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

往期精彩内容：

引言

[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 CNN-BiLSTM分类模型和超参数选取](#2 CNN-BiLSTM分类模型和超参数选取)

2.1定义CNN-BiLSTM分类模型

[2.2 设置参数，训练模型](#2.2 设置参数，训练模型)

[3 模型评估](#3 模型评估)

[3.1 准确率、精确率、召回率、F1 Score](#3.1 准确率、精确率、召回率、F1 Score)

[3.2 十分类混淆矩阵：](#3.2 十分类混淆矩阵：)

代码、数据如下：

---

往期精彩内容：

电能质量扰动信号数据介绍与分类-Python实现-CSDN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-CSDN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-CSDN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-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CNN-BiLSTM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_电磁信号分类python-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

import pandas as pd
import numpy as np

# 样本时长0.2s  样本步长1024  每个信号生成500个样本  噪声0DB  
window_step = 1024
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.shape

1.2 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

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_1024_0DB_10c')
dump(val_xdata, 'ValX_1024_0DB_10c')
dump(test_xdata, 'TestX_1024_0DB_10c')
dump(train_ylabel, 'TrainY_1024_0DB_10c')
dump(val_ylabel, 'ValY_1024_0DB_10c')
dump(test_ylabel, 'TestY_1024_0DB_10c')

2 CNN-BiLSTM分类模型和超参数选取

2.1定义CNN-BiLSTM分类模型

​

注意：输入数据维度为64, 1, 1024, 先送入CNN网络进行1d的卷积池化，然后再把卷积池化的空间特征送入BiLSTM进行信号时域特征的提取，最终送入全连接层和softmax进行分类。

2.2 设置参数，训练模型

100个epoch，准确率将近98%，CNN-BiLSTM模型分类效果良好，分类准确率高，性能优越，适当调整模型参数，可以进一步提高分类准确率。

注意调整参数：

• 可以适当增加 CNN层数和隐藏层维度数，微调学习率；

• 增加BiLSTM层数和维度数，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）

3 模型评估

3.1 准确率、精确率、召回率、F1 Score

3.2 十分类混淆矩阵：

代码、数据如下：