基于双模态特征融合与协同注意力驱动的电能质量复合扰动识别方法

程江洲; 胡星宇; 鲍刚; 孟佳琳

doi:10.12404/j.issn.1671-1815.2503247

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (6) :2430-2441 DOI: 10.12404/j.issn.1671-1815.2503247

电工技术

基于双模态特征融合与协同注意力驱动的电能质量复合扰动识别方法

程江洲 ¹^,² ,
胡星宇 ¹^,²^,^* ,
鲍刚 ¹^,² ,
孟佳琳 ¹^,²

作者信息 +

Power Quality Composite Disturbance Identification Method Based on Dual-modal Feature Fusion and Collaborative Attention-driven

CHENG Jiang-zhou ¹^,² ,
HU Xing-yu ¹^,²^,^* ,
BAO Gang ¹^,² ,
MENG Jia-lin ¹^,²

Author information +

文章历史 +

摘要

针对新型电力系统电能质量扰动信号识别存在的多类型复合扰动特征耦合,单一图像静态-动态特征割裂等问题,提出了一种基于基于双模态特征融合与协同注意力驱动的电能质量复合扰动识别方法。首先通过格拉姆求和场和马尔可夫转换场将时序信号编码为互补性图像,克服单一编码的信息局限性;其次,设计双分支协同注意力驱动网络对两种编码图像并行特征提取,通过双模态特征融合实现静态趋势与动态细节的优势互补与协同增强;进一步引入多信噪比混合训练策略,使模型学习噪声不变性特征,提升其在20~40 dB噪声干扰下的鲁棒性。实验表明:在20 dB包含10种单一扰动与22种复合扰动的测试集上,所提方法的平均分类准确率达97.42%,在强噪声环境下仍能实现高精度、高鲁棒性的扰动识别。

Abstract

To address the challenges of multi-type composite disturbance feature coupling and the fragmentation between static and dynamic characteristics in single-image representations for PQD (power quality disturbance) identification in new-type power systems, a novel composite PQD identification method based on dual-modal feature fusion and a collaborative attention-driven architecture was proposed. Time-series signals were first encoded into complementary images using GASF (Gramian angular summation fields) and MTF (Markov transition fields), overcoming the information limitations inherent in single-encoding modes. Subsequently, a dual-branch collaborative attention-driven network was designed to perform parallel feature extraction from the two types of encoded images, achieving complementary enhancement and synergistic integration of static trends and dynamic details through dual-modal feature fusion. Furthermore, a multi-SNR mixed training strategy was introduced to enable the model to learn noise-invariant features, thereby significantly improving its robustness under 20~40 dB noise interference. Experimental results demonstrated that the proposed method attained an average classification accuracy of 97.42% on a test set containing 10 single and 22 composite disturbances under 20 dB noise, confirming its high accuracy and strong robustness even in noisy environments.

Graphical abstract

关键词

电能质量 / 格拉姆角场 / 马尔可夫转换场 / 注意力机制 / 扰动识别

Key words

power quality / Gramian angular fields / Markov transition field / attention mechanism / disturbance identification

引用本文

引用格式 ▾

程江洲, 胡星宇, 鲍刚, 孟佳琳. 基于双模态特征融合与协同注意力驱动的电能质量复合扰动识别方法[J]. 科学技术与工程, 2026, 26(6): 2430-2441 DOI:10.12404/j.issn.1671-1815.2503247

CHENG Jiang-zhou, HU Xing-yu, BAO Gang, MENG Jia-lin. Power Quality Composite Disturbance Identification Method Based on Dual-modal Feature Fusion and Collaborative Attention-driven[J]. Science Technology and Engineering, 2026, 26(6): 2430-2441 DOI:10.12404/j.issn.1671-1815.2503247

登录浏览全文

4963

注册一个新账户忘记密码

在新型电力系统下全控型电力电子设备因其快速响应特性,对电网电压、电流等参数的扰动异常敏感,而由谐波、暂态振荡等电能质量扰动(power quality disturbances,PQDs)引发的异常工况可能导致新能源发电脱网或精密工业设备停机,严重威胁电网安全与经济运行。在此背景下,电能质量扰动的高效识别与防治已成为新型电力系统安全稳定运行的核心需求。PQDs是指电力系统中电压、电流或频率偏离标准值的非理想状态,其成因复杂且表现形式多样,既包含谐波、电压暂升/降等单一扰动,也涉及多种扰动叠加的复合形态。这类扰动不仅降低电能可用性,还可能引发电气设备绝缘老化、控制失灵等连锁故障。尤其在以高比例可再生能源与电力电子设备为特征的新型电力系统中,负荷动态特性与扰动耦合效应更加显著,传统识别方法难以满足多类型、强噪声环境下PQDs的精准识别需求。因此,构建鲁棒性强、适应性广的电能质量扰动识别方法,对提升电网故障防御能力、保障关键负荷可靠供电具有重要工程意义^[1-3]。

基于深度学习的扰动识别方法将特征自动提取和分类识别组成一个闭环反馈网络,很大程度上弥补了人工特征提取速度慢且准确率不高的不足。目前,深度学习在PQDs分类领域主要从以下两个方面切入提取特征和分类:一是将一维PQDs通过格拉姆角场(Gramian angular field, GAF)^[4]、递归图^[5]和马尔可夫转换场(Markov transition field, MTF)^[6]等方法转化为视觉图像,再利用主流的2D-CNN或3D-CNN提取空间特征并完成分类;二是直接将一维PQDs作为数据输入,利用深度卷积自编码器(deep convolution auto-encoder, DAE)^[7]、长短时记忆网络(long short-term memory,LSTM)^[8]、门控循环单元(gated recurrent unit,GRU)^[9]以及Transformer^[10]提取PQDS的时序特征,再或者是通过串行设计的CNN-LSTM^[11]、FCN-LSTM^[12]或CNN-Transformer^[13]等组合网络深度提取扰动特征,完成PQDs的分类。直接处理一维扰动信号虽避免了数据转换,但一维模型缺乏对时频联合特征的挖掘,对复杂扰动的特征提取有限,且一维信号中的噪声可能直接影响分类结果,需依赖额外的降噪预处理过程。图像处理技术的成熟性和时频图像的抗噪性使得二维图像处理成为PQDs识别领域的热点,文献[14]将PQDs转换为GASF和GADF灰度图像,再利用ResNet进行双通道特征提取,该方法具有很强的特征提取能力和抗噪性,但仅能识别15种扰动类型,并且没有涵盖三重复合扰动,限制了模型的泛化能力。文献[15]通过递归图将PQDs转化为二维轨迹图像,但复合扰动的转化中递归算法易丢失特征信息影响识别精度。文献[16]轨迹圆可视化技术将一维时序信号转化为几何特征明确的二维图像,有效保留了扰动信号的动态特性,但复杂噪声场景下的鲁棒性不高。文献[17 -19]具有良好的空间特征提取能力和识别精度,但图像化过程繁琐,模型计算效率不高。将一维PQDs时序信号数据可视化映射为二维图像的方法有很多,其中GAF与MTF因其转换流程简洁性与特征保留能力成为主流方法。GAF通过极坐标编码与格拉姆矩阵构建,将时序信号转换为二维图像,能够有效保留信号的静态统计特征,但其对动态时序演变过程的表征能力相对受限;而MTF则以状态转移概率为基础,通过马尔可夫链建模时序动态特性,侧重于捕捉信号的动态演化规律,但静态特征易在此过程中被弱化。

综上所述,针对新型电力系统电能质量扰动信号识别存在的多类型复合扰动特征耦合,单一图像静态-动态特征割裂等问题,提出一种基于双模态特征融合与协同注意力驱动的电能质量扰动识别方法。采用GASF+MTF双图像编码方式处理电能质量扰动信号,有效克服单一图像在静态-动态特征表达上的割裂问题,显著提升特征完整性;提出双分支协同注意力网络,实现动静特征的深度融合与增强。采用轻量化Swin Transformer针对电能质量扰动局部突变特性,避免多阶段下采样造成的信息丢失,提升模型对扰动起始点等细节的捕捉能力,通过在CNN中嵌入全局注意力机制(global attention mechanism, GAM),以期提升对暂态突变和谐波等扰动的感知能力。

1 PQDs识别框架

所提出的双模态特征融合与协同注意力驱动网络识别框架如图1所示,主要基于以下3个步骤实现。

(1)基于格拉姆求和场(Gramain angular summation fields,GASF)和马尔可夫转换场(Markov translate filed,MTF)对PQDs数据进行可视化转换,生成两组三通道(n×n×3)伪彩特征图像。

(2)采用双分支注意力协同驱动网络并行特征提取,分支一基于单阶段轻量化Swin Transformer的窗口自注意力机制提取GASF图像的窗口全局特征,分支二基于嵌入全局注意力机制GAM的CNN捕获MTF图像的局部特征并通过GAM增强重要局部信息。

(3)利用通道维度拼接融合两个分支的特征,实现静态时序特征与动态状态转移特征的优势互补,通过全连接层对信号进行分类。考虑多种噪声及扰动组合模式,生成充足训练集,对各类情形进行综合学习,并基于各类情形的验证集进行专项验证,最终训练得到高精度识别模型,完成电能质量扰动信号的识别。

2 基本原理

2.1 GAF

GAF是一种时间序列数据可视化方法,将数据进行归一化处理后映射到极坐标系中,再通过计算格拉姆角场转换为二维图像。以暂降扰动信号为例,电压暂降GAF转换流程如图2所示。

对于一个时序信号

$Z=\{{z}_{1},{z}_{2},\dots,{z}_{n}\}$

,GAF图像的转化流程具体如下。

(1)数据归一化与极坐标转换。将时序信号的值域通过式(1)缩放到[-1,1]。归一化处理的目的是消除数据量纲的影响,并确保所有数据点都位于单位圆内。

(1)

$z\text{'}{\mathrm{ }}_{i}=\frac{({z}_{i}-\mathrm{m}\mathrm{a}\mathrm{x}Z)+({z}_{i}+\mathrm{m}\mathrm{i}\mathrm{n}Z)}{\mathrm{m}\mathrm{a}\mathrm{x}Z-\mathrm{m}\mathrm{i}\mathrm{n}Z}$

式(1)中:z' _i为归一化后的第i个时序数据点;z_i为时序信号的第i个数据点。

完成归一化后,将归一化后的数据点映射到极坐标系中。每个归一化后的数据点z' _i被转换为极坐标系中的角度

${\varphi }_{i}$

,采样点t_i被转换为极坐标系中的半径r_i。

(2)

$\left\{\begin{array}{ll}{\varphi }_{i}=\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{c}\mathrm{o}\mathrm{s}z\text{'}{\mathrm{ }}_{i},& -1\le z\text{'}{\mathrm{ }}_{i}\le 1,z\text{'}{\mathrm{ }}_{i}\in Z\text{'}\\ {r}_{i}=\frac{{t}_{i}}{N},& {t}_{i}\in N\end{array}\right.$

式(2)中:Z'为时序信号的极坐标形式;N为常数因子,控制采样点的归一化区间。

(2)格拉姆矩阵构建。在获得每个数据点在极坐标系中的角度

${\varphi }_{i}$

后,构建格拉姆矩阵。

对于GASF,利用角度求和余弦定义每个矩阵元素G^S_ij为

(3)

${{G}^{\mathrm{S}}}_{ij}=\mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{i}+{\varphi }_{j})$

式(2)中:

${\varphi }_{i}$

为第i个数据点在极坐标中的角度;

${\varphi }_{j}$

为第j个数据点在极坐标中的角度。

对于GADF,利用角度差正弦定义每个矩阵元素G^D_ij为

(4)

${{G}^{\mathrm{D}}}_{ij}=\mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{i}-{\varphi }_{j})$

所构建的两种格拉姆矩阵G_ASF和G_ADF表达式为

(5)

$\begin{array}{l}{G}_{ASF}=\\ \left[\begin{array}{llll}\mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{1}+{\varphi }_{1})& \mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{1}+{\varphi }_{2})& \dots & \mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{1}+{\varphi }_{n})\\ \mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{2}+{\varphi }_{1})& \mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{2}+{\varphi }_{2})& \dots & \mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{2}+{\varphi }_{n})\\ ︙& ︙& \mathrm{ }& ︙\\ \mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{n}+{\varphi }_{1})& \mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{n}+{\varphi }_{2})& \dots & \mathrm{c}\mathrm{o}\mathrm{s}({\varphi }_{n}+{\varphi }_{n})\end{array}\right]\end{array}$

(6)

$\begin{array}{l}{G}_{ADF}=\\ \left[\begin{array}{llll}\mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{1}-{\varphi }_{1})& \mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{1}-{\varphi }_{2})& \dots & \mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{1}-{\varphi }_{n})\\ \mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{2}-{\varphi }_{1})& \mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{2}-{\varphi }_{2})& \dots & \mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{2}-{\varphi }_{n})\\ ︙& ︙& \mathrm{ }& ︙\\ \mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{n}-{\varphi }_{1})& \mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{n}-{\varphi }_{2})& \dots & \mathrm{s}\mathrm{i}\mathrm{n}({\varphi }_{n}-{\varphi }_{n})\end{array}\right]\end{array}$

利用G_ASF和G_ADF矩阵就可以把时间序列转换成单通道的灰度图像。如图2所示,G_ASF主对角线的高亮度区域能够直接反映信号的时序连续性,适合捕捉扰动长期趋势,而G_ADF两侧数据呈镜像分布,能够突出扰动信号的瞬态变化。相较于GADF,GASF图像具备原始PQDs信号更多的时序特征和空间特征,因此选择GASF图像作为后续识别模型的输入。

2.2 MTF

MTF是一种编码动态跃迁统计信息的框架,它按顺序表示马尔可夫跃迁概率,以在时域内保存信息。它可以根据马尔可夫过程将一维时间序列信号转换为二维图像,通过该方法得到的二维图像能够很好地保留时间序列信号的时间依赖性与频率结构。对于一个给定的时间序列

$X=\{{x}_{1},{x}_{2},\dots,{x}_{n}\}$

,MTF的转化过程如下。

(1)马尔可夫转移概率矩阵。将时间序列的值域分为m个区间,每个区间对应一个状态

${S}_{j},\mathrm{其}\mathrm{中}\mathrm{j}\in [1,m]$

,保证区间内的x_i都能够映射到相应的S_j。统计每个状态S_i转移到状态S_j的次数c_ij,根据状态转移次数计算状态转移概率p_ij。

(7)

${p}_{ij}=\frac{{c}_{ij}}{\stackrel{m}{\sum _{j=1}}{c}_{ij}},　1\le i,j\le m$

由此得到一个m×m的马尔可夫转移概率矩阵P_m×m,其中每个元素P_ij表示从状态S_i转移到状态S_j的概率。

(8)

${P}_{\mathrm{m}\times \mathrm{m}}=\left[\begin{array}{llll}{p}_{11}& {p}_{12}& \dots & {p}_{1m}\\ {p}_{21}& {p}_{22}& \dots & {p}_{2m}\\ ︙& ︙& \mathrm{ }& ︙\\ {p}_{m1}& {p}_{m2}& \dots & {p}_{mm}\end{array}\right]$

(9)

$\stackrel{m}{\sum _{i=1}}{p}_{ij}=1,　1\le i,j\le m$

(2)马尔可夫转换场。为了捕捉时间序列中的时间动态将马尔可夫转移概率矩阵扩展并重新按时间顺序排列,形成一个n×n的马尔可夫转换场(MTF),将时间序列映射为二维矩阵,其中每个元素表示在时间序列中两个数据点之间状态转移的概率。

(10)

$\mathrm{M}\mathrm{T}{\mathrm{F}}_{n\times n}=\left[\begin{array}{llll}{f}_{11}& {f}_{12}& \dots & {f}_{1n}\\ {f}_{21}& {f}_{22}& \dots & {f}_{2n}\\ ︙& ︙& \mathrm{ }& ︙\\ {f}_{n1}& {f}_{n2}& \dots & {f}_{nn}\end{array}\right]$

(3)模糊核平均处理。为使图像尺寸易于管理和计算效率更高,通过对每个非重叠m×m大小的窗口像素使用模糊核

$\{1/{m}^{2}{\}}_{m\times m}$

进行平均处理,以减少MTF图像的尺寸。以暂降信号为例,电压暂降MTF转换流程如图3所示。

2.3 轻量化Swin Transformer

Swin Transformer采用层次化设计,模型包含多个阶段(Stages),每个阶段进行下采样,减少分辨率的同时逐层扩大感受野^[20]。而电能质量扰动信号图像具有局部突变特性,需要高分辨率的空间细节保留以定位扰动起始点,且完整Swin Transformer具有较高梯度消失与梯度爆炸风险,故采用轻量化(单Stage)Swin Transforemer避免多阶段的下采样操作导致信息丢失, 单阶段轻量化Swin Transformer结构如图4所示。

首先通过补丁分割模块将输入的H×W×3的RGB图像分割成N个不重叠的尺寸为P×P的补丁,形成补丁特征图,以降低图片分辨率。将补丁特征定义为补丁内所有像素原始RGB值的拼接,因此每个补丁展平后的特征向量维度为P×P×3,整体是一个N×(P²×3)的补丁向量序列。随后线性嵌入层将补丁特征维度映射为C,再送入两个连续的Swin Transformer块进行特征提取。

第一个Swin Transformer块首先通过归一化层(LayerNorm,LN)对输入补丁特征z^l-1进行特征分布标准化,稳定后续自注意力计算的数值分布,随后基于窗口的多头自注意力(window-based multi-head self-attention,W-MSA)将补丁特征图划分为不重叠的M×M个窗口,每个窗口内有M²个补丁,在每个窗口内独立计算多头自注意力,并通过残差链接将W-MSA的输入与原始输入相加,缓解深层网络训练中的梯度消失问题,其数学表达式为

(11)

${\hat{z}}^{l}=W-\mathrm{M}\mathrm{S}\mathrm{A}\left[\mathrm{L}\mathrm{N}\right({z}^{l-1}\left)\right]+{z}^{l-1}$

输出特征

${\hat{z}}^{l}$

再经多层感知机(MLP)进行非线性变化和通道间信息整合,在MLP前对特征

${\hat{z}}^{l}$

进行LN层归一化处理,确保输入稳定性。MLP输出与W-MSA的输出经残差联接相加,完成第一个块的处理,过程为

(12)

${z}^{l}=MLP\left[LN\right({\hat{z}}^{l}\left)\right]+{\hat{z}}^{l}$

第一个Swin Transformer块的输出特征z^l输入到第二个块,经LN层归一化后,利用基于移位窗口的多头自注意力(shifted window-based multi-head self-attention,SW-MSA)将规则窗口沿两个空间维度各移位M/2个补丁,超出边界的窗口补丁“循环”到对侧,窗口划分方式不变,使当前窗口与前一层窗口部分重叠,整个特征图大小不变。移位后原始相邻窗口的边界补丁在新窗口中交互,形成多个子窗口,通过掩码机制计算自注意力,确保注意力仅在原始相邻窗口的边界补丁之间计算。并通过残差链接将SW-MSA的输入与原始输入相加,过程为

(13)

${\hat{z}}^{l+1}=\mathrm{S}\mathrm{W}-\mathrm{M}\mathrm{S}\mathrm{A}\left[\mathrm{L}\mathrm{N}\right({z}^{l}\left)\right]+{z}^{l}$

再通过LN和MLP以及残差链接输出新的特征,公式为

(14)

${z}^{l+1}=MLP\left[LN\right({\hat{z}}^{l+1}\left)\right]+{\hat{z}}^{l+1}$

两个连续的Swin Transformer块通过规则窗口自注意力和移位窗口自注意力交替,能够在保持线性复杂度的同时,兼顾局部特征提取和跨窗口信息流动,避免纯局部窗口的信息孤岛问题。

2.4 嵌入GAM的CNN

GAM与卷积块注意力机制(convolutional block attention module,CBAM)都是利用通道注意力(channel attention module,CAM)和空间注意力(spatial attention module,SAM)两个子模块来进行信息加权,以提取重要特征,但GAM能够减少信息损失并放大交互特征,更适应于图像分类任务^[21]。GAM结构如图5所示。

输入图像特征F₁∈R^C^×^H^×^W经通道注意力模块转化为中间特征F₂,公式为

(15)

${F}_{2}={M}_{\mathrm{c}}\left({F}_{1}\right)\otimes {F}_{1}$

式(15)中:为矩阵乘法。

CAM结构如图6所示,通过三维排列来保留3个维度上的图像特征,然后利用两层带有降维比r的MLP在解码和编码的过程中捕捉通道间的全局依赖性,减少跨纬度的信息损失,再利用Sigmod激活函数生成通道注意力权重M_c(F₁),逐通道缩放以增强重要通道的响应。

中间特征F₂再经过空间注意力模块得到输出特征F₃,公式为

(16)

${F}_{3}={M}_{\mathrm{s}}\left({F}_{2}\right)\otimes {F}_{2}$

SAM结构如图7所示。采用两个7×7卷积层进行空间信息融合,第一层进行特征降维,输入特征图的通道数从C压缩到C/r,第二层进行升维,将通道数恢复到C,利用两层卷积的通道数调整隐式实现维度变化,直接融合信息。再利用Sigmod激活函数生成空间注意力权重M_s(F₂),逐像素缩放以突出重要空间区域。

为了捕获不同尺度的电能质量信号图像扰动细节,将全局注意力模块嵌入CNN中以增强图像的局部扰动特征并抑制背景噪声,嵌入SAM的层级化CNN结构如图8所示。

嵌入GAM的CNN采用层级化特征提取结构,包含两个卷积阶段。首先输入层接收三通道的扰动图像进入首个卷积块,通过3×3卷积层从原始像素中捕获局部纹理特征,输出50通道特征图,再经ReLU激活引入非线性变换后,接入GAM注意力模块,该模块通过通道注意力机制增强谐波等关特征的通道权重,同时利用空间注意力聚焦暂态突变区域,实现特征的双向优化,最后通过2×2最大池化压缩特征图尺寸,在降低空间分辨率的同时扩大感受野。

第二个卷积块遵循相同的“卷积-注意力-池化”层级结构深化特征处理,3×3卷积层将通道数扩展至100,用于编码如暂态振荡等高阶复杂扰动特征;再次通过GAM模块对特征分布进行精细化调整,最终经池化输出高层语义特征。

3 仿真实验

3.1 数据集建立

根据IEEE-1159对电能质量扰动类型的定义以及参数变化,利用Python生成10种单一扰动和22种复合扰动信号,其中,单一扰动包含正常(C1)、电压暂升(C2)、电压暂降(C3)、谐波(C4)、电压闪变(C5)、电压中断(C6)、暂态脉冲(C7)、暂态振荡(C8)、电压缺口(C9)、电压尖峰(C10);复合扰动包含谐波+暂升(C11)、谐波+暂降(C12)、谐波+中断(C13)、谐波+闪变(C14)、谐波+脉冲(C15)、谐波+振荡(C16)、闪变+暂升(C17)、闪变+暂降(C18)、闪变+振荡(C19)、闪变+脉冲(C20)、闪变+中断(C21)、暂升+振荡(C22)、暂降+振荡(C23)、暂升+脉冲(C24)、暂降+脉冲(C25)、谐波+振荡+暂升(C26)、谐波+振荡+暂降(C27)、谐波+振荡+中断(C28)、谐波+振荡+闪变(C29)、暂升+暂降+谐波(C30)、暂升+闪变+谐波(C31)、暂降+闪变+谐波(C32)。随机改变模型参数,设置每种扰动类型产生1 500个一维信号数据,一共产生48 000个PQDs样本数据,信号基频为50 Hz,采样频率设置为5 120 Hz,采样区间是10个周期也就是0.2 s,每秒采样5 120次,0.2 s采样1 024次,一维信号样本长度也就是1 024个采样点。

为了颜色映射增强特征可分性,将单通道GASF与MTF灰度图像进行RGB转换,生成224×224×3的三通道伪彩图像。将图像数据按7∶2∶1的比例随机分为训练、验证、测试集。

3.2 模型搭建与参数设置

基于Python中的Pytorch框架搭建深度学习模型并进行电能质量扰动信号识别,搭建的双模态特征融合与协同注意力驱动网络模型结构参数如表1所示。

3.3 分类模型训练与测试

首先以无噪声环境下的扰动数据集作为待识别对象,对模型进行训练和测试。batch_size设置为32,初始learning_rate设置为0.000 3,epoch(回合数)设置为50,优化器均选用Adam,损失函数采用Classification Cross Entropy。将训练集准确率、验证集准确率、训练集损失值、验证集损失值作为模型评价指标来表征模型的训练效果。经过50个回合的迭代训练,无噪声环境下本文模型的训练过程如图9所示。

由图9可见,在50个回合的训练过程中本文模型训练准确率和验证准确率随着回合数增加均出现不断上升的趋势。从全方面来看,本文模型具有优秀的收敛速度和收敛趋势,在第28个回合训练集准确率达到99%,并达到基本收敛,后期最终稳定在99.51%,验证集准确率稳定在99.43%。当50个回合的训练过程结束时,保存当前最优模型参数并更新最佳模型,使用最佳模型对测试集进行识别测试。测试集具有32种扰动类型,每种扰动类型包含150个测试样本,无噪声环境下本文模型针对测试集各扰动的识别效果如表2所示。

由表2可见,本文模型在测试集的32种扰动类型中都表现出良好的识别精度,在4 800个样本的测试中平均精确度为0.989 8,召回率为0.990 6,F₁分数为0.989 3,表明模型在32种类别上的平均性能很高,具有良好的识别稳定性以及泛化能力。

采用t-SNE(t-distributed stochastic neighbor embedding)算法将数据高维特征降维到二维空间,可视化观察分析不同扰动类型的聚类情况。t-SNE可视化分析如图10所示可以看出。测试集的4 800个PQDs样本信号从识别前的混乱分散到识别后的分类清晰,证明了所提识别方法的有效性和真实性。

3.4 抗噪性测试

考虑到实际中的电能质量信号通常暴露于噪声环境下,且为了验证本文方法对含噪信号的扰动识别能力,分别将20、30、40 dB的信噪比设置到原始扰动信号中对模型性能进行训练和测试,20、30、40 dB噪声环境下本文模型的识别结果混淆矩阵如图11所示,图11中不同信噪比下的混淆矩阵来自反复实验的典型测试数据。

由图11可知,各扰动的识别结果位于混淆矩阵的对角线上,识别标签对应于实际值。本文模型在不同噪声环境下对于测试集的32种扰动类型都表现出良好的识别精度,具有良好的噪声鲁棒性与识别稳定性。

3.5 不同编码图像与模型识别分析

为验证所提方法在电能质量扰动信号识别中的合理性和优越性,对不同输入编码图像组合和识别模型进行综合对比分析。多次重复实验,求取识别准确率结果均值,不同编码图像采用本文模型的识别效果如表3所示。由表3可知,在本文模型下,GASF编码图像的识别准确率在20~40 dB不同噪声环境下都高于GADF编码图像,说明相较于GADF,GASF包含更多的电能质量扰动信号时序和空间特征。而组合编码图像的识别准确率明显高于单一图像,这说明单一图像编码方式无法保留完备的扰动特征信息,需进行图像组合以规避单一编码的信息丢失缺陷。GASF与MTF两种编码方式分别关注扰动信号的静态和动态特征,两者的图像组合具有特征互补性,且平均识别准确率相较于其他两种组合方式具有明显优势。因此,所选取的GASF-MTF为互补型最优图像编码方式。

在相同的GASF-MTF仿真数据集下训练不同模型以进行对比分析实验,评估本文模型识别能力的优劣,不同模型识别效果如表4所示。由表4可知,本文模型与同等条件下的EfficientNet、DenseNet、TSCNN、RES-CBAM深度学习模型相比,在不同噪声环境下的扰动识别准确率均具有明显优势,模型性能表现更加出色,是PQDs识别任务的最优选择。

3.6 硬件实验验证

为了进一步在真实世界环境下以实际扰动信号验证本文模型性能,搭建如图12所示硬件实验平台。信号源采用Fluke6105A生成PQDs实际信号,通过示波器采集、保存录波信号并通过串口传输到上位机,上位机搭载本文所提模型对PQDs进行识别,并输出识别结果。

使用信号源生成包含正常、电压暂升、电压暂降、谐波、电压闪变、电压中断在内的6种单一扰动信号,包含谐波+暂升、谐波+暂降、谐波+中断、谐波+闪变、暂升+闪变+谐波、暂降+闪变+谐波在内的6种复合扰动信号。并通过随机调整信号参数,每种扰动生成30组样本,共生成360个样本信号。经本文模型对实际PQDs信号进行识别,实际扰动识别结果如表5所示。

由表5可知,实际360个样本信号中有352个扰动信号能够被正确识别,含有电压暂降或电压中断的单一/复合扰动有个别识别错误,但综合来看,整体的识别准确率依然能够达到0.977 8,验证了本文模型的有效性和性能优越性。

4 结论

针对新型电力系统电能质量复合扰动信号特征耦合与单模态特征割裂的识别难题,提出了一种基于双模态特征融合与协同注意力驱动的电能质量扰动识别方法。仿真验证和硬件验证得出以下结论。

(1)在信号编码图像方面,GASF和MTF实现了电能质量扰动信号静态时序特征与动态转移特征的优势互补,从根本上克服了扰动信号静态-动态特征割裂与单一编码模型信息丢失的缺陷。

(2)在分类网络的构建方面,设计双分支协同注意力驱动网络。通过Swin Transformer分支捕获全局时序连续性,并结合GAM-CNN分支增强对暂态突变的精细化感知,实现了动静特征的协同增强与深度融合。

(3)本文方法基于双模态特征融合与协同注意力驱动网络识别模型,在20 dB噪声环境下,对32类扰动的综合识别准确率能达到97.42%,无噪环境下识别率能达到99.06%。经实验装置模拟实际信号验证,显著优于现有主流方法。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	张智刚, 康重庆. 碳中和目标下构建新型电力系统的挑战与展望[J]. 中国电机工程学报, 2022, 42(8): 2806-2819.

[2]	Zhang Zhigang, Kang Chongqing. Challenges and prospects of constructing new-type power system under carbon neutrality target[J]. Proceedings of the CSEE, 2022, 42(8): 2806-2819.

[3]	王强钢, 周亦尧, 廖建权, 等. 直流配电网电能质量研究综述[J]. 电力系统自动化, 2023, 47(7): 193-207.

[4]	Wang Qianggang, Zhou Yiyao, Liao Jianquan, et al. Review on power quality in DC distribution network[J]. Automation of Electric Power Systems, 2023, 47(7): 193-207.

[5]	Amir M, Deshmukh R G, Khalid H M, et al. Energy storage technologies: an integrated survey of developments, global economical/environmental effects, optimal scheduling model, and sustainable adaption policies[J]. Journal of Energy Storage, 2023, 72.DOI:10.1016/J.EST.

[6]	刘大鹏, 罗嘉宾, 刘勇, 等. 基于Wave-ViT的改进多通道深度残差网络的电能质量扰动分类[J]. 计量学报, 2025, 46(5): 629-637.

[7]	Liu Dapeng, Luo Jiabin, Liu Yong, et al. Power quality disturbance classification based on improved multi-channel deep residual network with Wave-ViT[J]. Acta Metrologica Sinica, 2025, 46(5): 629-637.

[8]	贺才郡, 李开成, 董宇飞, 等. 基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别[J]. 电力系统保护与控制, 2023, 51(14): 75-84.

[9]	He Caijun, Li Kaicheng, Dong Yufei, et al. Recognition of composite power quality disturbance based on knowledge distillation and RP-MobileNetV3[J]. Power System Protection and Control, 2023, 51(14): 75-84.

[10]	钱倍奇, 陈谦, 李宗源, 等. 基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法[J]. 电网技术, 2024, 48(2): 721-733.

[11]	Qian Beiqi, Chen Qian, Li Zongyuan, et al. Classification method for power quality disturbances based on Markov transition field and multi-head attention mechanism[J]. Power System Technology, 2024, 48(2): 721-733.

[12]	Khetarpal P, Nagpal N, Al-Numay M S, et al. Power quality disturbances detection and classification based on deep convolution auto-encoder networks[J]. IEEE Access, 2023, 11: 46026-46038.

[13]	黄杰, 李建闽, 朱冰凡, 等. 基于条件网络和知识注入的多标签学习电能质量扰动识别与分类方法[J]. 电工技术学报, 2025. DOI:10.19595/j.cnki.1000-6753.tces.242088.

[14]	Huang Jie, Li Jianmin, Zhu Bingfan, et al. A multi-label learning method for power quality disturbance recognition and classification based on conditional network and knowledge injection[J]. Transactions of China Electrotechnical Society, 2025. DOI:10.19595/j.cnki.1000-6753.tces.242088.

[15]	Wang J, Zhang D, Zhou Y. Ensemble deep learning for automated classification of power quality disturbances signals[J]. Electric Power Systems Research, 2022, 213. DOI:10.1016/J.EPSR.2022.108695.

[16]	周凯翔. 基于深度学习的电能质量扰动信号分类方法研究[D]. 长春: 长春工业大学, 2024.

[17]	Zhou Kaixiang. Research on classification method of power quality disturbance signals based on deep learning[D]. Changchun: Changchun University of Technology, 2024.

[18]	Zhang L, Jiang C, Pang A, et al. Super-efficient detector and defense method for adversarial attacks in power quality classification[J]. Applied Energy, 2024.DOI:10.1016/J.APENERGY.2024.122872.

[19]	龚正, 邹阳, 金涛, 等. 基于特征融合并行优化模型的电能质量扰动分类方法[J]. 中国电机工程学报, 2023, 43(3): 1017-1027.

[20]	Gong Zheng, Zou Yang, Jin Tao, et al. Power quality disturbance classification method based on feature fusion parallel optimization model[J]. Proceedings of the CSEE, 2023, 43(3): 1017-1027.

[21]	金星, 周凯翔, 于海洲, 等. 基于卷积神经网络与Transformer的电能质量扰动分类方法[J]. 科学技术与工程, 2024, 24(16): 6726-6733.

[22]	Jin Xing, Zhou Kaixiang, Yu Haizhou, et al. Power quality disturbance classification method based on convolutional neural network and Transformer[J]. Science Technology and Engineering, 2024, 24(16): 6726-6733.

[23]	贺才郡, 李开成, 杨王旺, 等. 基于双通道GAF和深度残差网络的电能质量复合扰动识别[J]. 电网技术, 2023, 47(1): 369-379.

[24]	He Caijun, Li Kaicheng, Yang Wangwang, et al. Composite power quality disturbance recognition based on dual-channel GAF and deep residual network[J]. Power System Technology, 2023, 47(1): 369-379.

[25]	王继东, 王泽平, 张迪. 基于递归图和预训练迁移学习的电能质量扰动分类[J]. 南方电网技术, 2025, 19(2): 48-56, 114.

[26]	Wang Jidong, Wang Zeping, Zhang Di. Power quality disturbance classification based on recurrence plot and pre-trained transfer learning[J]. Southern Power System Technology, 2025, 19(2): 48-56, 114.

[27]	兰名扬, 刘宇龙, 金涛, 等. 基于可视化轨迹圆和ResNet18的复合电能质量扰动类型识别[J]. 中国电机工程学报, 2022, 42(17): 6274-6286.

[28]	Lan Mingyang, Liu Yulong, Jin Tao, et al. Identification of composite power quality disturbance types based on visual trajectory circle and ResNet18[J]. Proceedings of the CSEE, 2022, 42(17): 6274-6286.

[29]	张玺, 郑建勇, 梅飞, 等. 基于图像分析的电能质量扰动边-云协同辨识框架[J]. 中国电机工程学报, 2025, 45(12): 4593-4608.

[30]	Zhang Xi, Zheng Jianyong, Mei Fei, et al. An edge-cloud collaborative identification framework for power quality disturbances based on image analysis[J]. Proceedings of the CSEE, 2025, 45(12): 4593-4608.

[31]	毕贵红, 鲍童语, 陈臣鹏, 等. 基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别[J]. 电力系统保护与控制, 2024, 52(4): 12-25.

[32]	Bi Guihong, Bao Tongyu, Chen Chenpeng, et al. Composite power quality disturbance recognition based on hybrid decomposition multi-scale time-frequency map and Res-GRU-AT[J]. Power System Protection and Control, 2024, 52(4): 12-25.

[33]	王守相, 赵宁, 王同勋, 等. 基于轨迹颜色编码与知识蒸馏的电能质量扰动轻量化识别方法[J]. 电力自动化设备, 2024, 44(12): 85-91.

[34]	Wang Shouxiang, Zhao Ning, Wang Tongxun, et al. A lightweight recognition method for power quality disturbances based on trajectory color coding and knowledge distillation[J]. Electric Power Automation Equipment, 2024, 44(12): 85-91.

[35]	Liu Z, Lin Y, Cao Y, et al. Swin transformer: Hierarchical vision transformer using shifted windows[C]// Proceedings of the IEEE/CVF international conference on computer vision. 2021: 10012-10022.

[36]	Liu Y, Shao Z, Hoffmann N. Global attention mechanism: retain information to enhance channel-spatial interactions[J]. arxiv Preprint, arxiv:2112.05561, 2021.

[37]	付宽, 王洪新, 刘杰, 等. 基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别[J]. 电网与清洁能源, 2024, 40(4): 74-83.

[38]	Fu Kuan, Wang Hongxin, Liu Jie, et al. Composite power quality disturbance recognition based on Markov transition field and EfficientNet[J]. Power System and Clean Energy, 2024, 40(4): 74-83.

[39]	时帅, 陈子文, 黄冬梅, 等. 基于MTF可视化和改进DenseNet神经网络的电能质量扰动识别算法[J]. 电力科学与技术学报, 2024, 39(4): 102-111.

[40]	Shi Shuai, Chen Ziwen, Huang Dongmei, et al. Power quality disturbance recognition algorithm based on MTF visualization and improved DenseNet neural network[J]. Journal of Electric Power Science and Technology, 2024, 39(4): 102-111.

[41]	马伟. 基于GAF-MTF和多流卷积神经网络的电能质量扰动识别方法[D]. 秦皇岛: 燕山大学, 2023.

[42]	Ma Wei. Power quality disturbance recognition method based on GAF-MTF and multi-stream convolutional neural network[D]. Qinhuangdao: Yanshan University, 2023.

[43]	陈冬静, 毕贵红, 鲍童语, 等. 多通道组合时频图的电能质量复合扰动识别研究[J]. 云南大学学报(自然科学版), 2025, 47(3): 443-453.

[44]	Chen Dongjing, Bi Guihong, Bao Tongyu, et al. Research on composite power quality disturbance recognition using multi-channel combined time-frequency images[J]. Journal of Yunnan University (Natural Sciences Edition), 2025, 47(3): 443-453.