卷積神經網絡在電能質量擾動識別中的應用研究

安徽理工大學電氣與信息工程學院 王景玲

針對電能質量擾動識別數據多、特征數據提取復雜、識別精度低等問題，提出了一種基于格拉姆角場(Gramian Angular Fields，GAF)和二維卷積神經網絡(Two-Dimensional Convolutional Neural Network，2D-CNN)的電能質量擾動識別分類新方法。首先對GAF將電能質量擾動信號一維數據轉化為二維圖像的過程進行了分析，其次介紹了二維卷積神經網絡的結構和訓練過程及反向傳播算法，并在Tensorflow/Keras框架中搭建2D-CNN，建立了電能質量擾動分類模型。仿真實驗結果表明，該方法能夠提高分類精度，具有良好的魯棒性。

隨著電力電子設備的廣泛應用和電網中非線性負荷的增加，時常會出現電壓凹陷、膨脹、中斷以及瞬態電磁等一系列電能質量擾動問題，電能質量的降低不僅無法滿足用戶側的供電需求同時也會對電力系統的安全性和經濟性造成影響。近年來，電能質量擾動的識別和分類是其研究熱點之一。電能質量的研究主要包括兩個方面：一是電能質量擾動檢測的研究，二是電能質量擾動分類識別的研究。通常，對電能質量信號進行特征值提取的方法有：稀疏分解、相空間重構、S變換、希爾伯特黃變換等；對已提取的特征信號進行分類的方法主要有：決策樹、支持向量機、循環神經網絡、深度信念網絡等。

鑒于此，本文提出了一種新的檢測識別方法。首先通過GAF將電能質量擾動信號的一維時間序列轉換為二維圖片，其次通過搭建二維卷積神經網絡模型對GAF圖像進行分類和識別，最終仿真實驗結果驗證了該方法的合理性與準確性。

1 電能質量擾動信號的GAF圖像

針對電能質量擾動問題，本文根據IEEE電能質量擾動信號模型在MATLAB中仿真得到8種擾動信號，且均為單一擾動，分別為正常信號、暫升、暫降、脈沖、中斷、諧波、振蕩、波動。在實驗過程中，首先在Python中安裝pyts庫并編寫程序。其次準備各種擾動信號的一維時間序列，即在MATLAB中通過數學模型plot出圖形并保存為.csv文件，接著通過Python語言編寫代碼進行批量處理保存得到GAF二維圖像，解決了由于識別數據量過大，且保存和傳輸過程困難導致識別精度下降的問題。以本文實驗中采用的一維時間序列為例，得到某一時刻下電能質量擾動的GAF圖像，如圖1所示。

圖1 正常信號和電能質量擾動信號的GAF圖像

2 構建二維卷積神經網絡模型

卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法之一，它可以人工參與以避免對圖像復雜的前期預處理過程。卷積神經網絡包括一維卷積、二維卷積和三維卷積，其中二維卷積神經網絡廣泛應用在各類圖像的識別處理中。

為了得到分類好的電能質量擾動信號，根據二維卷積神經網絡的訓練過程及BP算法，本文通過Python編寫基于Tensorflow/Keras的框架搭建2D-CNN，該神經網絡有2個卷積層，2個池化層和2個全連接層，輸入網絡的電能質量擾動信號圖像大小為256×256×1，其中卷積層采用5×5卷積核，步長為1；激活函數采用ReLU函數；池化層采用Max-Pooling，且窗口大小為4×4，步長為1；全連接層輸出一個1x8的向量，最后輸出擾動信號的8分類識別率。模型調試時設置參數Epoch為50，損失函數為Categorical_crossentropy，Optimizer為Adam，Dropout為0.5。

3 實驗仿真分析

本文通過Matlab生成8種不同的電能質量擾動信號，且均為單一擾動，其中正常信號和每類擾動信號各生成500個隨機數據樣本，總計4000個數據樣本，每類擾動選取300個數據樣本作為訓練樣本來完成卷積神經網絡模型的訓練，使用200個數據樣本作為測試樣本來完成驗證和網絡評估性能。再將每類擾動疊加40dB信噪比的噪聲信號，基波頻率為50Hz，采樣頻率為5000Hz。將所有樣本通過GAF轉化成二維圖像，在已經搭建好并運行的模型中作為輸入，開始進行網絡訓練和同步測試。

根據網絡訓練和測試繪制出訓練損失函數和驗證準確率隨訓練過程不斷變化的曲線，即訓練損失曲線和驗證準確率曲線，訓練損失曲線如圖2所示，驗證準確率曲線如圖3所示。

圖2 訓練損失曲線

通過對比無噪聲干擾和有噪聲干擾情況下的電能質量擾動信號分類可知，有噪聲干擾使得在網絡訓練過程中的訓練損失的極小值增大，由圖2可知，訓練損失在不斷下降，且在初始下降過程中波動較大，但隨著Epoch的增加逐漸趨于穩定。這個過程說明整個訓練網絡的模型在不斷的進步完善中，且網絡穩定性逐漸增加。由圖3看出驗證準確率在開始時處于較低精度，通過20代的訓練后準確率快速提升并趨于穩定，最終達到接近1的較高準確率。

不同噪聲強度下，各類電能質量擾動信號的分類準確率如表1所示。

從表1中可以看出，各種信號的分類準確率較高，最高可達97.20%，說明該方法具有較高的穩定性，在無噪聲和40dB的情況下，該方法對諧波和波動的準確效果更高，其中波動可以達到100%。而對振蕩的分類效果有所降低，在40dB的情況下，準確率只達到83.50%，說明該方法仍存在一定的局限性。

表1 不同擾動信號的分類準確率

本文以格拉姆矩陣為依據，規整理論分析中的時間序列X為函數形式，對數據進行極坐標編碼，再通過Python編碼得到電能質量擾動識別的GAF圖像。其次利用二維卷積神經網絡的BP算法對本文研究的多種擾動信號進行重構，結果表明重構的信號很好的保留了原始信號的特征信息。將重構后的信號作為輸入信息輸入搭建好的二維卷積神經網絡仿真模型中并結合不同的噪聲環境進行實驗，結果表明，重構后的信號識別率比原信號識別率稍有降低，不同的噪聲環境下各種擾動信號的分類準確率存在差異，具備一定的抗噪能力。

圖3 驗證準確率曲線