基于深度学习的电能质量扰动识别

用深度学习识别 10 类电能质量扰动信号：1D 原始波形 + 2D 小波时频图双分支融合网络，多模型对比 + 噪声鲁棒性测试，仅十几万参数高精度——带注释代码、技术文档、面试问答全配齐。

• 任务类型时序与信号
• 专业方向电气/自动化 · 计算机 · 人工智能

项目亮点

• 信号参数：采样率3200Hz，持续时间0.2s（10个周期），640采样点
• 每类样本数：1000（共10000个样本）
• 噪声：高斯白噪声，SNR范围20~40dB
• 信号合成：基于IEEE标准数学模型，物理意义明确

数据与任务

如果你想找一个信号处理 + 深度学习、又有架构创新的项目，这个「电能质量扰动识别」很合适。

它把多模态融合用在工业信号分类上，配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从背景讲到每步实现的技术文档，一份把面试问题连答案都写好的问答文档，还有一整套能直接做 PPT 的配图。

先说清楚，它到底在做什么

电网里的电压暂降、谐波、振荡暂态等扰动会威胁工业生产，造成巨大损失。难点在于：人工判读波形效率低，复合扰动（谐波叠加暂降）尤其难分；而且真实电网有噪声，模型要够稳。

这个项目按 IEEE 标准合成 10 类扰动信号，并用双分支融合网络：一条分支直接学一维原始波形的能量包络，另一条分支学二维小波时频图的频谱模式，两路特征融合后做分类。这种"时域 + 时频"的多模态视角，让模型用很少的参数就达到很高的识别精度，还做了完整的噪声鲁棒性测试。

搞懂它，你能在面试里讲清楚什么

把下面几件事吃透，面试官顺着问下来你都能接得住。

双分支多模态融合的设计动机。 这是项目的灵魂。你要能讲清楚为什么用两条分支：一维分支看波形整体能量变化，二维分支看时频图的频率聚集（谐波在高频集中）。两种互补视角融合，比单看一种强。

小波时频分析（CWT）为什么适合瞬变信号。 你能讲清楚连续小波变换怎么把一维信号变成二维时频图、捕捉信号在不同频率/时刻的能量分布，弥补傅里叶变换对瞬变信号表示的不足。

怎么系统地比模型、测鲁棒性。 项目对比了多种网络（CNN/LSTM/双分支等），还在不同噪声强度下测了准确率。你能借此讲清楚模型选型和工程落地要考虑的抗噪能力。

下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底说明了什么。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• 双分支为什么比单独的 1D 或 2D 网络好？两路特征怎么融合？
• 为什么用小波变换而不是傅里叶变换来做时频分析？
• 真实电网有噪声，你怎么验证模型够稳？

看到会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从背景、信号合成、小波变换一直讲到双分支网络与鲁棒性分析，图文并茂：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有分量的项目，还是在准备面试，这个题目都接得住。专业上，电气工程、计算机、人工智能、自动化、信号处理方向都很合适。多模态融合 + 信号分类是很有分量的组合，把它真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。