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

目录

往期精彩内容：

引言

1 数据集制作与加载

1.1 导入数据

1.2 制作数据集

2 CNN-Transformer分类模型和超参数选取

2.1定义CNN-Transformer分类模型

2.2 设置参数，训练模型

3 模型评估

3.1 准确率、精确率、召回率、F1 Score

3.2 十分类混淆矩阵：

代码、数据如下：

---

往期精彩内容：

电能质量扰动信号数据介绍与分类-Python实现-CSDN博客

Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类-CSDN博客

Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类-CSDN博客

Python电能质量扰动信号分类(三)基于Transformer的一维信号分类模型-CSDN博客

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-CSDN博客

引言

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，然后通过Pytorch实现CNN-Transformer模型对扰动信号的分类。

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）：

电能质量扰动信号数据介绍与分类-Python实现_pypower计算电网频率质量-CSDN博客

部分扰动信号类型波形图如下所示：

1 数据集制作与加载

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：

第二步，导入十分类数据

import pandas as pd
import numpy as np

# 样本时长0.2s  样本步长1024  每个信号生成500个样本  噪声0DB  
window_step = 1024
samples = 500
noise = 0
split_rate = [0.7, 0.2, 0.1]  # 训练集、验证集、测试集划分比例

# 读取已处理的 CSV 文件
dataframe_10c = pd.read_csv('PDQ_10c_Clasiffy_data.csv' )
dataframe_10c.shape

1.2 制作数据集

第一步，定义制作数据集函数

第二步，制作数据集与分类标签

2 CNN-Transformer分类模型和超参数选取

2.1定义CNN-Transformer分类模型

注意：输入数据维度为[64, 1, 1024], 先送入CNN网络进行1d的卷积池化，然后再把卷积池化的空间特征送入Transformer进行信号特征增强，最终送入全连接层和softmax进行分类。

2.2 设置参数，训练模型

100个epoch，准确率将近100%，CNN-Transformer模型分类效果良好，分类准确率高，性能优越，适当调整模型参数，可以进一步提高分类准确率。

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）

3 模型评估

3.1 准确率、精确率、召回率、F1 Score

3.2 十分类混淆矩阵：

代码、数据如下：

对数据集和代码感兴趣的，可以关注最后一行

# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100)  # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
#代码和数据集：https://mbd.pub/o/bread/ZZmZkphy