基于CNN和Transformer的轻量化电能质量扰动识别模型

TM743; 针对目前基于深度学习的电能质量扰动(power quality disturbances,PQDs)识别模型参数量多和计算复杂度较高的问题,文中提出了一种卷积神经网络(convolutional neural networks,CNN)融合Transformer(CNN and Trans-former,CaT)的轻量化PQDs识别模型.首先,利用深度可分离卷积初步提取扰动信号的局部特征;其次,提出一种高效的软阈值模块,在不显著增加模型参数量与计算复杂度的同时减少特征中的噪声与冗余特征;然后,利用Transformer模型挖掘PQDs信号的全局特征;最后,通过池化层、线性层和So...

Full description

Saved in:
Bibliographic Details
Published in电力工程技术 Vol. 44; no. 1; pp. 69 - 78
Main Authors 张彼德, 邱杰, 娄广鑫, 周灿, 罗蜻清, 李天倩
Format Journal Article
LanguageChinese
Published 西华大学电气与电子信息学院,四川 成都 610039%国网四川省电力公司成都供电公司,四川 成都 610000 2025
Subjects
Transformer model
number of parameters
depthwise separable convolution
参数量
电能质量扰动(PQDs)
power quality disturbances(PQDs)
efficient soft threshold block
高效软阈值模块
深度可分离卷积
Transformer模型
轻量化
lightweight
Online AccessGet full text
ISSN2096-3203
DOI10.12158/j.2096-3203.2025.01.008

Cover

More Information
Summary:TM743; 针对目前基于深度学习的电能质量扰动(power quality disturbances,PQDs)识别模型参数量多和计算复杂度较高的问题,文中提出了一种卷积神经网络(convolutional neural networks,CNN)融合Transformer(CNN and Trans-former,CaT)的轻量化PQDs识别模型.首先,利用深度可分离卷积初步提取扰动信号的局部特征;其次,提出一种高效的软阈值模块,在不显著增加模型参数量与计算复杂度的同时减少特征中的噪声与冗余特征;然后,利用Transformer模型挖掘PQDs信号的全局特征;最后,通过池化层、线性层和Softmax层完成PQDs识别.仿真实验表明,文中所提CaT模型在参数量和浮点运算数较少的情况下能够有效完成PQDs识别,对PQDs信号识别准确率高,具有良好的噪声鲁棒性.同时,得益于轻量化和端到端的模型设计,CaT模型相对于其他深度学习模型的推理时间更短.
ISSN:2096-3203
DOI:10.12158/j.2096-3203.2025.01.008