《Energies》：A Method for Identifying Power Quality Disturbances Based on Adaptive KS Transform and Multimodal Feature Fusion
Jie Liu,
Zixian Yin,
Di Zhang and
Ziqian Li
编辑推荐：
随着新能源接入规模扩大，电网中非线性负载比例增加，导致冲击扰动事件频发。电能质量扰动（PQDs）的类型日趋复杂，对扰动信号的精确识别提出了更高要求。为此，研究人员提出一种基于自适应KS变换（AKST）与多模态特征融合网络（MFNet）的PQD识别方法。首先，利
随着新能源接入规模扩大，电网中非线性负载比例增加，导致冲击扰动事件频发。电能质量扰动（PQDs）的类型日趋复杂，对扰动信号的精确识别提出了更高要求。为此，研究人员提出一种基于自适应KS变换（AKST）与多模态特征融合网络（MFNet）的PQD识别方法。首先，利用改进的红嘴蓝鹊优化算法（ARBMO）对传统KS变换窗函数参数进行自适应优化，实现PQD的精确时频定位。其次，考虑PQD在不同模态下的差异化特征，结合所提自适应KS变换，构建了包含时域、频域和时频域三个分支的并行MFNet；为进一步增强特征提取能力并减少信息损失，在网络中引入残差结构。多组对比实验结果表明，所提方法在20 dB噪声下平均分类准确率达99.52%，并表现出良好的抗噪声性能。
随着新能源并网规模的持续扩大，电网中非线性负载与冲击性负荷占比显著增加，导致电能质量扰动（PQDs）事件频发且类型日趋复杂。传统时频分析方法如Stockwell变换（ST）及其改进算法，因固定窗函数参数难以适应非平稳复合扰动，且单模态特征提取易造成信息损失，限制了复杂PQD的识别精度。为解决上述问题，该研究成果发表于《Energies》期刊，提出一种基于自适应KS变换（AKST）与多模态特征融合网络（MFNet）的PQD识别方法。研究人员利用改进的红嘴蓝鹊优化算法（ARBMO）自适应优化Kaiser窗控制函数参数，构建了包含时域经验模态分解（EMD）、频域短时傅里叶变换（STFT）和时频域AKST的三分支并行MFNet，通过残差结构与可学习加权融合策略实现高精度分类。实验表明，该方法在20 dB信噪比（SNR）下平均准确率达99.52%，硬件平台验证了实时可行性，为智能电网电能质量监测提供了可靠工具。
在关键技术方法方面，研究人员主要采用以下三个核心模块：（1）自适应KS变换（AKST）：通过ARBMO算法以能量集中度最大化为目标，动态优化Kaiser窗控制函数的参数（a, p, b），实现高分辨率时频分析；（2）多模态特征融合网络（MFNet）：并行提取EMD时域模态、STFT频域模态和AKST时频域模态特征，经卷积编码与残差单元后，利用可学习权重（Softmax归一化）进行加权融合，最终输入支持向量机（SVM）分类器；（3）数据集构建：依据IEEE-1159标准生成30类PQD信号（9类单一、21类复合），采样频率3.2 kHz，每类3000样本，按6:2:2划分训练、验证与测试集，并添加20/30/40 dB高斯白噪声。
研究结果部分保留原文各实验小节标题如下：
**5.1 PQD数据集**：研究人员根据IEEE-1159标准生成30种PQD信号，包含电压暂降、谐波、暂态振荡等单一及复合扰动，通过添加不同信噪比噪声构建总计90,000样本的数据集，为后续实验提供标准化测试基础。
**5.2 性能指标与参数设置**：采用精确率（Precision）、召回率（Recall）和F1-score作为评价指标；MFNet分支结构采用自适应池化层对齐特征维度，使用随机梯度下降（SGD）优化器训练，初始学习率0.001，批次大小32，迭代100轮。实验表明该参数设置能有效收敛。
**5.3 AKST实验结果**：在无噪声环境下MFNet的F1-score达99.81%；20 dB噪声下F1-score仍超99.50%，性能下降小于0.4%；混淆矩阵显示除少数复合扰动类别外，多数类别识别准确，表明算法具有强鲁棒性。
**5.4 不同时频方法对比分析**：将AKST分别替换为离散小波变换（DWT）、ST、改进ST（MST）和KST，保持其他分支不变。结果表明AKST在各信噪比下准确率最高（20 dB时99.52%），验证了ARBMO优化策略显著提升了时频分析的适应性与能量集中度。
**5.5 消融实验与复杂度分析**：单分支模型中，仅时域（EMD）模型F1-score为89.44%，仅频域（STFT）模型为86.11%，仅时频域（AKST）模型为94.00%；全融合MFNet达97.56%。全模型参数量226.80M，推理时间188.42 ms，在200 ms采样窗内满足实时性要求，表明多模态融合有效弥补了单模态特征稀疏问题。
**5.6 不同检测方法对比**：与Wavelet-CNN、S变换-SVM、CNN-LSTM等主流方法对比，MFNet在20 dB噪声下平均准确率最高（99.52%），且覆盖30种扰动类型，展现了更优的泛化能力和抗噪性能。
**5.7 实验验证分析**：搭建基于HBS1030信号源、ADS8556模数转换器和TMS320C6748处理器的硬件平台，测试5类PQD信号。平均准确率98.86%，平均处理时间188 ms，与仿真结果高度一致，验证了方法的工程实用性与实时可行性。
在讨论部分，研究人员指出AKST相比KST具有更高的能量集中度，多模态融合策略有效缓解了单模态特征稀疏问题，硬件实验证实了实时性。同时指出模型在极端噪声（低于10 dB）下性能可能下降，且226.80M的参数量对边缘部署构成挑战。研究结论翻译如下：（1）基于ARBMO优化的AKST能自适应调整窗参数，增强能量集中度和时频分辨率，为复杂PQD提供稳健特征；（2）三分支MFNet有效整合时域、频域和时频域信息，在20 dB信噪比下平均准确率99.52%，缓解了单模态信息损失；（3）硬件实验证实框架实时可行，总处理时间188.42 ms，在200 ms运行限制内。未来研究将聚焦模型压缩与轻量化架构，以支持资源受限设备上的边缘部署，并提升极端电网条件下的鲁棒性。
