基于MVMD-CapSA-DBN的工業多元負荷分類研究

周孟然,張易平,汪勝和,馬金輝,高博,胡鋒,朱梓偉,汪錕,劉宇

(1.安徽理工大學 電氣與信息工程學院,安徽 淮南 232001;2.國網安徽省電力有限公司,合肥 230001)

電力負荷的正常穩定運行以及實時監測對工廠穩定運行意義重大.為了保證電力系統的健康、經濟、高效、可靠的運行,需要深入分析各類負荷特點,在此基礎上進行需求側管理,規劃分時電價、移峰填谷等負荷管理工作,優化電網結構,提升電能利用效率,改善用戶用電習慣[1].

目前針對電力負荷預測分類精度提升的研究主要從兩方面考慮:1)數據信息提取方面,從時頻域分解數據信號,收集數據有效信息,挖掘其隱含信息、信號重構減小噪聲干擾;2)對負荷預測及分類方法研究,包括機器學習、深度學習等方法進行負荷預測、分類研究,改進聚類算法、神經網絡等方法.經驗模態分解(Empirical Mode Decomposition,EMD)作為自適應分解方法,在信號分解中應用十分廣泛,徐巖等人[2]利用EMD,分解時域信號并重構,有效消除較多噪聲信息,接著提取信號特征進行分類,分類精度得到提高;研究者為解決沖擊信號損失得問題,采用EMD結合稀疏分解特征提取方式,提高了分類準確度[3].由于變分模態分解(Variational Mode Decomposition,VMD)[4]能夠很好克服模態混疊、端點效應等缺點,所以一經提出,就被應用到信號分解方面,其在電力負荷分解方面表現也很好.商立群等[5]等針對光伏發電功率隨機性和波動性較強的問題,為了提高預測精度,利用VMD對光伏發電功率序列進行平穩化處理,實驗結果驗證了其有效性和優越性;馬宗彪等[6]采用VMD對數據模態分解重構,改善了FCM聚類精度就收斂速度慢的問題,實現了電力負荷的模糊分類.但采用VMD對信號分解,其分解量根據經驗人為確定,具有不確定性,可靠性低的缺點,因此本文提出停止準則對其改進,增加分解分量置信度.

近幾年采用深度學習預測分類[7-9]十分熱門.其中深度置信網絡[10](Deep Belief Nets,DBN)作為分類器,用于圖像處理,手寫字識別等,其在信號分類方面也有廣泛應用.張建宇等[11]提出遷移診斷模型,構建特征識別參數,引入最大相關峭度反卷積法方法,采用DBN對所研究的3類滾動軸承分類,準確率達到95%.神經網絡的參數設置對結果影響也很大.為對神經網絡的參數合理設置,引入優化算法對使用的神經網絡優化,程換新等人[12]利用循環神經網絡對未來短期負荷預測,針對循環神經網絡易陷入局部最優和全局搜索能力弱的缺點,利用改進后的粒子群算法優化循環神經網絡的結點權值參數,有效提高預測準確度.

然而,關于電力負荷優化、科學管理方面的研究仍缺少對具體負荷清晰分類的討論,難以精準調控實時負荷.針對以上問題,提出MVMD-CapSA-DBN模型對工業電力負荷分類.首先采用停止準則改進傳統VMD[13-15],有效確定VMD分解量,對信號分解后提取特征.根據采集的工業電力負荷數據,針對已知負荷類別分類問題選用DBN分類[16].同時考慮DBN參數對結果影響較大的問題,提出利用卷尾猴搜索算法(Capuchin Search Algorithm,CapSA)[17]優化對DBN影響較大的參數.

1 理論介紹

1.1 MVMD-CapSA-DBN模型流程

針對工業多元電力負荷信號易受干擾、特征不明顯的特點,建立基于MVMD-CapSA-DBN分類信號模型.圖1為MVMD-CapSA-DBN流程圖.首先,使用MVMD對多元負荷的功率信號分解,得到較為平穩的多個模態分量;之后使用CapSA-DBN,得到最優參數的DBN神經網絡,提取多元負荷經MVMD分解后的多個模態分量特征向量,輸入優化后的DBN神經網絡訓練,通過soft-max進行分類.

該算法運用遞歸思想,改進了傳統VMD算法模態分解數根據經驗人為確定的不可靠性,分解分量數目的判定由各分量與原信號相關系數決定.確定分解模態數后,分解模態分量的能量值即為特征輸出,大大降低了數據的特征維度,有利于提高神經網絡的診斷速度.后采用卷尾猴搜索算法優化對DBN分類結果影響較大的參數,提高DBN分類準確度.

1.2 改進VMD介紹

1.2.1VMD原理

VMD對于復雜非平穩時間序列信號的適應度非常好[18],對電力負荷數據分解按下述公式.VMD分解的問題實質是構建和求解變分問題,求解約束變分問題最優解

(1)

其中,α為懲罰因子;λ為Lagrange乘子;f(t)為電力負荷功率信號;{uk}={u1,u2,…,uK}為分解K個模態分量;{ωk}={ω1,ω2,…,ωK}為中心頻率;δ(t)為單位脈沖函數;*為卷積運算.

采用交替方向乘子算法(Alternate Direction Method of Multiplers,ADMM)更新迭代求解增廣Lagrange式(1)的鞍點,在頻域內迭代更新uk,ωk及λ.其迭代表達式如下

(2)

(3)

(4)

1.2.2停止準則

VMD分解的效果與分解模態數的取值具有十分相關性[19],較小的模態分解數會過濾一些需要的重要特征信息,影響后續分類準確率;而模態分解數過大則會有模態重復.傳統VMD的模態分解數一般由經驗法確定,可靠性差.由于K值選擇對于特征提取意義重大,所以提出一種基于VMD分解的停止準則確定K值.

采用VMD分解方法分解出的K個信號分量IMF,其本質是原始信號的組成成分,也就是說分解出來的信號和原信號具有相關性.計算分解信號與原信號的相關系數ck,確定最小相關系數cmin,若小于閾值,停止分解.見圖2.

1.3 DBN原理

DBN由Hinton 2006年提出,以數層受限玻爾茲曼機(Restricted Boltzman Machine,RBM)為基本構成模塊,最后一層連接分類器構成的半監督神經網絡.由于其深度學習能力較強,在信號分類方面表現很好,被廣泛應用分類問題.

經典DBN由多層RBM堆疊,最后一層連接BP網絡構成,其經典結構如圖3.DBN網絡的訓練過程是由上到下一層一層進行的,首先輸入提取的電力負荷特征數據進行無監督預訓練,第一層RBM充分訓練后再訓練下一層;無監督訓練后利用BP網絡進行有監督訓練,將最后一層RBM的輸出作為輸入給連接的BP網絡進行有監督反向微調訓練;完成訓練.這種訓練方式有效避免陷入局部最大值,學習信號特征.DBN的本質就是特征學習的過程.

1.4 CapSA原理

CapSA是于2021年提出的一種新型智能優化算法.該算法模擬猴子的動態行為.通過對卷尾猴在森林中游蕩覓食時的行為進行建模,設計了算法的基本優化特性.具有尋優能力強,收斂速度快等特點.種群包括兩種卷尾猴類型:領導者和追隨者.追隨者可能伴隨領導者覓食,并追求類似的運動行為.其算法原理如下.

1)初始化種群

xi=uj+r×(uj-lj),

(5)

式中,上標i指第i個個體,下標j指第j維,x為個體的位置,u為上邊界,l為下邊界,r為[0,1]之間隨機數.

2)卷尾猴壽命指數

(6)

式中,k、K為當前和最大迭代次數,β0=1,β1=11,β2=1.在全局和局部搜索過程中實現探索和開采之間的平衡.

第i只卷尾猴第j維速度

(7)

其中,x表示個體當前位置;xbest表示個體最佳位置;F表示食物位置;α1=1,α2=1;r1,r2均為[0,1]之間隨機數;ρ=0.7.

3)領導者α(i

(8)

式中,ε為[0,1]隨機數;卷尾猴在地面運動彈性概率Pef=9;平衡系數Pbf=0.7;重力加速度g取9.81 m/s2;跳躍角度θ=2/3r.

4)追隨者(n/2≤i≤n)位置

(9)

卷尾猴位置更新的過程即為優化過程,它們按照上述運動方式尋找食物,一段尋優時間過后,運動到食物周圍,最佳尋優位置即食物所在位置.

1.5 CapSA優化DBN

DBN神經網絡中各參數、隱含層數及隱含層神經元個數對結果均有影響[20-22],經實驗顯示,DBN具有兩層隱含層其深度學習效果已經很好,所以模型確定隱含層為兩層.動量m,學習因子α,隱含層RBM1和RBM2的神經元個數對結果影響較大,所以對DBN網絡這4個參數進行尋優.將DBN網絡結果誤差作為目標函數.CapSA-DBN流程如下:

1)設置CapSA參數,算法初始化.設置卷尾猴數量,尋優范圍,變量個數和最大迭代次數.

2)設置目標函數.將DBN網絡訓練誤差作為尋優條件.

3)輸入訓練數據.將經MVMD獲得的特征向量矩陣歸一化后,取70%作為訓練數據.

4)根據式(5)初始化卷尾猴速度,計算其適應度.

5)當步驟4)沒有滿足條件,根據式(6)更新壽命函數,根據式(8)和(9)更新卷尾猴位置,計算其適應度.

6)重復步驟5),直至達到精度要求或者到達最大迭代次數.

7)得到最優組合,對DBN網絡參數設置.

2 實驗方法及結果

2.1 實驗數據

本文使用的數據集為華東某地區水泥廠2021年11月的負荷實測數據.本實驗使用的數據集包括水泥廠二線粉磨車間和二線原料磨車間采集的不同電力負荷的有功功率,對每個負荷每5 min采集一次功率數據,每天共采集288個數據點,每類負荷數據集大小為30×288.負荷包括輥壓機(定輥)主電機(S1)、水泥循環風機主電機(S2)、水泥粉磨主電機(S3)、廢氣處理排風機(S4)、窯尾高溫風機(S5)、輥壓機(動輥)主電機(S6)共6種負荷裝置.其數據波形如圖4所示.根據采集信息,水泥廠在7日、8日原料磨車間和粉磨車間輪休進行檢修,因此舍棄為0的數據.

2.2 實驗方法

2.2.1負荷數據MVMD分解

將每組數據采用MVMD分解.計算每種負荷有功功率數據原始波形與分解后K=3組數據的相關系數ck,如表1所示.

表1 分解信號與原始信號的波形相關系數表

由表1可知,對6種負荷經MVMD分解過程中,K=3時,S1、S3、S4、S5、S6的cmin均小于閾值0.3,即停止分解;S2在K=2時既滿足停止條件,為了保證特征向量維度的一致性,方便后續神經網絡向量輸入,綜合取分解分量K=3.取S1負荷觀察其分解3層模態分量波形與頻譜對應圖,如圖5所示.由圖5可觀察,負荷信號S1經3層分解后,其高中低頻譜均已被分解出,且沒有出現模態混疊的現象,證明所提出的停止準則有效,在多元負荷分類中應用成功.

2.2.2提取特征向量

根據上一小節,將各負荷刪減數據為0的數據后,對共29 d的數據MVMD分解,提取各分量特征向量,計算各分量的能量值作為特征,得到特征向量大小為174×3的矩陣,并根據特征向量制作對應標簽向量,標簽矩陣大小為174×6.

2.2.3CapSA優化DBN網絡

根據1.5小節所述,利用CapSA對DBN網絡的動量m、學習因子α、以及隱含層RBM1、RBM2的神經元個數尋優.設置CapSA的初始參數如表2.

表2 CapSA 參數設置

設置好參數后,將DBN網絡分類誤差作為適應度函數,進行參數優化.CapSA優化結果為α=0.994 3,m=0.095 8,RBM1和RBM2的神經元個數分別為15、17.

2.3 實驗結果

將由CapSA優化得到的參數,對DBN網絡參數設置,輸入多元負荷特征向量與標簽;其中70%數據作為訓練集,30%的數據作為測試集,其分類結果平均正確率在88.89%以上.圖6為DBN網絡對多元負荷分類結果圖,表3為各負荷根據圖6分類結果所統計的分類準確度表.

根據圖6以及表3的結果可以觀察,S6的準確度相比較其他負荷較低,其分類模糊類為S1.根據圖4可以明顯看出S6與S1的波形相似性很高,數據特征區分度不高,由于整體數據量不夠,因此難以準確區分.

為了驗證本模型的準確性,采用不同優化算法對DBN參數進行優化,圖7為CapSA優化算法與灰狼優化算法(GWO)、飛蛾火焰優化算法(MFO)對DBN參數優化的結果對比圖.

表3 各負荷分類準確度

從圖7可以明顯觀察出,CapSA收斂速度更快,在經過17次迭代后,其結果已經達到最優0.111 1,相比于GWO需要41次迭代才能達到最優,其速度更快;MFO誤差結果在第17次誤差達到最優0.148 1,相對CapSA,其精度低了33.30%.綜合比較,CapSA的整體效果最好.

3 結 論

本研究就工業生產中為合理調度用電負荷,對具體負荷的如何準確分類進行討論.研究結果表明: 1)通過停止準則確定變分模態分解的分解模態分量數,有效避免了傳統變分模態分解的分解分量由人為確定的模糊性,使分解分量有依據,適應性更強,減少通過多次實驗確定的不準確性同時也能提高分解速度; 2)采用CapSA優化DBN算法,對比GWO、MFO優化結果,CapSA收斂速度更快,較GWO減少迭代時間;優化更加有效,較MFO精度有所提高.但針對負荷曲線相似度高、數據少的負荷分類結果不理想,仍需改進,這是后續需要研究的方向.