邻碘苯甲酸（IBX）在芳基肼作为芳基化试剂的条件下，实现了4-氨基吡咯并嘧啶的氧化N-芳基化反应

《Next Research》：o-Iodoxybenzoic acid (IBX) mediated oxidative N-arylation of 4-amino pyrrolo-pyrimidine by using arylhydrazine as an arylating counterpart

铁磁谐振检测方法改进及性能验证，基于LSTM优化与离散小波变换的特征提取。

　　在现代电力系统中，尤其是主动配电网（Active Distribution Networks, ADN）中，铁磁谐振（Ferro-Resonance, FR）作为一种重要的电磁现象，对电能质量产生了深远的影响。铁磁谐振通常由变压器饱和、非线性负载、以及电网操作等引发，其表现形式包括电压和电流的异常升高，可能对电力设备造成损坏，尤其是变压器。因此，准确检测并区分铁磁谐振与其他瞬态事件（如电容器组投切、负载切换、短路等）对于保障电网安全运行具有重要意义。

近年来，许多研究致力于开发有效的检测方法，其中基于小波变换（Wavelet Transform, WT）的神经网络方法得到了广泛应用。例如，有研究利用小波变换进行信号分解，并结合竞争神经网络进行分类，实现了对铁磁谐振的识别。此外，也有研究采用多层感知机（Multi-Layer Perceptron, MLP）和核主成分分析（Kernel Principal Component Analysis, KPCA）等技术，进一步提高了分类的准确性。然而，这些传统方法在面对复杂信号和多样化瞬态事件时，仍然存在一定的局限性，尤其是在准确性和计算效率方面。

随着深度学习技术的发展，基于长短期记忆网络（Long Short-Term Memory, LSTM）的模型因其对时间序列数据的优异处理能力，逐渐成为铁磁谐振检测的重要工具。LSTM网络能够自动提取信号中的时间-频率特征，相较于传统方法减少了人工特征工程的需求。然而，LSTM网络的性能在很大程度上依赖于其参数的优化，包括隐藏层的数量、最大学习周期以及权重系数等。为了进一步提升检测精度和效率，本研究提出了一种改进的LSTM网络模型，并结合萤火虫算法（Firefly Algorithm, FA）对网络参数进行优化，从而实现更准确的铁磁谐振识别。

在数据准备方面，本研究使用PSCAD软件环境对ADN中的多种瞬态事件进行了仿真，包括单相、两相和三相断线、电容器组投切、负载切换以及各种类型的短路等。通过对三相电压信号进行六级离散小波变换（Discrete Wavelet Transform, DWT），提取了详细的系数和近似系数，用于构建训练和测试数据库。选择六级小波分解的依据是，该分解能够有效分离信号中的频率成分，形成七个不同的频率带，且带宽随着频率的增加呈线性变化。这一特性有助于更好地捕捉铁磁谐振的频率特征，同时减少计算复杂度和时间消耗。

为了进一步提升LSTM网络的性能，本研究引入了萤火虫算法对网络参数进行优化。萤火虫算法是一种基于群体智能的优化方法，其灵感来源于萤火虫的发光行为和群体移动模式。该算法能够高效搜索最优参数组合，从而提高LSTM网络在铁磁谐振检测中的准确性和响应速度。通过优化隐藏层的数量、最大学习周期以及权重系数，LSTM网络能够在更短的时间内完成训练，并在测试阶段表现出更高的识别能力。

为了验证所提出模型的有效性，本研究在ADN中进行了数值实验，并将结果与LSTM-GA、LSTM-PSO、LSTM-CNN、Transformer和GRU等其他模型进行了比较。评估指标包括准确率、精确度、召回率和F1分数，这些指标能够全面反映模型在铁磁谐振识别中的性能。实验结果表明，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。

此外，本研究还探讨了小波变换在信号分解中的应用。小波变换具有多分辨率特性，能够在不同频率范围内提供不同的时间分辨率。这一特性使得小波变换成为分析复杂信号的有效工具。在本研究中，采用db8小波作为母小波，对三相电压和电流信号进行六级分解，提取了详细的系数和近似系数，用于构建训练数据库。通过这种方式，模型能够更好地识别信号中的非线性特征，从而提高对铁磁谐振的检测能力。

为了进一步提升检测效果，本研究还开发了新的特征提取方法。例如，闭式小波变换（Closed-form Wavelet Transform）是一种改进的小波变换方法，能够更精确地计算信号在不同频率带的能量分布。虽然闭式小波变换在计算过程中需要更多的资源，但其能够更全面地表示信号的频率内容，有助于提高模型的识别能力。然而，为了加快检测速度并减少计算复杂度，本研究在构建训练数据库时并未采用闭式小波变换，而是选择了更高效的六级小波分解方法。

在模型的构建过程中，本研究还考虑了不同算法在铁磁谐振检测中的应用。例如，支持向量机（Support Vector Machine, SVM）、卷积神经网络（Convolutional Neural Network, CNN）、以及学习向量量化神经网络（Learning Vector Quantization Neural Network, LVQNN）等方法都曾被用于铁磁谐振的识别。这些方法在分类准确率方面通常可以达到93%至97%的水平，但它们在面对多种瞬态事件时，往往无法同时区分铁磁谐振与其他事件。因此，本研究的重点在于通过优化LSTM网络的参数，提高其在复杂信号环境下的识别能力。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测和识别需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

此外，本研究还探讨了深度学习与传统机器学习方法的对比。深度学习方法，如LSTM网络，能够自动提取复杂特征，减少了人工特征工程的需求。然而，深度学习模型在训练和测试过程中需要更多的计算资源和时间，这在一定程度上增加了实施成本。相比之下，传统机器学习方法，如支持向量机和多层感知机，虽然在处理小规模数据时表现良好，但在面对大规模和复杂数据时，其性能和效率往往不如深度学习模型。因此，本研究选择使用LSTM网络作为主要的分类工具，以充分发挥其在时间序列数据处理中的优势。

在模型的优化过程中，萤火虫算法被用于调整LSTM网络的参数，包括隐藏层的数量、最大学习周期以及权重系数。萤火虫算法能够有效搜索最优参数组合，从而提高模型的检测能力。通过优化这些参数，LSTM网络能够在更短的时间内完成训练，并在测试阶段表现出更高的识别精度。此外，本研究还考虑了不同优化目标对分解层数的影响，例如，当主要目标是估计时，通常选择较少的分解层数；而当主要目标是提取周期特征时，则选择较多的分解层数。最终，本研究选择了六级分解作为最优值，以平衡估计和提取的需求。

为了进一步提高模型的检测效果，本研究还考虑了多种评估指标，包括准确率、精确度、召回率和F1分数。这些指标能够全面反映模型在铁磁谐振识别中的性能。实验结果表明，优化后的LSTM网络在这些指标上均优于其他模型，尤其是在准确率和速度方面表现出更高的优势。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，本研究还探讨了不同算法在铁磁谐振检测中的应用，包括S-transform、CWT和DWT等，这些方法在不同场景下的表现各有优劣，但均未能达到LSTM网络在优化后的识别效果。

在实际应用中，铁磁谐振的检测需要考虑多种因素，包括电网的运行状态、设备参数、以及瞬态事件的类型。因此，构建一个全面且准确的数据库对于训练和测试模型至关重要。本研究通过仿真生成了多种瞬态事件的数据，并利用小波变换提取了关键特征，为模型的训练提供了坚实的基础。同时，为了提高模型的鲁棒性，本研究还考虑了不同频率带的特征分布，以确保模型能够适应各种频率范围内的信号变化。

本研究的创新点主要体现在以下几个方面：首先，采用离散小波变换作为特征提取工具，对三相电压和电流信号进行六级分解，以构建训练和测试数据库；其次，使用LSTM网络作为分类工具，利用小波分解后的时间序列数据进行训练，提高对铁磁谐振的识别能力；第三，通过萤火虫算法对LSTM网络的参数进行优化，包括隐藏层的数量、最大学习周期以及权重系数，从而实现更高的检测精度；第四，建立了包括准确率、精确度和F1分数在内的评估指标，用于全面评估模型的性能。

为了进一步验证模型的有效性，本研究在ADN中进行了数值实验，并将结果与其他方法进行了对比。实验结果显示，优化后的LSTM网络在准确率和速度方面均优于其他模型，尤其是在区分铁磁谐振与其他瞬态事件时表现出更高的可靠性。此外，