基于深度卷積序列殘差組合神經網絡的電能質量擾動分類方法

田光陽，王勝昔，田世東，康 星，姚 蕾，鐘建偉，梁會軍*

（1.國網湖北省電力有限公司恩施供電公司，湖北 恩施 445000；2.湖北民族大學，湖北 恩施 445000）

0 引言

提供可靠和優質的電能已經成為現代電力部門發展的目標，新一代負載的敏感性不斷增加，使得從商業建筑到工業工廠都要求更高的供電質量［1-2］。電能質量由兩個主要部分組成：電壓連續性以及電壓穩定性。電壓不連續的問題如今已基本消除［3-4］，當前電能質量擾動現象主要是諧波、電壓波動、電壓暫降、短時中斷以及三相不平衡以及其復合擾動［5-6］，而以上現象主要由半導體開關器件、非線性負載、整流器、逆變器以及繼電保護設備構成［7-9］。另外，可再生能源以及分布式發電機并入傳統電力系統是如今電能質量擾動產生的主要原因之一［10-11］。因此，準確地識別分類電能質量擾動是治理電能質量、提高供電可靠性的關鍵［12］。

傳統的電能質量擾動分類模型大致分為2 個步驟：擾動特征提取和擾動分類識別兩個環節。由于電力系統的信號發生電能質量擾動時，會伴隨大量的非穩態信號，因此電能質量擾動信號的特征提取要同時兼顧頻域和時域信息。擾動特征提取方法有小波變換［13-14］、廣義S變換［15-17］、短時傅里葉變換［18-19］等特征提取方法。這些特征提取方法目前被廣泛應用到電能質量擾動信號特征提取中，但是其中也存在一定的問題。如文獻［20］分析了小波變換需要人為選取小波基函數，不同的小波基函數會導致不同的特征提取結果，因此好的特征提取結果往往和人的經驗有關。

常用的電能質量擾動分類模型有決策樹［21-22］、支持向量機［23-24］、人工神經網絡［25-26］。決策樹模型容易產生一個過于復雜的模型，該模型往往在訓練集上效果很好，而在測試集上效果很差，出現過擬合的狀況。支持向量機是將數據映射到高維空間，數據在高維空間距離相對較大，系數缺乏理論指導，選擇難度較大。人工神經網絡往往需要大量的數據集進行訓練，在訓練的同時，通常容易陷入局部最優而導致神經網絡的參數無法有效更新，同時人工神經網絡的參數不僅龐大而且在對圖片的識別和分類上往往效果較差。

總而言之，常用的典型分類模型容易受到電能質量擾動信號數據集數量和擾動信號復雜性的影響，因此亟需設計一套高效、準確、快速的電能質量擾動分類模型，以適應新形勢發展需求。

1 基本思路

為了避免人工提取電能質量擾動信號特征而出現的主觀性偏差，本文提出一種基于深度卷積序列殘差組合神經網絡的電能質量擾動分類方法，該方法使用深度卷積序列殘差組合神經網絡對電能質量擾動信號進行自動特征提取，同時也可以保證對電能質量擾動進行精準地分類和識別。

深度卷積序列殘差組合神經網絡結構如圖1 所示，包括深度卷積模塊［27］、循環序列模塊［28］、殘差網絡模塊［29］、分類模塊［30］4 部分。其中，深度卷積模塊用于對電能質量擾動信號進行初步特征提取；循環序列模塊用于將深度卷積模塊提取的特征進行時間序列學習，學習擾動出現和結束的時間序列信息；殘差網絡模塊用于對經過循環序列模塊學習后輸出的特征進行再次的采樣學習，避免過擬合同時加速網絡的訓練速度；分類模塊用于對殘差網絡模塊采樣后的特征進行分類，區分不同類別電能質量擾動信號，獲得對應電能質量信號的分類結果。

圖1 深度卷積序列殘差組合神經網絡結構圖Fig.1 Diagram of deep convolution sequence residual combined neural network

2 具體實現

2.1 系統結構

如圖1 第一個虛線框所示，卷積層用于對輸入的電能質量擾動信號數據x進行卷積運算，利用卷積操作將數據中有效的特征進行提取操作。為實現初步對電能質量擾動信號進行特征提取、提高后續神經網絡模塊的學習效率，采用如下卷積運算：

式（1）中，pl(i，t)為l層第i個特征圖的第t個神經元經過池化層后的輸出值；?l(i，t)為l層第i個特征圖的第t個神經元經過激活函數后的輸出值。

深度卷積模塊采用多個卷積層和池化層相互疊加不斷地對電能質量擾動信號進行一層一層的特征提取和特征選擇，從而使得最終深度卷積模塊輸出的特征圖可以去除其中不必要的影響判斷分類的噪聲，而僅包含電能質量擾動信號中重要的信息。

經過深度卷積神經網絡輸出的特征圖將作為循環序列模塊的輸入信息，經由多個LSTM 單元串接而成的LSTM 神經網絡的時間序列學習，將電能質量擾動信號中的時間序列信息進行學習，從而輸出電能質量擾動信號中的時間序列信息。

殘差網絡模塊由多個殘差神經網絡單元所組成，殘差神經網絡單元的輸出來自兩個部分，首先是輸入的數據經過殘差映射，經過神經網絡層的計算從而進行輸出，其次是將輸入數據不經過任何計算輸出，最終將這兩個部分進行求和通過relu 激活函數進行輸出。其中殘差神經網絡單元可以表示為

式（2）、式（3）中，xl和xl+1分別表示第l個殘差單元的輸入和輸出，F表示學習到的殘差，f是relu激活函數。

殘差網絡模塊的輸入為循環序列模塊學習到的序列信息，經過前面的卷積神經網絡和LSTM神經網絡的串接，神經網絡層數已經較深，隨著后續加入更深的神經網絡層，梯度彌散和梯度爆炸出現的可能性就會越來越大，因此在反向傳播的時候就無法對神經網絡的權重參數進行更新。殘差神經網絡特殊的網絡結構正好可以解決由于神經網絡比較深而出現參數無法更新的問題。

分類模塊是由全連接神經網絡層和softmax 激活函數所組成，其中全連接層對殘差模塊輸出值進行全連接操作；softmax 激活函數對全連接層的輸出結果進行分類操作，獲得對應電能質量擾動信號類別的概率，并輸出最大概率對應的電能質量擾動信號類別。其中softmax激活函數的函數表達式為：

式（4）中，N表示擾動類別數量；pm為電能質量擾動類別為m的概率（m=1，2，…，N）；bm為輸出層待激活的神經元。

按上述模塊構建深度卷積序列殘差組合神經網絡模型，并利用該模型對收集好的電能質量模型進行學習訓練，最終進行模型的測試。

2.2 系統工作流程

系統整體流程圖如圖2所示，首先，收集電力質量擾動信號數據集，其中電能質量擾動信號包含單一信號7種，分別為電壓暫升、電壓中斷、電壓暫降、諧波信號、暫態振蕩、瞬態沖擊和電壓閃變。其次，對收集來的電能質量擾動信號進行數據清洗，去除其中有問題的數據。第三，對處理好的數據集進行訓練集和測試集的劃分，數據集的劃分按一定比例從中隨機抽取數據，防止樣本不均衡導致訓練的模型出現過擬合的情況。同時劃分好訓練集用來進行模型的訓練；測試集用來評估測試訓練好的模型魯棒性是否強。第四，建立深度卷積序列殘差組合神經網絡模型，該模型包含3 個神經網絡模型部分，分別為卷積神經網絡模型部分、循環神經網絡模型部分、殘差神經網絡模型部分。最后，利用劃分好的電能質量擾動信號訓練集數據進行深度卷積序列殘差組合神經網絡模型的訓練。

圖2 系統整體流程圖Fig.2 Overall system flow chart

上述過程中，訓練模型流程圖如圖3所示。首先，初始化深度卷積序列殘差組合神經網絡模型參數；其次，獲取電能質量擾動數據集中的訓練集中的數據和對應擾動類別的標簽。將數據輸入到搭建好的深度卷積序列殘差組合神經網絡進行前向傳播運算。然后，計算前向傳播得出的結果和對應標簽的誤差值，利用誤差進行反向傳播更新神經網絡的參數，其中計算誤差利用的交叉熵損失函數公式如式（5）所示：

圖3 訓練模型流程圖Fig.3 Training model flowchart

式（5）中，C表示交叉熵損失值，ti表示對應電能質量擾動信號對應的真實標簽，pi表示為神經網絡輸入的電能質量擾動類別標簽。最后，判斷模型是否達到設置的訓練輪次，如果沒有達到就繼續不斷重復地訓練，如果達到了就導出訓練好的模型。

利用劃分好的電能質量擾動信號測試集對導出的訓練好的模型進行模型測試，同時進行模型評估。如果該模型不能很好地進行電能質量擾動信號的分類識別，則調整建立好的深度卷積序列殘差組合神經網絡模型的模型參數重新進行模型的訓練。

3 數值仿真

按如上結構搭建深度卷積序列殘差組合神經網絡模型，搭建神經網絡的框架選擇為Pytorch，實驗的硬件環境處理器為12th Gen Intel（R）Core（TM）i9-12900K 3.19 GHz、機帶RAM為64 GB、顯卡為NVIDIA GeForce RTX 3090。在實際生活中電能質量擾動的波形不可避免地會受到干擾，因此在基礎采樣的基礎上給每種電能質量擾動信號數據添加10 dB～40 dB的噪聲。

實驗結果如表1 所示，由表1 可以看出，在沒有噪聲干擾的情況下，深度卷積序列殘差組合神經網絡模型對電能質量擾動模型測試集的平均測試準確率在98.75%，可以對電能質量擾動信號模型進行精準的識別，同時無噪聲的正常波形模型的識別準確率在100%。相比較噪聲為10 dB、20 dB、30 dB，在噪聲為40 dB 的情況下平均準確率是最低的96.25%，但是96.25%的識別準確率也是較高的。同時在噪聲為10 dB、20 dB、30 dB平均準確率都是在97%以上，其效果很好，可以高效準確地將電能質量擾動信號識別出來。

表1 仿真結果及對比情況Table 1 Comparison of simulation results

對比文獻［31］，本文所提方法也具有顯著的優勢。在噪聲信號分別為20 dB、30 dB、40 dB時，本文所提方法的平均準確率都明顯高于文獻［31］中的方法。特別是從算法穩定性上看，以噪聲信號為30 dB時為例，本文所提方法在上述8 類信號的識別準確率均穩定在95%以上，而在文獻［31］中，針對正常波形、電壓暫降和暫態振蕩的識別準確率分別是87%、88%和83.5%，而在其他5 種情況中，識別準確率都在96%以上，可見，本文所提算法性能更為穩健。

4 結語

本文提出了一種基于深度卷積序列殘差組合神經網絡的電能質量擾動分類方法。首先通過卷積神經網絡提取電能質量擾動信號特征，不用人為地主觀選擇電能質量擾動信號中的特征，減少了由于特征選取不正確導致神經網絡分類不準確的情況。同時由于電能質量擾動信號中存在一定時間序列信息，在卷積模塊后加入循環神經網絡對提取的特征圖進行時間序列信息的學習，有效地提高了神經網絡對時間序列特征的擬合效果，從而提高神經網絡的電能質量擾動識別的準確率。在循環神經網絡后加入殘差神經網絡可以對電能質量擾動信號進行更深層次的特征學習，同時用于殘差神經網絡的特殊網絡結構，避免了神經網絡出現梯度爆炸和梯度消失的情況，加速神經網絡參數更新的速度。