文章详情

摘要

为解决传统电能质量扰动信号识别模型中特征融合固定和计算复杂度高的问题，文章提出了一种自适应格拉姆时间频率增强网络（Adaptive Gramian Time Frequency Enhancement Network, AGTFENet）。首先引入基于格拉姆矩阵的降噪策略处理一维输入信号，采用三分支并行架构，分别处理原始信号、格拉姆降噪信号和频谱；其次堆叠多个特征学习模块，通过深度可分离卷积提取各分支特征；最后引入自适应平均池化和自适应权重机制，动态调整各分支特征的贡献度，实现特征的加权融合及扰动信号的分类。仿真实验表明，AGTFENet在不同噪声等级（无噪声、40 dB、30 dB、20 dB）条件下的识别准确率分别为98.9%、98.7%、98.5%和97.8%，优于其他分类模型；且得益于其轻量化设计，在计算复杂度方面表现出色。

关键词

电能质量扰动；格拉姆降噪；自适应机制；深度可分离卷积；扰动识别

参考文献

1. [1] WANG S X，CHEN H W. A Novel Deep Learning Method for the Classification of Power Quality Disturbances Using Deep Convolutional Neural Network [J].Applied Energy，2019，235：1126-1140.
2. [2] 李铁柱，王伟，丁超前，等.基于一维密集连接卷积网络的配电网故障定位研究 [J].制造业自动化，2024，46（1）：41-44.
3. [3] 张彼德，邱杰，娄广鑫，等.基于CNN和Transformer的轻量化电能质量扰动识别模型 [J].电力工程技术，2025，44（1）：69-78.
4. [4] 王高峰，张卓石，高蔓，等.基于多特征融合卷积神经网络结合Transformer的电能质量扰动分类方法 [J].北华大学学报：自然科学版，2025，26（1）：115-124.
5. [5] 覃日升，徐志，况华，等.基于双分辨率S变换和改进的多尺度ResNet模型的电能质量扰动检测方法 [J].广东电力，2024，37（7）：68-77.
6. [6] 陈录城，秦承刚，鲁效平，等.基于联合分布自适应并行卷积神经网络的轴承变工况故障诊断方法 [J].机械设计与研究，2025，41（1）：221-225.
7. [7] JIA L S，CHOW T W S，YANG Y X. GTFE-Net: A Gramian Time Frequency Enhancement CNN for Bearing Fault Diagnosis [J/OL].Engineering Applications of Artificial Intelligence，2023，119：105794[2025-05-26].https://doi.org/10.1016/j.engappai.2022.105794.
8. [8] 樊有民.梯度下降法的参数自适应设置及全局寻优改进 [D].兰州：西北师范大学，2024.
9. [9] MÜLLER R，KORNBLITH S，HINTON G. When Does Label Smoothing Help? [J/OL].arXiv:1906.02629 [cs.LG].[2025-06-03].https://doi.org/10.48550/arXiv. 1906.02629.
10. [10] SRIVASTAVA N，HINTON G E，KRIZHEVSKY A，et al. Dropout: A Simple Way to Prevent Neural Networks From Overfitting [J].Journal of Machine Learning Research，2014，15（1）：1929-1958.
11. [11] IEEE. IEEE Std 1159-1995(R2001), IEEE Recommended Practice for Monitoring Electric Power Quality [S].New York：IEEE，2001.

基金项目

安徽省自然科学基金项目（2208085QE167）

作者简介

张欣语（2004—），女，汉族，安徽亳州人，本科在读，研究方向：深度学习、电能质量扰动。