胡懷雯

(湖南機(jī)電職業(yè)技術(shù)學(xué)院,湖南 長(zhǎng)沙 410151)

0 引言

電壓暫降是指供電電壓在短時(shí)間內(nèi)突然下降,然后在稍后的短暫時(shí)間內(nèi)恢復(fù)到正常水平的現(xiàn)象。簡(jiǎn)而言之,它是一種瞬時(shí)的電壓降低后迅速恢復(fù)的情況。國(guó)際電工委員會(huì)(IEC)定義電壓暫降為電壓有效值下降到額定值的1%～90%,并在10 ms到1 min的時(shí)間內(nèi)恢復(fù)到正常值。在校園環(huán)境中,電壓暫降已經(jīng)成為影響實(shí)驗(yàn)設(shè)備和培訓(xùn)設(shè)備的主要電能質(zhì)量問(wèn)題。所以,實(shí)時(shí)監(jiān)測(cè)電壓暫數(shù)據(jù),及時(shí)預(yù)防和解決電壓暫降帶來(lái)的問(wèn)題變得非常重要。

電壓暫降可分為兩類(lèi):隨機(jī)性暫降和計(jì)劃性暫降。隨機(jī)性暫降是由短路故障引起的暫降,這包括單相短路、兩相短路和三相短路。而計(jì)劃性暫降則是由人為操作引起的暫降,其中包括大型感應(yīng)電機(jī)啟動(dòng)和變壓器投切。

近年來(lái),國(guó)內(nèi)外專(zhuān)家對(duì)電壓暫降類(lèi)別做了大量的研究,傳統(tǒng)的電壓暫降故障識(shí)別方法主要依賴于特征工程和基于機(jī)器學(xué)習(xí)算法的分類(lèi)器。然而,這些方法往往需要手動(dòng)提取特征,且在處理復(fù)雜多變的電壓信號(hào)時(shí)存在一定的局限性[1-3]。

為了克服這些問(wèn)題,近年來(lái)出現(xiàn)了基于深度學(xué)習(xí)的方法,特別是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在電壓暫降故障識(shí)別中顯示出了優(yōu)異的性能和潛力[4]?；诖?本文提出一種基于改進(jìn)DenseNet模型的電壓暫降檢測(cè)方法。首先,利用空間變換和頻率變換獲取空間圖像和頻率圖像,為改進(jìn)DenseNet模型提供多種維度的特征,提升模型的性能,提高模型的泛化能力。其次,傳統(tǒng)DenseNet模型的密集連接的設(shè)計(jì),雖然使得網(wǎng)絡(luò)的每一層都能夠直接訪問(wèn)和重用來(lái)自前面層的特征信息,但是過(guò)于密集,會(huì)導(dǎo)致特征數(shù)據(jù)過(guò)多,學(xué)習(xí)速度變慢。因此在過(guò)渡層中使用注意力機(jī)制,以平衡模型的復(fù)雜度和表示能力。最后,對(duì)圖像進(jìn)行二值化操作,只關(guān)注曲線本身對(duì)曲線顏色等特征的屏蔽,增強(qiáng)模型的魯棒性,提升訓(xùn)練的收斂速度。

1 電壓暫降數(shù)據(jù)的空間變換

在電力系統(tǒng)分析中,常用復(fù)平面中的矢量表示三相對(duì)稱(chēng)電壓和電流,它們被稱(chēng)為空間矢量,三相電壓常用三相靜止坐標(biāo)系表示,他們會(huì)合成一個(gè)旋轉(zhuǎn)的矢量,這個(gè)合成的矢量就很難用三相靜止坐標(biāo)系描述。因此,為了更好地表示這個(gè)旋轉(zhuǎn)矢量,引入α-β坐標(biāo)系(兩相靜止坐標(biāo)系),α軸和β軸正交,選定α軸與U相方向重合。將合成矢量分解到α軸和β軸上,這樣就得到了三相靜止坐標(biāo)系到兩相靜止坐標(biāo)系的轉(zhuǎn)換,具體變換如式(1)所示。

(1)

如圖1所示,左側(cè)為三相電壓瞬時(shí)波形,分別對(duì)應(yīng)單相短路、雙相短路和三相短路,右側(cè)為對(duì)應(yīng)的空間變換圖像。從圖可知各種故障特征明顯,很容易用肉眼區(qū)分,因此空間矢量圖和三相電壓瞬時(shí)波形圖能夠作為輸入,訓(xùn)練改進(jìn)DenseNet模型。訓(xùn)練時(shí)會(huì)對(duì)圖像做二值化處理。

圖1 空間矢量坐標(biāo)變換

2 電壓暫降數(shù)據(jù)的頻率變換

當(dāng)電力系統(tǒng)中發(fā)生電壓暫降故障時(shí),可以通過(guò)傅立葉變換分析電壓信號(hào)的特點(diǎn)。傅立葉變換將時(shí)域信號(hào)(在時(shí)間上表示)轉(zhuǎn)換為頻域信號(hào)(在頻率上表示),可以幫助人們更好地理解信號(hào)在不同頻率上的組成,電壓暫降故障時(shí)的頻譜如圖2所示。

圖2 電壓暫降故障頻譜

在電壓暫降故障時(shí),電壓信號(hào)可能會(huì)出現(xiàn)瞬時(shí)下降,并在一段時(shí)間后恢復(fù)正常。傅立葉變換可以將這個(gè)瞬時(shí)下降的電壓信號(hào)分解成一系列頻率分量,從而揭示信號(hào)的頻譜特性,可以觀察到低頻成分增強(qiáng)、高頻成分衰減、相位變化等特征。因此本文也會(huì)提取頻率部分特征。

3 改進(jìn)DenseNet模型

DenseNet模型種類(lèi)較多,主要的區(qū)別在于深度的不同,為了使模型能夠在便攜式設(shè)備上使用,本文選用DenseNet-121模型。DenseNet-121模型是DenseNet模型系列中一個(gè)相對(duì)較淺的模型,由于其較少的參數(shù)量和計(jì)算復(fù)雜度,被廣泛應(yīng)用于計(jì)算資源受限的環(huán)境中。下面本文將對(duì)DenseNet-121模型進(jìn)行簡(jiǎn)單介紹。(1)輸入層:接受圖像或其他類(lèi)型的輸入;(2)初始卷積層:一個(gè)7×7的卷積核進(jìn)行卷積操作,步長(zhǎng)為2,對(duì)卷積結(jié)果進(jìn)行批歸一化處理后傳遞給ReLU激活函數(shù)提取初始特征;(3)池化層:一個(gè)3×3的最大池化層,步長(zhǎng)為2,用于降低特征圖的尺寸;(4)Dense Block 1:由6個(gè)密集層組成,每個(gè)密集層都與前面密集層的輸出進(jìn)行連接,形成一種密集連接的結(jié)構(gòu)。即對(duì)于第i個(gè)密集層而言,它的輸入是前面所有層的輸出的級(jí)聯(lián),密集層通常由一系列卷積操作組成,在卷積之后會(huì)應(yīng)用批歸一化(Batch Normalization)和激活函數(shù)(如ReLU);(5)過(guò)渡層 1:包括1×1卷積層和2×2的平均池化層,用于減小特征圖的尺寸;(6)Dense Block 2:由12個(gè)密集層組成,同樣采用3×3的卷積核;(7)過(guò)渡層 2:與過(guò)渡層 1 類(lèi)似的結(jié)構(gòu);(8)Dense Block 3:由24個(gè)密集層組成;(9)過(guò)渡層 3:與過(guò)渡層 1 和 2 類(lèi)似的結(jié)構(gòu);(10)Dense Block 4:由16個(gè)密集層組成;(11)全局平均池化層:將最后一個(gè)Dense Block的特征圖尺寸轉(zhuǎn)換為固定長(zhǎng)度的特征向量;(12)全連接層:將特征向量映射為預(yù)期的類(lèi)別數(shù)量;(13)輸出層:通過(guò)Softmax激活函數(shù)得到最終的分類(lèi)概率輸出。

改進(jìn)DenseNet模型主要的修改為:(1)對(duì)過(guò)渡層1～3進(jìn)行修改,用注意力機(jī)制替代過(guò)渡層的操作;(2)全局平均池化層改為自適應(yīng)池化層,不管什么尺寸的圖像最后都能提取出相同維度的特征。

4 檢測(cè)結(jié)果

綜合分析實(shí)驗(yàn)結(jié)果,本文認(rèn)為改進(jìn)DenseNet模型對(duì)于電壓暫降類(lèi)型分類(lèi)任務(wù)比較有效。然而,在這個(gè)實(shí)驗(yàn)中,筆者也發(fā)現(xiàn)隨著網(wǎng)絡(luò)深度的增加,模型的訓(xùn)練時(shí)間和計(jì)算資源需求也隨之增加。因此,本文選用的是輕量級(jí)的DenseNet-121模型。實(shí)驗(yàn)采用的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)一部分來(lái)自pqubes,一部分由函數(shù)模擬生成。實(shí)驗(yàn)結(jié)果詳情如表1所示,其中“測(cè)試數(shù)據(jù)”表示每個(gè)實(shí)驗(yàn)所使用的不同測(cè)試數(shù)據(jù)集;“損失函數(shù)”是指模型對(duì)樣本預(yù)測(cè)的結(jié)果與真實(shí)結(jié)果的距離,本文使用交叉熵?fù)p失函數(shù);“準(zhǔn)確率”表示預(yù)測(cè)正確的概率(包括正反例預(yù)測(cè)正確);“精確率”表示真正例在所有預(yù)測(cè)為正例中所占的比例;“召回率”表示真正例與真正例和假反例之和的比率。

表1 實(shí)驗(yàn)結(jié)果

5 結(jié)語(yǔ)

本文通過(guò)利用DenseNet的稠密連接和特征重用的特性,結(jié)合注意力機(jī)制,有效地提高了模型識(shí)別電壓暫降故障的能力。本文研究對(duì)電力電壓暫降問(wèn)題的診斷具有重要的實(shí)際意義。通過(guò)準(zhǔn)確識(shí)別電壓暫降故障類(lèi)型,快速定位故障,保證電力系統(tǒng)的穩(wěn)定運(yùn)行,提高供電可靠性。

然而,該方法仍然存在一些不足:(1)可以進(jìn)一步研究和優(yōu)化模型的架構(gòu)和參數(shù)設(shè)置,以進(jìn)一步提高性能;(2)進(jìn)一步的實(shí)驗(yàn)和驗(yàn)證也是必要的,以確保該方法在更廣泛的數(shù)據(jù)集和實(shí)際場(chǎng)景中的適用性;(3)為了提高電能質(zhì)量,必要的檢測(cè)手段必不可少。因此,后續(xù)的研究應(yīng)拓展故障檢測(cè)的范圍,為電力系統(tǒng)高質(zhì)量運(yùn)行提供檢測(cè)手段。