Abstract：
为提高电能质量复合扰动信号的识别精度,提出了一种结合卷积神经网络、双向长短期记忆网络和交叉注意力机制的分类预测模型CNN-BiLSTM-CAF.首先,利用快速傅立叶变换提取扰动信号的频域特征,并将其和原始信号的时间特征分别输入到卷积神经网络中以提取全局特征;然后,采用双向长短期记忆网络对全局特征进行时序建模,并通过交叉注意力机制进行特征融合和增强;最后,通过全连接层和Softmax层输出电能质量扰动的分类预测结果.仿真实验表明,所提出模型在叠加信噪比的分类任务中其识别率均超过 96%,且优于其他对比模型;因此,该模型可应用于电能质量扰动的精确分类.
Keyword：
Reprint 's Address：
Email：
Source ：
延边大学学报（自然科学版）
ISSN： 1004-4353
Year： 2024
Issue： 3
Volume： 50
Page： 38-44
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 15
Affiliated Colleges：
