基于稀疏模态特征提取与ConvNeXt-Tiny的电动汽车充电站电能质量扰动识别方法研究

《Energies》：A Spatial Post-Multiscale Fusion Entropy and Multi-Feature Synergy Model for Disturbance Identification of Charging Stations Hui Zhou, Xiujuan Zeng, Tong Liu, Wei Wu, Bolun Du and Yinglong Diao

　　

针对电动汽车充电站中电力电子设备引发的复杂电能质量扰动(PQD)识别难题，研究人员提出了一种结合稀疏模态特征提取(SMFE)与改进ConvNeXt-Tiny的双通道早期融合识别框架。该方法首先并行提取原始PQD信号的时域波形形态特征与SMFE生成的复杂度图谱，构建双模态输入；随后采用适配层将特征映射至ConvNeXt-Tiny主干网络兼容的三通道格式，并通过引入Squeeze-and-Excitation(SE)模块实现通道级特征重标定，增强关键特征表达并抑制冗余信息；分类头采用LayerNorm、大比例Dropout及双层全连接结构以提升细粒度特征分离能力。训练阶段采用带ImageNet预训练的迁移学习(TL)策略，结合AdamW优化器与ReduceLROnPlateau动态学习率调度，使用交叉熵损失函数进行模型优化。实验结果表明，该框架在低信噪比环境下仍保持优异识别性能，显著提升了EV充电场景下PQD识别的准确性与鲁棒性。

研究背景与意义

随着电动汽车(EV)大规模接入电网，充电站内电力电子转换器产生的复杂电能质量扰动(PQD)严重威胁配电系统稳定性。现有PQD识别方法在处理复合扰动及低信噪比环境时泛化能力不足，且传统卷积神经网络(CNN)难以有效捕捉多尺度时空特征。为此，研究人员开展本研究，旨在构建适用于EV充电场景的高鲁棒性PQD识别模型，相关成果发表于《Energies》。

关键技术方法

研究采用IEEE-1159标准生成包含15类扰动（含单一与复合扰动）的仿真数据集，按7:2:1划分训练集、验证集与测试集，样本总量达225,000条，并设置0 dB、20 dB、30 dB三种信噪比条件模拟实际噪声干扰。核心技术包括：① 稀疏模态特征提取(SMFE)生成时频复杂度图谱；② 双模态（原始波形+SMFE图谱）早期融合构建2×224×224输入张量；③ 改进ConvNeXt-Tiny主干网络，嵌入Squeeze-and-Excitation(SE)模块实现通道注意力加权；④ 采用迁移学习(TL)加载ImageNet预训练权重，结合AdamW优化器与动态学习率衰减策略进行微调。

研究结果

4.1 改进的ConvNeXt-Tiny架构

研究人员通过1×1卷积将任意通道数的双模态特征映射至三通道格式，适配ConvNeXt输入要求。网络包含四个阶段ConvNeXt Block模块（比例1:1:3:1），块内采用7×7深度可分离卷积、LayerNorm及逆残差结构（1×1升维-GeLU激活-1×1降维）。引入可学习缩放向量γ(Layer Scale)动态调整通道重要性，并以0.2丢弃率的Dropout抑制过拟合。分类头 redesign 采用全局平均池化、LayerNorm、0.7丢弃率Dropout及768→384→15双层全连接结构。实验表明，该设计在有限计算资源下实现了多尺度特征的高效提取。

4.2 SE全局特征增强模块

针对通道冗余问题，研究人员在ConvNeXt中集成SEBlock。其“压缩(Squeeze)”操作通过全局平均池化聚合空间信息，生成通道统计特征z_sq=1/(h×w)∑_i=1^h∑_j=1^wx(b,c,i,j)；“激励(Excite)”操作通过两层全连接层（权重W₁∈R^48×768、W₂∈R^768×48）、ReLU与Sigmoid函数生成通道权重，最终输出x_out=σ(W₂δ(W₁z_sq))⊙x。该模块使模型聚焦于高信息量通道，提升特征判别性。

4.3 双通道早期融合识别框架

研究人员提出的框架首先将原始PQD波形（1000采样点）经插值调整为224×224单通道图像，SMFE生成另一通道复杂度图谱，二者拼接为双通道输入。经ConvNeXt-Tiny与SE模块提取增强特征后，由分类头输出15类扰动概率。与原始ConvNeXt相比，该框架通过早期融合保留了模态互补性，SE模块进一步强化了关键特征表达。

实验验证

在自建15类PQD数据集上，研究人员对比了不同信噪比下的识别性能。结果显示，所提方法在0 dB低信噪比条件下F1-score仍达98.2%，较基准模型提升4.7%。消融实验证实，SMFE贡献3.1%精度增益，SE模块贡献2.8%增益，双模态融合贡献5.2%增益，验证了各组件有效性。

讨论与结论

研究表明，SMFE能有效表征PQD非线性动态特性，双模态早期融合优于晚期决策融合，SE模块可缓解通道冗余问题。尽管ImageNet预训练在域差异下增益有限，但改进架构本身显著提升了特征学习能力。该框架为EV充电站PQD实时监测提供了高精度解决方案，未来将扩展至更高阶谐波与间谐波识别场景。