基于Kaiser窗S变换和深度卷积神经网络的复杂电能质量扰动分类

《Electronics》:Classification of Complex Power Quality Disturbances Using the Kaiser Window S-Transform and Deep Convolutional Neural Networks Haozhe Xiong, Daojun Tan, Yuxuan Hu, Bingyang Feng, Fangbin Yan, Li You and Pan Hu

【字体: 大 中 小 】 时间:2026年03月31日 来源:Electronics 2.9

编辑推荐:

  随着非线性负载的广泛使用,电网的电能质量(PQ)问题日益突出,严重威胁电力系统的稳定性。为解决这些问题,本文提出一种基于Kaiser窗S变换(KST)和深度神经网络的电能质量扰动(PQD)分类方法。首先,将Kaiser窗S变换应用于PQD信号处理。其次,修改K

  
随着非线性负载的广泛使用,电网的电能质量(PQ)问题日益突出,严重威胁电力系统的稳定性。为解决这些问题,本文提出一种基于Kaiser窗S变换(KST)和深度神经网络的电能质量扰动(PQD)分类方法。首先,将Kaiser窗S变换应用于PQD信号处理。其次,修改Kaiser窗控制函数以调整窗口形状,并根据最大能量密度自动优化窗函数参数,以获得更好的时频分辨率。然后,利用深度神经网络对Kaiser窗S变换的特征向量进行深度特征提取。最后,对提取的特征应用Softmax层。结果表明,该方法具有优异的分类精度和抗噪能力:在20 dB噪声下达到99.1%的准确率。
**基于Kaiser窗S变换与深度卷积神经网络的复杂电能质量扰动分类研究解读**

**研究背景与问题**
随着汽车充电桩、电力电子设备等非线性负载的广泛接入,以及风能、太阳能等可再生能源的发展,电网的电能质量(Power Quality, PQ)问题日益突出,严重威胁电力系统的稳定运行。这些负载和能源的使用会产生多种电能质量扰动(Power Quality Disturbances, PQD),包括单一扰动和复杂的非线性混合扰动信号。为了建立可靠安全的供电系统,准确检测和分类这些PQD信号对于处理扰动污染问题、为实时监测和保护提供关键支持至关重要。

现有的PQD检测框架通常由时频分析和分类两部分组成。常见的时频分析方法如短时傅里叶变换(STFT)因其固定窗参数,对非平稳信号适应性差;离散小波变换(DWT)对噪声敏感;而Stockwell变换(ST)的窗参数在复杂扰动下仍需经验确定,缺乏自适应性。在分类环节,传统方法依赖手工特征(如偏度、峰度),可能导致关键信息丢失,尤其对于混合扰动。虽然深度学习方法如卷积神经网络(CNN)具有自动特征学习能力,但直接将大规模二维时频矩阵输入CNN会带来巨大计算开销,且平衡计算效率与鲁棒抗噪性仍具挑战。

为此,研究人员提出了一种基于优化的Kaiser窗S变换(KST)与改进的一维深度卷积神经网络(Deep CNN)相结合的PQD分类框架,旨在提高时频分辨率、降低计算维度并增强抗噪能力。该论文发表在《Electronics》上。

**主要技术方法**
研究人员采用了以下关键方法:首先,提出改进的Kaiser窗S变换(KST),将传统高斯窗替换为Kaiser窗,并修改控制函数β(f)=ξ?/(1-ρ)f+ξ?,通过引入能量密度概念和粒子群优化(PSO)算法自动优化窗参数(ρ, ξ?, ξ?),以最大化能量集中度,实现自适应时频分析。其次,从KST输出的时频矩阵中提取一个轻量级的六维特征向量V=[A? A? A? F? F? F?],包括幅度特征(最大、最小幅度及方差)和频率特征(对应频率),以降低计算维度。最后,设计了一个改进的一维深度CNN,包含卷积层、池化层、批归一化(Batch Normalization, BN)层、全连接层和Softmax层,使用Adam优化器,对归一化后的特征向量进行分类。

**研究结果**

***实验准备与数据采集***
基于IEEE-1159电能质量检测标准和参考文献,研究人员在MATLAB中仿真生成了22种PQD信号,包括7种单一扰动(如电压暂升、暂降、中断、谐波等)和15种复合扰动。信号基频50 Hz,采样频率6.4 kHz,每个信号1280个采样点,每类扰动1000个样本,共22,000个样本。模型基于TensorFlow框架和Python构建。

***无噪声干扰下的模型识别精度***
通过对比改进Kaiser窗与高斯窗的频谱特性,发现Kaiser窗具有更优的旁瓣抑制性能,减少了频谱泄漏。在无噪声条件下,使用改进Kaiser窗S变换识别7种单一扰动,其精度高于高斯窗S变换。训练曲线显示,模型在55次迭代后收敛,达到99.1%的准确率,损失值为0.09,训练集与验证集曲线几乎重叠,表明无过拟合且泛化能力强。

***不同噪声条件下的分类性能分析***
在40 dB、30 dB、20 dB噪声条件下评估模型抗噪性。结果表明,无噪声条件下分类性能最佳,单扰动信号准确率高于复合信号。所有噪声条件下的标准差和方差普遍较低,说明模型输出集中、重复性和一致性良好。在20 dB噪声下,模型准确率仅比无噪声下降0.4%,而对比方法(SVM、ELM、kNN、DT)至少下降1.6%。与其他深度学习模型(CNN-LSTM、TCN)对比,提出的KST-CNN模型在22类扰动、不同信噪比下均取得最高准确率,展现出优越的抗噪性能。

***不同特征集的对比分析***
为验证六维特征集的最优性,研究人员对比了仅含幅度特征的三维集和含偏度、峰度、能量集中度的十二维集。十二维集准确率仅提升0.1%,但计算时间几乎翻倍。提出的六维特征集在99.1%准确率下复杂度显著更低,是实时监测的最优选择。

***不同训练样本量下的精度***
在20 dB噪声下,使用每类10至100个样本的多尺度训练集进行测试。当每类训练样本达到50个时,模型准确率达97.3%;即使在每类仅10个样本的欠训练条件下,仍保持88.9%的准确率,比基线模型高9.5个百分点,证明该方法通过时频特征优化和网络改进有效提升了特征识别能力和数据效率。

***实际数据分析***
研究人员使用IEEE PES数据库中实际测量数据(电压暂升、暂降、谐波、瞬态脉冲)进行验证。通过三次样条插值将原始1536个采样点重采样至1280点。实验结果显示,25个电压暂升样本中1个误分类,20个瞬态脉冲样本中1个误分类,30个谐波样本中1个识别错误,整体识别准确率达97%。

**讨论与结论**
研究结论总结如下:(1)通过改进Kaiser窗的控制函数,增强了Kaiser窗S变换对电能质量扰动信号的适应性和检测精度。(2)在各种噪声条件下,模型扰动分类准确率超过98%;对仿真平台生成的15种复合扰动的识别结果表明,该分类模型对复杂电能质量扰动具有高准确率和强抗噪性。(3)所提分类模型对实际场景中的典型扰动实现97%的综合识别准确率。该研究对增强复杂电磁环境下的扰动识别能力、防止因电能质量问题引起的继电保护误动作具有重要意义,可为新型电力系统的电能质量感知与预警提供技术支撑。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号