基于卷積神經網絡和Transformer的電能質量擾動分類

中圖分類號：TN915.04-34；TP183；TM711 文獻標識碼：A 文章編號：1004-373X（2025）16-0113-10

PQDsclassificationbasedonconvolutional neural networkandTransformer

WANGGaofeng，ZHANGHao，QIANYun，GAOMan

Abstract：With the large-scaleapplication of new energy，the probabilityof power quality disturbance （PQDs）events is increasedsignificantlyandthesedisturbancescancausesignificantloses topowerdistributionsystems.Therefore，amethodof PQDclassification basedonconvolutional neuralnetwork（CNN）and Transformerisproposed，namely CTranCAM.Inthis method，theconvolutionoperationofCNNisusedtoautomaticallyextractlocalfeaturesofPQDssignal timeseries，andthen multi-headatentionmechanisminTransformerisusedtomodeltheglobalandlong-termrelationshipsofteextractedfeatures tocompensatefortheshortcomingsofCNNinprocesingglobalinformation.Therecognitionresultsareoutputbymeansoffully conectedlayer.Thesimulationof25typesofsynthesizedPQDsdataisconductedbymeansof CTranCAMmethod.Theresults showthat the classification accuracy of this method is99.60% under noise free conditions，and canreach 99.20%， 99.36% ，and 99.40% at signal-to-noiseratiosof 3OdB，40dB，and5OdB，respectively.Ithasgoodnoiseresistanceand generalization performace.Incomparison withperformanceofothermethods，theproposed methodhasgood classfication performancein different noise environments，which is an excellent PQDs classification method.

Keywords：powerquality disturbance;convolutional neural network；Transformer model; multi-headatention mechanism; featureextraction;classificationperformance

0 引言

隨著資源枯竭和環境惡化問題日益嚴峻，可再生能源如太陽能和風能的廣泛應用成為主要解決方案。但由于可再生能源具有波動性和隨機性等突出特點，導致電網中電能質量擾動（PowerQualityDisturbances，PQDs）事件的概率顯著增加[1-2。典型的PQDs事件不僅包括諧波、電壓閃變、電壓中斷、電壓瞬降、暫態振蕩等單一擾動，還包括這些單一擾動任意組合的多重擾動。PQDs對正常電能質量調節提出了嚴峻挑戰，而且會對國民經濟造成重大影響。因此，針對PQDs設計一種高效、準確的分類方法，對于電力系統的正常運行和國民生產具有重要意義。

近年來，學者們一直致力于PQDs分類的研究。傳統的電能質量擾動識別分類分為兩個步驟：對信號特征進行提取；根據提取的特征進行分類3。傳統特征提取方法有小波變換、傅里葉變換、希爾伯特-黃變換、S變換、經驗模態分解、變分模態分解等。小波變換具有變化的分辨率，但缺點是技術復雜度較高，母小波類型選擇過于重要且抗噪性差。傅里葉變換僅適用于穩態PQDs，并會對時變暫態擾動提供錯誤的結果。希爾伯特-黃變換存在端點效應和模態混疊現象。S變換需要大量實驗確定高時頻分辨率的窗寬因子，特征提取效率低、成本高。經驗模態分解存在模態混疊問題，并且對噪聲過于敏感。變分模態分解的主要缺點是易受邊界效應影響，且存在信號突變。

傳統的PQDs分類識別方法在提取信號有用特征后，便使用各種分類方法對PQDs擾動進行分類。常見的分類方法有人工神經網絡]、支持向量機[11-2]、決策樹[13]、k近鄰法[14]、隨機森林[15]、BP神經網絡[16]、貝葉斯分類極限學習機等。其中人工神經網絡具有較強的魯棒性和容錯能力，但存在局部極小值收斂問題，并且有些參數需要人工調整，存在人為的經驗局限性。支持向量機在使用較少的數據樣本進行訓練時，仍然具有較好的泛化能力，但缺點是難以選擇合適的核函數和正則化參數。決策樹分類方法的性能主要取決于特征選擇和確定分類閾值，且決策樹對組合PQDs的適用性較弱。文獻[14]應用k近鄰法對不同PQDs進行自動分類，發現k近鄰法在處理數據時需要的時間較長。BP神經網絡在使用Sigmoid函數時會導致學習速度變慢。極限學習機的性能很大程度上取決于其參數，但合理調整其參數是一大難點；另外，PQDs通常以組合PQDs而不是單一PQDs形式出現，更加大了分類的難度。

近年來，深度學習算法滲透到了各個研究領域。卷積神經網絡（ConvolutionalNeuralNetwork，CNN）是目前較為流行的深度學習網絡，它通過模擬人腦結構和自訓練能力，不僅可以獨立提取數據特征，還可以在此基礎上直接對數據特征進行分類。研究人員將采集到的PQDs信號直接輸入到CNN中，經過反復迭代神經網絡結構來計算損失和更新權重，優化CNN網絡中的參數，然后對PQDs信號進行分類。文獻[19]應用CNN對PQDs進行分類，分類準確率達到了 84.58% 。文獻[20]在PQDs分類中將CNN與現有的其他方法進行了比較，得出CNN的分類準確率較高。但CNN同樣具有局限性，即全局建模能力較弱。而Transformer通過自注意力機制捕獲輸入序列中長距離依賴關系的全局特征，能夠彌補CNN本身的弊端。

為了有效分類PQDs，本文基于CNN和Transformer各自的特點，提出一種CTranCAM分類方法。該方法使用CNN的多層卷積操作自動提取輸人PQDs數據序列的局部特征，再結合Transformer的自注意力機制對這些特征進行全局處理并完成分類。這種方式不僅減少了人工特征的分類誤差，還提高了分類準確率。為了更好地結合CNN和Transformer并提升模型性能，還引人了通道注意力機制（ChannelAttentionMechanism，CAM），通過注意力機制增強模型對輸入特征的表征能力，優化特征提取過程，從而提升模型的分類性能和泛化能力。通過仿真實驗并與其他方法進行比較發現，本文模型能夠對包括單一、二重和三重的組合PQDs進行有效分類，且擁有良好的抗噪性和泛化能力。

1建立PQDs數學模型

現實中的電能質量擾動數據難以獲得，因此本文使用仿真信號。根據IEEE1159標準，使用合成參數方程共生成25種PQDs數學模型，其中包括10種單一擾動、12種二重擾動和3種三重擾動。它們的類別標簽為：正常信號（C1）、電壓暫升（C2）電壓暫降（C3）、諧波（C4）、閃變（C5）、電壓中斷（C6）、暫態脈沖（C7）、暫態振蕩（C8）電壓缺口（C9）、電壓尖峰（C10）、電壓暫升 + 諧波（C11）、電壓暫降 + 諧波（C12）電壓中斷 + 諧波（C13）、諧波 + 閃變（C14）、暫態脈沖 + 諧波（C15）、暫態振蕩 + 諧波（C16）、電壓暫升 + 閃變（C17）、電壓暫降 + 閃變（C18）、暫態振蕩 + 閃變（C19）暫態脈沖 + 閃變（C20）電壓暫升 + 暫態振蕩（C21）、電壓暫降 + 暫態振蕩（C22）、電壓暫升 + 暫態振蕩 + 諧波（C23）、電壓暫降 + 暫態振蕩 + 諧波（C24）、暫態振蕩 + 閃變 + 諧波（C25）。

電能質量擾動數據的采樣頻率為 6400Hz ，持續時間為 0.2s ，采樣長度為1280個點，采樣時間為10個周期，基頻 f 為 50Hz ，振幅 A 為 為單位階躍函數，擾動信號的幅值和發生時間均隨機。標簽數據采用獨熱編碼模式，如{1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，00，0，0，0，0.0}，表示樣本屬于第一類。因為真實的PQD數據通常包含不同噪聲，因此本文在訓練集和驗證集中添加了不同級別的高斯白噪聲。對于25種PQDs數據，每種擾動信號含有1000組數據，共生成25000組。本文數據集按照7：2：1劃分成訓練集、驗證集和測試集，數據集的簡要說明如表1所示。單一PQDs信號數學模型及其參數如表2所示，多重擾動由單一擾動組合而成。

表1數據集簡要說明

2 PQDs分類模型

2.1 CNN

CNN主要由輸入層、卷積層、池化層、全連接層組成，核心模塊是卷積層和池化層。CNN具有局部連接、權值共享和降采樣等優點，這不僅減少了網絡參數的數量，使網絡易于優化，能更好地處理和提取數據的局部特征，還降低了網絡模型的復雜性，比其他算法需要的預處理更少。

CNN的基本結構如圖1所示。

表2單一PQDs信號數學模型及參數

圖1CNN基本結構

當PQDs數據輸人到CNN時，首先進行卷積操作。卷積層包含一些可學習的濾波器，這些濾波器會使用不同感受野來提取每個局部區域的特征，然后添加偏置，并通過非線性函數激活獲得輸出數據。輸人數據與輸出結果之間的關系如下：

式中： ?_：Yi 代表輸出結果 ;f（?） 代表激活函數； W_j 代表第j層卷積核的權重； b_j 代表第j層偏置向量； ”代表卷積運算。

在CNN架構中有很多種激活函數，其中ReLU函數在模仿人類腦電波和實現非線性激活方面非常成功，相比其他激活函數，可以有效解決梯度消失和梯度爆炸問題。因此，在CNN模型中通常選擇ReLU函數作為激活函數。

池化層可以對前一層的輸出數據進行下采樣，通過減少卷積層之間的連接數量來降低計算壓力和維數，同時保留有用的特征信息。池化層不僅有利于減少訓練時間，還能夠提高網絡的泛化能力來避免過擬合。最后數據進入全連接層進行分類。分類通常使用softmax函數，它將輸人映射在0～1之間，以獲得不同PQDs類別的概率進行分類。CNN的各層之間使用批量歸一化和丟棄層（Dropout）來處理過擬合和梯度消失問題。批量歸一化是一種提高CNN穩定性的方法，它將每個小批量的標準偏差保持在其平均值附近。Dropout隨機刪除部分神經元，以防止訓練過程中的過擬合。

2.2 Transformer模型

Transformer是一種Seq2Seq模型，由多個Transformer基礎模塊組成，一般采用編碼器-解碼器結構。每個Transformer基礎模塊由多頭注意力模塊、前饋模塊、殘差連接模塊和歸一化模塊構成。在本文中，CAM的輸出被用作編碼器的輸入，編碼器使用原始Transformer編碼器，而解碼器則被全連接層取代。Transformer模型結構如圖2a）所示，多頭注意力機制結構如圖2b）所示。

圖2Transformer模型和多頭注意力機制結構

多頭注意力模塊是Transformer模型的核心模塊，由H 個縮放點積注意力組成，這使模型能夠關注不同位置以及不同表征子空間的信息。首先，輸入序列進入線性編碼層，通過對應的權重矩陣運算來生成相應的查詢矩陣Q、鍵矩陣 K 和值矩陣V；然后由縮放點積注意力對 Q，K，V 進行處理。計算過程可以表示為：

式中： 代表權重矩陣； X 代表帶有維度的輸人序列； Attention（?） 代表注意力機制的計算函數； D_κ 代表 Q，K，V 的維度； softmax（?） 代表歸一化指數函數。

最后，經過 H 個縮放點積注意力的計算結果被拼接起來，通過線性變換獲得最終輸出。計算過程可以表示為：

Md（Q，K，V）=Concat（hd₀，hd₁，hd₂，…，hd_H）W^o

式中： hd 代表注意力頭數； Md（?） 代表多頭注意力模塊；

W^o 代表參數矩陣； Concat（?） 代表拼接操作。

前饋模塊由2個全連接層組成，2個全連接層中間采用ReLU激活函數，它擴展了模型的解空間，從而獲得更好的結果。殘差連接模塊和歸一化模塊始終存在于多頭注意力模塊和前饋模塊的后面，殘差連接模塊的目的是防止因模型深度增加而發生退化問題，歸一化模塊的目的是加快模型訓練的速度和提高模型訓練的穩定性。

綜上所述，前饋模塊中的輸出公式如下：

FF=ReLU（YW₁+b₁）W₂+b₂

output=LayerNorm（Y+FF）

式中：FF代表前饋模塊的輸出； W₁?W₂?b₁?b₂ 分別代表2個全連接層的權重參數和偏置參數； 代表經過殘差連接和歸一化后的最終輸出。

Transformer模型輸入的是一個序列數據，但自注意力機制并不具備捕捉標記位置特征的能力。為了解決這個問題，在Transformer模型中加入位置編碼，使輸入數據具有位置信息。

位置編碼計算公式如下所示：

式中：PE代表位置編碼； d_m 代表向量的維度； i 代表位置編碼向量的維度索引;pos代表數據的位置。

2.3 CAM模塊

CAM模塊是一種用于增強深度神經網絡特征表征能力的技術，通常用于注意力機制的設計中，旨在自適應地學習不同通道之間的重要性，并加權不同通道的特征響應，從而增強網絡模型對關鍵特征的表達能力。

CAM結構如圖3所示，輸人特征首先分別經過全局最大池化和全局平均池化操作，得到2個特征；然后使用多層感知機（MultilayerPerceptron，MLP）對這2個特征進行處理，以獲得2個通道特征。MLP具有2個一維的卷積層和1個ReLU激活函數，其中，第一卷積層用于壓縮通道數，第二卷積層用于恢復通道數。將2個特征逐元素相加后，由Sigmoid激活函數來獲得通道注意力特征。

2.4CTranCAM模型網絡結構

CTranCAM模型的網絡結構如圖4所示，主要分為CNN層、CAM層、Transformer層和分類輸出層四部分。本文模型的具體超參數設置如表3所示。

在CNN層進行PQDs數據的特征提取。CNN通過對卷積核的窗口大小和步幅調整，捕捉PQDs數據的局部特征；其次，利用池化層來降低特征維數。本文在CAM層對通道維度進行重點關注，在Transformer層使用位置編碼來表示序列中采樣點的位置，通過多頭注意力機制捕捉序列中的長距離依賴關系，使用殘差連接和歸一化模塊避免網絡退化問題并提高訓練速度，最后數據輸入到分類輸出層。

表3模型超參數設置

圖3CAM結構

圖4CTranCAM模型網絡結構

本文模型采用全連接層和softmax函數獲得模型識別的PQDs類別標簽，通過反復迭代網絡結構來實現訓練數據的相關傳播規則，從而優化網絡參數，最終訓練出高精度的PQDs識別網絡。

3實驗結果及分析

本文基于PyTorch深度學習框架和Python搭建模型，訓練環境的軟硬件參數如表4所示。模型訓練批次大小為250，迭代次數為100次，初始學習率設置為0.0003，Dropout的超參數設置為0.5。選擇Adam作為優化器，交叉熵損失函數作為損失函數，ReLU函數作為激活函數。

表4軟硬件參數

3.1分類性能評估

為了驗證所提方法的有效性，另外構建了2種深度模型作為對比，對比模型說明如下。

1）CNN：在本文CTranCAM模型基礎上，只保留CNN模塊，其他超參數不變。

2）Transformer：在本文CTranCAM模型基礎上，只保留Transformer模塊，其他超參數不變。

3種模型均使用第1節的數據進行訓練和測試。不同信噪比下對25類PQDs的分類準確率結果如表5所示。

表5不同模型對25類PQDs分類的準確率 %

從表5可以看出，CTranCAM模型在不同信噪比時對PQDs分類準確率最高。該方法在無噪聲環境下整體準確率分別比CNN和Transformer高 3.96% 和 26.16% 在4種環境下的平均準確率比CNN高 3.97% ，比Transformer高 27.91% ，并且該方法在噪聲環境下的準確率均高于 99% 。說明CTranCAM較好地結合了CNN的局部信息提取能力和Transformer的全局信息處理能力兩種特點，提高了PQDs的分類準確率，并具有良好的抗噪性。

圖5中的混淆矩陣清楚地顯示了3種網絡模型在40dB 時的預測結果。

對所提方法的訓練狀態進行評估，以信噪比為40dB為例繪制出訓練集和驗證集的準確率曲線和損失函數值曲線，結果如圖6所示。

從圖中可以發現，CTranCAM大約在第30次時表現出穩定的趨勢，準確率曲線幾乎重疊，損失函數值曲線也接近。這說明網絡已經收斂，沒有發生過擬合現象，并且收斂速度快。

F₁ 分數是精確率和召回率的一種調和平均數，關系著精確率和召回率的平衡，因此它的大小和模型質量呈正相關關系。3種方法在無噪聲和信噪比為 30dB 、40dB、50dB時得到的25種PQDs的 F₁ 分數值如圖 7～ 圖10所示。

從圖中可以發現，在無噪聲和信噪比為 30dB 、40dB、50dB時，CTranCAM的測試結果分別有24、23、23、24類PQDs的 F₁ 分數高于另外2個網絡，說明CTranCAM質量最好，能夠比其他2種方法提供更好的分類性能。

ROC曲線下面積（AreaUnderCurve，AUC）是衡量分類優劣的一種性能指標。3種方法在信噪比為40dB時的R0C曲線和AUC結果如圖11～圖13所示。

從圖中可以發現，CNN的AUC值相比于Transformer更接近1，而CTranCAM的AUC值又高于CNN，說明該方法分類性能最好。同時該方法每個類別的ROC曲線之間間隙較小，表明其對PQDs分類具有跨類別一致性。

3.2與其他方法比較分析

將本文方法與現有的擾動分類方法進行對比，進一步驗證該方法的性能。比較方法為格拉姆角場與深度殘差網絡的方法（GAF+ResNet18）[21、多分辨奇異值分解與隨機森林的方法（MRSVD-RF）[22]、可視化軌跡圓技術與深度殘差網絡的方法（ResNet18）[23]、基于支持向量機級聯決策樹方法（SVM）[24、小波神經網絡的方法（WNN）[25]、多粒度特征選擇和模型融合的方法（VPFNRS-Stacking）26]，對比結果如表6所示。

表6與其他方法的性能比較結果

由表6可以發現，與其他方法相比，本文所提方法在不同信噪比下具有最高的分類準確率，性能優于其他方法。

為了更直觀地驗證本文方法的有效性，將該方法和文獻[27]方法在不同噪聲強度下進行對比，具體如表7所示。

從表7可以發現，相較于文獻[27]方法，本文方法在擾動分類的準確率方面表現良好，分類的整體準確率也有了很大提升，同時能夠處理的信號范圍較廣泛。此外，本文方法在處理復合擾動時也有良好的表現，適合在噪聲環境下進行PQDs分類研究。

圖640dB時CTranCAM訓練過程

圖9不同方法的 F₁ 分數（ 40dB ）

4結論

為了提高PQDs在不同噪聲環境下的分類準確率，本文提出一種CTranCAM分類方法，用于單一和多重PQDs分類。基于CNN在局部特征的提取上具有優勢，以及Transformer能夠很好地捕獲全局依賴關系，將CAM引入2個子網絡的連接處，便于模型集中關注那些在特定任務中更加重要的特征通道，從而提高分類方法。

圖7不同方法的 F₁ 分數（無噪聲）

圖8不同方法的 F₁ 分數（30dB）

圖10不同方法的 F₁ 分數（50dB）

圖11CNN的ROC曲線

1）本文所提方法不需要其他預處理操作，能夠直接處理PQDs信號。該方法合并了特征提取與擾動識別兩步，簡化了分類步驟，不需要人工提取擾動特征，降低了成本，提高了分類準確率。

圖12Transformer的ROC曲線

圖13CTranCAM的ROC曲線

表7在不同噪聲環境下的擾動分類準確率對比 %

2）本文方法具有優秀的分類能力和泛化能力，不同信噪比下25種PQDs仿真信號的分類平均準確率達到了 99.22% ，并且最高準確率和最低準確率僅差 0.4% ，證明該方法具有較強的抗噪性。

3）與其他方法相比，本文方法收斂速度快，識別精度高，具有較好的跨類別一致性。

未來研究將重點關注如何通過優化網絡結構來使該方法具有更高的PQDs分類準確率，以及擴大模型應用范圍。

注：本文通訊作者為錢云。

參考文獻

[1] ZHANG L H， JIANG C M， CHAI Z S，et al. Adversarial attack and training for deep neural network based power quality disturbanceclassification [J]. Engineering applicationsof artificial intelligence，2024，127：107245.

[2] KHOKHAR S， ZIN A A M，MEMON A P， et al. A new optimal feature selection algorithm for classification of power quality disturbances using discrete wavelet transform and probabilistic neural network [J].Measurement，2017， 95：246-259.

[3]高凱.基于深度學習的電能質量擾動檢測與識別方法研究[D]. 沈陽：東北大學，2020.

[4]姚望，張英，王明偉，等.基于WPT和SSA-BP的直流充電樁充 電模塊故障診斷[J].南方電網技術，2023，17（9）：85-93.

[5] SINGH O J，WINSTON D P，BABU B C，et al.Robust detection of real-time power quality disturbances under noisy condition using FTDD features [J]. Automatika，2019， 60（1）：11- 18.

[6]方一勝.基于改進HHT的電能質量擾動檢測方法研究[D].鄭 州：鄭州大學，2020.

[7]趙俊，楊洪耕，李偉.利用S變換與變尺度模板標準化的短時 電能質量擾動分類[J].南方電網技術，2010，4（3）：72-76.

[8]ACHLERKARPD，SAMANTARAYSR，MANIKANDANMS. Variational mode decomposition and decision tree based detection and classification of power quality disturbances in gridconnected distributed generation system [J]. IEEE transactions on smart grid，2018，9（4）：3122-3132.

[9] MISHRA M.Power quality disturbance detection and classification using signal processing and soft computing techniques：A comprehensivereview[J].Internationaltransactionson electrical energy systems，2019，29（8）： e12008.

[10]王康，席燕輝，胡康.一種新的基于深度置信網絡的電能質量 擾動分類方法[J].電力科學與技術學報，2023，38（1）：171- 177.

[11]張明龍，張振宇，羅翔，等.基于多核支持向量機的混合擾動 波形辨識算法研究[J].電力系統保護與控制，2022，50（15）： 43-49.

[12]ABDOOSAA，MIANAEIPK，GHADIKOLAEI MR. Combined VMD-SVM based feature selection method forclassification of power quality events [J].Applied soft computing，2O16，38： 637-646.

[13]BISWAL M，DASH P K.Measurement and classification of simultaneous power signal patternswith an s-transform variant andfuzzy decision tree [J]. IEEE transactions on industrial informatics，2013， 9（4）：1819-1827.

[14]PANIGRAHIBK，PANDIVR.Optimalfeatureselectionfor classification of power quality disturbances using wavelet packet-based fuzzy k -nearest neighbour algorithm [J].IET generation transmission amp; distribution，20o9，3（3）：296-306.

[15]AKMAZ D.A new signal processing approach/method for classification of power quality disturbances [J]. Digital signal processing，2022，130：103701.

[16]TANG Q，QIU W，ZHOU YC.Classification of complex power quality disturbances using optimized s-transform and kernel SVM [J]. IEEE transactions on industrial electronics， 2020，67（11）： 9715-9723.

[17]LUOY，LIKC，LIYZ，etal.Three-layerBayesiannetwork forclassification of complex power quality disturbances [J]. IEEE transactions on industrial informatics，2018，14（9）： 3997- 4006.

[18]魏萱，張浩毅，趙晨，等.基于自適應權重混合策略主動學習 的電能質量復合擾動識別[J].華南師范大學學報（自然科學 版），2023，55（6）：55-62.

[19]GARCIACI，GRASSOF，LUCHETTAA，etal.Acomparison ofpower quality disturbance detection and classification methods using CNN，LSTM and CNN-LSTM [J].Applied sciences-basel，2020，10（19）：6755.

[20]劉燁，程杉，王瑞，等.基于小波降噪和深度學習的電能質量 擾動分類方法[J].電力系統及其自動化學報，2022，34（11）： 17-23.

[21]賀才郡，李開成，楊王旺，等.基于雙通道GAF和深度殘差網 絡的電能質量復合擾動識別[J].電網技術，2023，47（1）：369- 379.

[22]張家寧，羅月婉，郭林明，等.基于多分辨奇異值分解包和隨 機森林的電能質量擾動分類研究[J].計算機應用與軟件， 2023，40（9）：296-302.

[23]蘭名揚，劉宇龍，金濤，等.基于可視化軌跡圓和ResNet18的 復合電能質量擾動類型識別[J].中國電機工程學報，2022，42 （17）：6274-6286.

[24]陳諾，呂干云，葉加星.基于SVM級聯決策樹的復合電能質 量擾動識別[J].電氣工程學報，2023，18（2）：149-156.

[25]UYAR M，YILDIRIM S，GENCOGLU M T.An effective wavelet-based feature extraction method for classification of power quality disturbance signals [J].Electric power systems research，2008，78（10）：1747-1755.

[26]阮梓航，肖先勇，胡文曦，等.基于多粒度特征選擇和模型融 合的復合電能質量擾動分類特征優化[J].電力系統保護與控 制，2022，50（14）：1-10.

[27]伊慧娟，高云鵬，朱彥卿，等.基于自適應不完全S變換與 LOO-KELM算法的復合電能質量擾動識別[J].電力自動化設 備，2022，42（1）：199-205.

作者簡介：王高峰（1998—），男，山東聊城人，碩士研究生，研究方向為電能質量分析。張昊（1999—），男，河北滄州人，碩士研究生，研究方向為深度學習和智能電力調度。錢云（1972—），女，吉林吉林人，博士研究生，副教授，研究方向為深度學習與智能電網。高蔓（2000—），女，河南信陽人，碩士研究生，研究方向為電力電子與電力傳動。