《PLOS One》：Research on anomaly detection and operational status evaluation methods for smart electricity meters based on hybrid deep learning
编辑推荐：
为克服单一图像特征信息的局限性以及传统电能质量扰动（power quality disturbance，PQD）识别系统识别能力不足的问题，研究人员遵循特征融合的概念，提出一种基于特征图像组合与改进ResNet-18的PQD识别方法。首先，对PQD信号进行变分
为克服单一图像特征信息的局限性以及传统电能质量扰动（power quality disturbance，PQD）识别系统识别能力不足的问题，研究人员遵循特征融合的概念，提出一种基于特征图像组合与改进ResNet-18的PQD识别方法。首先，对PQD信号进行变分模态分解（variational mode decomposition，VMD），获得一系列固有模态函数（intrinsic mode function，IMF）和残差分量。其次，将IMF、残差分量、原始扰动信号以及Subtract分量垂直拼接成分量矩阵，并通过信号-图像转换方法生成彩色特征-分量图像。再次，利用连续小波变换（continuous wavelet transform，CWT）处理原始扰动信号，生成时频尺度图。最后，将彩色特征-分量图像与小波时频图组合，输入改进的六通道ResNet-18进行训练和扰动分类。对提出的PQD识别方法进行仿真分析，并与常用识别系统进行比较。结果表明，该方法具有较强的噪声鲁棒性，能够有效提取PQD特征信息，且识别精度更高。
**论文解读文章**
**研究背景与问题**
随着新能源并网规模扩大和电力电子设备广泛应用，电力系统中的电能质量扰动（power quality disturbance，PQD）日趋复杂化和多元化，对智能电表等终端设备的可靠运行构成潜在威胁。现有基于深度学习的PQD识别方法普遍采用“信号预处理+特征分类”两阶段框架，但面临两个核心技术挑战：第一，单一特征图像信息不足——仅由连续小波变换（CWT）生成的时频图对噪声敏感且难以捕获深频段特征，而仅由变分模态分解（VMD）生成的特征分量图无法充分表征高频周期性扰动；两类特征虽高度互补却未被有效整合。第二，网络输入通道受限——主流识别网络如ResNet的标准架构仅支持三通道输入，迫使研究者将多幅特征图压缩至单通道或三通道组合，导致原始特征信息损失严重，形成限制识别精度提升的瓶颈。为此，研究人员提出一种基于特征图像组合与改进ResNet-18的PQD识别方法，通过六通道融合彩色特征分量图与小波时频图，并针对性修改网络结构以适配多通道输入，在增强特征完整性的同时充分发挥残差网络的特征提取优势。该研究对智能电表的在线监测与运行状态评估具有实际应用价值——电能质量扰动（如电压暂降、谐波、暂态振荡）会直接导致智能电表计量误差、内部时钟漂移或通信故障，因此PQD识别本质上是智能电表异常检测的关键环节。论文发表在《PLOS One》。
**关键技术方法**
研究人员采用的主要关键技术方法包括：（1）基于VMD的信号分解与分量矩阵构造，将原始扰动信号、残差分量、各IMF及新引入的Subtract分量（原始信号与正常运行信号的绝对差值）垂直拼接，经归一化与伪彩色编码生成224×224×3的彩色特征-分量图；（2）使用‘db4’小波基对原始扰动信号执行CWT，生成同样尺寸的小波时频图；（3）将两类三通道图像按通道方向拼接为224×224×6的六通道复合图像；（4）改进传统三通道ResNet-18：将输入通道扩展至6，首层卷积核数量从64加倍至128，并新增两个全连接层（2000和1000单元）以适配丰富特征，同时保留残差模块抑制梯度爆炸与网络退化。样本队列来源：依据IEEE Std 1159–2019标准在MATLAB平台生成15类PQD信号（含正常状态C0、8类单一扰动、6类复合扰动），设置基频50 Hz、采样率3.2 kHz、每样本10个周期共640点，并在无噪声及信噪比（SNR）40/35/30/25 dB下添加高斯白噪声，每类每噪声水平生成300样本，总计22500样本，按6:1:3分为训练集（13500）、验证集（2250）和测试集（每噪声水平1350×15）。训练使用PyTorch框架、Adam优化器、初始学习率0.001、批大小64、最大迭代5000次并启用早停。
**研究结果**
**5.1 PQD样本库构成**：根据IEEE标准构建含15种类型的样本库，随机设置幅值、发生时刻、持续时间等参数，通过不同SNR噪声模拟真实测量环境，确保样本多样性与代表性。
**5.2 不同信号预处理方法对比**：通过与仅使用IMF的文献[86]方法对比，研究人员提出的经特征补全（引入残差分量、原始信号y(t)和Subtract分量）的分量矩阵X生成的彩色特征-分量图，在不同噪声环境下识别精度均高于文献[86]方法。小波时频图方面，使用‘db4’小波较‘cmor3-3’小波匹配性更优，在25 dB强噪声下输入ResNet-18精度达96.67%。进一步将两类图像通道拼接为六通道输入改进ResNet-18，在25 dB环境下对15类扰动的平均识别精度达98.00%，宏平均精确率、召回率与F1分数均为98.00%，主要误分类集中于电压凹陷（C7）与电压尖峰（C8），其余类别精度均超95%。与1D-CNN（91.33%）、LSTM（90.67%）、CNN-LSTM（93.78%）、InceptionTime（95.11%）、ViT（96.22%）等模型对比，本方法均显著领先，尤其对C7（88.89%）和C8（94.44%）识别优势明显。
**5.3 不同ResNet架构对比**：通过比较改进的ResNet-18与改进的ResNet-34，在25 dB噪声下改进ResNet-18识别精度更高，因其层数更少、计算量更低且更有利于抑制网络退化。
**5.4 不同图像识别网络模型对比**：在相同六通道复合图像输入下，改进ResNet-18在2484次迭代收敛，损失降至0.0828，均优于改进AlexNet（3078次、损失0.1558）和改进GoogLeNet（2855次、损失0.2822）；在25 dB环境下精度达98.00%，高出改进AlexNet 4.67%、改进GoogLeNet 1.19%，尤其对C7和C8的识别显著更优。
**5.5 不同PQD识别系统对比**：与文献[311]（Hilbert变换+ResNet-18）和文献[312]（L2范数距离矩阵+2D-ResNet）等现有方法对比，本方法在25 dB下精度98.00%，分别高出1.26%和4.37%，且对C0、C7、C8等易混淆扰动在所有噪声环境下均具明显优势。此外，与近期代表性混合深度学习方法（文献[15]CNN-LSTM：95.82%；文献[1]双通道GAF+ResNet：96.11%；文献[253]VMD+DCNN：96.33%）相比，本方法分别提升2.18、1.89、1.67个百分点，充分体现特征融合与网络改进的创新价值。
**讨论与结论**
讨论部分指出：双路径特征图像融合策略通过引入Subtract分量增强扰动特征可区分性，并利用通道拼接实现信号分解与时频分析方法的深层整合；网络架构改进使六通道图像得以无损输入，保留残差网络抑制梯度问题的优势；通过消融实验定量验证了两类图像在不同扰动类型上的互补贡献。研究结论翻译如下：为提高各类PQD的识别精度，本研究克服传统方法局限，提出一种基于特征图像组合与改进ResNet-18的新型PQD识别方法。该识别系统充分利用特征分量彩色图与小波时频图的特征完全融合以及改进六通道ResNet-18的强特征提取能力，实现了高识别精度。仿真与对比实验得出以下结论：（1）基于特征互补概念的两图像组合方法，结合小波时频图捕获的时频能量特征与特征分量图反映的分量波动特征，提供更丰富的时空特征信息与更强的特征表示，但分量最优选取与排列尚需进一步研究；（2）改进的多通道ResNet-18有效抑制梯度爆炸与网络退化，自动提取多图像组合的深层特征，对监控点多、数据量大的场景可显著降低误分类；（3）该方法具备强多图像分析能力，不仅适用于PQD分类，经适当调整底层ResNet结构还可应用于受多因素影响的时序预测问题（如光伏功率预测）。
