使用 AI Transformer 模型提升电能质量事件分类能力

Feb, 2024

使用 AI Transformer 模型提升电能质量事件分类能力

Enhancing Power Quality Event Classification with AI Transformer Models

Ahmad Mohammad Saber, Amr Youssef, Davor Svetinovic, Hatem Zeineldin, Deepa Kundur...

TL;DR最近，人们对利用机器学习进行电能质量事件（PQE）的准确分类越来越感兴趣。本文在先前的 PQE 分类研究基础上，提出了一个深度学习框架，利用注意力机制和 Transformer 来准确地在考虑到测量噪音、直流偏移以及电压信号幅值和频率变化的情况下进行 PQE 分类。实验证明，该框架的性能优于最近提出的基于学习的技术，其分类准确率在信噪比、直流偏移和信号幅值、频率变化等条件下能达到 99.81% 到 91.43% 不等。

Abstract

Recently, there has been a growing interest in utilizing machine learning for accurate classification of power quality events (PQEs). However, most of these studies are performed assuming an ideal situation, whil

machine learning power quality events pqe classification deep learning transformers

发现论文，激发创造

利用深度卷积自编码器进行电力系统干扰的无监督聚类

该论文提出了一种使用自编码器和 K 均值聚类的无监督学习技术，可将电力质量事件分类为下降、中断、瞬变、正常和谐波畸变等类别，并使用 t 分布随机邻域嵌入（t-SNE）可视化工具分析这些聚类，便于快速研究大量事件，为电力系统工程师诊断和纠正根本问题提供帮助。

Jun, 2023

能源行业中人工智能的强大应用：智能预测

本文提出了一种方法学习如何在能源领域中开发，部署和评估 AI 系统，以提高其可靠性、可控性和解释性，使用电力系统事件预测（PEF）作为示例应用，通过对同步相量测量单元（PMUs）测量的相量数据进行物理理解和采用基于机器学习的算法来预测所需需求，将物理维度与机器学习模型融合，实现降维和提高预测精度的目标。

Nov, 2021

基于扩散模型的数据驱动电力系统事件分类器的对抗纯化

通过扩散模型提出的对抗净化方法在对抗攻击下大幅提高了事件分类器的准确率，满足实时操作需求，同时减小了原始和受损的数据之间的距离，降低了对抗攻击的影响。

Nov, 2023

使用去相关化事件分类器转换神经网络进行显著训练

实验粒子物理利用机器学习进行各种任务，其中之一就是对信号和背景事件进行分类。这项研究提出了一种事件分类变压器来分析某个区域，并采用特殊技术训练网络，这些技术能提高显著性并减少网络输出与重建质量之间的相关性。研究结果表明，这种训练好的网络比增强决策树和前馈网络表现更好。

Dec, 2023

机器学习检测网络攻击并区分电力系统干扰类型

基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

Jul, 2023

Transformer 网络在原始 EEG 数据分类中的有效性

本篇论文探讨了 Transformer 网络用于分类清洗和预处理后的脑电图（EEG）数据的有效性和性能，结果表明，基于 Transformer 的深度学习模型可以成功地消除对 EEG 数据特征提取的需求，实现了脑电图数据的高效分类。

Feb, 2022

基于注意力机制的频率多任务学习用于电力系统故障检测

本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

Sep, 2020

高能物理领域的混合量子视觉变形器用于事件分类

基于视觉变换器架构的模型在图像分类任务中被认为是最先进的。本文构建了几种量子混合视觉变换器的变体，用于高能物理中的分类问题，并将它们与经典视觉变换器架构进行了测试。我们的研究结果表明，在参数数量相似的情况下，混合模型可以达到与经典模型类似的性能。

Feb, 2024

基于 PMU 测量的深度迁移学习电力系统短期电压稳定性评估

基于深度迁移学习的测量装置定向测量方法通过深度学习有效处理了面对电力系统短期电压稳定性评估（STVSA）的拓扑变化、样本标注和小规模数据集等挑战，并在 IEEE 39-bus 测试系统上进一步证实了其在处理拓扑变化方面的适应性，通过与传统方法相比提高了约 20% 的模型评估准确性。这种方法还利用 Transformer 模型的自注意力机制对浅层学习方法和基于深度学习的其他方法具有明显优势。

Aug, 2023

基于混合 AI 的相量测量单元数据异常检测模型

本研究旨在开发基于混合算法的深度学习模型，用于检测 phasor measurement unit 数据中的异常，数据集基于实际电网测量数据，并探讨了异常数据产生的影响和缓解方法。

Sep, 2022