基于遞歸圖和MobileViT的復合電能質量擾動識別

摘" 要：針對復合電能質量擾動（Power Quality Disturbances， PQDs）信號在識別過程中出現的特征提取難、識別效率低等問題，文章提出一種高效的可視化方法和輕量級網絡模型的電能質量擾動識別方法。首先，利用遞歸圖（RP）方法對一維PQDs信號進行可視化以捕捉信號中的非線性動態特征。其次，根據IEEE Std 1159—2019標準對30種PQDs信號進行仿真生成，并采用RP方法建立圖像數據集。再次，采用MobileViT輕量級網絡對自建圖像數據集進行特征提取與分類識別任務。最后，通過與傳統輕量級網絡MobileNetV2和MobileNetV3的對比實驗和魯棒性檢驗，驗證了文章采用方法具有更高的識別準確率和更快的推理速度。

關鍵詞：電能質量擾動；遞歸圖；可視化；MobileViT；輕量級網絡

中圖分類號：TP183" " 文獻標識碼：A" " 文章編號：2096-4706（2025）01-0030-05

Complex Power Quality Disturbances Recognition Based on Recurrence Plot and MobileViT

Abstract： Aiming at the problems of difficult feature extraction and low recognition efficiency in the recognition process of complex Power Quality Disturbances （PQDs） signals， this paper proposes a high efficiency visualization method and a PQDs recognition method of the lightweight network model. Firstly， the Recurrence Plot （RP） method is utilized to visualize one-dimensional PQDs signals to capture the nonlinear dynamic features in these signals. Secondly， according to IEEE Std 1159—2019 standard， 30 types of PQDs signals are simulated and generated， and the image dataset is established by the RP method. Thirdly， the MobileViT lightweight network is used to perform feature extraction and classification recognition tasks on the custom image dataset. Finally， through comparative experiments and robustness tests with the traditional lightweight networks of MobileNetV2 and MobileNetV3， it is verified that the method adopted in this paper has higher recognition accuracy and faster reasoning speed.

Keywords： PQDs; RP; visualization; MobileViT; lightweight network

0" 引" 言

電能質量是電力系統中至關重要的指標，直接影響著電力設備的效能和壽命。隨著工業自動化和智能設備的廣泛應用，工業場景對電能質量的要求越來越高。電能質量問題主要體現在電能質量擾動上，這些擾動不僅會導致電力電子元器件的損壞，也會影響電力系統的正常運行導致經濟損失[1-2]。因此，對于電能質量擾動問題的實時精準識別十分重要[3]。

PQDs的識別與分類主要基于特征提取和識別分類兩個關鍵步驟[4]。特征提取是PQDs分析的基礎，通過從原始的PQDs信號中提取有用信息，為后續的分類和識別提供數據支持。傳統的特征提取方法如傅里葉變換、小波變換、S變換[4-7]等，雖然在某些場景下表現良好，但它們在處理高度非線性和非平穩的PQDs信號表現出一定的局限性。這些方法在提取時間-頻率特征方面不夠有效，且對于復雜或混合類型的擾動識別精度有限。

擾動信號在經過特征提取后通過不同的分類器進行PQDs識別，常見的機器學習技術有支持向量機、隨機森林和K-最近鄰等[8-10]。然而，隨著人工智能技術的快速發展，深度學習方法因其出色的特征學習能力而逐漸成為研究熱點。特別是，卷積神經網絡（Convolution Neural Network， CNN）和Transformer等模型已經在多個領域，如圖像處理、自然語言處理等顯示出其優越的性能[11-13]。文獻[12]利用馬爾可夫轉移場將PQDs信號轉化為二維圖像，通過ResNet建立9個而分類器提取擾動特征，并實現多標簽分類。文獻[13]提出多尺度卷積融合時序Transformer模型，使用不同大小的卷積核捕獲PQDs信號特征，并結合自注意力機制進行特征提取并完成分類任務。然而，這些深度學習模型通常參數眾多，計算復雜，不易直接應用于資源受限的實時電能質量監測系統中。

為此，本文提出一種結合遞歸圖（Recurrence Plot， RP）與MobileViT輕量級網絡的新型PQDs信號處理框架。遞歸圖作為一種的非線性數據分析工具，能有效揭示PQDs信號中的動態變化和周期性結構，而MobileViT網絡則結合了輕量級深度學習架構的高效性與Transformer的全局感知能力，旨在提高特征提取的精度和識別分類的效率。

1" 基于遞歸圖的信號處理方法

1.1" 遞歸圖理論基礎

RP是一種為時間序列提供非線性動態特性分析的可視化方法，可以有效處理非平穩信號并捕捉非線性特征[14]。該方法通過對時序信號的相空間重構，將其映射到高維空間，并且通過距離矩陣的構建，得到二維可視化遞歸圖像，通過圖像特征反映出信號的復雜動態行為和隱藏特征，是一種能夠全面描述時序信號動態行為的可視化工具。其具體理論如下：

對于一個給定的時序信號{x（t）}，通過相空間重構構建狀態向量X（t），其可以表示為：

其中，m為嵌入維數；τ為時間延遲，m和τ通過計算不同信號之間的相關性進行選取。通過式（1）將一維的時間序列映射到高維空間，計算重構后時間序列向量之間的距離，可以得到遞歸矩陣Ri， j為：

其中，‖·‖為歐幾里得距離；ε為遞歸閾值；Θ（·）為Heaviside函數，其表達式為：

在選擇合適的ε后，將Ri，j中值為1的元素對應圖像中的黑點，值為0的元素對應白點。圖1展示了由時序信號通過遞歸圖方法得到的二維圖像。

1.2" 基于RP的PQDs轉換

根據Eqs.（1）～（3）可以看出，RP方法通過將時間序列數據轉換為二維相空間的視覺表示，揭示了數據中的動態變化和周期性結構，適用于處理電能質量信號中的非線性和非平穩信號，圖1展示了部分電能質量信號及其RP圖像。

2" 基于MobileViT網絡結構的分類方法

MobileViT是一種結合CNN和ViT的輕量級混合網絡結構模型，在資源受限的移動設備上也有著較好的表現，其網絡結構如圖2所示。該網絡通過模塊化設計，主要由CNN、MV2和MobileViT block組成，其中卷積層采用深度可分離卷積來捕獲圖像的細粒度局部特征，隨后這些特征被組織成序列，并通過輕量級的Transformer模塊進行處理，以捕獲全局上下文信息。MobileViT模型通過有效融合卷積和Transformer的優勢，顯著提升了在資源受限設備上的視覺任務性能。此外，MobileViT通過適應性地調整卷積和Transformer層的比例，為各種計算預算提供了靈活的模型配置選項，從而在保證效率的同時最大化準確性。

2.1" MV2模塊

MV2模塊是基于MobileNetV2的一種輕量級的深度學習模型，在保持計算效率的同時，可以有效提取圖像的局部特征。MV2通過采用深度可分離卷積技術，顯著降低了參數數量和計算成本。該模塊將傳統的卷積操作分解為深度卷積和逐點卷積兩個步驟，實現了對卷積層的優化。深度卷積對于輸入特征圖X，深度卷積對每個輸入通道獨立應用卷積核，計算式為：

其中，Yk表示第k通道的輸出特征圖，Xk表示第k通道的輸入特征圖，Wk表示對應的卷積核，*表示卷積操作。

逐點卷積則是一個1×1的卷積，用于組合由深度卷積處理后的特征圖的各個通道，計算式為：

其中，X表示深度卷積的輸出，W表示1×1卷積核， 表示卷積操作。

此外，MV2中引入的線性瓶頸層和逆殘差結構進一步優化了信息的流動和特征的表達效率。逆殘差結構在MV2中通過使用線性瓶頸層和殘差連接增強了信息流。對于輸入x，一個典型的逆殘差塊的輸出y通過以下步驟計算：

其中，F表示逆殘差塊的操作，{Wi}表示卷積層的權重集，包括深度卷積和1×1卷積的權重，x表示塊的輸入，y表示輸出。

2.2" MobileViT block模塊

MobileViT Block模塊結構如圖2所示，其主要由卷積層和自注意力層組成。卷積層主要負責提取圖像的局部特征，而自注意力層則處理這些特征，以捕獲全局依賴關系。MobileViT Block的特征提取過程主要如下。

2.2.1" 局部特征提取

輸入特征圖X ∈ RH×W×C，通過一系列卷積層進行處理，其中包括有標準卷積和深度可分離卷積。這一階段的目標是減少特征的空間維度，同時增強模型對輸入數據的表達能力。在經過局部特征提取后得到局部特征輸出XL ∈ RH×W×d，其中H和W分別表示輸入圖像的高度和寬度，C和d分別表示輸入圖像和輸出圖像的通道。

2.2.2" 序列化與變換

處理后的特征圖XL被重新排列成序列的形式XU ∈ RP×N×d，序列化后的特征更有利于Transformer層提取特征。這一步驟是將傳統的二維特征圖轉換為一維特征序列，使其能夠被后續的自注意力機制有效處理。

2.2.3" 全局信息融合

特征序列XU ∈ RP×N×d隨后輸入到Transformer層中進行特征提取，其特征提取過程如下所示：

其中，xi為第i個輸入；Qj、Kj和Vj分別為不同權重的查詢（Query）、鍵（Key）和值（Value）矩陣；Aj為第j個自注意力層；LP0為多頭的線性投影；p為線性投影；LN為層歸一化。通過Transformer層中使用自注意力機制來評估不同區域特征之間的相互作用和依賴性，從而允許模型在全圖范圍內整合信息。

2.2.4" 特征重組

最后，Transformer層的輸出XF ∈ RH×W×d經過卷積層轉換回二維特征圖得到MobileViT Block輸出Y ∈ RH×W×C，以供后續層進一步處理或直接用于最終的分類或回歸任務。

3" 實驗結果與分析

3.1" PQDs數據集建立

根據IEEE Std 1159—2019標準，將常見的電能質量信號分為9種類別，分別為標準、暫降、暫升、中斷、缺口、尖峰、閃變、諧波和暫態振蕩。本文在9種單擾動的基礎上，考慮到多類擾動同時產生，在MATLAB平臺中建立相關數學模型并生成30種單擾動和復合擾動的電能質量擾動數據集，并且通過RP方法將生成的信號映射為相關遞歸圖進行構建數據集，該數據集具體參數描述如表1所示。

本文所搭建模型采用基于Python 3.10中的PyTorch 1.6深度學習框架，實驗數據集訓練與驗證均在64位Ubuntu 2.04操作系統工作站上完成，配置有Inter i9-13900K，64 GB內存，GPU為NVIDIA RTX 4090顯卡。在實驗過程中，模型訓練采用AdamW優化器，學習率設置為0.001，批次大小為64，采用隨機裁剪和反轉增強模型訓練，共計訓練300次。

3.2" 模型性能對比

本文引入了當前主流的輕量級網絡MobileNetV2和MobileNetV3與本文采用的MobileViT進行對比分析，驗證本文采用模型具有更好的性能。在對比實驗中，本文采用了相同的數據集和實驗環境分別進行訓練，訓練結果如表2和圖3所示。

由表2和圖3可知，本文采用的MobileViT模型具有較少的計算量和參數量，在經過300輪模型訓練后，可以達到96.83%的識別準確率，分別比MonileNetV2和MobileNetV3高出3.64%和2.52%。同時，通過驗證集的測試，MobileViT在平均推理時間上可以實現7.16 ms，相比于MobileNetV2和MobileNetV3快出6.43 ms和6.55 ms。因此，這可以證明MobileViT相比于傳統輕量級網絡，其通過結合CNN和Transformer模型在FLOPs、參數量、準確率和平均推理時間上均表現出更好的性能，能夠實現實時的電能質量擾動識別任務，并且更適合于資源受限的移動設備。

3.3" 魯棒性檢驗

在真實場景下采集到的電能質量信號對噪聲更加敏感，從而影響到信號的識別效果。為了驗證模型在噪聲環境下的表現，本文分別在數據集中加入20 dB、30 dB和50 dB的高斯白噪聲來驗證網絡模型的魯棒性。不同模型在噪聲環境下的分類結果如表3所示，其中MobileViT對30類電能質量擾動信號的識別結果如表4所示。

從表3中看出，不同的網絡模型在噪聲環境下的準確率均有不同程度的下降，其中MobileNetV2和MobileNetV3在20 dB噪聲環境下分別下降了3.10%和2.94%。MobileViT在20 dB噪聲環境下仍可以保持94.10%的識別效果，相比于無噪聲環境僅下降了1.73%。并且由表4可以看出，在20 dB高噪聲環境下，MobileViT對于復合擾動的識別效果可以平均保持在95%以上。因此，通過魯棒性檢驗分析可以證明MobileViT模型具有更好的抗噪能力，能夠準確高效地完成復合電能質量擾動識別任務。

4nbsp; 結" 論

針對電能質量擾動信號在資源受限的移動設備上存在識別困難的問題，本文提出了一種基于遞歸圖和MobileViT的電能質量識別分類方法，能夠高效地實現對復合電能質量擾動信號的識別效果，并得出以下結論：

1）通過使用RP方法對一維PQDs信號進行可視化處理，能夠有效地揭示和捕捉信號中的非線性動態特征。這種可視化策略不僅增強了信號的表征能力，也為后續的特征提取和分類識別任務提供了更為豐富和有效的輸入數據。

2）采用MobileViT輕量級網絡處理通過RP方法生成的圖像數據集表現出了顯著的效率和準確性。與傳統的輕量級網絡模型如MobileNetV2和MobileNetV3相比，MobileViT在特征提取和分類識別任務中展示了更高的準確率和更快的推理速度。這表明了MobileViT在處理PQDs信號識別任務中的適用性和優越性。

3）通過與已有技術的對比實驗和魯棒性檢驗，本文驗證了所提方法在實際應用中的有效性和優越性。結果顯示，本研究提出的結合遞歸圖可視化和MobileViT網絡的方法不僅能夠提高識別準確率，還能在保證實時性的同時降低計算資源的需求，這能夠實現實時的電能質量識別任務。

參考文獻：

[1] 張璽，鄭建勇，梅飛，等.基于圖像分析的電能質量擾動邊-云協同辨識框架 [J/OL].中國電機工程學報，2025：1-15[2025-06-23].https：//link.cnki.net/urlid/11.2107.tm. 20240612.1514.018.

[2] 胡雪峰，張亮.基于遷移學習和AlexNet的復合電能質量擾動識別 [J].自動化儀表，2023，44（7）：55-60.

[3] 張逸，歐杰宇，金濤，等.基于特征圖像組合與改進ResNet-18的電能質量擾動識別方法 [J].中國電機工程學報，2024，44（7）：2531-2545.

[4] 王海東，程杉，徐其平，等.基于深度學習融合網絡的含噪電能質量擾動識別方法 [J].電力系統保護與控制，2024，52（10）：11-20.

[5] 朱勇，陶用偉，李澤群.基于S變換與特征優選的電能質量擾動識別 [J].電工技術，2023（21）：97-100.

[6] 李琦，許素安，施閣，等.基于S變換和IWOA-SVM的復合電能質量擾動識別 [J].智慧電力，2023，51（5）：30-35+50.

[7] 李家俊，吳建軍，陳武，等.基于DWT-PCA-LIBSVM的電能質量擾動分類方法 [J].電工電氣，2023（3）：20-24.

[8] 錢少鋒，姚海燕，郭強，等.基于ITD分解和孿生支持向量機的電能質量擾動識別方法研究 [J].電工技術，2023（13）：21-26+31.

[9] 楊曉梅，郭林明，肖先勇，等.基于可調品質因子小波變換和隨機森林特征選擇算法的電能質量復合擾動分類 [J].電網技術，2020，44（8）：3014-3020.

[10] 陳偉，張韻，裴喜平，等.基于案例推理和SVM-KNN的電能質量擾動分類方法 [J].蘭州理工大學學報，2017，43（4）：87-92.

[11] 賀才郡，李開成，董宇飛，等.基于知識蒸餾與RP-MobileNetV3的電能質量復合擾動識別 [J].電力系統保護與控制，2023，51（14）：75-84.

[12] 付寬，王洪新，劉杰，等.基于馬爾可夫變遷場和EfficientNet的復合電能質量擾動識別 [J].電網與清潔能源，2024，40（4）：74-83.

[13] 李貝奧，李開成，肖賢貴，等.基于多尺度卷積融合時間序列Transformer的復合電能質量擾動識別 [J/OL].電網技術，2025：1-12[2025-06-20].https：//link.cnki.net/doi/10.13335/j.1000-3673.pst.2023.1764.

[14] 王繼東，王澤平，張迪.基于遞歸圖和預訓練遷移學習的電能質量擾動分類 [J/OL].南方電網技術，2025：1-10[2025-01-03].https：//link.cnki.net/urlid/44.1643.tk.20240517. 1116.002.