基于Lissajous曲线和YOLOv8的电能质量扰动识别方法

刘 青; 李奥龙; 马 创; 李 杰; 朱一轩

doi:10.20204/j.sp.2025.11013

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Lissajous曲线和YOLOv8的电能质量扰动识别方法

电能质量与系统稳定控制 | 更新时间：2025-12-10

- 基于Lissajous曲线和YOLOv8的电能质量扰动识别方法
- A Power Quality Disturbance Identification Method Based on Lissajous Curve and YOLOv8 Network
- 智慧电力 2025年53卷第11期页码：109-115
- 作者机构：
  
  西安科技大学电气与控制工程学院,陕西,西安,710054
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2025.11013
  中图分类号：
- 纸质出版：2025
- 稿件说明：
移动端阅览
刘青,李奥龙,马创,李杰,朱一轩.基于Lissajous曲线和YOLOv8的电能质量扰动识别方法[J].智慧电力,2025,53(11):109-115.

LIU Qing, LI Aolong, MA Chuang, et al. A Power Quality Disturbance Identification Method Based on Lissajous Curve and YOLOv8 Network[J]. 2025, 53(11): 109-115.
刘青,李奥龙,马创,李杰,朱一轩.基于Lissajous曲线和YOLOv8的电能质量扰动识别方法[J].智慧电力,2025,53(11):109-115. DOI： 10.20204/j.sp.2025.11013.

LIU Qing, LI Aolong, MA Chuang, et al. A Power Quality Disturbance Identification Method Based on Lissajous Curve and YOLOv8 Network[J]. 2025, 53(11): 109-115. DOI： 10.20204/j.sp.2025.11013.

摘要

针对传统电能质量扰动识别方法在处理复合扰动数据时特征提取复杂、识别精度低和运算量大等问题，提出了一种基于Lissajous曲线与YOLOv8网络的复合电能质量扰动识别新方法。该方法首先依据Lissajous曲线参数方程将一维电能质量扰动数据转换为二维椭圆轨迹图像，以增强复合扰动特征的显性表达能力；随后，使用YOLOv8网络作为识别模块对生成的Lissajous曲线图进行分类训练，显著提升对复合扰动的辨识能力；最后，对不同识别方法进行对比分析。实验结果表明，该方法能有效提取电能质量扰动特征，在不同噪声环境下对17类电能质量扰动均实现了高精度识别，显著改善了传统方法在复合扰动识别中精度不足的问题。

Abstract

To address the issues of complex feature extraction， low recognition accuracy， and high computational load in traditional methods for identifying composite power quality disturbances， this paper proposes a novel identification approach based on Lissajous curve and the YOLOv8 network. The method first converts one-dimensional power quality disturbance data into two-dimensional elliptical trajectory images using Lissajous curve parametric equations， thereby enhancing the distinct representation of composite disturbance features. Subsequently， the YOLOv8 network is employed as the recognition module to perform classification training on the generated Lissajous curve figures， significantly improving the identification capability for composite disturbances. Finally， a comparative analysis of different identification methods is conducted. Experimental results demonstrate that the proposed method can effectively extract power quality disturbance features， achieve high-accuracy identification of 17 types of power quality disturbances under different noise environments， and substantially alleviate the insufficient recognition accuracy of traditional methods in handling composite disturbances.

关键词

Keywords

references

李琦，许素安，施阁，等.基于S变换和IWOA-SVM的复合电能质量扰动识别[J].智慧电力，2023，51（5）：30-35，50.

奚鑫泽，邢超，覃日升，等.基于多层特征融合注意力网络的电能质量扰动识别方法[J].智慧电力，2022，50（10）：37-44.

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.

张逸，欧杰宇，金涛，等.基于特征图像组合与改进ResNet-18的电能质量扰动识别方法[J].中国电机工程学报，2024，44（7）：2531-2545.

商立群，李朝彪，邓力文，等.基于ISSA-XGBoost的电能质量扰动识别方法研究[J].电力系统保护与控制，2024，52（13）：115-124.

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.

张明龙，张振宇，罗翔，等.基于多核支持向量机的混合扰动波形辨识算法研究[J].电力系统保护与控制，2022，50（15）：43-49.

伊慧娟，高云鹏，朱彦卿，等.基于自适应不完全S变换与LOO-KELM算法的复合电能质量扰动识别[J].电力自动化设备，2022，42（1）：199-205.

徐长宝，古庭赟，高云鹏，等.基于改进小波阈值函数和变分模态分解的电能质量扰动检测[J].湖南大学学报（自然科学版），2020，47（6）：77-86.

肖白，李道明，穆钢，等.基于SA-PSO算法优化CNN的电能质量扰动分类模型[J].电力自动化设备，2024，44（5）：185-190.

王守相，李慧强，赵倩宇，等.基于时序二维变换和多尺度Transformer的电能质量扰动分类方法[J].电力系统自动化，2025，49（7）：198-207.

王海东，程杉，徐其平，等.基于深度学习融合网络的含噪电能质量扰动识别方法[J].电力系统保护与控制，2024，52（10）：11-20.

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.

罗溢，李开成，肖贤贵，等.基于马尔可夫转移场和深度残差网络的电能质量复合扰动多标签分类[J].中国电机工程学报，2024，44（7）：2519- 2531.

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.

IEEE Recommended practice for monitoring electric power quality[S].IEEE Std.1159-2019 （Revision of IEEE Std.1159-2009），2019.

戴瑞成，董翔，赵璧，等.基于混合深度学习的变电站巡检机器人目标识别算法研究[J].智慧电力，2025，53（3）：117-123.

史可鉴，朱义东，胡大伟，等.基于YOLOv8n的配电网高温故障预警无损检测方法研究[J].电网与清洁能源，2025，41（7）：19-26.

吴怀诚，刘家强，岳蕾，等.基于多特征融合的卷积神经网络的电能质量扰动识别方法[J].电网与清洁能源，2023，39（9）：19-23，31.

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.

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

基于CDAE和TCN/BLSTM模型的电能质量扰动分类方法