用于识别电力系统中电能质量扰动的混合人工智能框架

为何电力健康状况很重要

大多数人期望墙上的插座能提供平稳稳定的电力，默默为手机充电器到工厂机器人供能。但现实中，随着太阳能板、电子设备和重型机械的接入与断开，现代电网的电压和电流常常出现摆动、下陷和尖峰。这些小而频繁的故障，被称为电能质量扰动，可能导致设备过热、扰乱数字控制，并缩短敏感设备的寿命。本研究阐明了一种混合人工智能工具如何快速识别并分类这些扰动，即便多种扰动同时发生，也能帮助保障照明和电子设备的安全。

日常电力中的隐性波动

理想情况下，电力应以固定频率呈平滑的正弦波形。实际上，各种变速驱动、手机充电器和可再生能源系统中的电力电子等非线性设备不断把波形推离轨道。它们会引起不同类型的扰动，例如电压短时下陷（sag）、升高（swell）、使灯光闪烁的闪变、尖锐的瞬态脉冲以及增加的谐波使波形变粗糙。当这些事件重叠时，例如下陷与谐波混合或多种类型同时出现，传统监测工具难以区分。然而，准确识别具体组合对于判断故障来源（如设备故障、电网故障或设计问题）至关重要。

将混乱信号转成有用指纹

作者将系统分阶段构建，使每一步都将原始信号提炼为更清晰的信息。首先，他们应用一种称为Stockwell变换的数学工具，显示电压信号的频率成分如何随时间变化。这会生成时间-频率图，能够突出例如瞬态引起的短时高频噪声或由谐波产生的重复频带。从这些图中，他们计算出简单的数值描述符，如平均功率、峰值和形状度量。为避免把学习算法淹没在不必要的数据中，他们随后使用卡方检验这一统计筛选方法，只保留与扰动类型差异最强相关的特征。

教一种具记忆性的人工智能识别模式

这些经挑选的特征成为长短期记忆网络（LSTM）的输入，LSTM是一种擅长处理序列的递归神经网络。与只在孤立时刻查看数据的简单模型不同，该网络维持内部记忆以捕捉扰动随时间演化的特征。研究人员对18类信号进行了训练，包括正常运行、6种单一扰动类型，以及许多双重、三重甚至四重组合。他们使用标准公式和两个基准电力系统（IEEE 9母线和33母线网络）的详细仿真生成了18,000个样本信号。为了使测试更贴近实际，还加入了不同级别的随机噪声，模拟真实电网的混乱条件。

在虚拟和实时电网中检验该方法

训练完成后，他们以多种方式对混合系统进行考验。在合成信号上，该方法对多数情况能正确分类：单一扰动的准确率超过99%，即便四种不同问题同时发生且存在噪声，准确率仍在96%以上。随后，作者超越纯仿真，在详细的软件模型和一种名为 OPAL-RT 的硬件在环平台中产生扰动，该平台能实时运行电网模型。在这些更苛刻的测试中，该方法仍实现约99%的平均准确率，优于传统神经网络和文献中报道的多种早期技术。关键是，即使引入测量噪声，方法仍表现出鲁棒性。

这对普通电力用户意味着什么

对普通用户而言，这项工作指向更智能的监测设备：它们可静默监视电网并快速标示出不仅存在问题，还能明确问题类型，即便多种问题交织在一起。电力运营商和大型用能单位可以利用这些工具在不被数据淹没的情况下追踪日益增长的可再生能源和电子负载。尽管该方法仍依赖大量训练集，并需要随着电网演化对新扰动类型进行适配，但研究表明，将先进的信号分析与具记忆性的人工智能相结合，能在实时条件下为我们的电力健康提供更清晰、更可靠的图景。

引用: Debnath, R., Majumder, A., Jain, A.K. et al. A hybrid AI framework for identification of power quality disturbances in electrical network. Sci Rep 16, 15758 (2026). https://doi.org/10.1038/s41598-026-35376-x

关键词: 电能质量, 电网, 人工智能, 信号分析, 扰动检测