摘要
随着可再生能源的快速整合、非线性电力电子设备的广泛使用，以及与传统电网并行运行的微电网的部署，现代电力系统正变得越来越复杂。这些变化加剧了各种复杂电力质量扰动的发生，因此需要准确且计算效率高的监测策略。本文提出了一种新颖的多级分层框架，用于电力质量扰动的检测与分类，该框架包括一个使用专用一维卷积神经网络进行初始训练的阶段、一个迁移学习阶段，以及一个后续的微调阶段。由于卷积神经网络能够进行内部特征提取，该方法可直接对原始电压波形进行处理，无需任何信号预处理。该框架通过包含合成信号、Matlab/Simulink（R2022a版本）时域仿真以及真实电压凹陷事件的全面数据集进行了评估。此外，还利用PQ-SyDa工具箱生成了包括IEEE-1159标准规定的复杂多事件组合在内的29种类型的扰动。在该模型中，使用三周期分析窗口时F1分数为97.8%，而使用五周期时这一数值提升至98.86%。这些结果体现了该方法在现代电力网络实时电力质量扰动监测任务中的强大性能和泛化能力。
