本發明涉(she)及(ji)電能質(zhi)量問(wen)題(ti)識別(bie)，具體(ti)是(shi)涉(she)及(ji)一種(zhong)多通(tong)道(dao)電能質(zhi)量問(wen)題(ti)同(tong)步識別(bie)方法及(ji)裝置。

背景技術：

1、自第二次(ci)工業(ye)革命以來，電(dian)(dian)力(li)(li)(li)(li)已經成為(wei)現代社會不(bu)可(ke)(ke)或缺的(de)(de)(de)基(ji)礎資源，對環境(jing)友好和(he)(he)傳輸便利的(de)(de)(de)特性使其成為(wei)推動社會發(fa)展的(de)(de)(de)重(zhong)(zhong)要(yao)力(li)(li)(li)(li)量(liang)。然而，過(guo)去幾十年(nian)科(ke)技(ji)的(de)(de)(de)迅(xun)猛(meng)發(fa)展也帶來了全球能源需求的(de)(de)(de)急劇(ju)增長，這對未來的(de)(de)(de)能源供(gong)(gong)應(ying)(ying)構(gou)成了巨大(da)挑戰，并(bing)(bing)逐(zhu)步顯(xian)露出電(dian)(dian)力(li)(li)(li)(li)供(gong)(gong)應(ying)(ying)多樣化(hua)和(he)(he)負(fu)荷廣泛整(zheng)合相關的(de)(de)(de)復(fu)雜(za)性和(he)(he)潛在(zai)風險(xian)。特別是大(da)量(liang)分布式能源在(zai)電(dian)(dian)力(li)(li)(li)(li)系統中廣泛的(de)(de)(de)接入與(yu)應(ying)(ying)用，使得電(dian)(dian)力(li)(li)(li)(li)質量(liang)問題變(bian)得極(ji)為(wei)復(fu)雜(za)和(he)(he)不(bu)可(ke)(ke)預測，對電(dian)(dian)子電(dian)(dian)力(li)(li)(li)(li)設備(bei)的(de)(de)(de)性能和(he)(he)壽命造成了不(bu)利影響，嚴重(zhong)(zhong)時甚至會導致巨大(da)的(de)(de)(de)經濟(ji)損失。與(yu)此(ci)(ci)同時，電(dian)(dian)力(li)(li)(li)(li)供(gong)(gong)應(ying)(ying)系統正在(zai)經歷(li)一(yi)場旨在(zai)減少對有(you)限化(hua)石燃料依賴、降(jiang)低碳排放、并(bing)(bing)應(ying)(ying)對全球變(bian)暖和(he)(he)氣候變(bian)化(hua)等(deng)環境(jing)挑戰的(de)(de)(de)重(zhong)(zhong)大(da)變(bian)革。因此(ci)(ci)，對電(dian)(dian)力(li)(li)(li)(li)系統中的(de)(de)(de)電(dian)(dian)能質量(liang)進行(xing)細致且整(zheng)體的(de)(de)(de)評估，并(bing)(bing)確保供(gong)(gong)電(dian)(dian)的(de)(de)(de)可(ke)(ke)靠性和(he)(he)穩定(ding)性，對于(yu)社會的(de)(de)(de)可(ke)(ke)持(chi)續發(fa)展具(ju)有(you)至關重(zhong)(zhong)要(yao)的(de)(de)(de)戰略意(yi)義。

2、對非(fei)正常電(dian)(dian)(dian)能(neng)質(zhi)量(liang)(liang)事件的(de)(de)(de)(de)分(fen)析與識(shi)別(bie)技術自(zi)上世(shi)紀90年(nian)代興起，并經(jing)歷了(le)幾十年(nian)的(de)(de)(de)(de)發展和(he)創新(xin)(xin)。早期，電(dian)(dian)(dian)能(neng)質(zhi)量(liang)(liang)擾動的(de)(de)(de)(de)分(fen)析主要依(yi)賴于數(shu)字信號(hao)處(chu)理技術，例如小波變換、希爾伯特-黃變換、s變換、信號(hao)分(fen)解以及(ji)匹配跟蹤等(deng)方(fang)法，這些方(fang)法在電(dian)(dian)(dian)能(neng)質(zhi)量(liang)(liang)識(shi)別(bie)的(de)(de)(de)(de)類型(xing)上相對單一，且實(shi)際應用有限。隨著機器(qi)學習技術的(de)(de)(de)(de)發展，尤其是(shi)支持向量(liang)(liang)機、決策樹和(he)簡單的(de)(de)(de)(de)人工神經(jing)網(wang)(wang)絡的(de)(de)(de)(de)引(yin)入，非(fei)正常電(dian)(dian)(dian)能(neng)質(zhi)量(liang)(liang)事件的(de)(de)(de)(de)識(shi)別(bie)開始(shi)(shi)向自(zi)動化(hua)檢測階(jie)段過渡，識(shi)別(bie)的(de)(de)(de)(de)電(dian)(dian)(dian)能(neng)質(zhi)量(liang)(liang)事件類型(xing)變得更(geng)加多樣化(hua)，應用范圍(wei)也開始(shi)(shi)逐步(bu)擴展。近年(nian)來，隨著神經(jing)網(wang)(wang)絡技術的(de)(de)(de)(de)不斷進步(bu)，特別(bie)是(shi)深(shen)度(du)學習技術的(de)(de)(de)(de)發展，已在多個(ge)領域中開始(shi)(shi)展現出強大的(de)(de)(de)(de)適應能(neng)力。因此，在電(dian)(dian)(dian)力系統中使用深(shen)度(du)神經(jing)網(wang)(wang)絡來解決更(geng)為(wei)(wei)復雜的(de)(de)(de)(de)問題，已經(jing)逐步(bu)成(cheng)為(wei)(wei)研究的(de)(de)(de)(de)新(xin)(xin)熱(re)點。深(shen)度(du)學習方(fang)法不僅提高了(le)識(shi)別(bie)的(de)(de)(de)(de)準(zhun)確度(du)，而且擴大了(le)可識(shi)別(bie)電(dian)(dian)(dian)能(neng)質(zhi)量(liang)(liang)事件的(de)(de)(de)(de)類型(xing)，為(wei)(wei)電(dian)(dian)(dian)力系統的(de)(de)(de)(de)穩定運行(xing)提供了(le)新(xin)(xin)的(de)(de)(de)(de)方(fang)向。

3、盡管如此，每個(ge)技術階(jie)段的(de)方法都有其(qi)局限性(xing)(xing)。未來的(de)研究(jiu)需要(yao)在提(ti)(ti)升模型處(chu)理復雜事件的(de)能(neng)(neng)力(li)、降低資(zi)源消耗(hao)以及提(ti)(ti)高實際應用(yong)的(de)通用(yong)性(xing)(xing)等方面進(jin)(jin)(jin)行持續的(de)探索(suo)和(he)改(gai)進(jin)(jin)(jin)。當前，電能(neng)(neng)質量事件識別(bie)的(de)研究(jiu)工作(zuo)正逐步轉(zhuan)向智能(neng)(neng)化(hua)，通常包括使用(yong)數(shu)字信號處(chu)理技術進(jin)(jin)(jin)行數(shu)據預處(chu)理，然后利(li)(li)用(yong)深度(du)學習模型對(dui)數(shu)據進(jin)(jin)(jin)行特征提(ti)(ti)取和(he)辨(bian)識分類。這種方法利(li)(li)用(yong)神(shen)經網絡的(de)適應性(xing)(xing)，在大量研究(jiu)中取得(de)了良好的(de)效(xiao)果。

4、然而(er)，電(dian)(dian)力系(xi)統中(zhong)的供(gong)電(dian)(dian)通(tong)(tong)常是多(duo)(duo)(duo)(duo)相(xiang)形式，即(ji)存在多(duo)(duo)(duo)(duo)路電(dian)(dian)能(neng)(neng)(neng)數(shu)(shu)據，這些數(shu)(shu)據之間具(ju)有(you)(you)獨(du)立性(xing)(xing)。對(dui)于(yu)如(ru)三相(xiang)不平(ping)衡等事件的分析，還需要(yao)考慮多(duo)(duo)(duo)(duo)個通(tong)(tong)道的整(zheng)體關聯性(xing)(xing)。目前(qian)，大多(duo)(duo)(duo)(duo)數(shu)(shu)研究工作往往只單(dan)獨(du)辨(bian)識各(ge)相(xiang)的電(dian)(dian)能(neng)(neng)(neng)質(zhi)(zhi)量(liang)數(shu)(shu)據，缺(que)乏對(dui)電(dian)(dian)力系(xi)統整(zheng)體平(ping)衡性(xing)(xing)的考量(liang)。因此(ci)，如(ru)何通(tong)(tong)過已有(you)(you)的多(duo)(duo)(duo)(duo)相(xiang)電(dian)(dian)能(neng)(neng)(neng)質(zhi)(zhi)量(liang)數(shu)(shu)據準確(que)判斷其整(zheng)體平(ping)衡性(xing)(xing)，仍是當前(qian)研究中(zhong)需要(yao)解(jie)決的關鍵(jian)問(wen)題。解(jie)決這一問(wen)題，將(jiang)有(you)(you)助(zhu)于(yu)進一步提升電(dian)(dian)能(neng)(neng)(neng)質(zhi)(zhi)量(liang)監測(ce)的準確(que)性(xing)(xing)和(he)電(dian)(dian)力系(xi)統的穩定(ding)性(xing)(xing)，對(dui)于(yu)推動電(dian)(dian)力系(xi)統的智能(neng)(neng)(neng)化和(he)綠(lv)色化發展(zhan)具(ju)有(you)(you)重(zhong)要(yao)意義。

技術實現思路

1、本發明所(suo)要解決的(de)(de)技(ji)術問(wen)題(ti)是，克服(fu)上述背(bei)景技(ji)術的(de)(de)不足(zu)，提供一種(zhong)多通(tong)(tong)道(dao)電能(neng)質量問(wen)題(ti)同步(bu)識別方法及裝置，能(neng)夠(gou)對電能(neng)質量事件的(de)(de)多通(tong)(tong)道(dao)信號同時整體性(xing)識別分析，考量了電力系統整體平衡性(xing)。

2、本發明解決(jue)其(qi)技術問(wen)題采用的技術方案是，一(yi)種多通道電能質量問(wen)題同步識別方法，包括以(yi)下步驟：

3、步驟s1：通(tong)過(guo)多通(tong)道采集設(she)備同步采集各相電(dian)力(li)信號，構建含(han)多種(zhong)電(dian)能質(zhi)量問題的數據庫(ku)；

4、步驟s2：對采(cai)集(ji)的三(san)相電力信號(hao)依(yi)次進行(xing)分幀、加窗(chuang)、頻域變(bian)換、映射、拼接處(chu)理，得到三(san)通道語(yu)譜圖(tu)；

5、步驟s3：根據三通道語譜圖的(de)特點，針(zhen)對性的(de)構建基于注意力機(ji)制的(de)卷(juan)積神經網(wang)絡并(bing)訓練；

6、步(bu)驟s4：利用訓練好的(de)基(ji)于注意力機制的(de)卷積神(shen)經(jing)網絡，對(dui)新采集(ji)的(de)三(san)相電(dian)能質量(liang)數據(ju)進行決策判(pan)別，以(yi)輸出各相的(de)電(dian)能質量(liang)類型。

7、進一步(bu)，所述步(bu)驟(zou)s1包括：

8、步驟s101：同步采集三(san)相電力系(xi)統中的各相電力信號；

9、步驟s102：將各相(xiang)電力(li)信號樣(yang)本進行(xing)切分，得(de)到電能(neng)質量數據(ju)(ju)段，相(xiang)同(tong)電能(neng)質量問(wen)題(ti)類型(xing)的(de)(de)電能(neng)質量數據(ju)(ju)段歸為(wei)一(yi)類，建立含多種電能(neng)質量問(wen)題(ti)的(de)(de)電能(neng)質量數據(ju)(ju)段數據(ju)(ju)庫(ku)。

10、進一步，所述步驟s2包括：

11、步驟s201：將單相的單個電能質量數據段進行分(fen)幀(zhen)(zhen)，得到多個幀(zhen)(zhen)序(xu)列；

12、步(bu)驟s202：對(dui)于單個幀序列(lie)，添加(jia)窗(chuang)函數(shu)形成加(jia)窗(chuang)幀序列(lie)；

13、步驟(zou)s203：利用快速傅里葉變(bian)換(huan)對加窗幀序列進行頻域變(bian)換(huan)得(de)到頻率(lv)普(pu)，取頻率(lv)普(pu)的絕對值(zhi)生成幅度譜；

14、步驟s204：將(jiang)幅(fu)度譜(pu)進行橫縱坐(zuo)標的交換，形成(cheng)縱坐(zuo)標為頻率值，橫坐(zuo)標為幅(fu)度值的新(xin)幅(fu)度譜(pu)；

15、步(bu)驟s205：對(dui)于獲得的(de)新幅度譜(pu)，通(tong)過對(dui)幅度值(zhi)量化，映(ying)射到一(yi)個與顏色空間對(dui)應的(de)特定數(shu)值(zhi)范圍，映(ying)射后形成(cheng)單列像素點；

16、步驟(zou)s206：重(zhong)復步驟(zou)s202～步驟(zou)s205，將所(suo)(suo)有幀序列(lie)均轉化為單列(lie)像素點(dian)，二(er)維上(shang)橫向拼(pin)接所(suo)(suo)有單列(lie)像素點(dian)，得到單通道語譜圖；

17、步驟s207：重復步驟s201～步驟s206，將各相相應的(de)電能質量數(shu)據段(duan)均(jun)轉換為單通道語譜(pu)圖(tu)，在三(san)維深度方向上拼(pin)接三(san)個單通道語譜(pu)圖(tu)，映射為rgb顏色空間，生成單張三(san)通道語譜(pu)圖(tu)；

18、步(bu)(bu)驟s208：重復步(bu)(bu)驟s201～步(bu)(bu)驟s207，進(jin)一步(bu)(bu)將各(ge)相的各(ge)個電(dian)能(neng)質量數(shu)據段均轉換為單通(tong)道(dao)語(yu)譜(pu)圖，各(ge)相相應(ying)電(dian)能(neng)質量數(shu)據段下的單通(tong)道(dao)語(yu)譜(pu)圖在三(san)維深度方向上拼接，生(sheng)成多張(zhang)三(san)通(tong)道(dao)語(yu)譜(pu)圖，電(dian)能(neng)質量數(shu)據段數(shu)據庫(ku)轉換成三(san)通(tong)道(dao)語(yu)譜(pu)圖數(shu)據庫(ku)。

19、進(jin)一步，所述步驟s3包括：

20、步(bu)驟s301：構(gou)建一(yi)(yi)(yi)(yi)個五(wu)層(ceng)(ceng)(ceng)(ceng)的主(zhu)干神經網絡，第(di)(di)一(yi)(yi)(yi)(yi)層(ceng)(ceng)(ceng)(ceng)包(bao)(bao)(bao)括(kuo)第(di)(di)一(yi)(yi)(yi)(yi)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)，第(di)(di)二層(ceng)(ceng)(ceng)(ceng)包(bao)(bao)(bao)括(kuo)第(di)(di)二卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)，第(di)(di)三層(ceng)(ceng)(ceng)(ceng)包(bao)(bao)(bao)括(kuo)第(di)(di)三卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)，第(di)(di)四(si)(si)層(ceng)(ceng)(ceng)(ceng)包(bao)(bao)(bao)括(kuo)第(di)(di)四(si)(si)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)和(he)池化(hua)(hua)(hua)層(ceng)(ceng)(ceng)(ceng)，第(di)(di)五(wu)層(ceng)(ceng)(ceng)(ceng)包(bao)(bao)(bao)括(kuo)全連(lian)接(jie)(jie)層(ceng)(ceng)(ceng)(ceng)，第(di)(di)一(yi)(yi)(yi)(yi)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)與第(di)(di)二卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)連(lian)接(jie)(jie)，第(di)(di)二卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)與第(di)(di)三卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)連(lian)接(jie)(jie)，第(di)(di)三卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)與第(di)(di)四(si)(si)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)連(lian)接(jie)(jie)，第(di)(di)四(si)(si)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)與池化(hua)(hua)(hua)層(ceng)(ceng)(ceng)(ceng)連(lian)接(jie)(jie)，池化(hua)(hua)(hua)層(ceng)(ceng)(ceng)(ceng)與全連(lian)接(jie)(jie)層(ceng)(ceng)(ceng)(ceng)連(lian)接(jie)(jie)；四(si)(si)個卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)結構(gou)相同，每個卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)模(mo)(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)均(jun)由卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)層(ceng)(ceng)(ceng)(ceng)、批歸一(yi)(yi)(yi)(yi)化(hua)(hua)(hua)層(ceng)(ceng)(ceng)(ceng)和(he)激活(huo)層(ceng)(ceng)(ceng)(ceng)串聯；

21、步驟(zou)s302：在(zai)五層(ceng)(ceng)(ceng)的(de)主干神經網絡上構建注(zhu)意力(li)模(mo)(mo)塊(kuai)(kuai)，注(zhu)意力(li)模(mo)(mo)塊(kuai)(kuai)包括第(di)(di)(di)(di)一(yi)注(zhu)意力(li)模(mo)(mo)塊(kuai)(kuai)和(he)第(di)(di)(di)(di)二注(zhu)意力(li)模(mo)(mo)塊(kuai)(kuai)；第(di)(di)(di)(di)一(yi)注(zhu)意力(li)模(mo)(mo)塊(kuai)(kuai)分別插入到第(di)(di)(di)(di)一(yi)卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)模(mo)(mo)塊(kuai)(kuai)和(he)第(di)(di)(di)(di)三卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)模(mo)(mo)塊(kuai)(kuai)中的(de)卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)層(ceng)(ceng)(ceng)之后，第(di)(di)(di)(di)一(yi)注(zhu)意力(li)模(mo)(mo)塊(kuai)(kuai)與第(di)(di)(di)(di)一(yi)卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)模(mo)(mo)塊(kuai)(kuai)、第(di)(di)(di)(di)三卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)模(mo)(mo)塊(kuai)(kuai)的(de)卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)層(ceng)(ceng)(ceng)連(lian)接；第(di)(di)(di)(di)二注(zhu)意力(li)模(mo)(mo)塊(kuai)(kuai)分別插入到第(di)(di)(di)(di)二卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)模(mo)(mo)塊(kuai)(kuai)和(he)第(di)(di)(di)(di)四(si)卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)模(mo)(mo)塊(kuai)(kuai)中的(de)卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)層(ceng)(ceng)(ceng)之后，第(di)(di)(di)(di)二注(zhu)意力(li)模(mo)(mo)塊(kuai)(kuai)與第(di)(di)(di)(di)二卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)模(mo)(mo)塊(kuai)(kuai)、第(di)(di)(di)(di)四(si)卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)模(mo)(mo)塊(kuai)(kuai)的(de)卷(juan)(juan)(juan)積(ji)(ji)(ji)(ji)層(ceng)(ceng)(ceng)連(lian)接；

22、步驟s303：利用三通道語(yu)譜圖訓(xun)練構建好的(de)基于注意(yi)力機制的(de)卷積神經網絡。

23、進一步，各個卷積模塊中，卷積層的(de)數據處理方法為(wei)：

24、每(mei)(mei)個卷(juan)(juan)(juan)(juan)積(ji)模(mo)塊(kuai)的(de)卷(juan)(juan)(juan)(juan)積(ji)核均分為(wei)三組，分別提取(qu)三通(tong)(tong)(tong)道(dao)語譜圖相(xiang)應相(xiang)的(de)語譜圖特征；卷(juan)(juan)(juan)(juan)積(ji)層中使用深度可分離(li)卷(juan)(juan)(juan)(juan)積(ji)，卷(juan)(juan)(juan)(juan)積(ji)過(guo)程被(bei)分為(wei)兩(liang)步：首先是分組卷(juan)(juan)(juan)(juan)積(ji)，對輸入的(de)每(mei)(mei)個通(tong)(tong)(tong)道(dao)分別應用一組卷(juan)(juan)(juan)(juan)積(ji)核，對應提取(qu)各通(tong)(tong)(tong)道(dao)特征；然后(hou)是逐點卷(juan)(juan)(juan)(juan)積(ji)，將分組卷(juan)(juan)(juan)(juan)積(ji)的(de)輸出通(tong)(tong)(tong)過(guo)1*1的(de)卷(juan)(juan)(juan)(juan)積(ji)進行組合(he)，通(tong)(tong)(tong)過(guo)逐點卷(juan)(juan)(juan)(juan)積(ji)融合(he)各通(tong)(tong)(tong)道(dao)的(de)特征信息。

25、進一步(bu)，各個卷積模塊中(zhong)，卷積層的數據處(chu)理方法具體為(wei)：

26、卷(juan)(juan)(juan)積模塊的(de)(de)卷(juan)(juan)(juan)積層在(zai)像素點(dian)(dian)(dian)(i,j)處的(de)(de)輸出為yc(i,j)，分(fen)組卷(juan)(juan)(juan)積結果表(biao)示為表(biao)示像素點(dian)(dian)(dian)(i,j)在(zai)分(fen)組卷(juan)(juan)(juan)積下提取(qu)的(de)(de)第一(yi)組通(tong)道的(de)(de)語譜圖(tu)特(te)征(zheng)，表(biao)示像素點(dian)(dian)(dian)(i,j)在(zai)分(fen)組卷(juan)(juan)(juan)積下提取(qu)的(de)(de)第二(er)組通(tong)道的(de)(de)語譜圖(tu)特(te)征(zheng)，表(biao)示像素點(dian)(dian)(dian)(i,j)在(zai)分(fen)組卷(juan)(juan)(juan)積下提取(qu)的(de)(de)第三(san)組通(tong)道的(de)(de)語譜圖(tu)特(te)征(zheng)；

27、分組卷(juan)積下各通道的特征提取計算(suan)表示為：

28、

29、式中(zhong)，為(wei)像素(su)點(i,j)在分組卷(juan)(juan)積下(xia)提取的(de)(de)第k組通道(dao)(dao)的(de)(de)語譜圖(tu)(tu)特(te)征，wk(m,n)為(wei)第k組通道(dao)(dao)的(de)(de)卷(juan)(juan)積核(he)在像素(su)點(m,n)處(chu)的(de)(de)權(quan)重值，x(i+m-1,j+n-1)為(wei)輸入特(te)征圖(tu)(tu)在像素(su)點(i+m-1,j+n-1)的(de)(de)像素(su)值，b為(wei)偏置項，h為(wei)輸入特(te)征圖(tu)(tu)的(de)(de)高(gao)度(du)(du)，w為(wei)輸入特(te)征圖(tu)(tu)的(de)(de)寬度(du)(du)；

30、在分組卷(juan)積后，利用逐點(dian)卷(juan)積融合各(ge)通道的特(te)征信息(xi)，計算(suan)方(fang)式為；

31、yc(i,j)＝∑d’w*y′c(i,j)??(2)

32、式(shi)中，d’為每組卷積(ji)結果的通道總(zong)數，w為1*1大小卷積(ji)核的權重(zhong)值。

33、進一步，各個卷(juan)積模塊中(zhong)，批(pi)歸(gui)一化層的數據處理方法具體為(wei)：

34、批歸一(yi)化(hua)層對(dui)卷積(ji)層的輸出(chu)(chu)進行歸一(yi)化(hua)，像素(su)點(dian)(i,j)在批歸一(yi)化(hua)層下(xia)(xia)的輸出(chu)(chu)為表示(shi)像素(su)點(dian)(i,j)在批歸一(yi)化(hua)層下(xia)(xia)第(di)(di)一(yi)組(zu)(zu)通道的輸出(chu)(chu)，表示(shi)像素(su)點(dian)(i,j)在批歸一(yi)化(hua)層下(xia)(xia)第(di)(di)二(er)組(zu)(zu)通道的輸出(chu)(chu)，表示(shi)像素(su)點(dian)(i,j)在批歸一(yi)化(hua)層下(xia)(xia)第(di)(di)三組(zu)(zu)通道的輸出(chu)(chu)；

35、單組批歸一(yi)化表示為：

36、

37、式中，為(wei)像素點(dian)(i,j)在(zai)批歸一化層下第(di)(di)k組(zu)通道(dao)的輸出(chu)，yd表示上一層的輸出(chu)，為(wei)卷積(ji)模(mo)(mo)塊(kuai)下第(di)(di)k組(zu)通道(dao)輸出(chu)特(te)征圖(tu)的所有(you)通道(dao)相同位置(zhi)的均(jun)值，為(wei)卷積(ji)模(mo)(mo)塊(kuai)下第(di)(di)k組(zu)通道(dao)輸出(chu)特(te)征圖(tu)所有(you)通道(dao)相同位置(zhi)的方(fang)差，α為(wei)尺度調節系數(shu)(shu)，β為(wei)位置(zhi)調節系數(shu)(shu)，ε無限(xian)接(jie)近于0，防(fang)止分母為(wei)0。

38、進一(yi)步，所述第一(yi)注(zhu)意力模塊和第二注(zhu)意力模塊的(de)數據處理(li)方法具體為：

39、卷積層的輸(shu)出yc作為第一注意力模塊(kuai)的輸(shu)入(ru)，計算整列像(xiang)素點的像(xiang)素值(zhi)，最大像(xiang)素值(zhi)作為各列的初始權(quan)值(zhi)，再對初始權(quan)值(zhi)進行軟歸(gui)一化，軟歸(gui)一化的最終權(quan)值(zhi)對輸(shu)入(ru)特(te)征圖進行加權(quan)處理得到輸(shu)出yh，計算表示為：

40、yh＝s(max{yc(:,j)|j＝1,2,…,w})*yc?(7)

41、式中，max{yc(:,j)|j＝1,2,…,w}表示分別(bie)對卷(juan)積層(ceng)輸出的(de)特征圖(tu)(tu)的(de)每一(yi)列像(xiang)素點(dian)的(de)像(xiang)素取最(zui)大值，w為(wei)輸入特征圖(tu)(tu)的(de)寬度(du)，s(*)為(wei)軟歸一(yi)化函(han)數；

42、yh作為卷積模塊的(de)(de)批歸一(yi)化層的(de)(de)輸(shu)入(ru)，對于第一(yi)卷積模塊和第三卷積模塊的(de)(de)批歸一(yi)化層，yd＝yh；

43、卷積層的輸出yc作(zuo)為(wei)第二(er)注意力模塊的輸入，計算(suan)整行(xing)像素(su)點的像素(su)值(zhi)(zhi)，最大(da)像素(su)值(zhi)(zhi)作(zuo)為(wei)各行(xing)的初始(shi)權值(zhi)(zhi)，再對(dui)初始(shi)權值(zhi)(zhi)進行(xing)軟歸一化，軟歸一化的最終權值(zhi)(zhi)對(dui)輸入特征圖進行(xing)加權處理(li)得到輸出yv，計算(suan)表示為(wei)：

44、yv＝s(max{yc(i,:)|i＝1,2,…,h})*yc??(8)

45、式中，max{yc(i,:)|i＝1,2,…,h}表(biao)示分別對卷積層(ceng)輸出的特(te)征圖(tu)的每一行像素點的像素取最大值(zhi)，h為輸入特(te)征圖(tu)的高度，s(*)為軟歸一化函數；

46、yv作為(wei)卷(juan)積模(mo)(mo)塊(kuai)的(de)批歸一化(hua)層的(de)輸入，對(dui)于第二卷(juan)積模(mo)(mo)塊(kuai)和(he)第四(si)卷(juan)積模(mo)(mo)塊(kuai)的(de)批歸一化(hua)層，yd＝yv。

47、一種多通(tong)(tong)道(dao)電(dian)能質量(liang)問題同步(bu)識別(bie)裝置，包括降(jiang)壓(ya)模(mo)(mo)(mo)塊、采集模(mo)(mo)(mo)塊、多通(tong)(tong)道(dao)數(shu)(shu)據預(yu)處(chu)(chu)理模(mo)(mo)(mo)塊和多通(tong)(tong)道(dao)圖像(xiang)識別(bie)模(mo)(mo)(mo)塊，降(jiang)壓(ya)模(mo)(mo)(mo)塊與(yu)(yu)采集模(mo)(mo)(mo)塊連(lian)接(jie)，采集模(mo)(mo)(mo)塊連(lian)接(jie)與(yu)(yu)多通(tong)(tong)道(dao)數(shu)(shu)據預(yu)處(chu)(chu)理模(mo)(mo)(mo)塊連(lian)接(jie)，多通(tong)(tong)道(dao)數(shu)(shu)據預(yu)處(chu)(chu)理模(mo)(mo)(mo)塊與(yu)(yu)多通(tong)(tong)道(dao)圖像(xiang)識別(bie)模(mo)(mo)(mo)塊連(lian)接(jie)；所述降(jiang)壓(ya)模(mo)(mo)(mo)塊將(jiang)輸(shu)入的(de)(de)高(gao)電(dian)壓(ya)信(xin)號(hao)轉換(huan)(huan)為適合后續處(chu)(chu)理的(de)(de)低電(dian)壓(ya)信(xin)號(hao)；所述采集模(mo)(mo)(mo)塊同步(bu)采集來自(zi)多個(ge)(ge)(ge)通(tong)(tong)道(dao)的(de)(de)電(dian)能質量(liang)數(shu)(shu)據；所述多通(tong)(tong)道(dao)數(shu)(shu)據預(yu)處(chu)(chu)理模(mo)(mo)(mo)塊通(tong)(tong)過對(dui)采集的(de)(de)多通(tong)(tong)道(dao)數(shu)(shu)據進(jin)行(xing)同步(bu)切分(fen)，得(de)到(dao)電(dian)能質量(liang)數(shu)(shu)據段；在數(shu)(shu)據切分(fen)后，針對(dui)每個(ge)(ge)(ge)電(dian)能質量(liang)數(shu)(shu)據段進(jin)行(xing)分(fen)幀(zhen)(zhen)操作，得(de)到(dao)多個(ge)(ge)(ge)幀(zhen)(zhen)序(xu)(xu)列(lie)；對(dui)單個(ge)(ge)(ge)幀(zhen)(zhen)序(xu)(xu)列(lie)進(jin)行(xing)加(jia)窗處(chu)(chu)理，得(de)到(dao)加(jia)窗幀(zhen)(zhen)序(xu)(xu)列(lie)，利用(yong)快(kuai)速(su)傅里葉變換(huan)(huan)對(dui)加(jia)窗幀(zhen)(zhen)序(xu)(xu)列(lie)進(jin)行(xing)頻域(yu)變換(huan)(huan)得(de)到(dao)頻率(lv)普(pu)，取(qu)頻率(lv)普(pu)的(de)(de)絕對(dui)值生成幅(fu)度(du)譜；幅(fu)度(du)譜進(jin)行(xing)橫縱(zong)坐標(biao)的(de)(de)交換(huan)(huan)，得(de)到(dao)新(xin)幅(fu)度(du)譜；新(xin)幅(fu)度(du)譜經過映射和拼接(jie)，形(xing)成三通(tong)(tong)道(dao)語譜圖；所述多通(tong)(tong)道(dao)圖像(xiang)識別(bie)模(mo)(mo)(mo)塊是一個(ge)(ge)(ge)訓練好的(de)(de)基于注意力機制的(de)(de)卷積神經網絡。

48、進一步，所述(shu)基于注(zhu)意力(li)(li)(li)機制的卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)神經(jing)(jing)(jing)網(wang)絡(luo)包括(kuo)(kuo)五層(ceng)(ceng)(ceng)(ceng)的主(zhu)干(gan)(gan)神經(jing)(jing)(jing)網(wang)絡(luo)，第(di)(di)(di)(di)(di)(di)(di)一層(ceng)(ceng)(ceng)(ceng)包括(kuo)(kuo)第(di)(di)(di)(di)(di)(di)(di)一卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)，第(di)(di)(di)(di)(di)(di)(di)二(er)(er)層(ceng)(ceng)(ceng)(ceng)包括(kuo)(kuo)第(di)(di)(di)(di)(di)(di)(di)二(er)(er)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)，第(di)(di)(di)(di)(di)(di)(di)三(san)層(ceng)(ceng)(ceng)(ceng)包括(kuo)(kuo)第(di)(di)(di)(di)(di)(di)(di)三(san)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)，第(di)(di)(di)(di)(di)(di)(di)四(si)(si)層(ceng)(ceng)(ceng)(ceng)包括(kuo)(kuo)第(di)(di)(di)(di)(di)(di)(di)四(si)(si)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)和池化(hua)(hua)層(ceng)(ceng)(ceng)(ceng)，第(di)(di)(di)(di)(di)(di)(di)五層(ceng)(ceng)(ceng)(ceng)包括(kuo)(kuo)全(quan)連(lian)(lian)(lian)接(jie)層(ceng)(ceng)(ceng)(ceng)，第(di)(di)(di)(di)(di)(di)(di)一卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)與(yu)第(di)(di)(di)(di)(di)(di)(di)二(er)(er)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)連(lian)(lian)(lian)接(jie)，第(di)(di)(di)(di)(di)(di)(di)二(er)(er)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)與(yu)第(di)(di)(di)(di)(di)(di)(di)三(san)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)連(lian)(lian)(lian)接(jie)，第(di)(di)(di)(di)(di)(di)(di)三(san)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)與(yu)第(di)(di)(di)(di)(di)(di)(di)四(si)(si)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)連(lian)(lian)(lian)接(jie)，第(di)(di)(di)(di)(di)(di)(di)四(si)(si)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)與(yu)池化(hua)(hua)層(ceng)(ceng)(ceng)(ceng)連(lian)(lian)(lian)接(jie)，池化(hua)(hua)層(ceng)(ceng)(ceng)(ceng)與(yu)全(quan)連(lian)(lian)(lian)接(jie)層(ceng)(ceng)(ceng)(ceng)連(lian)(lian)(lian)接(jie)；四(si)(si)個(ge)(ge)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)結構相(xiang)同，每個(ge)(ge)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)均由卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)層(ceng)(ceng)(ceng)(ceng)、批歸一化(hua)(hua)層(ceng)(ceng)(ceng)(ceng)和激(ji)活層(ceng)(ceng)(ceng)(ceng)串聯；所述(shu)主(zhu)干(gan)(gan)神經(jing)(jing)(jing)網(wang)絡(luo)插入有注(zhu)意力(li)(li)(li)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)，注(zhu)意力(li)(li)(li)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)包括(kuo)(kuo)第(di)(di)(di)(di)(di)(di)(di)一注(zhu)意力(li)(li)(li)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)和第(di)(di)(di)(di)(di)(di)(di)二(er)(er)注(zhu)意力(li)(li)(li)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)，第(di)(di)(di)(di)(di)(di)(di)一注(zhu)意力(li)(li)(li)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)分(fen)別插入到主(zhu)干(gan)(gan)神經(jing)(jing)(jing)網(wang)絡(luo)中第(di)(di)(di)(di)(di)(di)(di)一卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)和第(di)(di)(di)(di)(di)(di)(di)三(san)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)中的卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)層(ceng)(ceng)(ceng)(ceng)之后(hou)，第(di)(di)(di)(di)(di)(di)(di)一注(zhu)意力(li)(li)(li)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)與(yu)第(di)(di)(di)(di)(di)(di)(di)一卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)、第(di)(di)(di)(di)(di)(di)(di)三(san)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)的卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)層(ceng)(ceng)(ceng)(ceng)連(lian)(lian)(lian)接(jie)；第(di)(di)(di)(di)(di)(di)(di)二(er)(er)注(zhu)意力(li)(li)(li)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)分(fen)別插入到主(zhu)干(gan)(gan)神經(jing)(jing)(jing)網(wang)絡(luo)中第(di)(di)(di)(di)(di)(di)(di)二(er)(er)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)和第(di)(di)(di)(di)(di)(di)(di)四(si)(si)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)中的卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)層(ceng)(ceng)(ceng)(ceng)之后(hou)，第(di)(di)(di)(di)(di)(di)(di)二(er)(er)注(zhu)意力(li)(li)(li)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)與(yu)第(di)(di)(di)(di)(di)(di)(di)二(er)(er)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)、第(di)(di)(di)(di)(di)(di)(di)四(si)(si)卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)模(mo)(mo)(mo)塊(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)(kuai)的卷(juan)(juan)(juan)(juan)(juan)積(ji)(ji)(ji)(ji)(ji)層(ceng)(ceng)(ceng)(ceng)連(lian)(lian)(lian)接(jie)。

49、與現有技(ji)術相比，本發明(ming)的優點如下：

50、(1)本發明通(tong)過(guo)將多通(tong)道(dao)同步采集(ji)的序列數據經過(guo)切(qie)分(fen)、分(fen)幀、加窗、頻域變換、映射以及(ji)拼接形成(cheng)三通(tong)道(dao)語(yu)(yu)譜(pu)圖(tu)，三通(tong)道(dao)語(yu)(yu)譜(pu)圖(tu)攜帶更為清晰的時頻結(jie)構分(fen)布，有利于捕捉電能(neng)質(zhi)量事件的細節(jie)和變化(hua)，此外(wai)通(tong)過(guo)調節(jie)不同的窗口(kou)可實現對多尺度特征(zheng)的提取。

51、(2)本發明通(tong)(tong)過(guo)對(dui)多(duo)通(tong)(tong)道的(de)數(shu)(shu)據(ju)同步(bu)轉化為多(duo)通(tong)(tong)道語譜圖，不僅包(bao)含(han)了各自(zi)單(dan)獨通(tong)(tong)道的(de)信息，也更(geng)全面地反映(ying)多(duo)通(tong)(tong)道數(shu)(shu)據(ju)之間的(de)相互作用(yong)，提供更(geng)豐富的(de)數(shu)(shu)據(ju)分析基(ji)礎，提高了對(dui)數(shu)(shu)據(ju)利用(yong)的(de)效率(lv)，降低了模型學習的(de)難度。

52、(3)本發明針(zhen)對電(dian)能(neng)質量序列信號轉化的(de)(de)語譜圖的(de)(de)特點，提(ti)出注意力(li)機制(zhi)，聚(ju)焦電(dian)能(neng)質量問題(ti)發生的(de)(de)時間與類型，提(ti)升了模型的(de)(de)準確率與泛化性(xing)。

53、(4)本發(fa)明能(neng)夠同(tong)時分別預測輸出三(san)相電力系統的(de)各相電能(neng)質量狀況以(yi)及(ji)三(san)相之間的(de)平衡狀況，在做到更高細分度的(de)同(tong)時兼顧了整體性。