裘 星, 尹仕紅, 張之涵, 潘深琛, 江敏豐, 楊建明, 鄭建勇

0 引 言

隨著清潔發(fā)電技術(shù)的發(fā)展,以及響應(yīng)國家能源發(fā)展的“碳達峰,碳中和”的戰(zhàn)略部署。并網(wǎng)發(fā)電的種類越來越多,以及綜合能源系統(tǒng)的接入,使得電網(wǎng)中的擾動信號也隨之增加,對電能質(zhì)量產(chǎn)生的不利影響也越發(fā)嚴(yán)重。為了提高對電能質(zhì)量擾動(Power Quality Disturbance,PQD)的治理效果,需要對不同PQD信號進行準(zhǔn)確的分類[1-3]。

文獻[4]搭建了交、直流仿真系統(tǒng),模擬不同類型的直流電能質(zhì)量波形,并采用二元樹結(jié)構(gòu)的支持向量機對不同的擾動進行分類。文獻[5]采用一維卷積神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對PQD信號進行分類,首先采用卷積層提取擾動信號的特征向量并進行特征的融合,最后通過BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)分類。文獻[6]采用深度置信網(wǎng)絡(luò),對不同噪聲下的PQD信號進行分類。文獻[7]采用稀疏自編碼器(SAE)深度神經(jīng)網(wǎng)絡(luò)對PQD進行分類,通過堆棧式系數(shù)自編碼器獲取PQD的深層次特征,并利用softmax進行最后的分類。文獻[8]提出了一種基于Hoeffding Tree的PQD分類方法,采用小波變換和離散傅里葉變換相結(jié)合的方法提取擾動信號的特征,利用Hoeffding Tree神經(jīng)網(wǎng)絡(luò)構(gòu)建增量式分類訓(xùn)練模型。文獻[9]提出了一種計及多物聯(lián)通信方式傳輸速率約束與邊緣設(shè)備成本的PQD特征提取和分類方法,該方法運用Spit重要度確定擾動信號的特征順序,然后運用輕量級梯度提升機進行訓(xùn)練和分類。文獻[10]提出了一種“電能質(zhì)量綜合偏差”概念,并引用模糊綜合評價方法建立了針對長時間尺度的電能質(zhì)量綜合評估模型。這些方法雖然在PQD分類中取得了不錯的分類效果,但是由于PQD信號屬于一維信號,在對其進行特征提取時難以完全適配不同神經(jīng)網(wǎng)絡(luò)的特征量,其識別的準(zhǔn)確率有待進一步提高,且不同擾動信號的兩兩組合又可以形成新的擾動類型,原有訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)難以識別新的擾動類型。

因此,本文提出了一種基于格萊姆矩陣(Gramian Angular Field,GAF)和遷移學(xué)習(xí)的PQD分類方法。首先,運用GAF將不同類型的PQD信號轉(zhuǎn)化為二維圖片類型,然后基于不同PQD的種類個數(shù)和大小調(diào)整遷移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),最后將轉(zhuǎn)化后的二維圖片導(dǎo)入遷移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練和測試,完成不同類型的PQD分類。

1 PQD的分類方法

1.1 基于GAF生成不同PQD圖片

GAF實際上可以看作是不同特征之間的偏心協(xié)方差矩陣,矩陣中每個不同位置的數(shù)據(jù)都有特定位置的卷積計算產(chǎn)生,因此矩陣中每個位置的數(shù)據(jù)都代表了一個特征的強度[11-13]。GAF計算的是兩組向量之間的相關(guān)性,同時矩陣中對角線體現(xiàn)了每個特征在圖片中出現(xiàn)的量。包含不同的PQD信號實際上是一組與時間刻度相關(guān)的一維數(shù)據(jù),包含有時間向量和不同時間刻度對應(yīng)帶電壓大小的向量。GAF可以將時間向量和包含不同PQD的數(shù)據(jù)向量進行特征融合,所生成的圖片能夠表征包含不同PQD信號的特征。

1.1.1 PQD信號的歸一化

在對不同類型PQD信號進行GAF轉(zhuǎn)化之前,需要對帶有時間向量的PQD信號進行歸一化處理,假設(shè)包含某種PQD信號的數(shù)據(jù)為X={x1,x2,x3…,xn},其中xn表示在第n個時刻所對應(yīng)的電壓值的大小,n表示該序列的時間向量包含n個時刻,進行歸一化的計算式為

(1)

由于不同的PQD信號數(shù)據(jù)實際上是一組與時間向量緊密相連的一維度數(shù)組,為了能夠使該數(shù)組與時間向量的聯(lián)系更加緊密,需要對其進行極坐標(biāo)的轉(zhuǎn)換,其計算式為

(2)

t——時間向量中第t個時刻;

N——PQD信號進行降采樣參數(shù)[13-14]。

1.1.2 GAF變換

經(jīng)過極坐標(biāo)變換和歸一化處理之后,可以采用GAF進行變換,根據(jù)GAF的定義:

(3)

由式(3)可見,矩陣中每個元素實際上類似向量的內(nèi)積運算,因此定義〈x,y〉=x2+y2。因此上述GAF可以表示為

(4)

PQD信號轉(zhuǎn)化如圖1所示。展示了將一維PQD信號轉(zhuǎn)化為二維圖片的基本過程。

圖1 PQD信號轉(zhuǎn)化

1.2 遷移學(xué)習(xí)模型

在電網(wǎng)中PQD種類繁多,幾種不同種類的PQD信號組合又可以形成新的PQD,要想成功地對其進行分類,訓(xùn)練的模型需要有一定的遷移學(xué)習(xí)能力,因此本文采用遷移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對其進行訓(xùn)練和分類。在遷移學(xué)習(xí)中能夠?qū)D片進行有效分類的有AlexNet神經(jīng)網(wǎng)絡(luò),本文使用該神經(jīng)網(wǎng)絡(luò)對經(jīng)過GAF變換后的PQD圖片進行分類。為了提高分類效果,對原始的AlexNet神經(jīng)網(wǎng)絡(luò)進行修改和計算。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及運算過程如表1所示。

由表1可見,原始進入遷移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型圖片的大小為227×227×3,因此在第一步采用GAF進行生成PQD圖片時,需將生成的PQD圖片大小調(diào)整為227×227×3,在第一步中將采用參數(shù)N取值為227。遷移學(xué)習(xí)模型AlexNet實際上是一種卷積神經(jīng)網(wǎng)絡(luò),經(jīng)過調(diào)整對圖片的分類有著出色的分類性能。該模型中包含有5個卷積層和池化層,能夠提取輸入圖片的圖形特征,且其激活函數(shù)全部采用relu,在最后的輸出全連接層其輸出的神經(jīng)元的個數(shù)等于待分類的種類數(shù)。原始模型的輸出層的個數(shù)為1 000,在此處需要將其調(diào)整為待分類的種類數(shù)M。

表1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及運算過程

2 PQD分類的基本流程

本文采用PQD分類方法,PQD分類基本流程如圖2所示。該過程主要包含有PQD信號數(shù)據(jù)的預(yù)處理、GAF變換、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試等。

圖2 PQD分類基本流程

本文所提方法:第一步,將原始PQD一維信號進行歸一化和極坐標(biāo)的轉(zhuǎn)化,并將轉(zhuǎn)化后的運用GAF進行轉(zhuǎn)化,變成遷移學(xué)習(xí)模型可識別的二維圖片;第二步,將不同PQD圖片導(dǎo)入到遷移學(xué)習(xí)模型中,經(jīng)過遷移學(xué)習(xí)模型中卷積層、池化層以及最后的全連接層將不同的PQD圖片進行分類;最后,基于遷移學(xué)習(xí)的特點,通過不同單個PQD信號的分類訓(xùn)練,可以識別經(jīng)過不同PQD信號組合形成的新的PQD,相較于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)能夠在一定程度上提高PQD的分類效率。

3 實驗分析

3.1 IEEE 14仿真數(shù)據(jù)

通常單個PQD信號包含有電壓暫降、電壓暫升、電壓中斷、振蕩暫態(tài)、諧波、電壓尖峰、電壓缺口等,而包含有兩種形式組合的常見復(fù)合PQD信號有諧波+電壓暫降信號、諧波+電壓暫升信號等。為了模擬完整的不同PQD信號,該部分采用MATLAB仿真IEEE 14模型,通過注入不同的擾動函數(shù)來模擬PQD信號。

通過在模型節(jié)點輸入不同PQD的數(shù)學(xué)模型,在模型末端布置相關(guān)示波器。不同PQD信號波形如圖3所示。

圖3 不同PQD信號波形

將上述不同類型的PQD波形通過本文所述GAF轉(zhuǎn)化方法將其轉(zhuǎn)化為二維圖片,不同PQD信號的二維圖片如圖4所示。

圖4 不同PQD信號的二維圖片

為了驗證該方法的有效性,仿真模型隨機生成的不同類型的PQD信號經(jīng)過GAF轉(zhuǎn)換之后,將這些圖片進行處理以適應(yīng)遷移神經(jīng)網(wǎng)絡(luò)可識別的圖片大小,并將生成圖片的70%用于遷移模型的訓(xùn)練,30%用于遷移學(xué)習(xí)模型的測試[15-16]。通過調(diào)整模型的學(xué)習(xí)率和迭代次數(shù)等關(guān)鍵參數(shù),以適應(yīng)該樣本集和測試機,仿真平臺采用Python3.6的pytorch模塊的AlexNet神經(jīng)網(wǎng)絡(luò)。模型訓(xùn)練過程如圖5所示。

圖5 模型訓(xùn)練過程

為了更加全面地分析該方法的分類結(jié)果,本文采用混淆矩陣對分類的結(jié)果作為評判標(biāo)準(zhǔn)。通過對數(shù)據(jù)的可視化分析,分類后的混淆矩陣如圖6所示。

圖6 分類后的混淆矩陣

其評價指標(biāo)P代表準(zhǔn)確率(precision),R代表召回率(recall),Fscore代表準(zhǔn)確率和召回率的調(diào)和平均評估指標(biāo),計算式為

(5)

(6)

(7)

式中:Tp——實際上是正類,但是被預(yù)測為正類的數(shù)量;

TN——實際上是負(fù)類,但是被預(yù)測為負(fù)類的數(shù)量;

Fp——實際上是負(fù)類,但是被預(yù)測為正類的數(shù)量;

FN——實際上是正類,但是被預(yù)測為負(fù)類的數(shù)量。

觀察圖6發(fā)現(xiàn),不同PQD的二維圖片整體分類準(zhǔn)確率在96%,相對與直接采用原始一維PQD信號分類效果有了明顯的改善。

3.2 對比分析

為了證明所述方法的有效性,將GAF所提方法與其他PQD方法進行對比分析,文獻[17]采用的SVM為方法1、文獻[18]采用的一維卷積神經(jīng)網(wǎng)絡(luò)為方法2,以及文獻[19]采用的稀疏自編碼器神經(jīng)網(wǎng)絡(luò)為方法3。采用相同仿真樣本對這幾種模型進行對比分析,樣本數(shù)據(jù)需要經(jīng)過上文所述的GAF進行二維轉(zhuǎn)化,而一維卷積神經(jīng)網(wǎng)絡(luò)則將原始PQD的一維信號截取一個完整周期為時間序列數(shù)據(jù)。經(jīng)過對應(yīng)的數(shù)據(jù)前處理之后,并采用對應(yīng)文獻中的分類過程,在實際的PQD分類過程中存在不同程度的噪聲影響,通過在仿真模型中注入不同的噪聲值[7],并采用相同的樣本運用不同的分類算法進行對比。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及運算過程如表2所示。

表2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及運算過程

通關(guān)分析上述實驗結(jié)果得知,文獻[17]所采用的SVM分類方法對所提取的擾動信號為某一時刻丟失了大部分時間刻度的其他信息量,識別準(zhǔn)確率較低;文獻[18]所采用的一維卷積神經(jīng)網(wǎng)絡(luò),由于神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)對于二維信號有著較強的分類性能,對于一維沒有做針對性的調(diào)整,很難有較好的識別效果;文獻[19]所采用的稀疏自編碼器神經(jīng)網(wǎng)絡(luò),雖然能夠取得不錯的分類效果,但是對于信號的處理以及神經(jīng)網(wǎng)路的訓(xùn)練需要占用較多的計算資源。本文所采用的方法將一維的PQD信號轉(zhuǎn)化為二維的圖形,包含了完整的時間序列以及能夠更好地適應(yīng)神經(jīng)網(wǎng)絡(luò),不僅能夠保證識別效率,而且能夠提高識別的準(zhǔn)確率。

4 結(jié) 語

本文針對不同電能質(zhì)量PQD信號分類問題,引入了GAF方法將一維的PQD信號轉(zhuǎn)化為與時間序列相關(guān)的二維圖片,使得不同PQD信號的特征更加明顯也更易于神經(jīng)網(wǎng)絡(luò)的分類,并將生成的二維PQD圖片采用遷移學(xué)習(xí)模型進行識別分類,在一定程度上增加了PQD信號分類的泛化能力,最后采用IEEE 14仿真模型,仿真不同PQD信號,并對比其他分類算法的識別效果,證明了本文所提方法對不同PQD分類效果的有效性。