基于时频特征融合分类网络的复合电能质量扰动识别方法

程江洲; 胡星宇; 李欣; 李黄强; 孟佳琳; 鲍刚

doi:10.20204/j.sp.2025.07015

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于时频特征融合分类网络的复合电能质量扰动识别方法

配电网智能规划与电能质量治理 | 更新时间：2025-10-24

- 基于时频特征融合分类网络的复合电能质量扰动识别方法
- Composite Power Quality Disturbance Identification Method Based on A Time-Frequency Feature Fusion Classification Network
- 智慧电力 2025年53卷第7期页码：115-123
- 作者机构：
  
  1. 三峡大学电气与新能源学院,湖北,宜昌,443002
  2. 湖北省微电网工程技术研究中心,湖北,宜昌,443002
  3. 国网宜昌供电公司,湖北,宜昌,443002
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2025.07015
  中图分类号：
- 网络出版：2025-07-20，
  
  纸质出版：2025-07-20
- 稿件说明：
移动端阅览
程江洲,胡星宇,李欣,李黄强,孟佳琳,鲍刚.基于时频特征融合分类网络的复合电能质量扰动识别方法[J].智慧电力,2025,53(7):115-123.

CHENG Jiangzhou, HU Xingyu, LI Xin, et al. Composite Power Quality Disturbance Identification Method Based on A Time-Frequency Feature Fusion Classification Network[J]. 2025, 53(7): 115-123.
程江洲,胡星宇,李欣,李黄强,孟佳琳,鲍刚.基于时频特征融合分类网络的复合电能质量扰动识别方法[J].智慧电力,2025,53(7):115-123. DOI： 10.20204/j.sp.2025.07015.

CHENG Jiangzhou, HU Xingyu, LI Xin, et al. Composite Power Quality Disturbance Identification Method Based on A Time-Frequency Feature Fusion Classification Network[J]. 2025, 53(7): 115-123. DOI： 10.20204/j.sp.2025.07015.

摘要

针对新型电力系统“双高”（可再生能源与电力电子设备高渗透率）趋势下复合电能质量扰动分类困难、识别精度不高的问题，提出一种基于时-频特征融合分类网络的复合扰动识别方法。首先，采用自适应噪声的完备集合经验模态分解与小波阈值相结合的方法对含噪信号进行降噪处理；其次，对降噪信号进行快速傅里叶变换，获取其频域分量，采用TCN-Transformer深度网络，并行提取信号的时域与频域深度特征；最后，引入交叉注意力机制对时域和频域特征进行加权融合并完成分类识别。仿真实验表明，所提方法在30 dB噪声环境下对24种仿真信号的最高识别准确率可达99.79%，表现出良好的识别精度、识别稳定性及泛化能力。

Abstract

To address the difficulties in classifying composite power quality disturbances and the issue of low identification accuracy under the "dual-high" characteristics trend （high penetration of renewable energy and power electronics） in new power systems， this paper proposes a composite disturbance identification method based on a time-frequency feature fusion classification network. First， a combined method of complete ensemble empirical mode decomposition with adaptive noise （CEEMDAN） and wavelet thresholding is used to denoise the noisy signals. Second， fast Fourier transform （FFT） is applied to the denoised signals to obtain their frequency-domain components. A TCN-Transformer deep network is then employed to extract the time-domain and frequency-domain deep features of the signals in parallel. Finally， a cross-attention mechanism is introduced to perform the weighted fusion of the time-domain and frequency-domain features， completing the classification and identification. Simulation results demonstrate that the proposed method achieves a maximum identification accuracy of 99.79% for 24 types of simulated signals under 30 dB noise environments， exhibiting excellent identification accuracy， stability， and generalization capabilities.

关键词

Keywords

references

CAICEDO J E，AGUDELO-MARTÍNEZ D，RIVAS-TRUJILLO E，et al.A systematic review of real-time detection and classification of power quality disturbances[J].Protection and Control of Modern Power Systems，2023，8（1）：1-37.

肖白，赵雪纯，董光德.电能质量综合评估方法综述与展望[J].发电技术，2024，45（4）：716-733.

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.

SINGH N，ANSARI M A，TRIPATHY M，et al.Feature extraction and classification techniques for power quality disturbances in distributed generation：a review[J].IETE Journal of Research，2023，69（6）：3836-3851.

MOLINA M A J ，ARCHUNDIA R E ，GNECCHI G A J ，et al.Optimal selection of sampling rates and mother wavelet for an algorithm to classify power quality disturbances[J].Computers，2025，14（4）：138-138.

汪飞，全晓庆，任林涛.电能质量扰动检测与识别方法研究综述[J].中国电机工程学报，2021，41（12）：4104-4121.

胡殿刚，马喜平，赵凤展，等.一种基于短时傅里叶变换的电压闪变信号的检测[J].电网与清洁能源，2020，36（3）：27-33，41.

黄建明，瞿合祚，李晓明.基于短时傅里叶变换及其谱峭度的电能质量混合扰动分类[J].电网技术，2016，40（10）：3184-3191.

陈诺，吕干云，叶加星.基于SVM级联决策树的复合电能质量扰动识别[J].电气工程学报，2023，18（2）：149-156.

张博智，张茹，焦东翔，等.基于VMD-SAST的电能质量扰动分类识别方法[J].中国电力，2024，57（2）：34-40.

杨惠.基于深度学习的电能质量扰动识别方法研究[D].大庆：东北石油大学，2022.

TOPALOGLU I.Deep learning based a new approach for power quality disturbances classification in power transmission system[J].Journal of Electrical Engineering & Technology，2023，18（1）：77-88.

ERISTI B，ERISTI H.A new deep learning method for the classification of power quality disturbances in hybrid power system[J].Electrical Engineering，2022，104（6）：3753-3768.

MA J，TANG Q，HE M J，et al.Complex PQD classification using time-frequency analysis and multiscale parallel attention residual network[J].IEEE Transactions on Industrial Electronics，2023，71（8）：9658-9667.

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.

游三正.基于时序二维化与深度学习的电能质量扰动分类方法研究[D].秦皇岛：燕山大学，2024.

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）：369-376.

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.

余雷，刘宏伟，庞宇.基于改进CEEMDAN在电能质量复合扰动去噪中的应用[J].现代电子技术，2024，47（1）：153-158.

蔡改贫，赵小涛，胡显能，等.CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法研究[J].机械科学与技术，2020，39（7）：1077-1085.

柯慧，顾洁.电能质量信号的小波阈值去噪[J].电力系统及其自动化学报，2010，22（2）：103-108.

胡建平，杜影，谢琪，等.基于形态学滤波的快速多通道图像EMD[J].北京航空航天大学学报，2020，46（11）：2007-2017.

王燕，李群湛，高洁.电能质量扰动信号的自适应去噪方法[J].电力系统自动化，2016，40（23）：109-117.

范小龙，谢维成，蒋文波，等.一种平稳小波变换改进阈值函数的电能质量扰动信号去噪方法[J].电工技术学报，2016，31（14）：219-226.

张斌.基于卷积神经网络的电能质量扰动信号分类算法[D].成都：西华大学，2020.

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.

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.

王义国，林峰，李琦，等.基于TCN-LSTM模型的电网电能质量扰动分类研究[J].电力系统保护与控制，2024，52（17）：161-167.

张一帆，潘大志，杨洋，等.工业用户电能质量需求识别与服务策略研究[J].电力需求侧管理，2023，25（5）：110-116.

王康，席燕辉，胡康.一种新的基于深度置信网络的电能质量扰动分类方法[J].电力科学与技术学报，2023，38（1）：171-177.

陈向群，杨茂涛，刘谋海，等.基于模糊聚类分析的电能质量扰动模式识别方法[J].电力科学与技术学报，2022，37（2）：79-85.

陈蓉，杨勇，樊明迪.新型电力系统下电能质量信号的分数域降噪方法研究[J].电测与仪表，2023，60（9）：81-87.

程江洲，张志强，闫冉阳，等.基于SVD-ILMD的暂态电能质量扰动定位检测方法[J].浙江电力，2024，43（8）：1-11.

董光德，李道明，陈咏涛，等.基于粒子群优化与卷积神经网络的电能质量扰动分类方法[J].发电技术，2023，44（1）：136-142.

查看原文

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

地铁供电系统对电网电能质量影响的仿真研究

改进双曲S变换与动态测度结合在电能质量检测中的应用

基于改进HHT的电能质量扰动检测新方法

树形原子分解在电能质量扰动信号中的应用

含超级电容储能系统的统一电能质量调节器的研究