Power Quality Disturbance Classification Method Based on Time-series Two-dimensional Transformation and Multi-scale Transformer

WANG Shouxiang; LI Huiqiang; ZHAO Qianyu; GUO Luyang; WANG Tongxun; WANG Yang

doi:10.7500/AEPS20240412005

您当前的位置：

首页 >

文章列表页 >

Power Quality Disturbance Classification Method Based on Time-series Two-dimensional Transformation and Multi-scale Transformer

Basic Research | 更新时间：2025-06-16

- Power Quality Disturbance Classification Method Based on Time-series Two-dimensional Transformation and Multi-scale Transformer
- Automation of Electric Power Systems Vol. 49, Issue 7, Pages: 198-207(2025)
- 作者机构：
  
  1.智能电网教育部重点实验室（天津大学），天津市 300072
  2.天津市电力系统仿真控制重点实验室（天津大学），天津市 300072
  3.国网智能电网研究院有限公司，北京市 102209
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2023YFB2407500)
- DOI：10.7500/AEPS20240412005
  CLC：
- Received：12 April 2024，
  
  Revised：2024-10-30，
  
  Published Online：16 December 2024，
  
  Published：10 April 2025
- 稿件说明：
移动端阅览
王守相,李慧强,赵倩宇等.基于时序二维变换和多尺度Transformer的电能质量扰动分类方法[J].电力系统自动化,2025,49(7):198-207.

WANG Shouxiang,LI Huiqiang,ZHAO Qianyu,et al.Power Quality Disturbance Classification Method Based on Time-series Two-dimensional Transformation and Multi-scale Transformer[J].Automation of Electric Power Systems,2025,49(7):198-207.
王守相,李慧强,赵倩宇等.基于时序二维变换和多尺度Transformer的电能质量扰动分类方法[J].电力系统自动化,2025,49(7):198-207. DOI： 10.7500/AEPS20240412005.

WANG Shouxiang,LI Huiqiang,ZHAO Qianyu,et al.Power Quality Disturbance Classification Method Based on Time-series Two-dimensional Transformation and Multi-scale Transformer[J].Automation of Electric Power Systems,2025,49(7):198-207. DOI： 10.7500/AEPS20240412005.

摘要

随着新能源渗透率的不断提高，电网面临的电能质量扰动（PQD）问题变得更加复杂，基于一维PQD信号的传统分类方法难以同时提取并辨识周期性与趋势性扰动。针对此问题，提出了一种基于时序二维变换和多尺度Transformer的PQD分类方法。首先，利用时序二维变换将一维PQD时间序列转换为一组基于多个周期的二维张量，以实现在二维空间中深入挖掘PQD信号中所包含的特征信息。然后，通过多尺度Transformer编码器模块提取PQD信号的多尺度特征图，利用多尺度Transformer解码器模块对多尺度特征图进行拼接和特征融合，有效合并在不同尺度上提取的特征图。最后，通过全连接层和Softmax分类器完成PQD分类任务。为验证所提方法的有效性，建立了含24种PQD的数据集对模型进行测试，结果表明所提方法对PQD信号具有较高的分类准确率和噪声鲁棒性。

Abstract

With the increasing penetration of renewable energy

the power quality disturbance (PQD) problem faced by the power grid has become more complicated. The traditional classification method based on one-dimensional PQD signals has difficulty in extracting and identifying periodic and trend disturbances at the same time. To address this problem

this paper proposes a PQD classification method based on time-series two-dimensional transformation and multi-scale Transformer. First

the time-series two-dimensional transformation is used to convert the one-dimensional PQD time series into a set of two-dimensional tensors based on multiple periods

to deeply mine the characteristic information contained in the PQD signals in the two-dimensional space. Then

the multi-scale feature map of the PQD signal is extracted through the multi-scale Transformer encoder module. And the multi-scale Transformer decoder module is used to splice and fuse the multi-scale feature maps

for effectively merging the feature maps extracted on different scales. Finally

the PQD classification task is accomplished through a fully connected layer and a Softmax classifier. To verify the effectiveness of the proposed method

a dataset containing 24 kinds of PQD is established to test the model. The results indicate that the proposed method has a high classification accuracy and noise robustness for PQD signals.

关键词

Keywords

references

张勇军，羿应棋，李立浧，等 . 双碳目标驱动的新型低压配电系统技术展望［J］. 电力系统自动化， 2022 ， 46 （ 22 ）： 1 - 12 .

ZHANG Yongjun ， YI Yingqi ， LI Licheng ， et al . Prospect of new low-voltage distribution system technology driven by carbon emission peak and carbon neutrality targets ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 22 ）： 1 - 12 .

胡博，谢开贵，邵常政，等 . 双碳目标下新型电力系统风险评述：特征、指标及评估方法［J］. 电力系统自动化， 2023 ， 47 （ 5 ）： 1 - 15 .

HU Bo ， XIE Kaigui ， SHAO Changzheng ， et al . Commentary on risk of new power system under goals of carbon emission peak and carbon neutrality： characteristics， indices and assessment methods ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 5 ）： 1 - 15 .

何晋伟，孟维奇，蒋玮，等 . 新能源配电网电能质量典型问题分析及应对策略［J］. 高电压技术， 2023 ， 49 （ 7 ）： 2983 - 2994 .

HE Jinwei ， MENG Weiqi ， JIANG Wei ， et al . Power quality problems in renewable energy power distribution systems： analysis and solutions ［J］. High Voltage Engineering ， 2023 ， 49 （ 7 ）： 2983 - 2994 .

MAHELA O P ， KHAN B ， ALHELOU H H ， et al . Power quality assessment and event detection in distribution network with wind energy penetration using stockwell transform and fuzzy clustering ［J］. IEEE Transactions on Industrial Informatics ， 2020 ， 16 （ 11 ）： 6922 - 6932 .

ANGGRIAWAN D O ， WAHJONO E ， SUDIHARTO I ， et al . Identification of short duration voltage variations based on short time Fourier transform and artificial neural network ［C］// 2020 International Electronics Symposium （IES）， September 29-30 ， 2020 ， Surabaya， Indonesia ： 43 - 47 .

HONG W H ， LIU Z W ， WU X Y . Power quality disturbance recognition based on wavelet transform and convolutional neural network ［C］// 2021 IEEE International Conference on Artificial Intelligence and Computer Applications （ICAICA）， June 28-30 ， 2021 ， Dalian， China ： 193 - 197 .

LIANG C B ， TENG Z S ， LI J M ， et al . A Kaiser window-based S-transform for time-frequency analysis of power quality signals ［J］. IEEE Transactions on Industrial Informatics ， 2022 ， 18 （ 2 ）： 965 - 975 .

MA J ， LIU J ， QIU W ， et al . An intelligent classification framework for complex PQDs using optimized KS-transform and multiple fusion CNN ［J］. IEEE Transactions on Industrial Informatics ， 2024 ， 20 （ 2 ）： 1776 - 1785 .

马嘉秀，徐玮浓，何复兴，等 . 基于WT和SVM的电能质量分类识别方法［J］. 智慧电力， 2019 ， 47 （ 3 ）： 16 - 22 .

MA Jiaxiu ， XU Weinong ， HE Fuxing ， et al . A novel power quality classification and identification method based on WT and SVM ［J］. Smart Power ， 2019 ， 47 （ 3 ）： 16 - 22 .

李祖明，吕干云，陈诺，等 . 基于混沌集成决策树的电能质量复合扰动识别［J］. 电力系统保护与控制， 2021 ， 49 （ 21 ）： 18 - 27 .

LI Zuming ， LÜ Ganyun ， CHEN Nuo ， et al . Recognition of hybrid PQ disturbances based on a chaos ensemble decision tree ［J］. Power System Protection and Control ， 2021 ， 49 （ 21 ）： 18 - 27 .

WANG S X ， CHEN H W . A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network ［J］. Applied Energy ， 2019 ， 235 ： 1126 - 1140 .

王义国，林峰，李琦，等 . 基于TCN-LSTM模型的电网电能质量扰动分类研究［J］. 电力系统保护与控制， 2024 ， 52 （ 17 ）： 161 - 167 .

WANG Yiguo ， LIN Feng ， LI Qi ， et al . Classification of power quality disturbances in a power grid based on the TCN-LSTM model ［J］. Power System Protection and Control ， 2024 ， 52 （ 17 ）： 161 - 167 .

LI H X ， YI B S ， LI Q X ， et al . Evaluation of DC power quality based on empirical mode decomposition and one-dimensional convolutional neural network ［J］. IEEE Access ， 2020 ， 8 ： 34339 - 34349 .

龚正，邹阳，金涛，等 . 基于特征融合并行优化模型的电能质量扰动分类方法［J］. 中国电机工程学报， 2023 ， 43 （ 3 ）： 1017 - 1027 .

GONG Zheng ， ZOU Yang ， JIN Tao ， et al . Classification method of power quality disturbances based on optimized parallel model of features merging ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 3 ）： 1017 - 1027 .

CUI C H ， DUAN Y J ， HU H L ， et al . Detection and classification of multiple power quality disturbances using stockwell transform and deep learning ［J］. IEEE Transactions on Instrumentation and Measurement ， 2022 ， 71 ： 1 - 12 .

郑炜，林瑞全，王俊，等 . 基于GAF与卷积神经网络的电能质量扰动分类［J］. 电力系统保护与控制， 2021 ， 49 （ 11 ）： 97 - 104 .

ZHENG Wei ， LIN Ruiquan ， WANG Jun ， et al . Power quality disturbance classification based on GAF and a convolutional neural network ［J］. Power System Protection and Control ， 2021 ， 49 （ 11 ）： 97 - 104 .

WU H X ， HU T G ， LIU Y ， et al . TimesNet： temporal 2D-variation modeling for general time series analysis ［EB/OL］. ［ 2024-03-20 ］. https：//arxiv.org/abs/2210.02186v3 https://arxiv.org/abs/2210.02186v3 .

YANG J ， KE A H ， YU Y X ， et al . Scene sketch semantic segmentation with hierarchical Transformer ［J］. Knowledge-Based Systems ， 2023 ， 280 ： 110962 .

XIE E Z ， WANG W H ， YU Z D ， et al . SegFormer： simple and efficient design for semantic segmentation with transformers ［EB/OL］. ［ 2024-03-20 ］. https：//arxiv.org/abs/2105.15203 https://arxiv.org/abs/2105.15203 .

LIU Y L ， JIN T ， MOHAMED M A . A novel dual-attention optimization model for points classification of power quality disturbances ［J］. Applied Energy ， 2023 ， 339 ： 121011 .

IEEE recommended practice for monitoring electric power quality： IEEE Std.1159—2019 ［S］. 2019 .

金星，周凯翔，于海洲，等 . 基于卷积神经网络与Transformer的电能质量扰动分类方法［J］. 科学技术与工程， 2024 ， 24 （ 16 ）： 6726 - 6733 .

JIN Xing ， ZHOU Kaixiang ， YU Haizhou ， et al . Power quality disturbances classification method based on convolutional neural network and Transformer ［J］. Science Technology and Engineering ， 2024 ， 24 （ 16 ）： 6726 - 6733 .

王海东，程杉，徐其平，等 . 基于深度学习融合网络的含噪电能质量扰动识别方法［J］. 电力系统保护与控制， 2024 ， 52 （ 10 ）： 11 - 20 .

WANG Haidong ， CHENG Shan ， XU Qiping ， et al . Identification of power quality disturbance with noises based on an integrated deep learning network ［J］. Power System Protection and Control ， 2024 ， 52 （ 10 ）： 11 - 20 .

林海雪 . 第1讲供电电压偏差标准［J］. 建筑电气， 2011 ， 30 （ 4 ）： 3 - 9 .

LIN Haixue . Lecture one： standard of supply voltage deviation ［J］. Building Electricity ， 2011 ， 30 （ 4 ）： 3 - 9 .

林海雪 . 第2讲电力系统频率偏差标准［J］. 建筑电气， 2011 ， 30 （ 5 ）： 10 - 14 .

LIN Haixue . Lecture two： standard of frequency deviation for power system ［J］. Building Electricity ， 2011 ， 30 （ 5 ）： 10 - 14 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Synchronous Measurement Data-driven Classification Method for Disturbance Sources in Distribution Networks

Optimal Mitigation Method for Unbalanced Voltage at Point of Common Coupling Considering Operation Constraints of Photovoltaic Converter

Ultra-short-term Load Forecasting Considering Missing Data in Anomalous Scenarios

Related Author

CHEN Zhilin

LIU Hao

BI Tianshu

TANG Yajie

FENG Qifan

GONG Diyang

LIN Da

LI Zhihao

Related Institution

State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University)

Electric Power Research Institute of State Grid Zhejiang Electric Power Co., Ltd.

College of Electrical Engineering, Zhejiang University

College of Artificial Intelligence and Automation, Hohai University

School of Applied Technology, Nanjing Institute of Technology

⁰