張占俊，董耀，王劍鋒，楊懷建

基于神經(jīng)網(wǎng)絡的電能質(zhì)量擾動識別

張占俊，董耀，王劍鋒，楊懷建

（國網(wǎng)青海省電力公司 海西供電公司，青海 格爾木 817000）

針對目前電能質(zhì)量擾動識別中高噪聲背景下識別正確率低的問題，提出了一種多分辨率廣義S變換與神經(jīng)網(wǎng)絡擾動識別與分類方法。首先將信號進行多分辨率廣義S變化得到模矩陣，從模矩陣提取特征曲線與特征矩陣，分別輸入到前饋神經(jīng)網(wǎng)絡（FNN）與深度卷積神經(jīng)網(wǎng)絡AlexNet進行訓練；然后通過學習，自主提取擾動信號特征，并迭代收斂，直接實現(xiàn)擾動識別分類。經(jīng)仿真實驗分析，F(xiàn)NN與AlexNet在低噪聲下有較好識別能力，但AlexNet的識別精度更高；在高噪聲背景下，F(xiàn)NN識別效果下降明顯，而AlexNet依然保持較高的識別率。

電能質(zhì)量；S變換；前饋神經(jīng)網(wǎng)絡；深度卷積神經(jīng)網(wǎng)絡

0 引言

隨著光伏、風力發(fā)電等新能源的發(fā)展，以及非線性、不平衡性負荷的廣泛使用，電能質(zhì)量問題日益突出；與此同時，高新產(chǎn)品制造業(yè)對電能質(zhì)量提出了更加嚴格的要求。于是，電能質(zhì)量擾動識別作為冶理電能質(zhì)量問題的前提，顯得尤為重要。擾動識別的一般步驟如下：第一階段需提取擾動信號特征，主要手段有S變換、廣義S變換、多分辨率廣義S變換等[1-3]，以實現(xiàn)特征值、特征曲線或特征矩陣等特征信息的提??；第二階段構造基于模糊邏輯的模式識別系統(tǒng)，主要有支持向量機、決策分類樹、神經(jīng)網(wǎng)絡等[4,5]。

文獻[6]以提高時間分辨率與頻率分辨率為目標，選擇多分辨率廣義S變換2個參數(shù)，生成1組最佳特征向量。文獻[7]對各種電能質(zhì)量擾動形進行分類，但在高噪聲背景下識別正確率僅為75%。文獻[8]從信號的分段改進S變換中獲得獨立的特征，并且對噪聲有一定免疫能力；又通過對分類回歸樹節(jié)點分裂過程的改進，使用隨機森林算法分類器，很好地識別出包括9種復合擾動在內(nèi)的共18種常見電能質(zhì)量擾動；相較于文獻[2,7]提出的方法，其高噪聲背景下識別正確率有所提高，但識別率也僅為94.6%。目前，傳統(tǒng)的方法在高噪聲背景下識別正確率較低，部分文獻提供了一定的解決方法，但效果還是不太理想。

多分辨率廣義S變換[3,4]在低頻部分使用較小的窗寬調(diào)節(jié)因子，使窗寬變窄、主瓣變寬，提高了時域精度；在高頻部分使用較大的窗寬調(diào)節(jié)因子，使窗寬變寬、主瓣變窄，提高了頻域精度：因此較好地滿足了信號分析精度[9-12]。

神經(jīng)網(wǎng)絡[13]主要有前饋神經(jīng)網(wǎng)絡（FNN）與深度卷積神經(jīng)網(wǎng)絡（AlexNet）2種，廣泛應用于圖像識別、語音識別等場合。

多分辨率廣義S變換相較于廣義S變換具有更好的時頻分辨率，可以更加精確地反映擾動的特征。本文采用了多分辨率廣義S變換與神經(jīng)網(wǎng)絡相結(jié)合的方法。首先通過多分辨率廣義S變換得到特征曲線與特征矩陣；然后分別通過FNN與AlexNet神經(jīng)網(wǎng)絡進行特征學習，不斷迭代，并排除噪聲的干擾；最后對比分析FNN與AlexNet識別效果。

1 多分辨率廣義S變換

廣義S變換是一種可逆的時頻分析方法，多分辨率廣義S變換是其改進方法，可對不同擾動類型的信號給予不同的窗口寬度，以滿足信號分析的時頻分辨率。廣義S變換的定義如下[4]，其中()為信號。

式中：為時間；為頻率；(,)為高斯窗函數(shù)；窗寬調(diào)整函數(shù)()=/||。由式（1）與（2）可得廣義S變換的離散表達式如下（→/,→）：

2 擾動信號分析與特征提取

2.1 擾動信號特征曲線及分析

中斷、暫降、暫升、閃變、諧波與暫態(tài)振蕩信號的擾動特性曲線如圖1所示。

如圖1（a）所示，中斷信號基頻幅值曲線沿著采樣點方向先下降后回升。如圖1（b）所示，暫降信號基頻幅值曲線沿著采樣點方向先下降后回升，且下降程度小于中斷。如圖1（c）所示，暫升信號基頻幅值曲線沿著采樣點方向先上升后回落。如圖1（d）所示，閃變信號基頻幅值曲線沿著采樣點方向先上升后回落。如圖1（e）所示，諧波信號頻率幅值曲線高頻部分出現(xiàn)了由諧波引起的小的尖峰。如圖1（f）所示，暫態(tài)振蕩信號頻率幅值曲線高頻部分出現(xiàn)了由暫態(tài)振蕩引起的小的尖峰，其尖峰沿著頻率方向與諧波引起的尖峰頻率范圍相比更寬。

圖1 單一擾動特征曲線

2.2 擾動信號特征矩陣及其分析

由式（3）可以看出，多分辨率廣義S變換結(jié)果是一個二維復數(shù)矩陣，對這個矩陣的各個元素求模后就得到模矩陣。它的列向量反映某時刻信號幅頻特性，行向量描述信號在特定頻率下的時域分布[8,14]。

按照頻率對模矩陣進行分割，得到[0,100] Hz的基頻部分模矩陣和(100,1 600] Hz的高頻部分模矩陣，即為特征矩陣。圖2為單一擾動特征矩陣，以灰度表示對應值的大小。特征矩陣中，幅值較大的區(qū)域亮度較高，亮度較暗則表示該區(qū)域幅值較小。

如圖2（a）所示，中斷基頻部分特征矩陣沿采樣方向有著由明變暗再由暗變明的過程。如圖2（b）所示，暫降基頻部分特征矩陣沿采樣方向出現(xiàn)由明變暗又變明的過程；相較于中斷基頻部分，其暗部更亮。如圖2（c）所示，暫升基頻部分特征矩陣呈現(xiàn)沿采樣方向先變亮后變暗的特征。如圖2（d）所示，閃變基頻部分特征矩陣沿采樣方向明暗交替變化。如圖2（e）所示，諧波高頻部分特征矩陣沿著采樣點方向表現(xiàn)為數(shù)條亮度幾乎不變的亮條紋。如圖2（f）所示，暫態(tài)振蕩高頻部分特征矩陣沿著采樣點方向出現(xiàn)亮度衰減的亮斑。

圖2 單一擾動特征矩陣

3 神經(jīng)網(wǎng)絡及其基本原理

3.1 前饋神經(jīng)網(wǎng)絡

在傳統(tǒng)神經(jīng)網(wǎng)絡中，對前饋神經(jīng)網(wǎng)絡的運用較為廣泛。其結(jié)構包含了3層的神經(jīng)網(wǎng)絡，分別為輸入層、輸出層與隱藏層[15]。如圖3所示，它包含1個輸入層、1個隱藏層和1個輸出層，層間采用全連接，其單個神經(jīng)元的輸入由上層神經(jīng)元輸出。FNN的特點是具有分層結(jié)構，每層中有單個或多個神經(jīng)元[15]。描述每個神經(jīng)元的數(shù)學函數(shù)在式（4）中給出：它包括輸入與相關乘法器之間的乘法器的總和，通常為每個輸入的權重加上一個偏差；然后，用非線性函數(shù)對該結(jié)果進行評估，以使神經(jīng)網(wǎng)絡具有建模非線性關系的能力。在這種體系結(jié)構中，輸入信息只向一個方向移動，從輸入節(jié)點、通過隱藏的節(jié)點移動到輸出節(jié)點。在描述網(wǎng)絡權值時，給出了輸入輸出數(shù)據(jù)對，然后使用訓練規(guī)則來調(diào)整這些權值。這樣，期望輸出和計算輸出之間的誤差就能做到最小化。最后，將整個訓練數(shù)據(jù)重復呈現(xiàn)給FNN。

圖3 神經(jīng)網(wǎng)絡基本結(jié)構

式中：為輸出；w為權重；x為輸入；為偏差；為激活函數(shù)；為輸入總數(shù)。該式適用于FNN的所有神經(jīng)元。

3.2 深度卷積神經(jīng)網(wǎng)絡

3.2.1 深度卷積神經(jīng)網(wǎng)絡

“廣東海事局開展共建‘平安西江’行動，是為打造安全、暢通、綠色、高效的西江航運大通道提供安全保障的有力舉措，三年建設后，我們將在西江上實現(xiàn)‘智慧西江、協(xié)同西江、綠色西江、文化西江和共享西江’的美好愿景?！闭f起共建“平安西江”行動，廣東海事局通航處處長吳建生便如數(shù)家珍，作為這個行動的牽頭人，他還擔任著“平安西江”創(chuàng)建辦公室主任一職。過去一年多來，他在這個崗位上矜矜業(yè)業(yè)、鞠躬盡瘁，全面督導建設行動的開展，全力協(xié)調(diào)各方力量的參與，全面分解細化具體的建設任務。看到行動開花結(jié)果，他感到由衷地高興。

深度卷積神經(jīng)網(wǎng)絡由LeCun提出。相較于通過人工提取特征，卷積神經(jīng)網(wǎng)絡能夠?qū)W習到更具表現(xiàn)力的特征。其基本結(jié)構為輸入層、卷積層、池化層、全連接層及輸出層[16,17]。輸入層決定了輸入圖像的尺寸，卷積層用來學習擾動的特征。卷積層直接決定了該神經(jīng)網(wǎng)絡提取到的特征的豐富程度。F表示為卷積，其表達式如下：

式中：函數(shù)為非線性飽和函數(shù)；*表示進行卷積；w為第層卷積核權值；b為偏差。

池化層設置在卷積層之后，以對局部區(qū)域進行截取，在保持特征空間不變特性的同時實現(xiàn)對特征圖進行降維的目的。

H為池化層，表達式如下：

式中：表示池化。

全連接層根據(jù)提取的特征，進行判斷類別。Q為全連接層，其表達式為：

3.2.2 AlexNet的基本原理

AlexNet相較于傳統(tǒng)的神經(jīng)網(wǎng)絡，其分類更為準確。AlexNet主要優(yōu)點在于采用了非線性非飽和函數(shù)ReLU，能比非地線性飽和函數(shù)sigmoid與tanh更加快速收斂[13]。采用了Dropout結(jié)構，在全連接層中隨機去掉一些神經(jīng)元，達到了防止過擬合的目的。AlexNet結(jié)構如圖4所示。

圖4 AlexNet的結(jié)構

4 仿真實驗分析

本文通過MATLAB仿真：設置噪聲背景分別為50 dB、40 dB、30 dB與20 dB，生成每種擾動各1 000組，其中訓練樣本為900組，測試樣本為100組。

在每種噪聲背景下，通過多分辨率廣義S變換，將訓練樣本與測試樣本進行分析，分別提取基頻幅值曲線與頻率幅值曲線作為FNN的輸入。將特征矩陣按照時間順序依次寫入到227×227的矩陣中，得到灰度圖像。再將圖像復制2次，可以得到227×227×3的矩陣，即AlexNet輸入數(shù)據(jù)所需的大小。設置FNN與AlexNet的學習效率為0.01，訓練樣本數(shù)為425組。FNN與AlexNet每次在總的訓練樣本中隨機提取425組進行迭代。通過不斷迭代調(diào)整網(wǎng)絡參數(shù)，并且完成所有的樣本的迭代，即為一個時代。

如圖5為高噪聲背景下的AlexNet訓練圖。AlexNet一共進行了1 200次迭代。在第一個時代，AlexNet快速收斂，在第2個時代到15個時代出現(xiàn)了小幅的波動，在第16個時代到第30個時代逐漸收斂并且正確率達99%以上。AlexNet通過不斷迭代學習，逐漸剔除了噪聲對AlexNet網(wǎng)絡中參數(shù)的影響，保留了表征擾動特征對應AlexNet網(wǎng)絡中的參數(shù)。

圖6所示為AlexNet高噪聲背景數(shù)據(jù)集下的混淆矩陣。混淆矩陣可以用于定量評估各類之間的混淆程度。這個名字來源于它可以非常容易地表明多個類別是否存在混淆。矩陣的行和列分別代表真實和預測場景，矩陣中任意一個元素x代表將第種場景的測試樣本類別預測為第種場景類別的圖片數(shù)。

圖5 AlexNet訓練過程

顯然，矩陣對角線部分表示的是分類正確的部分，而其余部分則是分類錯誤的部分。從圖6中可以看出，在高噪聲背景數(shù)據(jù)集下，AlexNet的識別準確率的最差值仍達到98%，混淆程度教低，分類表現(xiàn)越好。

圖6 AlexNet混淆矩陣

不同信噪比背景下FNN與AlexNet識別正確率匯總?cè)绫?。隨著噪聲的不斷增加，F(xiàn)NN與AlexNet識別率均有所下降：FNN識別率下降得更為明顯，其識別正確率降低到92%，抗噪聲能力降低；而AlexNet由于其極強的學習能力，能夠抑制噪聲的干擾，其在高噪聲背景下依然有高達98%以上的正確識別率。

表1 不同信噪比背景下識別正確率

5 結(jié)論

文中提出了多分辨率廣義S變換與神經(jīng)網(wǎng)絡擾動識別與分類的方法。多分辨率廣義S變換相較于廣義S變換有更好的時頻分辨率，可以更加精確地反映擾動的特征。該方法解決了傳統(tǒng)電能質(zhì)量擾動識別方法在高噪聲背景下識別率低的問題。比較了前饋神經(jīng)網(wǎng)絡FNN與深度卷積神經(jīng)網(wǎng)絡AlexNet在不同噪聲背景下的識別率，仿真結(jié)果表明：AlexNet在低噪聲背景與高噪聲背景下依然有較高的識別效果，而FNN在低噪聲背景下識別效果較好，但在高噪聲背景下識別正確率下降較為明顯。

[1] 楊劍鋒, 姜爽, 石戈戈. 基于分段改進S變換的復合電能質(zhì)量擾動識別[J]. 電力系統(tǒng)保護與控制, 2019, 47(9): 64-71.

YANG JIANFENG, JIANG SHUANG, SHI GEGE. Classification of composite power quality disturbances based on piecewise-modified S transform[J]. Power System Protection and Control, 2019, 47(9): 64-71(in Chinese).

[2] 王仁明, 汪宏陽, 張赟寧, 等. 基于分段改進S變換和隨機森林的復合電能質(zhì)量擾動識別方法[J]. 電力系統(tǒng)保護與控制, 2020, 48(7): 19-28.

WANG RENMING, WANG HONGYANG, ZHANG YUNNING, et al. Composite power quality disturbance recognition based on segmented modified S-transform and random forest[J]. Power System Protection and Control, 2020, 48(7): 19-28(in Chinese).

[3] 張殷, 武利會, 范心明, 等. 基于改進S變換和GA-SVM的電能質(zhì)量擾動識別與分類[J]. 廣東電力, 2021, 34(5): 99-106.

ZHANG YIN, WU LIHUI, FAN XINMING, et al. Identification and classification of power quality disturbances based on modified S transform and GA-SVM[J]. Guangdong Electric Power, 2021, 34(5): 99-106(in Chinese).

[4] 高健, 崔雪, 鄒晨露, 等. 基于改進能量集中度的S變換與隨機森林的電能質(zhì)量擾動識別[J]. 電測與儀表, 2019, 56(1): 8-14.

GAO JIAN, CUI XUE, ZOU CHENLU, et al. S-transform based on modified energy concentration and identification of power quality disturbance in random forest[J]. Electrical Measurement & Instrumentation, 2019, 56(1): 8-14(in Chinese).

[5] 王凌云, 李開成, 肖廈穎, 等. 基于稀疏分解的復合電能質(zhì)量擾動分類[J]. 電測與儀表, 2018, 55(1): 14-20.

WANG LINGYUN, LI KAICHENG, XIAO XIAYING, et al. Classification for multiple power quality disturbances based on sparse decomposition[J]. Electrical Measurement & Instrumentation, 2018, 55(1): 14-20(in Chinese).

[6] 張艷霞, 李多多, 張帥, 等. 基于廣義S變換的高壓直流輸電線路邊界保護[J]. 高電壓技術, 2018, 44(10): 3197-3206.

ZHANG YANXIA, LI DUODUO, ZHANG SHUAI, et al. Boundary protection of HVDC transmission lines based on generalized S-transform[J]. High Voltage Engineering, 2018, 44(10): 3197-3206(in Chinese).

[7] 黃南天, 彭華, 蔡國偉, 等. 電能質(zhì)量復合擾動特征選擇與最優(yōu)決策樹構建[J]. 中國電機工程學報, 2017, 37(3): 776-785.

HUANG NANTIAN, PENG HUA, CAI GUOWEI, et al. Feature selection and optimal decision tree construction of complex power quality disturbances[J]. Proceedings of the CSEE, 2017, 37(3): 776-785(in Chinese).

[8] 張衛(wèi)輝. 基于多分辨率快速S變換的電能質(zhì)量擾動信號識別[D]. 吉林: 東北電力大學, 2016.

ZHANG WEIHUI. Power quality disturbances classification based on multi-resolution fast S-Transform[D]. Jilin: Northeast Electric Power University, 2016(in Chinese).

[9] LI D, CASTAGNA J. Investigation of generalized S-transform analysis windows for time frequency analysis of seismic reflection data[J]. Geophysics, 2016, 81(3): 235-247.

[10] 龍嘉川, 王先培, 代蕩蕩, 等. 基于改進S變換的超高頻局部放電信號特征提取及分類[J]. 高電壓技術, 2018, 44(11): 3649-3656.

LONG JIACHUAN, WANG XIANPEI, DAI DANGDANG, et al. Feature extraction and classification of UHF PD signals based on improved S-transform[J]. High Voltage Engineering, 2018, 44(11): 3649-3656(in Chinese).

[11] MAHELA O P, SHAIK A G. Recognition of power quality disturbances using S-transform based ruled decision tree and fuzzy C-means clustering classifiers[J]. Applied Soft Computing, 2017, 59: 243-257.

[12] 吳禹, 唐求, 滕召勝, 等. 基于改進S變換的電能質(zhì)量擾動信號特征提取方法[J]. 中國電機工程學報, 2016, 36(10): 2682-2689.

WU YU, TANG QIU, TENG ZHAOSHENG, et al. Feature extraction method of power quality disturbance signals based on modified S-transform[J]. Proceedings of the CSEE, 2016, 36(10): 2682-2689(in Chinese).

[13] 李彥東, 郝宗波, 雷航. 卷積神經(jīng)網(wǎng)絡研究綜述[J]. 計算機應用, 2016, 36(9): 2508-2515.

LI YANDONG, HAO ZONGBO, LEI HANG. Survey of convolutional neural network[J]. Journal of Computer Applications, 2016, 36(9): 2508-2515(in Chinese).

[14] 覃星福, 龔仁喜. 基于廣義S變換與PSO-PNN的電能質(zhì)量擾動識別[J]. 電力系統(tǒng)保護與控制, 2016, 44(15): 10-17.

QIN XINGFU, GONG RENXI. Power quality disturbances classification based on generalized S-transform and PSO-PNN[J]. Power System Protection and Control, 2016, 44(15): 10-17(in Chinese).

[15] 王慧健. 基于神經(jīng)網(wǎng)絡方法的時間序列預測方案研究[D]. 南京: 南京郵電大學, 2019.

WANG HUIJIAN. Research on time series prediction schemes based on neural network methods[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2019(in Chinese).

[16] WANG X, ZHANG W. Anti-occlusion face recognition algorithm based on a deep convolutional neural network[J]. Computers & Electrical Engineering, 2021, 96: 107461.

[17] OHTA Y, MATSUZAWA H, YAMAMOTO K, et al. Development of retake support system for lateral knee radiographs by using deep convolutional neural network[J]. Radiography, 2021, 27(4): 1110-1117.

Recognition and Classification of Power Quality Disturbances Based on Neural Network

ZHANG Zhanjun, DONG Yao, WANG Jianfeng, YANG Huaijian

(Haixi Power Supply Company of State Grid Qinghai Electric Power Company, Golmud 817000, China)

In order to solve the problem of low recognition accuracy under high noise background in power quality disturbance identification, a method including the multi-resolution generalized S-transform and neural network disturbance recognition and classification method, is proposed. Firstly, the signal is transformed from multi-resolution generalized S transform to a modular matrix, and the characteristic curve and matrix are extracted from the modular matrix. Then, the signal is input to the traditional neural network FNN and the deep convolution neural network AlexNet for training. After the successful training of the netural network, the disturbance signal features are extracted automatically, and the iterative convergence is achieved for the disturbance recognition and classification. The simulation results show that both FNN and AlexNet can achieve better recognition results in low noise. But AlexNet has higher recognition accuracy. The success recognition rate of FNN decreases obviously in high noise background, whereas AlexNet still maintains higher rate, which indicates that AlexNet should be widely used in the field.

power quality; S-transform; feedforward neural network; deep convolutional neural network

10.3969/j.ISSN.1672-0792.2021.11.008

TM73

A

1672-0792(2021)11-0072-07

2021-07-09

張占俊（1990—），男，助理工程師，研究方向為電能質(zhì)量的監(jiān)測與分析。