此代码已经继续加入Python电能质量信号分类模型代码全家桶：Python电能质量信号分类模型代码全家桶 (mbd.pub)
全家桶包括以下内容：
1.Python-电能质量扰动信号数据集生成与分类 (mbd.pub)
2.电能质量扰信号分类：Pytorch-LSTM一维信号分类 (mbd.pub)
3.Pytorch-CNN电能质量扰信号分类：一维信号分类 (mbd.pub)
4.Pytorch-Transformer电能质量扰信号分类：一维信号分类 (mbd.pub)
5.CNN-BiLSTM电能质量扰信号分类：一维信号分类 (mbd.pub)
6.CNN-Transformer电能质量扰信号分类：一维信号分类 (mbd.pub)
7.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 (mbd.pub)
包括 完整的电能质量扰信号数据集， 以及已经生成制作好的十分类扰动信号数据集、分类数据和标签集，对应代码均可以运行
包括数据预处理的代码，和CNN-TCN-Attention分类模型代码
创新网络分类效果显著，模型能够充分提取信号的空间和时序特征和频域特征，收敛速度快，性能优越, 精度高。创新度也有！！！
环境：python 3.9 pytorch 1.8 及其以上都可以
任何环境安装或者代码问题，请联系作者沟通交流，对于购买者，作者免费解决后续问题，关注微信公众号[建模先锋]，联系作者；
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）：
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
3.1 定义CNN-TCN-Attention分类网络模型
3.2 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）
3.3 模型评估
准确率、精确率、召回率、F1 Score
故障十分类混淆矩阵：
往期精彩内容：
Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类
Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类
Python电能质量扰动信号分类(三)基于Transformer的一维信号分类模型
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
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
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
基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型