AI如何识别电网异常？1D-CNN电能质量扰动检测与29类PQD识别解析

新能源并网、微电网、电力电子设备和大量非线性负载进入现代电网以后，一个越来越现实的问题出现了：电网中的异常不一定单独发生。电压暂降可能和谐波同时出现，闪变、相位不平衡甚至瞬态扰动也可能叠加。传统信号处理方法能够识别部分典型电能质量扰动，但面对复杂的多事件组合时，人工提取特征和固定规则逐渐暴露出局限。近年来，人工智能、深度学习和卷积神经网络开始被用于Power Quality Disturbance（PQD）检测。一项新的研究设计了多阶段Hierarchical 1D-CNN，通过4个专门子模型、Transfer Learning和Fine-Tuning识别29类电能质量事件，其中既包括Sag、Swell、Harmonics等单一扰动，也包含最多4种事件组成的复杂扰动。三周期模型平均F1-score达到97.80%，五周期达到98.86%。更值得关注的是，这套模型不需要传统的手工特征提取，并进一步使用Simulink信号和真实电网电压暂降数据进行了测试。下面从实际电网问题出发，看看这种AI电能质量检测方法究竟解决了什么。

一、电网里的“异常”为什么越来越难识别？

过去讨论电能质量问题，经常会分别研究电压暂降、电压暂升、谐波、闪变或者瞬态。

但现在的配电网络已经不是这么简单。

新能源、电力电子装置、分布式能源、微电网和非线性负载大量进入电力系统以后，电压、电流和频率信号面对的扰动来源明显增加。

更麻烦的是，不同扰动还可能同时出现。

比如：

• Voltage Sag + Harmonics；

• Voltage Swell + Harmonics；

• Harmonics + Sag + Flicker；

• 甚至4种电能质量事件同时存在。

这时候问题就不再是简单判断：

“电压是不是下降了？”

而是要进一步判断：

这段波形里面到底同时发生了哪些异常？

二、什么是Power Quality Disturbance？

Power Quality Disturbance通常缩写为：

PQD。

中文一般称为：

电能质量扰动。

简单理解，就是供电系统中的电压、电流或者频率偏离正常状态。

三、电能质量不好会造成什么实际影响？

PQD不是实验室里为了画图而人为定义出来的现象。

严重的电能质量问题可能导致：

• 敏感电子设备误动作；

• 设备寿命缩短；

• 绝缘系统受到额外应力；

• 控制系统运行异常；

• 保护装置误判；

• 工业生产过程停机；

• 严重情况下扩大为系统运行事故。

特别是在高比例新能源和电力电子设备接入以后，电能质量监测已经逐渐成为智能电网的重要组成部分。

四、传统方法是怎样识别PQD的？

传统研究大体可以分成两条路线。

第一条：

Signal Processing。

常见方法包括：

• Fourier Transform；

• Fast Fourier Transform；

• S-Transform；

• Wavelet Transform；

• Hilbert-Huang Transform；

• Discrete Wavelet Transform；

• PCA。

这些方法的主要任务是：

从原始电压或电流信号中提取能够代表异常的特征。

五、提取特征以后还需要一个Classifier

因此第二阶段通常需要：

Pattern Recognition。

例如：

• SVM；

• Artificial Neural Network；

• Fuzzy Logic；

• Decision Tree；

• Genetic Algorithm；

• Machine Learning；

• Deep Learning。

所以传统PQD识别经常是：

原始电压信号 → 信号处理 → 人工提取Feature → Classifier → PQD类别。

六、传统方法真正的问题在哪里？

不是说FFT、Wavelet或者S-Transform没有用。

这些方法到今天依然有很重要的工程价值。

真正的问题是：

特征经常需要人为设计。

当PQD越来越复杂时，需要选择什么特征、怎样组合特征，本身就会变成一个困难问题。

特别是几个扰动叠加以后，某一种Feature可能同时受到多个事件影响。

七、深度学习为什么适合做电能质量检测？

Deep Learning提供了另一种思路。

不一定先告诉模型：

“Sag应该看这个Feature。”

“Harmonics应该看那个Feature。”

而是让神经网络：

直接从原始Waveform里面学习哪些局部结构最有辨识能力。

这也是CNN被引入PQD Detection的重要原因。

八、为什么这里使用1D-CNN而不是常见的2D-CNN？

图像通常具有：

Height × Width。

所以图像CNN经常使用二维Kernel。

但电压波形本质上是一维时间序列：

Voltage → Time。

因此使用：

1D Convolutional Neural Network。

会更加直接。

九、1D卷积到底在做什么？

可以想象有一个很小的窗口：

沿着电压Waveform不断向前移动。

每移动一次：

就观察这一小段信号有没有某种Pattern。

训练以后：

不同Filter可能逐渐学会识别：

• 突然下降；

• 周期畸变；

• 高频振荡；

• 局部尖峰；

• 组合异常。

十、CNN最大的优势之一：Feature可以自己学

这篇研究一个很重要的设计是：

直接输入Raw Voltage Waveform。

也就是说：

不需要提前执行传统的ST、WT或者HHT Feature Extraction。

CNN内部完成：

Representation Learning。

十一、但这项研究并没有只建立一个普通CNN

这里是整篇研究真正值得看的地方。

作者没有直接建立：

一个CNN → 29个类别。

而是把复杂问题拆开。

首先训练：

4个专门化1D-CNN子模型。

十二、为什么恰好是4个子模型？

因为29类PQD可以按照：

同时出现几个扰动

进行划分。

这样做有一个很直观的好处：

先让不同模型分别把自己擅长的事情学好。

十三、可以把它理解成“专业分工”

一个模型专门研究简单问题。

一个模型专门研究双重扰动。

另一个专门处理三重组合。

最后一个处理最复杂的四事件组合。

随后：

再把这4个已经训练好的模型组合起来。

这就是：

Hierarchical Architecture。

十四、研究一共识别多少种电能质量状态？

最终：

29类。

其中：

• Label 0：正常Pure Signal；

• Label 1—8：单一扰动；

• Label 9—16：两个事件组合；

• Label 17—24：三个事件组合；

• Label 25—28：四事件组合。

所以这个任务真正困难的地方：

不是简单识别Sag或者Harmonics。

而是：

Concurrent PQD Classification。

十五、29类训练数据从哪里来？

研究使用：

PQ-SyDa。

全称：

Power Quality Synthetic Disturbances DataSet。

它可以按照IEEE 1159相关电能质量定义：

生成不同类型的Synthetic PQD Waveforms。

十六、为什么要使用Synthetic Data？

现实电网数据并不是想拿多少就拿多少。

真实电网数据经常涉及：

• 运行安全；

• 企业数据权限；

• 设备隐私；

• 采集成本；

• 异常事件本身出现频率有限。

特别是：

如果想收集几千个“四种扰动同时发生”的真实事件：

难度会非常大。

十七、Synthetic Data的优势很明显

可以控制：

• 事件类型；

• 参数范围；

• 数据数量；

• 训练测试比例；

• 组合扰动。

因此特别适合：

模型早期训练。

十八、但Synthetic Data也是这项研究最需要注意的限制之一

模拟信号毕竟不是现实电网。

真实信号里面会存在：

• Noise；

• 设备误差；

• 未知谐波；

• 运行状态变化；

• 没有提前定义过的新型异常。

所以：

Synthetic Dataset上的高准确率，不能自动等同于现场电网准确率。

十九、原始训练数据有没有系统控制SNR？

没有。

研究明确说明：

生成Synthetic PQD时：

没有对Signal-to-Noise Ratio进行系统性控制。

所以当前Synthetic Results：

不能被解释成：

模型已经完成不同噪声水平下的系统Robustness Validation。

二十、这个限制其实很值得后续研究

如果继续做这个方向：

可以人为加入：

• 10 dB；

• 20 dB；

• 30 dB；

• 40 dB；

• 不同Colored Noise；

• 传感器误差。

然后观察：

F1-score随Noise变化的曲线。

这样对实际工程应用会更有说服力。

二十一、什么是Transfer Learning？

这篇研究下一步使用：

迁移学习。

前面的4个Sub-model：

已经分别学会识别不同复杂程度的PQD。

所以不需要：

重新从0开始训练一个29类模型。

而是把已有Knowledge：

Transfer到最终分类任务。

二十二、迁移学习阶段具体怎样做？

最终数据：

每个Event：

1000个Sample。

29类一共：

29000个Signals。

其中：

70%：

20300个Signals用于Training。

30%：

8700个Signals用于Validation。

另外又生成：

14500个完全独立Test Signals。

二十三、为什么还要单独建立Independent Test Set？

因为如果Training Data和最终Evaluation Data发生重叠：

得到的高分没有太大意义。

真正想测试的是：

模型有没有能力识别以前没有看到过的新样本。

二十四、Transfer Learning阶段先Freeze子模型

Freeze是什么意思？

简单来说：

4个已经训练好的CNN：

先不要改它们学到的Weights。

让后面的Network：

利用这些已经形成的Feature Representation：

学习最终29类Classification。

二十五、迁移学习阶段效果怎么样？

10个Independent Dataset下：

平均：

F1-score = 96.39%。

已经相当高。

但研究没有停在这里。

二十六、下一步就是Fine-Tuning

Fine-Tuning和Transfer Learning的主要区别：

之前：

Freeze。

现在：

Unfreeze。

让原来的Sub-model：

也能够稍微调整自己的Weights。

二十七、为什么不能直接大幅度重新训练？

因为：

之前已经学到的Feature很有价值。

如果Learning Rate太大：

可能把原来的Knowledge破坏掉。

所以研究使用：

Learning Rate = 1×10^-5。

并训练：

10 Epochs。

二十八、Fine-Tuning以后发生了什么？

F1-score：

从：

96.39%

提高到：

97.80%。

在14500个Test Signals中：

相当于：

额外正确分类174个Signals。

二十九、这174个样本很有解释价值

因为单看：

96.39%。

97.80%。

可能觉得：

只提高了一点。

但换算成具体Sample：

就能看到：

Fine-Tuning实际上纠正了一批原本会被错误分类的电网异常。

三十、最终Hierarchical CNN长什么样？

整个Architecture可以概括为：

Raw Voltage → 4个Pre-trained 1D-CNN → 32 Filters Conv1D → Max Pooling → Dropout → 128 Filters Conv1D → Max Pooling → Dense 256 → Softmax 29 Classes。

三十一、为什么还需要Pooling？

多个Convolutional Layer叠加以后：

Feature数量会越来越多。

Pooling负责：

降低Dimension。

研究选择：

Local Max Pooling。

而不是直接Global Pooling。

原因是：

既希望降低计算量：

又不希望完全丢失Waveform中的Relative Position Information。

三十二、Dropout又解决什么问题？

Deep Neural Network很容易：

Overfitting。

训练数据记得非常好。

新数据却识别不好。

Dropout在Training阶段：

随机关闭一部分Neuron。

迫使Network：

不要过度依赖某几个特定Feature。

三十三、Batch Normalization为什么常见？

Batch Normalization主要帮助：

• 提高Training Stability；

• 减少对Weight Initialization的敏感性；

• 帮助Gradient传播；

• 加快Convergence。

这些看起来都是Deep Learning基础概念。

但放进PQD研究里：

真正目标还是：

让模型稳定学会Waveform Feature。

三十四、模型到底需要多长的电压信号？

研究专门比较：

1—10 Cycles。

结果非常有意思。

三十五、是不是Window越长越好？

不是。

这是这组数据特别值得看的地方。

从1 Cycle增加到5 Cycles：

Performance总体明显提高。

但是继续增加：

并没有继续带来稳定收益。

10 Cycles反而只有：

98.306%。

三十六、为什么研究最终更看重3-Cycle Model？

因为工程应用不能只看：

谁的F1最高。

还要看：

• 模型大小；

• 输入长度；

• Prediction Latency；

• Computational Cost；

• Real-time Feasibility。

3 Cycles：

F1已经达到：

97.80%。

模型参数量：

988285。

三十七、5-Cycle虽然更准，但模型也更大

5 Cycles：

F1：

98.86%。

Parameters：

1315965。

所以真正的Engineering Question变成：

多出来约1个百分点的F1，值不值得增加计算量和Detection Delay？

三十八、这才是实时AI系统真正应该讨论的问题

论文不是比赛：

“谁的Accuracy最高谁就赢。”

在电力系统里：

一个模型即使达到99.5%：

但需要几秒才能判断：

可能还不如：

97.8%但几十毫秒完成判断的模型实用。

三十九、3-Cycle模型预测速度有多快？

论文测试：

1个Signal：

0.023799 s。

1000个Signals：

0.545018 s。

所以：

训练虽然可以放在高性能计算平台完成：

Inference却可以明显轻量化。

四十、训练和实际运行使用的硬件并不一样

Offline Training：

使用HPC服务器和：

NVIDIA A100 GPU。

3-Cycle Architecture完整训练：

约：

78.4分钟。

5-Cycle：

约：

81.3分钟。

但Inference Benchmark：

放在：

Apple Mac Mini M2。

这说明：

模型训练和实际部署：

完全可以分开。

四十一、Hierarchical CNN真的比普通CNN好吗？

研究没有只报告自己的模型。

还建立：

• Standard 1D-CNN；

• BiLSTM；

• 1D Transformer Encoder。

作为Baseline。

四十二、为什么这个Baseline Comparison很关键？

因为：

Standard 1D-CNN使用了与Sub-model相同的基本内部结构。

但最后Performance差距很大。

这意味着：

优势不只是：

“用了CNN。”

更可能来自：

把复杂的Concurrent Classification拆成多个Specialized Tasks，再进行Hierarchical Integration。

四十三、换句话说：模型结构本身比盲目加深网络更重要

面对复杂任务：

一个巨大的Monolithic Model：

未必是最优方案。

有时候：

先拆问题，再组合Knowledge。

反而效果更好。

这也是这篇研究对其他AI工程问题很有参考价值的地方。

四十四、98.86%的提高有没有统计学意义？

研究进一步进行了：

Wilcoxon Signed-rank Test。

3 Cycles：

97.80% ± 0.39%。

5 Cycles：

98.86% ± 0.26%。

得到：

p = 0.00195。

因此：

5-Cycle在10个Independent Datasets上的改善：

不是简单的Random Fluctuation。

四十五、Fine-Tuning的改善同样进行了统计检验

Transfer Learning：

96.39% ± 0.38%。

Fine-Tuning后：

98.86% ± 0.27%。

Wilcoxon：

p = 0.00195。

说明：

Controlled Fine-Tuning带来的改善：

具有统计支持。

四十六、只在Synthetic Dataset测试还不够

所以研究进一步增加：

Simulink。

一共设计三个代表性Case：

• Capacitor-bank Energizing；

• Flicker Waveform；

• Nonlinear Single-phase Load。

四十七、电容器组投入为什么会产生PQD？

Capacitor Bank切换时：

可能产生：

Oscillatory Transient。

研究建立了：

11 kV电源。

Transformer。

Load。

以及Capacitor Bank。

随后让模型：

直接判断Voltage Waveform。

四十八、模型能不能找到Transient发生在哪？

可以。

电压信号按照：

3-Cycle Window

依次进入CNN。

模型识别：

前一段：

Pure Signal。

电容器投入后的Window：

Oscillatory Transient。

随后：

重新识别为Pure Signal。

四十九、第二个Simulink Case是Flicker

Flicker Generator：

按照IEC相关测试条件建立。

研究设置：

Flicker Frequency：

16 Hz。

Voltage Fluctuation：

16%。

模型在连续Analysis Windows：

都识别成：

Class 7：Flicker。

五十、第三个Case是Nonlinear Load

单相Bridge Rectifier：

是现实建筑和商业负载中非常典型的：

Nonlinear Load。

它可能造成：

Harmonic Distortion。

研究让：

THDv：

>10%。

最终所有Analysis Window：

都被正确识别为：

Harmonics。

五十一、接下来才是真正关键的一步：Real Data

研究进一步使用：

University of Cadiz真实电网记录。

这些是真实的：

Voltage Sag Events。

而且现实信号：

并不是Synthetic Data那样干净。

五十二、真实信号里面本身还带有Harmonics和Noise

这就让测试更接近现实。

模型面对的不再是：

“一段完美的Sag。”

而是：

Sag + Harmonic Content + Noise。

五十三、但真实数据还需要一个处理步骤

原始数据：

20 kHz Sampling Frequency。

而模型训练：

4 kHz。

所以需要：

Resampling到4000 Hz。

然后再按照：

80 Samples/Cycle。

输入Network。

五十四、真实Sag模型最后识别出了什么？

有意思的是：

模型没有简单把整段信号全部判成：

Sag。

而是识别出了：

• Harmonics；

• Sag + Harmonics；

• Harmonics + Sag + Flicker。

并且这些结果：

与Fourier Spectrum观察到的Harmonic Content相吻合。

五十五、这比Synthetic Accuracy更加值得关注

因为现实电网中：

标签未必像实验室那么干净。

一个看起来是Sag的Event：

里面可能一直带着：

Harmonics。

这正是Concurrent PQD Classification的实际意义。

五十六、但Real-world Validation目前仍然不够大

这一点也必须说明。

研究实际展示的Real-life Test：

主要是：

两个随机选择的真实Sag Events。

因此它可以说明：

模型具有一定Synthetic-to-real Transfer能力。

但还不能说明：

已经在大规模真实电网环境下完成充分验证。

五十七、这篇研究最核心的数据可以怎样总结？

五十八、这项研究最大的优点是什么？

不是单纯的：

98.86%。

真正有价值的地方至少包括：

• 可以处理29类PQD；

• 支持最多4个Concurrent Events；

• 直接使用Raw Waveform；

• 不依赖Handcrafted Feature；

• 使用Specialized Sub-model拆解复杂任务；

• 加入Transfer Learning和Fine-Tuning；

• 同时测试Synthetic、Simulated和Real Signals；

• Inference速度具有实时应用潜力。

五十九、但它目前最大的不足也很明确

首先：

Training仍然完全依赖Synthetic Data。

其次：

没有针对不同SNR进行系统Noise Robustness Evaluation。

再次：

真实电网测试规模仍然比较有限。

因此：

不能只因为Synthetic Dataset达到98%以上：

就直接说模型已经解决了真实电网PQD识别问题。

六十、这恰好给后续SCI研究留下很多空间

如果继续研究：

可以从：

• Synthetic-to-real Domain Adaptation；

• Noise Robustness；

• Few-shot Learning；

• Self-supervised Learning；

• Transformer；

• Explainable AI；

• Edge AI；

• Online Learning；

• Unknown PQD Detection；

• Renewable-energy Grid Monitoring；

这些方向继续延伸。

六十一、为什么Explainable AI值得加入？

电力系统和普通图像分类不一样。

如果AI说：

“这是Sag + Harmonics。”

工程人员往往还会问：

“为什么？”

所以未来可以进一步分析：

CNN究竟关注Waveform的哪一段。

哪些局部Feature导致：

Sag。

哪些导致：

Harmonics。

这样才更容易获得工程人员信任。

六十二、Unknown Disturbance也是现实难题

现在的Model：

有29个已知Class。

但现实世界可能出现：

训练阶段从来没有定义过的异常。

如果Softmax仍然强行把它分进29类之一：

就可能出现：

High-confidence Wrong Prediction。

所以未来还可以加入：

Open-set Recognition。

或者：

Anomaly Detection。

六十三、Edge AI也是一个很现实的方向

如果PQD检测模型只能运行在Cloud：

就需要：

上传Waveform。

等待Network。

服务器计算。

再返回结果。

真正实时电网保护：

可能接受不了这样的Latency。

因此可以进一步研究：

模型压缩、Quantization、Pruning和Edge Deployment。

六十四、这篇论文对AI科研写作有什么启发？

如果只看表面：

这是一篇CNN Classification论文。

但真正完整的Research Story是：

现实PQD越来越复杂 → 传统Handcrafted Feature存在局限 → 多事件分类困难 → 把问题拆成4个Specialized CNN → Transfer Learning组合Knowledge → Fine-Tuning优化 → Synthetic Test → Baseline Comparison → Statistical Test → Simulink Test → Real Signal Test。

这条逻辑链：

比简单写：

“我们提出一个CNN，Accuracy达到98%。”

完整得多。

六十五、做AI+电力系统SCI论文，不能只追Accuracy

现在机器学习论文一个很常见的问题：

就是所有篇幅都在：

比较Accuracy。

但电力系统更应该同时回答：

• 模型有多快？

• Noise增加以后怎么样？

• 不同电网还能不能用？

• 真实信号能不能识别？

• 没见过的故障怎么办？

• Edge Device能不能部署？

• 模型为什么做出这个判断？

这些问题往往比：

98.5%还是98.8%

更接近真实Engineering Value。

六十六、SCI发表辅导：电力系统+AI论文怎样把研究做完整？

人工智能、电力系统、智能电网和新能源交叉研究这几年很活跃，但AI模型本身越来越容易搭建以后，单纯“换一个CNN、提高一点准确率”的论文已经很难体现完整的研究价值。

真正需要建立的是：

Problem → Method → Baseline → Validation → Engineering Value

这条完整逻辑。

比如电能质量识别研究，如果已经完成CNN模型，还可以继续检查：

• 有没有足够强的Baseline；

• 有没有独立Test Set；

• 有没有Statistical Significance；

• 有没有Noise Robustness；

• 有没有Real-world Dataset；

• 有没有Inference Time；

• 有没有Ablation Study；

• 有没有Explainability；

• 结论有没有超出数据支持范围。

对于已经有人工智能、深度学习、电气工程、电力系统、智能电网、新能源、CNN、Transformer等研究数据，但不确定怎样组织Research Story的作者，我们提供SCI发表辅导，可结合现有实验和代码情况协助梳理Research Gap、模型比较、实验设计、统计验证、结果分析、Discussion以及目标期刊方向。

如果已经完成论文，但在期刊选择、审稿意见或者多轮返修阶段遇到问题，也可以根据项目情况选择投稿无限期服务直到见刊，在约定服务范围内持续跟进期刊筛选、投稿材料、审稿意见分析、返修以及必要情况下重新匹配期刊等环节。具体审稿周期和最终录用结果仍然取决于研究质量、稿件完成度以及期刊实际审稿流程。

FAQ：AI电能质量检测与1D-CNN常见问题

Q1：什么是电能质量扰动PQD？

PQD是Power Quality Disturbance的缩写，主要指电压、电流或频率出现偏离正常状态的现象，例如Sag、Swell、Harmonics、Flicker、Interruption和Oscillatory Transient等。

Q2：人工智能为什么可以用于电能质量检测？

深度学习可以直接从大量电压或电流波形中学习异常特征，从而减少传统方法对人工Feature Engineering的依赖，并处理更加复杂的组合扰动。

Q3：1D-CNN和普通CNN有什么区别？

1D-CNN使用一维卷积核沿时间序列移动，特别适合电压、电流、振动和ECG等一维信号；图像分类常见的CNN则主要采用二维卷积。

Q4：这个模型可以识别多少类PQD？

研究最终定义29类状态，包括正常信号、8类单事件以及由两个、三个和四个扰动组成的复杂Concurrent PQD。

Q5：模型为什么使用4个CNN子模型？

4个模型分别专门学习单事件、双事件、三事件和四事件PQD，然后通过Hierarchical Architecture和Transfer Learning把不同模型学习到的特征组合起来。

Q6：模型需要先做Wavelet Transform吗？

不需要。该模型直接使用Raw Voltage Waveform，CNN在训练过程中自行完成Feature Extraction。

Q7：3-Cycle模型准确率是多少？

研究报告的平均F1-score为97.80%，单个Signal预测时间约0.023799秒，在Performance和Computational Cost之间取得了较好的平衡。

Q8：最高F1-score是多少？

5-Cycle配置达到98.86%，高于3-Cycle的97.80%，但同时增加了模型参数量和计算成本。

Q9：Transfer Learning和Fine-Tuning有什么区别？

Transfer Learning阶段主要冻结预训练子模型并利用已有Feature；Fine-Tuning则重新开放部分或全部参数，使用较小Learning Rate进一步适应最终任务。

Q10：Synthetic Data达到98%以上就代表真实电网也有98%吗？

不能这样理解。Synthetic Data环境相对可控，真实电网包含Noise、运行状态变化和未知扰动，因此还需要更大规模Real-world Dataset进行独立验证。

Q11：这项研究使用真实电网数据了吗？

使用了。研究测试了University of Cadiz电网中的真实Voltage Sag记录，并发现模型能够识别其中同时存在的Sag和Harmonic等复合特征，但当前真实数据验证规模仍然有限。

Q12：为什么F1-score比单纯Accuracy更值得关注？

F1-score综合考虑Precision和Recall。在多类别以及类别识别难度不同的任务中，它通常比只观察总体Accuracy更能反映分类性能。

Q13：AI电能质量检测还有哪些SCI研究方向？

比较值得继续研究的方向包括Noise Robustness、Synthetic-to-real Domain Adaptation、Explainable AI、Transformer、Edge AI、Open-set Recognition、自监督学习以及新能源并网环境下的实时PQD监测。

Q14：SCI发表辅导可以协助AI电力系统研究哪些部分？

可以根据已有研究基础协助梳理Research Gap、模型对比、Ablation、统计检验、Noise Experiment、Real-world Validation、结果解释、Discussion以及目标期刊方向。

总结：AI识别电网异常，真正难的不是“识别Sag”，而是同时看懂多个异常

这项研究最值得关注的，并不是又出现了一个准确率接近99%的CNN。

它面对的是一个更实际的问题：

现实电网中的异常可能同时发生。

电压暂降可能伴随Harmonics。

Harmonics又可能同时叠加Flicker。

随着新能源、电力电子装置、分布式能源和微电网继续增加，这种复杂Power Quality Disturbance只会越来越值得关注。

因此，这项研究没有简单训练一个Monolithic CNN，而是建立4个分别处理不同复杂程度PQD的1D-CNN，再利用Transfer Learning和Fine-Tuning把这些Feature整合起来，最终处理29种电能质量状态。

从结果看，3-Cycle模型已经取得97.80%的平均F1-score，5-Cycle进一步达到98.86%；与此同时，3-Cycle配置预测单个信号只需要约0.023799秒。

更重要的是：

模型不仅在PQ-SyDa Synthetic Dataset上进行了测试，还进一步面对Simulink产生的Transient、Flicker和Harmonics，以及真实电网中的Voltage Sag数据。

不过，这项方法距离大规模现场部署仍有明显距离。

训练数据主要来自Synthetic Waveforms，没有系统评价不同SNR下的Robustness，真实电网验证样本数量也仍然有限。

所以接下来真正值得研究的，不一定是把98.86%继续做到99.1%。

更有工程意义的问题可能是：

换一个真实电网还能不能识别？噪声增加以后还能不能稳定？遇到训练阶段没见过的故障能不能主动说“不知道”？模型能不能直接部署到边缘设备？工程师能不能理解AI为什么做出这个判断？

当这些问题逐步得到解决以后，Deep Learning在Power Quality Monitoring中的价值，才会真正从实验室里的高F1-score走向实际智能电网。