院; 黑龙江工程学院; 哈尔滨理工大学