典型文献
基于自注意力的TCN-Transformer的电网单相故障检测方法
文献摘要：
小电流接地系统单相故障选线问题是配电网电力系统故障中的一个重要问题.由于电力故障数据具有时间延续性,并且电力故障数据的数据长度过长,现有的研究工作不能有效区分具有时序性的单相接地故障电流的特征.针对这些问题,提出一种基于自注意力的TCN+Transformer混合神经网络模型(称为TTHNN-SA模型).由于电力故障数据的特征单一,使用小波变换分解和主成分分析(PCA)方法能增加样本数据的特征量.TTHNN-SA模型使用时间卷积网络(TCN)分别对原故障数据和对原故障数据使用小波变换分解后的数据进行卷积操作提取特征,使用Transformer对经过主成分分析方法处理后的样本数据进行特征提取.然后将三个模型提取的特征矩阵进行融合后输入到自注意力层,通过自注意力机制的矩阵计算给重要特征分配更高权重,并且能解决模型的长时依赖问题.最后将自注意力层的输出通过全局平均池化后使用softmax函数进行分类.TTHNN-SA模型能更全面的学习到不同波形故障之间的电流数据关系,TTHNN-SA模型对配电网单相故障的检测具有良好的效果.
文献关键词：
时间卷积网络;Transformer;小波变换;主成分分析;自注意力机制
中图分类号：
作者姓名：
欧阳勇;万豆;高榕;叶志伟
作者机构：
湖北工业大学计算机学院,湖北武汉430068;南京大学计算机软件新技术国家重点实验室,江苏南京210093
文献出处：
引用格式：
[1]欧阳勇;万豆;高榕;叶志伟-.基于自注意力的TCN-Transformer的电网单相故障检测方法)[J].微电子学与计算机,2022(09):89-97
A类：
TCN+Transformer,TTHNN
B类：
单相故障,故障检测方法,小电流接地系统,故障选线,配电网,电力系统故障,电力故障,故障数据,延续性,时序性,单相接地故障,接地故障电流,混合神经网络,SA,小波变换,特征量,模型使用,使用时间,时间卷积网络,原故,数据使用,行卷,卷积操作,提取特征,主成分分析方法,特征矩阵,注意力层,自注意力机制,矩阵计算,全局平均池化,softmax,流数据,数据关系
AB值：
0.2571
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
