余雷，劉宏偉，孟蕓

（1.長安大學 能源與電氣工程學院，陜西 西安 710018；2.長安大學 電子與控制工程學院，陜西 西安 710064）

0 引言

近年來，具有不穩(wěn)定性的可再生能源發(fā)電設備大量的被并入電網(wǎng)，從而導致并網(wǎng)電源輸出的不確定性，引發(fā)一系列電能質量問題，如諧波、振蕩、暫降等干擾[1]。這些干擾會對電網(wǎng)的安穩(wěn)運行帶來嚴重危害，準確識別電能質量擾動（Power Quality Disturbances,PQDs）對后續(xù)電能質量治理、保證電網(wǎng)安穩(wěn)運行至關重要。

特征提取是PQDs 識別的關鍵，S 變換[2-3]、小波變換[4-5]、變分模態(tài)分解[6]等是常用的特征提取方法。雖然這些方法取得一些進展，但是在使用上仍舊存在局限性。不過隨著神經(jīng)網(wǎng)絡的快速發(fā)展，為PQDs 識別提供了一種新的研究思路[7]。文獻[8]和文獻[9]將PQDs 時序數(shù)據(jù)通過格拉姆角場（Gramian Angular Field,GAF）映射為二維圖像，然后利用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）進行識別；文獻[10]將PQDs 時序數(shù)據(jù)通過馬爾可夫轉移場（Markov Transition Field,MTF）轉換得到模態(tài)圖像，輸入到結合多頭注意力機制的CNN 中進行特征提?。晃墨I[11]將PQDs 時序數(shù)據(jù)通過遞歸圖（Recurrence Plot,RP）生成二維圖像，輸入到長短時記憶神經(jīng)網(wǎng)絡中進行識別。上述文獻所提方法對于PQDs 識別雖然都取得了不錯的效果，但是也存在不足之處：

1）大多只對簡單的單一擾動或者兩重擾動進行分類，對于復雜的多重擾動尚未探究；

2）受限于單種模態(tài)變換，在維度變換過程中容易造成擾動特征信息丟失；

3）使用單通道網(wǎng)絡結構進行識別，使得面對復雜擾動時提取特征信息不夠完整，分類準確率不高。

基于以上考慮，本文提出一種基于多模態(tài)圖像融合的雙通道卷積神經(jīng)網(wǎng)絡（Dual-Channel Convolutional Neural Network,DCCNN）算法。首先，為降低格拉姆求和場（Gramain Angular Summation Field,GASF）特征圖的冗余度，提出一種改進的格拉姆角和場（Improved Gramain Angular Summation Field,IGASF）；然后，將擾動信號通過IGASF、MTF、無閾值遞歸圖（Un-Thresholded Recurrence Plot,URP）三種模態(tài)轉換方法生成的圖像各提取出一個灰度單通道圖進行融合；最后，將融合得到的特征圖輸入到提出的DCCNN 模型進行識別。結果表明，該方法的抗噪聲魯棒性較好，擾動識別準確率高。

1 模態(tài)融合

面對采用單種模態(tài)對擾動信號進行變換過程中容易造成特征信息丟失的問題，本文采用不同模態(tài)融合進而使不同模態(tài)間的信息互補來彌補這一缺點。

1.1 IGASF 模態(tài)轉換

GAF 中的GASF 方法是基于余弦函數(shù)進行轉換，會導致生成的GASF 圖有一半冗余度，因此提出一種改進的GASF 算法。

生成IGASF 特征圖的步驟如下[12]：

1）通過式（1）將擾動信號X={x1,x2,…,xi,…,xn}進行歸一化并縮放到[-1,1]區(qū)間，xi(i=1,2,…,n)為序列X中的任意一個采樣點。

2）用式（2）進一步將序列X轉化為極坐標時間序列。

式中：N為正則化極坐標生成空間的常數(shù)因子；ti為xi對應的時間戳；θi為極坐標角度；ri為極坐標半徑。

3）基于式（3）將經(jīng)式（2）得到的(ri,θi)組合進行圖像編碼變換，即可得到GASF 特征圖。

式中x1i代表cos(θ1+θi)，其余依次類推。

觀察式（3）可得，GASF 矩陣沿著主對角線對稱，這就是導致生成的圖像有一半冗余的原因。所以，為降低GASF 圖像冗余，對GASF 算法進行改進。

式（4）是把主對角線置0，保留上三角信息，式（5）是把主對角線置0，保留下三角信息。

將式（4）、式（5）按照式（6）進行結合，即可得到IGASF 矩陣。

擾動信號根據(jù)式（6）生成IGASF 圖像時，可以大大降低圖像的冗余。其中，GASF1 和GASF2 矩陣編碼變換的對象是擾動發(fā)生時刻不同的同類擾動。

1.2 MTF 模態(tài)轉換

MTF 算法是通過馬爾可夫轉移概率把擾動數(shù)據(jù)變換為二維圖像[13]。首先將擾動數(shù)據(jù)按取值范圍分為Q個部分，通過遷移概率生成大小為Q×Q的馬爾可夫變遷場W，表達式如式（7）所示：

式中：wij為子空間qi轉移到子空間qj的概率；xt為t時刻對應的信號幅值。

考慮到時間位置信息因素，將矩陣W拓展到包含時間信息的MTF，表達式如式（8）所示：

式中：qi為xi對應的子空間；mij為子空間qi轉移到qj的概率。

1.3 URP 模態(tài)轉換

為保留擾動數(shù)據(jù)中所有的特征信息，本文采用URP算法對擾動數(shù)據(jù)進行模態(tài)變換。將擾動數(shù)據(jù)進行相空間重構，得到高維相空間。對于相空間中的軌跡xi(x∈Rd)，d為嵌入維數(shù)，URP 定義如下[14]：

式中：‖·‖為∞范數(shù)；Ri,j(unthres)為相空間中向量xi和xj間的歐氏距離。

因為灰度圖能很好地表征圖像中的特征信息，所以將擾動信號經(jīng)上述三種模態(tài)轉換后的圖像各提取出一個灰度單通道圖進行融合，這樣生成的新特征圖中擾動特征信息會更加充分，流程如圖1 所示。

圖1 多模態(tài)圖像融合流程圖

2 基于DCCNN 的擾動識別模型

CNN 在圖像識別方面極具優(yōu)勢，一些作者已經(jīng)把CNN 應用到PQDs 識別領域。但是，大部分文獻采用的單通道CNN 只能對一些簡單的擾動進行識別。同時，因為空洞卷積可以在不降低特征圖尺寸的情況下實現(xiàn)感受野的增長，從而使每個卷積的輸出包含更多的信息，所以為提高識別復雜擾動的準確率，本文提出一種引入空洞卷積的DCCNN 結構。

普通卷積與空洞卷積的區(qū)別如圖2 所示，其中卷積核以3 × 3 為例。

圖2 普通卷積和空洞卷積示意圖

圖2a）為普通卷積（擴張率為1），圖2b）為空洞卷積（擴張率為2）。由圖2 可知，同樣大小的卷積核，空洞卷積后的感受野比普通卷積感受野要大，意味著相同大小的卷積核空洞卷積能提取更多的擾動特征。

本文提出的DCCNN 模型擾動識別流程如圖3所示。

圖3 DCCNN 結構擾動識別流程圖

基于DCCNN 模型的擾動識別算法流程如下：

1）將經(jīng)過多模態(tài)圖像融合生成的特征圖作為該網(wǎng)絡的輸入；

2）在雙通道的不同卷積模塊中，對輸入圖像均進行卷積、池化等操作，然后將獲取的特征矩陣經(jīng)全連接層轉化為一維特征向量；

3）將兩個通道得到的一維特征向量在特征融合層進行融合，接著輸入到Softmax 分類器中進行擾動分類。

DCCNN 模型中激活函數(shù)使用的是ReLU，優(yōu)化器選用的是Adam，學習率設置為0.000 1，損失函數(shù)采用交叉熵損失函數(shù)，該網(wǎng)絡的具體參數(shù)如表1 所示。

表1 DCCNN 模型主要參數(shù)

3 算例分析

本實驗的計算機配置為12th Gen Intel?CoreTMi5-12500H 2.50 GHz、16 GB RAM 和NVIDA GeForce RTX3050 Ti Laptop GPU，網(wǎng)絡模型基于TensorFlow 2.6的Python 語言搭建。由Matlab 仿真生成20 種PQDs，其中包括8 種單一擾動、12 種復合擾動。每種擾動生成1 000 個樣本，訓練集和測試集隨機劃分比例為8∶2。每種擾動所對應標簽如表2 所示。

表2 PQDs 類別及其對應的標簽

3.1 訓練過程可視化分析

提出的DCCNN 模型輸入特征圖大小為128×128×3，迭代250次，得到訓練集與測試集的準確率及其相應的損失值，訓練過程如圖4 所示。

圖4 訓練過程可視化

由圖4 可知，隨著迭代次數(shù)的增加，訓練集、測試集的準確率不斷提升，最終穩(wěn)定在97.5%左右。

圖5 為擾動數(shù)據(jù)經(jīng)不同單模態(tài)轉換后，DCCNN 模型測試集輸出的相應準確率。

圖5 不同模態(tài)測試集識別準確率

從圖5 分析可知，PQDs 時序數(shù)據(jù)轉換為GASF 特征圖后，識別準確率達到92.8%；轉換為改進后的IGASF特征圖后，識別準確率達到95.6%，比未改進前的GASF特征圖識別準確率提高了2.8%；轉換為URP 和MTF 特征圖后，識別準確率達到94.7%。四種單模態(tài)轉換方法最終準確率都沒達到97.5%，說明了本文方法能保留更多的擾動特征信息。

3.2 不同信噪比可視化分析

為使仿真模擬接近實際情況，在劃分好的測試集中分別隨機加入30 dB、40 dB、50 dB 的高斯白噪聲，用訓練好的模型去識別。圖6為測試集在無噪聲、30 dB、40 dB、50 dB 高斯白噪聲環(huán)境下輸出的混淆矩陣，其中橫坐標代表預測類別的標簽，縱坐標代表真實類別的標簽，對角線和非對角線元素代表相對應的PQDs 標簽判斷正確和判斷錯誤的數(shù)量。

圖6 不同噪聲條件下測試集識別準確率

圖6a）為無噪聲環(huán)境下測試集輸出的混淆矩陣，可以看出大多數(shù)擾動都被正確識別出來，s11 代表暫降-諧波-閃變復合擾動，雖然正確識別數(shù)量較少，但也能達到93.5%的準確率；圖6b）為加入30 dB 高斯白噪聲后測試集輸出的混淆矩陣，總體準確率達到95.1%，相比于無噪聲條件下降了2.4%；圖6c）和圖6d）分別為加入40 dB和50 dB 高斯白噪聲后測試集輸出的混淆矩陣，總體準確率達到97.1%，相比于無噪聲條件下降了0.4%。雖然加入不同分貝的噪聲后，測試集準確率略有下降，但仍能保持較高的識別準確率，說明了本文方法具有一定的抗噪魯棒性。

3.3 不同方法識別結果分析

為進一步評價本文方法的有效性和可行性，將本文方法的識別準確率與文獻[15-16]中的識別準確率進行比較，并在表3 中給出。其中，由于PQDs 信號組合較多，多數(shù)文獻研究的擾動信號不完全一樣，因此表3 給出的識別準確率是相關文獻與本文所研究的擾動對象重合部分。

表3 不同方法識別準確率性能比較 %

對表3 分析可知，本文方法不僅在不同噪聲環(huán)境下對擾動識別正確率波動更小，而且本文的DCCNN 模型提取特征能力強，識別準確率要高于其他方法。

3.4 工程數(shù)據(jù)可視化分析

工程數(shù)據(jù)來自國家電網(wǎng)寶雞供電公司扶風、硤石、黃牛、嘉陵、向陽變電站，因為工程數(shù)據(jù)有限，只有諧波（c0）、中斷（c1）、暫態(tài)振蕩（c2）、暫降-諧波（c3）、暫降-暫態(tài)振蕩（c4）、暫升（c5）、暫升-暫態(tài)振蕩（c6）等7 類擾動，每類擾動選擇200個電網(wǎng)實測信號作為訓練集，20個實測信號作為測試集。其中，圖7 為110 kV 黃牛變電站故障發(fā)生時電網(wǎng)母線側三相電壓錄波監(jiān)測得到的擾動波形。

圖7 黃牛變電站故障發(fā)生時母線電壓波形

將工程數(shù)據(jù)按照本文方法進行處理，得到的測試集混淆矩陣如圖8 所示。

圖8 工程數(shù)據(jù)測試集輸出混淆矩陣

從圖8 分析可知，工程數(shù)據(jù)測試集總體準確率能達到96.4%，7 類擾動能很好地識別出來，說明本文方法對于工程應用具有較高的可行性。

4 結論

為提高電網(wǎng)中PQDs 識別的準確率，本文提出一種基于多模態(tài)圖像融合的DCCNN 方法。經(jīng)過實驗得到如下結論：

1）相較于GASF 特征圖，仿真結果證明本文提出的IGASF 特征圖能夠降低圖像冗余度的同時保留更多的擾動特征信息；

2）相較于單種模態(tài)轉換，本文所提出的多模態(tài)圖像融合方法在PQDs 時序數(shù)據(jù)編碼成新特征圖像時識別準確率更高；

3）對于20 種擾動，在不同噪聲環(huán)境下，本文方法識別準確率至少能達到95%以上，表明本文方法提取特征能力強，具有一定的抗噪魯棒性，擾動識別率高；對電網(wǎng)中實測得到的7 類擾動，使用本文方法進行識別準確率能達到96.4%，同時也表明了本文方法泛化能力較好。

注：本文通訊作者為余雷。