安徽理工大學(xué)電氣與信息工程學(xué)院 王景玲

針對電能質(zhì)量擾動識別數(shù)據(jù)多、特征數(shù)據(jù)提取復(fù)雜、識別精度低等問題，提出了一種基于格拉姆角場(Gramian Angular Fields，GAF)和二維卷積神經(jīng)網(wǎng)絡(luò)(Two-Dimensional Convolutional Neural Network，2D-CNN)的電能質(zhì)量擾動識別分類新方法。首先對GAF將電能質(zhì)量擾動信號一維數(shù)據(jù)轉(zhuǎn)化為二維圖像的過程進(jìn)行了分析，其次介紹了二維卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練過程及反向傳播算法，并在Tensorflow/Keras框架中搭建2D-CNN，建立了電能質(zhì)量擾動分類模型。仿真實(shí)驗(yàn)結(jié)果表明，該方法能夠提高分類精度，具有良好的魯棒性。

隨著電力電子設(shè)備的廣泛應(yīng)用和電網(wǎng)中非線性負(fù)荷的增加，時(shí)常會出現(xiàn)電壓凹陷、膨脹、中斷以及瞬態(tài)電磁等一系列電能質(zhì)量擾動問題，電能質(zhì)量的降低不僅無法滿足用戶側(cè)的供電需求同時(shí)也會對電力系統(tǒng)的安全性和經(jīng)濟(jì)性造成影響。近年來，電能質(zhì)量擾動的識別和分類是其研究熱點(diǎn)之一。電能質(zhì)量的研究主要包括兩個(gè)方面：一是電能質(zhì)量擾動檢測的研究，二是電能質(zhì)量擾動分類識別的研究。通常，對電能質(zhì)量信號進(jìn)行特征值提取的方法有：稀疏分解、相空間重構(gòu)、S變換、希爾伯特黃變換等；對已提取的特征信號進(jìn)行分類的方法主要有：決策樹、支持向量機(jī)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等。

鑒于此，本文提出了一種新的檢測識別方法。首先通過GAF將電能質(zhì)量擾動信號的一維時(shí)間序列轉(zhuǎn)換為二維圖片，其次通過搭建二維卷積神經(jīng)網(wǎng)絡(luò)模型對GAF圖像進(jìn)行分類和識別，最終仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的合理性與準(zhǔn)確性。

1 電能質(zhì)量擾動信號的GAF圖像

針對電能質(zhì)量擾動問題，本文根據(jù)IEEE電能質(zhì)量擾動信號模型在MATLAB中仿真得到8種擾動信號，且均為單一擾動，分別為正常信號、暫升、暫降、脈沖、中斷、諧波、振蕩、波動。在實(shí)驗(yàn)過程中，首先在Python中安裝pyts庫并編寫程序。其次準(zhǔn)備各種擾動信號的一維時(shí)間序列，即在MATLAB中通過數(shù)學(xué)模型plot出圖形并保存為.csv文件，接著通過Python語言編寫代碼進(jìn)行批量處理保存得到GAF二維圖像，解決了由于識別數(shù)據(jù)量過大，且保存和傳輸過程困難導(dǎo)致識別精度下降的問題。以本文實(shí)驗(yàn)中采用的一維時(shí)間序列為例，得到某一時(shí)刻下電能質(zhì)量擾動的GAF圖像，如圖1所示。

圖1 正常信號和電能質(zhì)量擾動信號的GAF圖像

2 構(gòu)建二維卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一，它可以人工參與以避免對圖像復(fù)雜的前期預(yù)處理過程。卷積神經(jīng)網(wǎng)絡(luò)包括一維卷積、二維卷積和三維卷積，其中二維卷積神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用在各類圖像的識別處理中。

為了得到分類好的電能質(zhì)量擾動信號，根據(jù)二維卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程及BP算法，本文通過Python編寫基于Tensorflow/Keras的框架搭建2D-CNN，該神經(jīng)網(wǎng)絡(luò)有2個(gè)卷積層，2個(gè)池化層和2個(gè)全連接層，輸入網(wǎng)絡(luò)的電能質(zhì)量擾動信號圖像大小為256×256×1，其中卷積層采用5×5卷積核，步長為1；激活函數(shù)采用ReLU函數(shù)；池化層采用Max-Pooling，且窗口大小為4×4，步長為1；全連接層輸出一個(gè)1x8的向量，最后輸出擾動信號的8分類識別率。模型調(diào)試時(shí)設(shè)置參數(shù)Epoch為50，損失函數(shù)為Categorical_crossentropy，Optimizer為Adam，Dropout為0.5。

3 實(shí)驗(yàn)仿真分析

本文通過Matlab生成8種不同的電能質(zhì)量擾動信號，且均為單一擾動，其中正常信號和每類擾動信號各生成500個(gè)隨機(jī)數(shù)據(jù)樣本，總計(jì)4000個(gè)數(shù)據(jù)樣本，每類擾動選取300個(gè)數(shù)據(jù)樣本作為訓(xùn)練樣本來完成卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，使用200個(gè)數(shù)據(jù)樣本作為測試樣本來完成驗(yàn)證和網(wǎng)絡(luò)評估性能。再將每類擾動疊加40dB信噪比的噪聲信號，基波頻率為50Hz，采樣頻率為5000Hz。將所有樣本通過GAF轉(zhuǎn)化成二維圖像，在已經(jīng)搭建好并運(yùn)行的模型中作為輸入，開始進(jìn)行網(wǎng)絡(luò)訓(xùn)練和同步測試。

根據(jù)網(wǎng)絡(luò)訓(xùn)練和測試?yán)L制出訓(xùn)練損失函數(shù)和驗(yàn)證準(zhǔn)確率隨訓(xùn)練過程不斷變化的曲線，即訓(xùn)練損失曲線和驗(yàn)證準(zhǔn)確率曲線，訓(xùn)練損失曲線如圖2所示，驗(yàn)證準(zhǔn)確率曲線如圖3所示。

圖2 訓(xùn)練損失曲線

通過對比無噪聲干擾和有噪聲干擾情況下的電能質(zhì)量擾動信號分類可知，有噪聲干擾使得在網(wǎng)絡(luò)訓(xùn)練過程中的訓(xùn)練損失的極小值增大，由圖2可知，訓(xùn)練損失在不斷下降，且在初始下降過程中波動較大，但隨著Epoch的增加逐漸趨于穩(wěn)定。這個(gè)過程說明整個(gè)訓(xùn)練網(wǎng)絡(luò)的模型在不斷的進(jìn)步完善中，且網(wǎng)絡(luò)穩(wěn)定性逐漸增加。由圖3看出驗(yàn)證準(zhǔn)確率在開始時(shí)處于較低精度，通過20代的訓(xùn)練后準(zhǔn)確率快速提升并趨于穩(wěn)定，最終達(dá)到接近1的較高準(zhǔn)確率。

不同噪聲強(qiáng)度下，各類電能質(zhì)量擾動信號的分類準(zhǔn)確率如表1所示。

從表1中可以看出，各種信號的分類準(zhǔn)確率較高，最高可達(dá)97.20%，說明該方法具有較高的穩(wěn)定性，在無噪聲和40dB的情況下，該方法對諧波和波動的準(zhǔn)確效果更高，其中波動可以達(dá)到100%。而對振蕩的分類效果有所降低，在40dB的情況下，準(zhǔn)確率只達(dá)到83.50%，說明該方法仍存在一定的局限性。

表1 不同擾動信號的分類準(zhǔn)確率

本文以格拉姆矩陣為依據(jù)，規(guī)整理論分析中的時(shí)間序列X為函數(shù)形式，對數(shù)據(jù)進(jìn)行極坐標(biāo)編碼，再通過Python編碼得到電能質(zhì)量擾動識別的GAF圖像。其次利用二維卷積神經(jīng)網(wǎng)絡(luò)的BP算法對本文研究的多種擾動信號進(jìn)行重構(gòu)，結(jié)果表明重構(gòu)的信號很好的保留了原始信號的特征信息。將重構(gòu)后的信號作為輸入信息輸入搭建好的二維卷積神經(jīng)網(wǎng)絡(luò)仿真模型中并結(jié)合不同的噪聲環(huán)境進(jìn)行實(shí)驗(yàn)，結(jié)果表明，重構(gòu)后的信號識別率比原信號識別率稍有降低，不同的噪聲環(huán)境下各種擾動信號的分類準(zhǔn)確率存在差異，具備一定的抗噪能力。

圖3 驗(yàn)證準(zhǔn)確率曲線