目录
背景
在电力系统中，电能质量指的是电压、电流和频率等参数的稳定性和纯净度。然而，由于设备故障、电力负载变化、电力系统故障或其他外部因素，电力系统中可能会出现各种电能质量扰动。这些扰动不仅影响电力系统的稳定运行，还可能对电力设备和用户造成损害。因此，对电能质量扰动信号进行分类和识别，对于电力系统的监测、保护和控制具有重要意义。
随着智能电网和微电网的发展，电力系统中电力电子元器件的占有量提升，以及自然资源的随机特性，使得电能质量问题日益突出。传统的电能质量扰动信号分类方法往往依赖于人工经验和信号处理技术，但这些方法在复杂多变的工业环境中往往效果不佳。因此，基于深度学习的电能质量扰动信号分类方法逐渐成为研究热点。
Transformer模型作为一种基于自注意力机制的神经网络模型，具有更好的并行性能和更短的训练时间，并且在自然语言处理、语音识别、计算机视觉等领域取得了显著成果。其强大的时序特征提取能力使得它成为处理序列数据的理想选择，因此也被应用于电能质量扰动信号分类中。
研究方法
本研究采用基于Transformer的一维信号分类模型对电能质量扰动信号进行分类。具体研究方法包括：
数据集制作与加载：参考IEEE Std1159-2019电能质量检测标准与相关文献，构建扰动信号的模型，生成包括正常信号在内的多种单一信号和复合扰
标签：电能,Transformer,分类,质量,信号,扰动,电力系统 From： https://blog.csdn.net/2401_84423592/article/details/144803822