宋鐵維，施偉鋒，畢 宗，謝嘉令

基于2D-ResNet的船舶電力系統(tǒng)電能質(zhì)量擾動識別

宋鐵維，施偉鋒，畢 宗，謝嘉令

(上海海事大學(xué)電氣自動化系，上海 201306)

為實現(xiàn)船舶電力系統(tǒng)電能質(zhì)量擾動準確識別，結(jié)合深度學(xué)習提出基于二維殘差網(wǎng)絡(luò)(2D-ResNet)的電能質(zhì)量擾動識別方法。首先將電能質(zhì)量一維時間序列通過距離矩陣轉(zhuǎn)化為二維平面圖，隨后將圖像送入所提二維殘差網(wǎng)絡(luò)中提取特征。最終輸出特征圖通過線性層分類器得到識別結(jié)果，實現(xiàn)船舶電力系統(tǒng)電能質(zhì)量擾動的在線識別。與現(xiàn)有特征提取方法相比，不同信噪比下該方法擾動識別準確率均最高。信噪比為20 dB時，單標簽分類平均準確率為93.86%，多標簽分類平均1-score為96.52%，證明了2D-ResNet能有效提取擾動特征且對噪聲具備魯棒性。對于未知復(fù)合擾動，單標簽分類器識別失敗，而多標簽分類器準確識別出擾動中的未知成分，且1-score達到93%，證明了多標簽分類適用于未知復(fù)合擾動識別。

船舶電力系統(tǒng)；電能質(zhì)量；二維殘差網(wǎng)絡(luò)；擾動識別；單標簽分類；多標簽分類

0 引言

船舶電力系統(tǒng)屬于海上孤島電網(wǎng)，運行工況復(fù)雜，且裝備有沖擊性負載與非線性負載，大功率推進電機、變頻器以及其他用電設(shè)備的故障等都會造成電能質(zhì)量擾動，影響船舶的正常運行[1]。船舶電力系統(tǒng)電能質(zhì)量擾動可能會引起推進電機轉(zhuǎn)速調(diào)節(jié)不準確，影響船舶推進，進而影響船舶航速。若不及時處理，可能導(dǎo)致推進電機發(fā)熱，降低電機使用壽命，甚至啟動熱保護，影響船舶運行安全。研究船舶電力系統(tǒng)電能質(zhì)量擾動識別可為故障定位與診斷提供有價值的信息，以便及時采取故障隔離措施，降低負面影響[2]。

目前，基于時頻分析與數(shù)據(jù)驅(qū)動的電能質(zhì)量擾動識別方法應(yīng)用廣泛。文獻[3]提出利用短時傅里葉變換和譜峭度對電能質(zhì)量信號進行分析，該方法在傅里葉變換的基礎(chǔ)上增加一個滑動時間窗，可分析信號的局部特征，但時間窗寬度固定，捕捉信號瞬態(tài)特征的效果不好；文獻[4]使用離散小波變換(DWT)對電能質(zhì)量信號進行分析，DWT有較好的頻率分辨率，可以處理非平穩(wěn)信號，但小波基不易選取，品質(zhì)因子不易調(diào)諧；文獻[5]提出基于可調(diào)品質(zhì)因子小波變換和隨機森林的電能質(zhì)量復(fù)合擾動方法，相比DWT具有更高的靈活性，但其選擇子帶時具有較大的主觀性；文獻[6]提出基于廣義S變換(ST)的電能質(zhì)量信號處理方法，ST抗噪能力較強，不需要設(shè)置窗函數(shù)，但運算量較大；文獻[7]提出基于經(jīng)驗?zāi)B(tài)分解(EMD)的電能質(zhì)量檢測方法，EMD能自適應(yīng)分解信號，但是容易出現(xiàn)模態(tài)混疊；文獻[8]利用變分模態(tài)分解(VMD)對電能質(zhì)量信號進行處理，VMD有較好的分解效果，但較難確定分解層數(shù)，不適用于復(fù)合擾動的分類。以上方法均需手動提取特征，需要先驗知識，否則容易丟失有效信息。

隨著深度學(xué)習的發(fā)展，數(shù)據(jù)驅(qū)動方法在電能質(zhì)量擾動識別上的應(yīng)用越來越多。文獻[9]提出基于一維卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動識別方法，具有較好的分類效果，但未考慮復(fù)合擾動的分類。文獻[10]提出基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的電能質(zhì)量擾動識別，RNN具有短期記憶能力，能實現(xiàn)電能質(zhì)量信號時間特征的學(xué)習，但訓(xùn)練困難。文獻[11]提出基于特征融合的一維卷積神經(jīng)網(wǎng)絡(luò)(FCNN)，該模型通過融合多個子模型提取的特征達到提升識別準確率的效果，但本質(zhì)上仍為一維卷積神經(jīng)網(wǎng)絡(luò)，未充分挖掘擾動信號特征，且未說明各個子模型的選取標準。

本文運用距離矩陣挖掘船舶電力系統(tǒng)電能質(zhì)量擾動時間序列的遞歸特性，提出結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與深度殘差網(wǎng)絡(luò)的二維殘差網(wǎng)絡(luò)來提取船舶電力系統(tǒng)電能質(zhì)量擾動信號特征，同時討論了單標簽分類與多標簽分類各自的適用場景。算例表明，所提方法特征提取能力強，對噪聲魯棒性高。

1 電能質(zhì)量序列圖像化

遞歸圖最初被用在復(fù)雜動力系統(tǒng)可視化研究上，通過分析高維相空間軌跡對非線性系統(tǒng)時間序列進行分析[12]。相較于其他信號處理方法，遞歸圖便于直觀地分析信號，距離矩陣作為遞歸圖的一種特例，可用來對時間序列進行分析。

1.1 船舶電力系統(tǒng)電能質(zhì)量信號

相比于陸上電力系統(tǒng)，船舶電力系統(tǒng)容量較小，對電能質(zhì)量擾動敏感，且由于其運行工況復(fù)雜，易出現(xiàn)復(fù)合電能質(zhì)量擾動。本文參照文獻[13]模擬生成船舶電力系統(tǒng)電能質(zhì)量擾動信號，包含單一擾動以及由其相互組成的復(fù)合擾動，表1中列出了5類電能質(zhì)量擾動信號的數(shù)學(xué)模型。

表1 電能質(zhì)量擾動數(shù)學(xué)模型

1.2 電能距離矩陣

無閾值遞歸圖的延遲時間置為0，嵌入維度置為1時，得到的矩陣便與距離矩陣一致。

神經(jīng)網(wǎng)絡(luò)輸入歸一化處理后，能夠防止梯度爆炸，加速網(wǎng)絡(luò)收斂。因此本文將電能質(zhì)量矩陣歸一化后再送入2D-ResNet提取特征。

式(2)為矩陣元素的歸一化操作，式(3)為歸一化后的電能質(zhì)量矩陣，矩陣元素均在[0,1]中。

1.3 電能質(zhì)量擾動二維圖像

由于復(fù)合擾動的分類比較困難，本文采用距離矩陣處理電能質(zhì)量擾動一維時間序列，將其轉(zhuǎn)化為二維圖像，突出特征，便于分類。圖1給出了表1中5種電能質(zhì)量擾動信號波形及其對應(yīng)的距離矩陣，其中幅值為1，序列長度為512。

圖1 電能質(zhì)量擾動信號與對應(yīng)的距離矩陣

圖1中，正常電壓距離矩陣具有很明顯的遞歸特性，形狀規(guī)則；電壓暫升后的距離矩陣的元素增大，突變處在矩陣上有較為明顯、呈現(xiàn)在圖上為兩條垂直的線條；電壓中斷在距離矩陣上體現(xiàn)為存在行與列上的突變，并且突變后的元素接近于0；電壓閃變在幅值與周期上都存在變化，其距離矩陣在其閃變部分變得“圓潤”；電壓諧波+暫升包含了兩種擾動的特征，主要體現(xiàn)在突變與元素幅值增大；諧波的距離矩陣也具有較好的遞歸性，但其與正常電壓矩陣元素值大小不一致，且對角線變得不規(guī)則，呈現(xiàn)“彎曲”特征。綜上所述，采用距離矩陣能夠較充分地挖掘船舶電力系統(tǒng)電能質(zhì)量擾動信號時間序列中的信息，有利于擾動分類。

2 基于2D-ResNet的特征提取

2.1 深度殘差網(wǎng)絡(luò)

深度殘差網(wǎng)絡(luò)由多個殘差塊構(gòu)成，殘差塊內(nèi)部恒等連接，能夠減小深度網(wǎng)絡(luò)梯度消失的概率，使得網(wǎng)絡(luò)容易優(yōu)化，提升了識別準確率，目前在計算機視覺域得到廣泛應(yīng)用[14]。

圖2為深度殘差網(wǎng)絡(luò)的基本結(jié)構(gòu)-殘差塊。殘差塊存在兩條通路：中間通路由多個權(quán)值層組成，用于提取高維特征；右側(cè)通路稱為恒等連接，其輸出與中間通路提取的高維特征相加，避免網(wǎng)絡(luò)出現(xiàn)梯度消失現(xiàn)象。當恒等連接與中間通路輸出特征尺寸不一致時，可通過池化等操作調(diào)整兩者的尺寸，無需引入額外的參數(shù)。

圖2 原始殘差塊結(jié)構(gòu)

2.2 基于2D-ResNet的電能質(zhì)量擾動特征提取

觀察電能質(zhì)量距離矩陣，發(fā)生擾動時距離矩陣行與列出現(xiàn)明顯的變化，為提取這一特征，需要獲取較大的鄰域信息。卷積神經(jīng)網(wǎng)絡(luò)中，大卷積核具備大的感受野，可獲取大鄰域范圍信息，但訓(xùn)練參數(shù)多。故在此使用多個小卷積核級聯(lián)，獲取大感受野的同時減少參數(shù)數(shù)量。具體地，殘差塊采用3組3′3卷積核獲取等同于7′7卷積核的感受野，但每個通道減少了22個參數(shù)，且3組卷積核級聯(lián)也加深了網(wǎng)絡(luò)深度，加強了網(wǎng)絡(luò)的表達能力。

電能質(zhì)量距離矩陣規(guī)模較大，訓(xùn)練深層網(wǎng)絡(luò)會消耗較多計算資源。權(quán)衡參數(shù)量與殘差網(wǎng)絡(luò)特征提取能力，設(shè)計圖3所示的兩個殘差塊進行特征提取。殘差塊1的輸出與輸入相比，特征圖寬度與高度均減半，通道數(shù)不變。該殘差塊主要對特征圖進行降采樣，減少網(wǎng)絡(luò)參數(shù)量。輸入特征圖先通過批標準化層、ReLU激活函數(shù)以及步長為2的3′3的卷積核，減小特征圖的尺寸，隨后經(jīng)過相同的步驟進行特征提取。為了保證恒等連接與輸出特征圖尺寸一致，殘差塊1中的恒等連接經(jīng)過池化層再與卷積后的特征圖相加。殘差塊2的輸入與輸出尺寸一致，在文中作為最后一個殘差塊進行特征提取。經(jīng)過殘差塊1后網(wǎng)絡(luò)參數(shù)已經(jīng)下降到一個可接受的范圍，故此時設(shè)置殘差塊2的卷積步長為1，從而保留兩個像素點的相關(guān)信息。

圖3 二維殘差塊結(jié)構(gòu)

卷積層(Convolution, Conv)：實現(xiàn)輸入圖像在高維空間的特征提取[15]。卷積層的計算公式為

批標準化(Batch Normalization, BN)：解決網(wǎng)絡(luò)訓(xùn)練過程中中間層數(shù)據(jù)分布發(fā)生改變的問題[16]。

式(5)和式(6)分別用來求每一個訓(xùn)練批次數(shù)據(jù)的均值與方差。式(7)使用求得的均值和方差對該批次的訓(xùn)練數(shù)據(jù)做歸一化，獲得正態(tài)分布。歸一化后的數(shù)據(jù)被限制在正態(tài)分布下，使得網(wǎng)絡(luò)表達能力下降，故使用式(8)進行尺度變換與偏移。

激活函數(shù)：負責將輸入映射到輸出端。ReLU函數(shù)會使一部分神經(jīng)元的輸出為0，使得網(wǎng)絡(luò)具有稀疏性，減少了參數(shù)的相互依存，緩解了過擬合問題，因此本文選用ReLU激活函數(shù)[17]：

式中，與分別是ReLU激活函數(shù)的輸入與輸出。

3 電能質(zhì)量擾動分類器

本節(jié)討論了單標簽與多標簽分類器[18]的適用場景，并說明了所提方法的電能質(zhì)量擾動識別流程。

3.1 單標簽分類

船舶電力系統(tǒng)電能質(zhì)量擾動單標簽分類，將單一或復(fù)合擾動都視為一類標簽。例如，若電能質(zhì)量擾動類型為單一擾動C1, C2, C3及其組合而成的復(fù)合擾動C1 + C2, C1 + C3, C2 + C3, C1 + C2 + C3，單標簽分類器將輸出這7種類型的概率，取概率最大的類別作為分類結(jié)果。單標簽分類的一般形式為：“softmax+交叉熵”，以交叉熵作為損失函數(shù)，softmax層放在網(wǎng)絡(luò)的最后一層作為分類器，輸出各個類別的概率。單標簽分類實現(xiàn)如下：

3.2 多標簽分類

船舶電力系統(tǒng)電能質(zhì)量擾動多標簽分類，輸出是每類單一擾動存在與否的布爾值。在3.1節(jié)中，存在7種擾動類型，單一擾動為3種，因此多標簽分類器輸出含3個元素的向量，分別是C1, C2, C3是否存在的布爾值。例如，擾動類型C1 + C2與C1 + C3可表示為[1,1,0]與[1,0,1]。電能質(zhì)量擾動信號單個標簽之間不存在強相關(guān)性，因此本文對單個標簽二分類，網(wǎng)絡(luò)最后一層設(shè)置為“sigmoid”層，將輸出映射到[0,1]的概率空間，并確定一個合理的閾值，大于閾值的輸出為0，否則為1。具體為

多標簽分類會出現(xiàn)單個標簽正負類別不均衡的情況，影響擾動識別的準確率。擾動的正類別定義為樣本存在該擾動，負類別定義為樣本不存在該擾動。例如，若存在8類數(shù)量相等的電能質(zhì)量單一擾動(C1—C8)，則各擾動正負類別數(shù)目之比為1:7，此時易發(fā)生漏判，將擾動樣本劃分為無擾動樣本。

本文根據(jù)單個標簽的正負類別數(shù)量比賦予二值交叉熵函數(shù)合適權(quán)重，作為損失函數(shù)，如式(15)。

3.3 評價指標

本文中各類電能質(zhì)量擾動信號樣本數(shù)量一致，故單標簽分類的評價指標使用準確率(accuracy)；多標簽分類正負樣本數(shù)目不一致，因此評價指標使用精確率(precision)與召回率(recall)以及1-score[19]。

式中：與分別為單標簽分類中分類正確與分類錯誤的樣本數(shù)；表示預(yù)測為正例，實際為正例的樣本數(shù)目；表示預(yù)測為正例，實際為負例的樣本數(shù)目；表示預(yù)測為負例，實際為正例的樣本數(shù)目；1-score為precision與recall的幾何平均數(shù)。

3.4 電能質(zhì)量擾動識別流程

整個網(wǎng)絡(luò)模型中耗時的訓(xùn)練過程離線完成，在線識別速度較快，因此可應(yīng)用于電能質(zhì)量擾動實時識別。圖4為電能質(zhì)量識別流程圖，描述了所提船舶電力系統(tǒng)電能質(zhì)量擾動識別模型的離線訓(xùn)練以及在線識別過程。

圖4 電能質(zhì)量識別流程圖

離線訓(xùn)練：截取合適長度的歷史電能質(zhì)量時間序列并給出標簽，并將其轉(zhuǎn)化為距離矩陣；標準化后經(jīng)過一個卷積層得到多個特征圖；隨后將特征圖送入二維殘差網(wǎng)絡(luò)在高維特征空間上進行特征提??；對于單標簽分類器，將網(wǎng)絡(luò)最后一層設(shè)置為“softmax”層，用于輸出分類結(jié)果，誤差反向傳播目標為最小化損失函數(shù)式(11)；對于多標簽分類器，在網(wǎng)絡(luò)最后加入“sigmoid”層，輸出單個標簽的正負類別概率，并設(shè)置合理閾值，得到二分類結(jié)果，反向傳播目標為最小化損失函數(shù)式(15)。

4 算例分析

4.1 網(wǎng)絡(luò)參數(shù)設(shè)置

迭代次數(shù)設(shè)為150，batchsize設(shè)為256，學(xué)習率采用隨迭代次數(shù)增加而逐漸減小的策略，具體見式(21)，采用Adam優(yōu)化器[20]優(yōu)化求解。

表2列出了所提2D-ResNet里卷積層與線性層的參數(shù)設(shè)置，同時為了防止網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象，添加了dropout層[21]。

表2 二維殘差網(wǎng)絡(luò)參數(shù)表

4.2 單標簽分類結(jié)果分析

為增加模型可解釋性，使用t-SNE[22]對不含噪聲、信噪比分別為20 dB、30 dB、40 dB情況下2D-ResNet的最后一層進行可視化，結(jié)果見圖5。

如圖5所示：2D-ResNet在信噪比為40 dB與無噪聲的情況下，提取到的各類電能質(zhì)量擾動高維特征邊界分明，分類效果良好；信噪比為30 dB時，特征聚類邊界基本明顯，未出現(xiàn)特征簇重疊現(xiàn)象；信噪比為20 dB時，特征簇出現(xiàn)重疊現(xiàn)象，但大部分擾動類別仍能夠準確識別出來，觀察可視化圖發(fā)現(xiàn)造成特征簇重疊的主要因素為噪聲的引入導(dǎo)致電能質(zhì)量擾動信號遞歸特性發(fā)生變化。

圖5 高維特征t-SNE可視化

表3列出了所提電能質(zhì)量擾動識別方法在4種不同信噪比下每個擾動類型的分類準確率。

表3 不同信噪比下本文方法分類準確率

由表3可以看出，4種不同信噪比情況下，所提方法的平均分類準確率均高于93%，證明了所提方法能有效提取信號特征?！懊}沖”信號在含噪聲的情況下難以識別，但所提方法在20 dB信噪比的情況下對“脈沖”信號識別仍可達到91%的準確率，證明其對噪聲有較強魯棒性。將所提方法與殘差網(wǎng)絡(luò)+格拉姆角場(ResNet+GAF)、殘差網(wǎng)絡(luò)+時間序列堆疊矩陣(ResNet+STM)、1D-CNN模型[9]、CNN+LSTM模型[23]進行對比，結(jié)果見表4。

表4 不同方法擾動識別結(jié)果

由表4可以看出，4種不同信噪比下，本文所提方法分類準確率均要高于其余4種方法，特別是在信噪比為20 dB的情況下，提升效果最明顯，說明2D-ResNet能夠提取魯棒性強的電能質(zhì)量特征。前3種方法對比說明將電能質(zhì)量時間序列轉(zhuǎn)化為距離矩陣能更好地挖掘信號中的隱含信息。1D-CNN與CNN+LSTM相較前3種方法分類準確率低，說明二維圖像輸入更適合卷積神經(jīng)網(wǎng)絡(luò)進行特征提取。表4中，參數(shù)量表示網(wǎng)絡(luò)各層待訓(xùn)練權(quán)重與偏置項總和，參數(shù)量小的網(wǎng)絡(luò)結(jié)構(gòu)簡單且易于訓(xùn)練。本文方法由于結(jié)構(gòu)簡單且采用多個小卷積核級聯(lián)，故待訓(xùn)練參數(shù)比其余4種方法計算量均少。綜上，所提方法能有效提取電能質(zhì)量擾動信號的特征，對噪聲魯棒性強，運算量較小。

考慮到采樣頻率對電能質(zhì)量擾動識別的影響，分別在3.2 kHz、2.4 kHz、1.6 kHz、0.8 kHz頻率下進行試驗，對應(yīng)的平均分類準確率如圖6所示。

圖6 平均分類準確率與采樣頻率的關(guān)系

圖6中：3.2 kHz采樣頻率下的分類準確率最高；采樣頻率下降到2.4 kHz時，準確率略微下降，但仍維持在92%以上；采樣頻率下降到1.6 kHz時，折線走勢變陡峭，準確率下降幅度增大；采樣頻率降為0.8 kHz時，信噪比為20 dB與30 dB時的擾動平均分類準確率降低至90%以下。因此，采樣頻率越高，電能質(zhì)量擾動識別效果越好。目前，實際應(yīng)用中的電能質(zhì)量采樣頻率能達到3.2 kHz及以上，因此所提方法能運用于實際電能質(zhì)量擾動識別中。

4.3 多標簽分類結(jié)果分析

多標簽分類方法分別在無噪聲、20 dB、30 dB、40 dB信噪比的船舶電力系統(tǒng)電能質(zhì)量擾動信號下進行測試對比。

混淆矩陣能夠體現(xiàn)分類的誤判與漏判情況。其縱坐標為實際類別，橫坐標為預(yù)測類別。對角線元素為判斷正確的元素。左下角為漏判元素，右上角為錯判元素。信噪比為20 dB時，2D-ResNet多標簽分類的混淆矩陣如圖7所示。圖7中，各類電能質(zhì)量擾動信號誤判、漏判事件較少，特別在“閃變”與“振蕩”擾動信號上的分類效果明顯。其余信噪比情況下的分類效果見表5—表7。

觀察表5—表7，多標簽分類方法在不同信噪比下，3個評價指標均較高，說明所提方法對噪聲魯棒性強。隨著噪聲含量的增加，分類指標下降最快的是“脈沖”，這是因為噪聲的加入會導(dǎo)致電能質(zhì)量信號出現(xiàn)和脈沖類似的突變，影響分類效果，但所提方法仍保持較好的分類效果。

圖7 20 dB信噪比混淆矩陣

表5 信噪比為30 dB時的評價指標

表6 信噪比為40 dB時的評價指標

Table 6 Evaluation index with 40 dB SNR

表7 無噪聲時的評價指標

Table 7 Evaluation index without noise

不同特征提取方法在多標簽分類的準確率、召回率以及1-score見圖8。

圖8 多標簽分類結(jié)果對比

圖8中：4種信噪比下所提方法平均分類準確率均高于其余方法，驗證了2D-ResNet提取電能質(zhì)量擾動信號的有效性以及其對噪聲的魯棒性；精確率與召回率相差較小，說明帶權(quán)值二值交叉熵函數(shù)緩解了正負樣本數(shù)量不平衡的影響。

4.4 單標簽與多標簽分類適應(yīng)場景分析

多標簽分類方法僅有8個標簽，而單標簽分類有18個標簽，復(fù)合擾動的數(shù)量增加，標簽數(shù)量隨之增加，影響分類效果；實際中，單標簽分類無法識別未知復(fù)合擾動，而多標簽分類可以對單個標簽一一識別。本節(jié)使用多標簽分類對100條無噪聲情況下的“諧波+暫升+脈沖+振蕩”這一未知擾動進行識別，結(jié)果見表8。

表8 未知復(fù)合擾動多標簽分類結(jié)果

當出現(xiàn)“諧波+暫升+脈沖+振蕩”擾動時，由于學(xué)習樣本中不含此類擾動，單標簽分類會將其分為“諧波+暫升+振蕩”，而忽略“脈沖”成分，但多標簽分類會逐個判斷該信號中是否存在“諧波”、“暫升”、“脈沖”、“振蕩”成分，如表8所示，多標簽分類識別出該未知復(fù)合擾動中的未知成分“脈沖”，且1-score達到93%。因此，說明了單標簽分類適用于單一擾動分類任務(wù)，多標簽分類適用于未知復(fù)合擾動識別任務(wù)。

5 結(jié)論

為充分挖掘船舶電力系統(tǒng)電能質(zhì)量擾動信號的時序特性，且避免手動進行特征提取，本文提出結(jié)合距離矩陣與二維殘差網(wǎng)絡(luò)的擾動識別方法。

仿真結(jié)果表明：無噪聲時，單標簽分類的平均準確率能達到99.89%，比文獻[9]與文獻[23]方法的準確率分別高1.3%、0.92%，多標簽分類的平均1-score能達到99.56%；信噪比為20 dB時，單標簽分類的平均準確率能達到93.86%，比文獻[9]與文獻[23]方法的準確率分別高5.11%、7.21%，多標簽分類的平均1-score能達到96.52%；不同信噪比下，所提方法均具備較高的識別準確率，說明其能有效提取擾動特征，對噪聲魯棒性強；算例中，單標簽分類未能識別出未知復(fù)合擾動，而多標簽分類成功識別出擾動中的未知成分，且1-score達到93%。故得出單標簽分類適用于單一擾動分類任務(wù)，多標簽分類適用于未知復(fù)合擾動識別的結(jié)論。

未來的研究主要圍繞對船舶電力系統(tǒng)電能質(zhì)量擾動分類的同時評估擾動程度，并考慮將所提方法與實際船舶電力系統(tǒng)電能質(zhì)量擾動分析結(jié)合。

[1] 邱爰超, 袁成清, 孫玉偉, 等. 光伏滲透率對船舶光伏系統(tǒng)電能質(zhì)量的影響[J]. 哈爾濱工程大學(xué)學(xué)報, 2018, 39(9): 1532-1538.

QIU Aichao, YUAN Chengqing, SUN Yuwei, et al. Impact of photovoltaic penetration factor on the power quality of the photovoltaic system of ships[J]. Journal of Harbin Engineering University, 2018, 39(9): 1532-1538.

[2] 汪飛, 全曉慶, 任林濤. 電能質(zhì)量擾動檢測與識別方法研究綜述[J]. 中國電機工程學(xué)報, 2021, 41(12): 4104-4121.

WANG Fei, QUAN Xiaoqing, REN Lintao. Review of power quality disturbance detection and identification methods[J]. Proceedings of the CSEE, 2021, 41(12): 4104-4121.

[3] 黃建明, 瞿合祚, 李曉明. 基于短時傅里葉變換及其譜峭度的電能質(zhì)量混合擾動分類[J]. 電網(wǎng)技術(shù), 2016, 40(10): 3184-3191.

HUANG Jianming, QU Hezuo, LI Xiaoming. Classification for hybrid power quality disturbance based on STFT and its spectral kurtosis[J]. Power System Technology, 2016, 40(10): 3184-3191.

[4] 鄭戍華, 張寧寧, 王向周. 基于提升小波和Hilbert變換的暫態(tài)電能質(zhì)量檢測[J]. 北京理工大學(xué)學(xué)報, 2019, 39(2): 162-168.

ZHENG Shuhua, ZHANG Ningning, WANG Xiangzhou. A lifting wavelet and Hilbert transform fusion method for transient power quality detection[J]. Transactions of Beijing Institute of Technology, 2019, 39(2): 162-168.

[5] 楊曉梅, 郭林明, 肖先勇, 等. 基于可調(diào)品質(zhì)因子小波變換和隨機森林特征選擇算法的電能質(zhì)量復(fù)合擾動分類[J]. 電網(wǎng)技術(shù), 2020, 44(8): 3014-3020.

YANG Xiaomei, GUO Linming, XIAO Xianyong, et al. Classification of multiple power quality disturbances based on TQWT and random forest feature selection algorithm[J]. Power System Technology, 2020, 44(8): 3014-3020.

[6] 劉軍, 黃純, 江亞群, 等. 電能質(zhì)量擾動分析中廣義S變換算法的改進與實現(xiàn)[J]. 電力系統(tǒng)及其自動化學(xué)報, 2017, 29(3): 35-41.

LIU Jun, HUANG Chun, JIANG Yaqun, et al. Improved generalized S-transform algorithm for power quality disturbances analysis and its implementation[J]. Proceedings of the CSU-EPSA, 2017, 29(3): 35-41.

[7] 田振果, 傅成華, 吳浩, 等. 基于HHT的電能質(zhì)量擾動定位與分類[J]. 電力系統(tǒng)保護與控制, 2015, 43(16): 36-42.

TIAN Zhenguo, FU Chenghua, WU Hao, et al. Power quality disturbance for location and classification based on HHT[J]. Power System Protection and Control, 2015, 43(16): 36-42.

[8] 徐長寶, 古庭赟, 高云鵬, 等. 基于改進小波閾值函數(shù)和變分模態(tài)分解的電能質(zhì)量擾動檢測[J]. 湖南大學(xué)學(xué)報(自然科學(xué)版), 2020, 47(6): 77-86.

XU Changbao, GU Tingyun, GAO Yunpeng, et al. Power quality disturbance detection based on improved wavelet threshold function and variational mode decomposition [J]. Journal of Hunan University (Natural Science Edition), 2020, 47(6): 77-86.

[9] WANG Shouxiang, CHEN Haiwen. A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network[J]. Applied Energy, 2019, 235.

[10] 武昭旭, 楊岸, 祝龍記. 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動識別[J]. 電力系統(tǒng)保護與控制, 2020, 48(18): 88-94.

WU Zhaoxu, YANG An, ZHU Longji. Power quality disturbance recognition based on recurrent neural network[J]. Power System Protection and Control, 2020, 48(18): 88-94.

[11] 王維博, 張斌, 曾文入, 等. 基于特征融合一維卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動分類[J]. 電力系統(tǒng)保護與控制, 2020, 48(6): 53-60.

WANG Weibo, ZHANG Bin, ZENG Wenru, et al. Power quality disturbance classification of one-dimensional convolutional neural networks based on feature fusion[J]. Power System Protection and Control, 2020, 48(6): 53-60.

[12] LU J, TONG K Y. Robust single accelerometer-based activity recognition using modified recurrence plot[J]. IEEE Sensors Journal, 2019, 19(15): 6317-6324.

[13] IGUAL R, MEDRANO C, ARCEGA F J, et al. Integral mathematical model of power quality disturbances[C] // 2018 18th International Conference on Harmonics and Quality of Power (ICHQP), May 13-16, 2018, Ljubljana, Slovenia: 1-6.

[14] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C] // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 27-30, 2016, Las Vegas, NV, USA.

[15] ZHAO M, KANG M, TANG B, et al. Deep residual networks with dynamically weighted wavelet coefficients for fault diagnosis of planetary gearboxes[J]. IEEE Transactions on Industrial Electronics, 2018, 65(5): 4290-4300.

[16] GIRI E P, FANANY M I, ARYMURTHY A M, et al. Ischemic stroke identification based on EEG and EOG using ID convolutional neural network and batch normalization[C] // 2016 International Conference on Advanced Computer Science and Information Systems (ICACSIS), October 15-16, 2016, Malang, Indonesia: 484-491.

[17] SCHMIDHUBER J. Deep learning in neural networks: an overview[J]. Neural Networks, 2015, 61: 85-117.

[18] 靳果, 朱清智, 孟陽, 等. 基于多層極限學(xué)習機的電能質(zhì)量擾動多標簽分類算法[J]. 電力系統(tǒng)保護與控制, 2020, 48(8): 96-105.

JIN Guo, ZHU Qingzhi, MENG Yang, et al. Power quality disturbances multi-label classification algorithm based on a multi-layer extreme learning machine[J]. Power System Protection and Control, 2020, 48(8): 96-105.

[19] WANG S, BI S, ZHANG Y. Locational detection of false data injection attack in smart grid: a multi-label classification approach[J]. IEEE Internet of Things Journal, 2020, 7(9): 8218-8227.

[20] 趙小強, 宋昭漾. Adam 優(yōu)化的CNN超分辨率重建[J]. 計算機科學(xué)與探索, 2019, 13(5): 858-865.

ZHAO Xiaoqiang, SONG Zhaoyang. Adam optimized CNN super-resolution reconstruction[J]. Journal of Frontiers of Computer Science and Technology, 2019, 13(5): 858-865.

[21] GAL Y, GHAHRAMANI Z. A theoretically grounded application of dropout in recurrent neural networks[J]. Statistics, 2015, 1: 285-290.

[22] 史東宇, 胡文強, 李剛, 等. 基于t-SNE的電力系統(tǒng)電氣距離可視化方法研究[J]. 電力工程技術(shù), 2018, 37(2): 78-82.

SHI Dongyu, HU Wenqiang, LI Gang, et al. Study on visualization method of electrical distance in power system using t-SNE[J]. Electric Power Engineering Technology, 2018, 37(2): 78-82.

[23] 曹夢舟, 張艷. 基于卷積-長短期記憶網(wǎng)絡(luò)的電能質(zhì)量擾動分類[J]. 電力系統(tǒng)保護與控制, 2020, 48(2): 86-92.

CAO Mengzhou, ZHANG Yan. Classification for power quality disturbances based on CNN-LSTM network[J]. Power System Protection and Control, 2020, 48(2): 86-92.

Shipboard power quality disturbance recognition based on a two dimensional residual network

SONG Tiewei, SHI Weifeng, BI Zong, XIE Jialing

(Department of Electrical Automation, Shanghai Maritime University, Shanghai 201306, China)

For accurate classification, a power quality disturbance recognition method of a shipboard power system based on a two dimensional residual network (2D-ResNet) is proposed. First, the one-dimensional power quality time series is transformed into a two-dimensional image by a distance matrix, and then the image is sent to the proposed 2D-ResNet to extract features. Then an output feature map is used to obtain the recognition results through the linear layer classifier to realize on-line recognition of power quality disturbances in a shipboard power system. Compared with existing feature extraction methods, this method has the highest accuracy of disturbance recognition under different signal-to-noise ratio (SNR). When the SNR is 20 dB, the average accuracy of single-label classification is 93.86%, and the average1-score of multi-label classification is 96.52%. This proves that the 2D-ResNet can effectively extract features and is robust to noise. A single-label classifier fails to recognize unknown compound disturbance, while the multi-label classifier accurately recognizes the unknown components in the disturbance signal, and the1-score reaches 93%, which proves that the multi-label classification is suitable for the recognition of unknown compound disturbance.

shipboard power system; power quality; two dimensional residual network; disturbance identification;single-label classification; multi-label classification

10.19783/j.cnki.pspc.211021

上海市科技計劃項目資助(20040501200)

This work is supported by the Shanghai Science and Technology Committee Foundation (No. 20040501200).

2021-08-03；

2021-10-15

宋鐵維(1998—)，男，通信作者，碩士研究生,研究方向為電力系統(tǒng)優(yōu)化控制與故障檢測；E-mail: 1262464910@ qq.com

施偉鋒(1963—)，男，博士生導(dǎo)師，研究方向為電力系統(tǒng)及其自動化。E-mail: wfshi@shmtu.edu.cn

(編輯 周金梅)