✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，查看文章底部二维码
（1）小波包分解与残差时空图卷积网络的母线故障检测模型：
对IEEE39节点系统各母线的三相电压和电流信号进行小波包分解，分解层数为3，提取8个子频带能量作为原始特征。将电网拓扑结构建模为图，节点为母线，边为输电线路，每个节点的特征序列输入到时空图卷积网络。STGCN中的时间卷积采用膨胀因果卷积捕捉多尺度时序特征，空间图卷积利用拉普拉斯矩阵进行谱域滤波。引入ResNet跳跃连接缓解梯度消失，在加入-10dB噪声的测试中，该模型对母线故障分类准确率达98.9%，故障定位准确率98.5%。相比未使用小波包分解的模型，准确率分别提升0.9%和1.1%。
（2）傅里叶变换与CNN-GCN融合的线路故障类型及距离判断：
将故障后3个周期的电流电压信号进行快速傅里叶变换，提取基波幅值和相位作为频域特征，同时保留时域波形作为时域特征。时域特征送入一维CNN提取局部模式，频域特征与CNN输出拼接后输入到图卷积网络（以线路为节点的邻接图）。最终模型可同时输出故障类型（单相接地、两相短路、两相接地、三相短路）和故障距离（定位误差小于3%）。在500组仿真故障案例中，联合任务准确率达95.92%，单一任务中故障类型判断98.5%，线路定位97.8%。
（3）多任务学习框架下的抗噪声鲁棒性验证：
采用多任务损失函数，为分类和回归任务分配自适应权重。在不同采样频率（1kHz/10kHz）和信噪比（0dB/5dB/10dB）下进行对比实验。结果显示，所提模型在0dB噪声下故障分类准确率仍保持96.3%，而基准MLP模型降至82.1%。模型对采样频率变化也具有鲁棒性，从10kHz降至1kHz时准确率仅下降0.8%，主要归功于频域特征的稳定性。
import torch import torch.nn as nn import numpy as np from scipy.fft import fft class WPDResSTGCN(nn.Module): def __init__(self, num_nodes=39, in_channels=8, hidden=64, num_classes=2): super().__init__() self.tcn = nn.Conv2d(in_channels, hidden, kernel_size=(3,1), dilation=2, padding=(2,0)) self.gcn = nn.Linear(hidden, hidden) self.res = nn.Linear(in_channels, hidden) self.classifier = nn.Linear(hidden, num_classes) def forward(self, x): # x: [B, T, N, C] B,T,N,C = x.shape x = x.permute(0,3,1,2) # B,C,T,N t_out = self.tcn(x).relu() g_out = self.gcn(t_out.permute(0,3,2,1)) out = g_out + self.res(x.permute(0,3,2,1)) return self.classifier(out.mean(dim=(1,2))) def extract_fft_features(signal, fs=1000): # 提取基波幅值相位 f = fft(signal, axis=-1) freqs = np.fft.fftfreq(signal.shape[-1], 1/fs) idx = np.argmin(np.abs(freqs - 50)) amp = np.abs(f[idx]) phase = np.angle(f[idx]) return np.array([amp, phase]) class FFTCNN_GCN(nn.Module): def __init__(self, num_lines=37): super().__init__() self.cnn = nn.Sequential(nn.Conv1d(2, 16, 3), nn.ReLU(), nn.AdaptiveAvgPool1d(10)) self.gcn = nn.Linear(16*10, 32) self.type_head = nn.Linear(32, 4) self.dist_head = nn.Linear(32, 1) def forward(self, fft_feat, time_feat): # 简化处理 feat = self.cnn(fft_feat).flatten(1) feat = self.gcn(feat) typ = self.type_head(feat) dist = self.dist_head(feat) return typ, dist如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
