目录
[1 数据集制作与加载](#1 数据集制作与加载)
[1.1 导入数据](#1.1 导入数据)
[1.2 制作数据集](#1.2 制作数据集)
[2 LSTM分类模型和超参数选取](#2 LSTM分类模型和超参数选取)
[2.1 定义LSTM分类模型](#2.1 定义LSTM分类模型)
[2.2 定义模型参数](#2.2 定义模型参数)
[3 LSTM模型训练与评估](#3 LSTM模型训练与评估)
[3.1 模型训练](#3.1 模型训练)
[3.2 模型评估](#3.2 模型评估)
往期精彩内容：
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru轴承数据集-CSDN博客
电能质量扰动信号数据介绍与分类-Python实现-CSDN博客
引言
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，然后通过Pytorch实现LSTM模型对扰动信号的分类。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-CSDN博客
部分扰动信号类型波形图如下所示：
1 数据集制作与加载
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：
第二步，导入十分类数据
python
import pandas as pd
import numpy as np
# 样本时长0.2s 样本步长512 每个信号生成500个样本 噪声0DB
window_step = 512
samples = 500
noise = 0
split_rate = [0.7, 0.2, 0.1] # 训练集、验证集、测试集划分比例
# 读取已处理的 CSV 文件
dataframe_10c = pd.read_csv('PDQ_10c_Clasiffy_data.csv' )
dataframe_10c.shape1.2 制作数据集
第一步，定义制作数据集函数
第二步，制作数据集与分类标签
python
from joblib import dump, load
# 生成数据
train_dataframe, val_dataframe, test_dataframe = make_data(dataframe_10c, split_rate)
# 制作标签
train_xdata, train_ylabel = make_data_labels(train_dataframe)
val_xdata, val_ylabel = make_data_labels(val_dataframe)
test_xdata, test_ylabel = make_data_labels(test_dataframe)
# 保存数据
dump(train_xdata, 'TrainX_512_0DB_10c')
dump(val_xdata, 'ValX_512_0DB_10c')
dump(test_xdata, 'TestX_512_0DB_10c')
dump(train_ylabel, 'TrainY_512_0DB_10c')
dump(val_ylabel, 'ValY_512_0DB_10c')
dump(test_ylabel, 'TestY_512_0DB_10c')2 LSTM分类模型和超参数选取
2.1 定义LSTM分类模型
注意：输入数据进行了堆叠 ，把一个1*512 的序列 进行划分堆叠成形状为 32 * 16， 就使输入序列的长度降下来了。
2.2 定义模型参数
python
# 定义模型参数
batch_size = 64
input_dim = 32
hidden_layer_sizes = [64, 128]
output_dim = 10
model = LSTMnetwork(batch_size, input_dim, hidden_layer_sizes, output_dim) # 模型
model = model.to(device)
# 定义损失函数和优化函数
loss_function = nn.CrossEntropyLoss(reduction='sum') # loss
learn_rate = 0.0003
optimizer = torch.optim.Adam(model.parameters(), learn_rate) # 优化器3 LSTM模型训练与评估
3.1 模型训练
训练结果
300个epoch，准确率将近98%，LSTM网络分类模型效果良好，继续调参还可以进一步提高分类准确率。
注意调整参数：
-
可以适当增加 LSTM 层数和每层神经元个数，微调学习率；
-
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）
3.2 模型评估
python
# 模型 测试集 验证
import torch.nn.functional as F
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 有GPU先用GPU训练
# 加载模型
model =torch.load('best_model_lstm.pt')
# 将模型设置为评估模式
model.eval()
# 使用测试集数据进行推断
with torch.no_grad():
correct_test = 0
test_loss = 0
for test_data, test_label in test_loader:
test_data, test_label = test_data.to(device), test_label.to(device)
test_output = model(test_data)
probabilities = F.softmax(test_output, dim=1)
predicted_labels = torch.argmax(probabilities, dim=1)
correct_test += (predicted_labels == test_label).sum().item()
loss = loss_function(test_output, test_label)
test_loss += loss.item()
test_accuracy = correct_test / len(test_loader.dataset)
test_loss = test_loss / len(test_loader.dataset)
print(f'Test Accuracy: {test_accuracy:4.4f} Test Loss: {test_loss:10.8f}')
Test Accuracy: 0.9770 Test Loss: 0.22114271