Python电能质量扰动信号分类(七)基于CNN-TCN-Attention的扰动信号识别模型

2024-04-17 10:09:03

往期精彩内容：

电能质量扰动信号数据介绍与分类-Python实现-****博客

Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类-****博客

Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类-****博客

Python电能质量扰动信号分类(三)基于Transformer的一维信号分类模型-****博客

Python电能质量扰动信号分类(四)基于CNN-BiLSTM的一维信号分类模型-****博客

Python电能质量扰动信号分类(五)基于CNN-Transformer的一维信号分类模型-****博客

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型-****博客

Python电能质量扰动信号分类(六)基于扰动信号特征提取的超强机器学习识别模型

交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention电能质量扰动识别模型_交叉注意力机制融合特征-****博客

交叉注意力融合时域、频域特征的FFT + CNN -Transformer-CrossAttention电能质量扰动识别模型-****博客

注意：本模型继续加入 Python电能质量信号分类模型代码全家桶 中，之前购买的同学请及时更新下载

包括完整28类单一扰动、复合扰动数据公式的python实现，以及已经生成制作好的信号数据集，对应代码均可以运行（有了介绍的代码，不管多少种复合信号都可以实现，代码注释解释的很详细）

环境：python 3.9 pytorch1.8 及其以上

高性价比、高质量代码

CNN-TCN-Attention模型：

输入数据维度为[32, 1, 1024], 先送入CNN网络进行1d的卷积池化提取空间特征，然后把卷积池化后的特征送入TCN层提取时序特征，最后通过自注意力进行多尺度特征融合，最终送入全连接层和softmax进行分类诊断。

前言

本文基于Python仿真的电能质量扰动信号，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现CNN-TCN-Attention模型对电能质量扰动信号的分类。Python仿真电能质量扰动信号的详细介绍可以参考下文（文末附10分类数据集）：

电能质量扰动信号数据介绍与分类-Python实现_python给电压数据做分类-****博客

部分扰动信号类型波形图如下所示：

1 电能质量扰动数据的预处理

1.1 导入数据

在参考IEEE Std1159-2019电能质量检测标准与相关文献的基础上构建了扰动信号的模型，生成包括正常信号在内的10中单一信号和多种复合扰动信号。参考之前的文章，进行扰动信号10分类的预处理：

第一步，按照公式模型生成单一信号

单一扰动信号可视化：

2.2 制作数据集

制作数据集与分类标签

2 基于CNN-TCN-Attention的扰动信号识别模型

2.1 定义CNN-TCN-Attention分类网络模型

2.2 设置参数，训练模型

50个epoch，准确率将近97%，CNN-TCN-Attention网络分类效果显著，CNN-TCN-Attention模型能够充分提取电能质量扰动信号的多尺度特征，收敛速度快，性能特别优越，效果明显。

注意调整参数：

可以适当增加 TCN层数和每层维度数，微调学习率；
微调CNN层数和每层神经元个数，增加更多的 epoch （注意防止过拟合）
可以改变一维信号堆叠的形状（设置合适的长度和维度）

2.3 模型评估

准确率、精确率、召回率、F1 Score

故障十分类混淆矩阵：

代码、数据如下：

对数据集和代码感兴趣的，可以关注最后一行

# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100)  # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
#代码和数据集：https://mbd.pub/o/bread/ZZ2Xm5lv

码农公寓