基于格萊姆角場和遷移學習的電能質量擾動分類研究*

裘 星, 尹仕紅, 張之涵, 潘深琛, 江敏豐, 楊建明, 鄭建勇

0 引 言

隨著清潔發電技術的發展,以及響應國家能源發展的“碳達峰,碳中和”的戰略部署。并網發電的種類越來越多,以及綜合能源系統的接入,使得電網中的擾動信號也隨之增加,對電能質量產生的不利影響也越發嚴重。為了提高對電能質量擾動(Power Quality Disturbance,PQD)的治理效果,需要對不同PQD信號進行準確的分類[1-3]。

文獻[4]搭建了交、直流仿真系統,模擬不同類型的直流電能質量波形,并采用二元樹結構的支持向量機對不同的擾動進行分類。文獻[5]采用一維卷積神經網絡和BP神經網絡對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神經網絡實現分類。文獻[6]采用深度置信網絡,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)深度神經網絡對PQD進行分類,通過堆棧式系數自編碼器獲取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合的方法提取擾動信號的特征,利用Hoeffding Tree神經網絡構建增量式分類訓練模型。文獻[9]提出了一種計及多物聯通信方式傳輸速率約束與邊緣設備成本的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練和分類。文獻[10]提出了一種“電能質量綜合偏差”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網絡的特征量,其識別的準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,原有訓練好的神經網絡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)和遷移學習的PQD分類方法。首先,運用GAF將不同類型的PQD信號轉化為二維圖片類型,然后基于不同PQD的種類個數和大小調整遷移學習神經網絡的結構,最后將轉化后的二維圖片導入遷移學習神經網絡中進行訓練和測試,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方差矩陣,矩陣中每個不同位置的數據都有特定位置的卷積計算產生,因此矩陣中每個位置的數據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性,同時矩陣中對角線體現了每個特征在圖片中出現的量。包含不同的PQD信號實際上是一組與時間刻度相關的一維數據,包含有時間向量和不同時間刻度對應帶電壓大小的向量。GAF可以將時間向量和包含不同PQD的數據向量進行特征融合,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,假設包含某種PQD信號的數據為X={x1,x2,x3…,xn},其中xn表示在第n個時刻所對應的電壓值的大小,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信號數據實際上是一組與時間向量緊密相連的一維度數組,為了能夠使該數組與時間向量的聯系更加緊密,需要對其進行極坐標的轉換,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[13-14]。

1.1.2 GAF變換

經過極坐標變換和歸一化處理之后,可以采用GAF進行變換,根據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信號轉化如圖1所示。展示了將一維PQD信號轉化為二維圖片的基本過程。

圖1 PQD信號轉化

1.2 遷移學習模型

在電網中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,訓練的模型需要有一定的遷移學習能力,因此本文采用遷移學習神經網絡對其進行訓練和分類。在遷移學習中能夠對圖片進行有效分類的有AlexNet神經網絡,本文使用該神經網絡對經過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神經網絡進行修改和計算。神經網絡的結構及運算過程如表1所示。

由表1可見,原始進入遷移學習神經網絡模型圖片的大小為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圖片大小調整為227×227×3,在第一步中將采用參數N取值為227。遷移學習模型AlexNet實際上是一種卷積神經網絡,經過調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,且其激活函數全部采用relu,在最后的輸出全連接層其輸出的神經元的個數等于待分類的種類數。原始模型的輸出層的個數為1 000,在此處需要將其調整為待分類的種類數M。

表1 神經網絡的結構及運算過程

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信號數據的預處理、GAF變換、神經網絡的訓練和測試等。

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的轉化,并將轉化后的運用GAF進行轉化,變成遷移學習模型可識別的二維圖片;第二步,將不同PQD圖片導入到遷移學習模型中,經過遷移學習模型中卷積層、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,基于遷移學習的特點,通過不同單個PQD信號的分類訓練,可以識別經過不同PQD信號組合形成的新的PQD,相較于傳統的卷積神經網絡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仿真數據

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、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來模擬PQD信號。

通過在模型節點輸入不同PQD的數學模型,在模型末端布置相關示波器。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轉化方法將其轉化為二維圖片,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信號經過GAF轉換之后,將這些圖片進行處理以適應遷移神經網絡可識別的圖片大小,并將生成圖片的70%用于遷移模型的訓練,30%用于遷移學習模型的測試[15-16]。通過調整模型的學習率和迭代次數等關鍵參數,以適應該樣本集和測試機,仿真平臺采用Python3.6的pytorch模塊的AlexNet神經網絡。模型訓練過程如圖5所示。

圖5 模型訓練過程

為了更加全面地分析該方法的分類結果,本文采用混淆矩陣對分類的結果作為評判標準。通過對數據的可視化分析,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P代表準確率(precision),R代表召回率(recall),Fscore代表準確率和召回率的調和平均評估指標,計算式為

(5)

(6)

(7)

式中:Tp——實際上是正類,但是被預測為正類的數量;

TN——實際上是負類,但是被預測為負類的數量;

Fp——實際上是負類,但是被預測為正類的數量;

FN——實際上是正類,但是被預測為負類的數量。

觀察圖6發現,不同PQD的二維圖片整體分類準確率在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網絡為方法2,以及文獻[19]采用的稀疏自編碼器神經網絡為方法3。采用相同仿真樣本對這幾種模型進行對比分析,樣本數據需要經過上文所述的GAF進行二維轉化,而一維卷積神經網絡則將原始PQD的一維信號截取一個完整周期為時間序列數據。經過對應的數據前處理之后,并采用對應文獻中的分類過程,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。神經網絡的結構及運算過程如表2所示。

表2 神經網絡的結構及運算過程

通關分析上述實驗結果得知,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,識別準確率較低;文獻[18]所采用的一維卷積神經網絡,由于神經網絡的基本結構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網絡,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網路的訓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神經網絡,不僅能夠保證識別效率,而且能夠提高識別的準確率。

4 結 語

本文針對不同電能質量PQD信號分類問題,引入了GAF方法將一維的PQD信號轉化為與時間序列相關的二維圖片,使得不同PQD信號的特征更加明顯也更易于神經網絡的分類,并將生成的二維PQD圖片采用遷移學習模型進行識別分類,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。