基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的电能质量扰动识别模型

目录

往期精彩内容:

引言

[1 快速傅里叶变换FFT原理介绍](#1 快速傅里叶变换FFT原理介绍)

第一步,导入部分数据,扰动信号可视化

第二步,扰动·信号经过FFT可视化

[2 电能质量扰动数据的预处理](#2 电能质量扰动数据的预处理)

[2.1 导入数据](#2.1 导入数据)

第一步,按照公式模型生成单一信号

[2.2 制作数据集](#2.2 制作数据集)

第一步,定义制作数

第二步,制作数据集与分类标签

[3 基于FFT+CNN-BiGRU-Attention的扰动信号识别模型](#3 基于FFT+CNN-BiGRU-Attention的扰动信号识别模型)

[3.1 网络定义模型](#3.1 网络定义模型)

[3.2 设置参数,训练模型](#3.2 设置参数,训练模型)

[3.3 模型评估](#3.3 模型评估)

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

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-CSDN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-CSDN博客

引言

本文基于Python仿真的电能质量扰动信号,进行快速傅里叶变换(FFT)的介绍与数据预处理,最后通过Python实现基于FFT的CNN-BiGRU-Attention并行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_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:

模型整体结构

模型整体结构如下所示,一维故障信号经过FFT变换的频域特征以及信号本身的时域特征分别经过CNN卷积池化操作,提取全局特征,然后再经过BiGRU提取时序特征,通过注意力层增强融合特征,最后经过全连接层和softmax输出分类结果。

1 快速傅里叶变换FFT原理介绍

傅里叶变换是一种信号处理和频谱分析的工具,用于将一个信号从时间域转换到频率域。而快速傅里叶变换(FFT)是一种高效实现傅里叶变换的算法,特别适用于离散信号的处理。

第一步,导入部分数据,扰动信号可视化

第二步,扰动·信号经过FFT可视化

2 电能质量扰动数据的预处理

2.1 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

第一步,定义制作数

第二步,制作数据集与分类标签

3 基于FFT+CNN-BiGRU-Attention的扰动信号识别模型

3.1 网络定义模型

注意:输入故障信号数据形状为 [64, 1024], batch_size=64, ,1024代表序列长度。

3.2 设置参数,训练模型

50个epoch,准确率将近98%,用FFT+CNN-BiGRU-Attention融合网络模型分类效果显著,模型能够充分提取电能质量扰动信号的空间和时序特征和频域特征,收敛速度快,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和BiGRU层数和隐藏层维度数,微调学习率;

  • 改变自注意力维度数,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)

3.3 模型评估

准确率、精确率、召回率、F1 Score

十分类混淆矩阵:

代码、数据如下:

相关推荐
飞哥数智坊1 天前
GPT-5-Codex 发布,Codex 正在取代 Claude
人工智能·ai编程
倔强青铜三1 天前
苦练Python第46天:文件写入与上下文管理器
人工智能·python·面试
虫无涯1 天前
Dify Agent + AntV 实战:从 0 到 1 打造数据可视化解决方案
人工智能
Dm_dotnet1 天前
公益站Agent Router注册送200刀额度竟然是真的
人工智能
算家计算1 天前
7B参数拿下30个世界第一!Hunyuan-MT-7B本地部署教程:腾讯混元开源业界首个翻译集成模型
人工智能·开源
机器之心1 天前
LLM开源2.0大洗牌:60个出局,39个上桌,AI Coding疯魔,TensorFlow已死
人工智能·openai
Juchecar1 天前
交叉熵:深度学习中最常用的损失函数
人工智能
林木森ai1 天前
爆款AI动物运动会视频,用Coze(扣子)一键搞定全流程(附保姆级拆解)
人工智能·aigc
聚客AI1 天前
🙋‍♀️Transformer训练与推理全流程:从输入处理到输出生成
人工智能·算法·llm
BeerBear1 天前
【保姆级教程-从0开始开发MCP服务器】一、MCP学习压根没有你想象得那么难!.md
人工智能·mcp