使用带通道注意力机制的ResNet进行电能质量扰动分类
信号处理
2024-07-09 v1
摘要
电能质量扰动的检测与分类对电力系统具有重要意义。为应对这一需求，已开发出众多智能诊断方法。然而，现有的识别方法通常集中于单一类型信号或包含两种类型的复杂信号，使其容易受到噪声标签和环境效应的影响。本研究提出了一种新颖的PQD分类方法，称为ST-GSResNet，该方法利用S变换和带有通道注意力机制的改进残差神经网络。ST-GSResNet方法首先使用S变换将时间序列信号转换为二维时频图像以进行特征增强。然后，引入一种改进的ResNet模型，该模型采用分组卷积代替传统的卷积操作。这一改进旨在促进在通道维度上学习块对角结构化稀疏性，使得高度相关的滤波器在具有滤波器组的网络中以更结构化的方式被学习。通过这种方式显著减少网络中的参数数量，模型变得不易过拟合。此外，SE模块专注于主要成分，增强了模型在识别中的鲁棒性和抗噪性。实验结果表明，与现有的深度学习模型相比，我们的方法在计算效率和分类准确性方面具有优势。
引用
@article{arxiv.2407.04739,
title = {Classification of Power Quality Disturbances Using Resnet with Channel Attention Mechanism},
author = {Su Pan and Xingyang Nie and Xiaoyu Zhai and Biao Wang and Huilin Ge and Cheng He and Zhenping Ding},
journal= {arXiv preprint arXiv:2407.04739},
year = {2024}
}