基于改进多阶段时间卷积网络的电能质量复合扰动检测分类和时间定位方法OA

随着大量新能源和非线性负载接入电网,电能质量扰动问题愈发复杂和频繁。为此,该文提出了基于改进多阶段时间卷积网络(improved multi-stage temporal convolutional network,MS-TCN++)的电能质量复合扰动检测分类和时间定位方法。该方法针对采样点设计复合扰动类别编码,以MS-TCN++为基础构建包含一个预测生成阶段和多个细化阶段的电能质量识别模型,利用预测生成阶段的双膨胀层提取多时间尺度的扰动信号特征,并在模型训练中加入平滑损失避免采样点的类别在时间序列中出现突变,最后通过采样点的分类结果完成对扰动信号的类别识别和时间定位。此外,该模型还可以通过细化阶段的参数共享实现模型轻量化,方便部署在算力较低的设备上。实验结果表明,该文所提方法在30dB信噪比场景下基本扰动检测分类的平均F1分数高达99.29%,所有时间定位的平均绝对误差小于1ms,轻量化后的模型参数量可减少38.61%。