Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类

目录

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 LSTM分类模型和超参数选取

2.1 定义LSTM分类模型

2.2 定义模型参数

3 LSTM模型训练与评估

3.1?模型训练

3.2 模型评估

---

往期精彩内容：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru轴承数据集-CSDN博客

Python房价分析（一）pyton爬虫-CSDN博客

电能质量扰动信号数据介绍与分类-Python实现-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LSTM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-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512  每个信号生成500个样本  噪声0DB  
window_step = 512
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

from joblib import dump, load
# 生成数据
train_dataframe, val_dataframe, test_dataframe = make_data(dataframe_10c, split_rate)
# 制作标签
train_xdata, train_ylabel = make_data_labels(train_dataframe)
val_xdata, val_ylabel = make_data_labels(val_dataframe)
test_xdata, test_ylabel = make_data_labels(test_dataframe)
# 保存数据
dump(train_xdata, 'TrainX_512_0DB_10c')
dump(val_xdata, 'ValX_512_0DB_10c')
dump(test_xdata, 'TestX_512_0DB_10c')
dump(train_ylabel, 'TrainY_512_0DB_10c')
dump(val_ylabel, 'ValY_512_0DB_10c')
dump(test_ylabel, 'TestY_512_0DB_10c')

2 LSTM分类模型和超参数选取

2.1 定义LSTM分类模型

注意：输入数据进行了堆叠 ，把一个1*512 的序列 进行划分堆叠成形状为 32 * 16， 就使输入序列的长度降下来了。

2.2 定义模型参数

# 定义模型参数
batch_size = 64
input_dim = 32
hidden_layer_sizes = [64, 128]
output_dim = 10

model = LSTMnetwork(batch_size, input_dim, hidden_layer_sizes, output_dim)  # 模型
model = model.to(device)
# 定义损失函数和优化函数

loss_function = nn.CrossEntropyLoss(reduction='sum')  # loss
learn_rate = 0.0003
optimizer = torch.optim.Adam(model.parameters(), learn_rate)  # 优化器

3 LSTM模型训练与评估

3.1?模型训练

训练结果

300个epoch，准确率将近98%，LSTM网络分类模型效果良好，继续调参还可以进一步提高分类准确率。

注意调整参数：

• 可以适当增加 LSTM 层数和每层神经元个数，微调学习率；

• 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）

3.2 模型评估

# 模型 测试集 验证  
import torch.nn.functional as F
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 有GPU先用GPU训练


# 加载模型
model =torch.load('best_model_lstm.pt')


# 将模型设置为评估模式
model.eval()
# 使用测试集数据进行推断
with torch.no_grad():
    correct_test = 0
    test_loss = 0
    for test_data, test_label in test_loader:
        test_data, test_label = test_data.to(device), test_label.to(device)
        test_output = model(test_data)
        probabilities = F.softmax(test_output, dim=1)
        predicted_labels = torch.argmax(probabilities, dim=1)
        correct_test += (predicted_labels == test_label).sum().item()
        loss = loss_function(test_output, test_label)
        test_loss += loss.item()


test_accuracy = correct_test / len(test_loader.dataset)
test_loss = test_loss / len(test_loader.dataset)
print(f'Test Accuracy: {test_accuracy:4.4f}  Test Loss: {test_loss:10.8f}')


Test Accuracy: 0.9770  Test Loss: 0.22114271