FFT+CNN-BiGRU-Attention 电能质量扰信号分类:一维信号分类

作品简介

此代码已经继续加入 电能质量扰动信号—高创新分类模型全家桶 (mbd.pub)

https://mbd.pub/o/bread/mbd-ZpWXmpty

全家桶包括以下内容:

1.FFT+CNN-BiGRU-Attention 电能质量扰信号分类:一维信号分类 (mbd.pub)

2.基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型 (mbd.pub)

3.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 (mbd.pub)

4.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 (mbd.pub)

5.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 (mbd.pub)


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

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FFT+CNN-BiGRU-Attention 分类模型代码

环境:python 3.9

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;

导读.png

前言

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):

部分扰动信号类型波形图如下所示:

复合扰动信号.png

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。

封面.png


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。


公式.png


第一步,导入部分数据, 扰动 信号 可视化

数据1.png


第二·步,扰动·信号经过FFT可视化

数据2.png


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

10分类公式.png


单一扰动信号可视化:

二维信号.png

2.2 制作数据集

第一步,定义制作数制作数据集1.png


第二步,制作数据集与分类标签

制作数据集2.png


3 基于FFT+CNN-BiGRU-Attention的扰动信号识别模型

3.1 网络定义模型

模型定义.png

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

训练过程.png

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Transformer编码器层数和维度数,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)


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。


3.1  模型评估

准确率、精确率、召回率、F1 Score

模型评估.png

十分类混淆矩阵:

混淆矩阵.png

面包多.png

创作时间: