分享自:

基于CNN-Transformer的电能质量扰动识别与分类

期刊:journal of electrical engineering & technologyDOI:10.1007/s42835-025-02213-6

基于CNN-Transformer的电力质量扰动识别与分类研究学术报告

作者及发表信息

本研究的通讯作者为Yun Qian(钱赟),来自中国吉林北华大学电气与信息工程学院(College of Electrical and Information Engineering, Beihua University)。合作作者包括Gaofeng Wang(王高峰)、Hao Zhang(张浩)、Man Gao(高曼)以及Wuren Ding(丁武仁,中国石油吉林石化分公司)。研究发表于《Journal of Electrical Engineering & Technology》2025年第20卷,论文标题为《Identification and Classification of Power Quality Disturbances Using CNN-Transformer》。

学术背景

研究领域与问题
电力质量扰动(Power Quality Disturbances, PQDs)是电网中因可再生能源(如风电、光伏)并网导致的电压波动、谐波等异常现象,严重影响电网安全。传统PQDs分类方法依赖人工特征提取(如傅里叶变换、小波变换)和浅层机器学习模型(如SVM、决策树),但存在特征提取局限性(如对非平稳信号适应性差)和分类精度不足的问题。

研究目标
本研究提出一种结合卷积神经网络(CNN)与Transformer的混合模型(CNN-Transformer),旨在实现以下目标:
1. 端到端分类:避免传统方法中特征提取与分类分离的缺陷,直接通过深度学习模型完成信号处理与分类。
2. 高精度与鲁棒性:在无噪声及高噪声(SNR 20-50 dB)条件下提升分类准确率。
3. 复杂扰动处理:覆盖IEEE 1159标准中的10类单一扰动和15类复合扰动(如谐波+暂态振荡组合)。

研究方法与流程

1. 数据集构建

  • 信号生成:基于IEEE 1159标准,通过Python数学建模生成25类PQDs信号(10类单一+15类复合),包括电压暂降(sag)、谐波(harmonics)、瞬时脉冲(impulsive transient)等。
  • 参数设置:采样频率5120 Hz,时长0.2秒,每类1000个样本,总数据集25,000×1024(样本数×采样点)。
  • 噪声模拟:添加高斯白噪声,信噪比(SNR)覆盖20 dB、30 dB、40 dB、50 dB及无噪声条件。

2. CNN-Transformer模型设计

模型架构(图6所示)分为以下模块:
- CNN局部特征提取
- 4层卷积层(核尺寸3×3,滤波器数16/32/64/128),每层后接2×2最大池化(Max Pooling)。
- 激活函数采用ReLU,避免梯度消失。
- Transformer全局依赖建模
- 编码器层数=2,多头注意力机制(4头),中间线性层尺寸128。
- 位置编码(Positional Encoding)通过正弦/余弦函数嵌入序列位置信息。
- 分类输出层:全连接层+Softmax,Dropout=0.5防止过拟合。

创新点
- 混合优势:CNN捕捉局部特征(如脉冲上升沿),Transformer通过自注意力(Self-Attention)建模长程依赖(如谐波周期模式)。
- 端到端训练:联合优化特征提取与分类损失,简化传统两阶段流程。

3. 实验与评估

  • 数据集划分:训练集(70%)、验证集(20%)、测试集(10%)。
  • 评价指标:准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1-score及ROC曲线。
  • 对比方法:与传统方法(如WT+P
上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com