2、智能电网系统中基于注意力神经网络的电能质量扰动分析

智能电网系统中基于注意力神经网络的电能质量扰动分析

1. 混合方法概述

混合方法结合了统计信号处理、统计特征提取以及机器学习在特征选择、高阶特征提取和分类过程中的优势。以下是几种常见的混合方法：
- PNN - ABC 方法 ：先使用离散小波变换（DWT）提取统计特征，再用人工蜂群（ABC）算法选择最优特征，最后送入概率神经网络（PNN）进行分类。
- 时域特征提取与 PNN 分类 ：利用 Teager - 能量算子和数学形态学从时域电能质量扰动（PQD）信号中提取统计特征，然后通过 PNN 进行分类。
- 特征提取方法比较 ：比较短时傅里叶变换（STFT）、离散小波变换（DWT）和 S 变换（ST）等特征提取方法，找出最适合的方法以提高前馈神经网络（FNN）和长短期记忆网络（LSTM）的分类性能。
- 优化 S 变换与核支持向量机 ：使用优化的 S 变换（OST）提高时频分辨率，利用核支持向量机（KSVM）作为分类器。

2. 基于全局注意力的长短期记忆网络

为了提高在噪声条件下的分类准确性，将长短期记忆网络（LSTM）与注意力层结合。该方法在输入数据和 LSTM 层之间添加了一个注意力层，用于突出单窗口（全局注意力）电力信号中的异常情况。具体步骤如下：
1. 注意力层处理 ：对预处理后的数据进行处理，突出原始信号中的重要特征。
2. LSTM 特征提取 ：将注意力层输出的向量送入 LSTM