基于改進DenseNet模型的電壓暫降故障識別方法

胡懷雯

(湖南機電職業技術學院,湖南 長沙 410151)

0 引言

電壓暫降是指供電電壓在短時間內突然下降,然后在稍后的短暫時間內恢復到正常水平的現象。簡而言之,它是一種瞬時的電壓降低后迅速恢復的情況。國際電工委員會(IEC)定義電壓暫降為電壓有效值下降到額定值的1%～90%,并在10 ms到1 min的時間內恢復到正常值。在校園環境中,電壓暫降已經成為影響實驗設備和培訓設備的主要電能質量問題。所以,實時監測電壓暫數據,及時預防和解決電壓暫降帶來的問題變得非常重要。

電壓暫降可分為兩類:隨機性暫降和計劃性暫降。隨機性暫降是由短路故障引起的暫降,這包括單相短路、兩相短路和三相短路。而計劃性暫降則是由人為操作引起的暫降,其中包括大型感應電機啟動和變壓器投切。

近年來,國內外專家對電壓暫降類別做了大量的研究,傳統的電壓暫降故障識別方法主要依賴于特征工程和基于機器學習算法的分類器。然而,這些方法往往需要手動提取特征,且在處理復雜多變的電壓信號時存在一定的局限性[1-3]。

為了克服這些問題,近年來出現了基于深度學習的方法,特別是卷積神經網絡(Convolutional Neural Network,CNN)在電壓暫降故障識別中顯示出了優異的性能和潛力[4]。基于此,本文提出一種基于改進DenseNet模型的電壓暫降檢測方法。首先,利用空間變換和頻率變換獲取空間圖像和頻率圖像,為改進DenseNet模型提供多種維度的特征,提升模型的性能,提高模型的泛化能力。其次,傳統DenseNet模型的密集連接的設計,雖然使得網絡的每一層都能夠直接訪問和重用來自前面層的特征信息,但是過于密集,會導致特征數據過多,學習速度變慢。因此在過渡層中使用注意力機制,以平衡模型的復雜度和表示能力。最后,對圖像進行二值化操作,只關注曲線本身對曲線顏色等特征的屏蔽,增強模型的魯棒性,提升訓練的收斂速度。

1 電壓暫降數據的空間變換

在電力系統分析中,常用復平面中的矢量表示三相對稱電壓和電流,它們被稱為空間矢量,三相電壓常用三相靜止坐標系表示,他們會合成一個旋轉的矢量,這個合成的矢量就很難用三相靜止坐標系描述。因此,為了更好地表示這個旋轉矢量,引入α-β坐標系(兩相靜止坐標系),α軸和β軸正交,選定α軸與U相方向重合。將合成矢量分解到α軸和β軸上,這樣就得到了三相靜止坐標系到兩相靜止坐標系的轉換,具體變換如式(1)所示。

(1)

如圖1所示,左側為三相電壓瞬時波形,分別對應單相短路、雙相短路和三相短路,右側為對應的空間變換圖像。從圖可知各種故障特征明顯,很容易用肉眼區分,因此空間矢量圖和三相電壓瞬時波形圖能夠作為輸入,訓練改進DenseNet模型。訓練時會對圖像做二值化處理。

圖1 空間矢量坐標變換

2 電壓暫降數據的頻率變換

當電力系統中發生電壓暫降故障時,可以通過傅立葉變換分析電壓信號的特點。傅立葉變換將時域信號(在時間上表示)轉換為頻域信號(在頻率上表示),可以幫助人們更好地理解信號在不同頻率上的組成,電壓暫降故障時的頻譜如圖2所示。

圖2 電壓暫降故障頻譜

在電壓暫降故障時,電壓信號可能會出現瞬時下降,并在一段時間后恢復正常。傅立葉變換可以將這個瞬時下降的電壓信號分解成一系列頻率分量,從而揭示信號的頻譜特性,可以觀察到低頻成分增強、高頻成分衰減、相位變化等特征。因此本文也會提取頻率部分特征。

3 改進DenseNet模型

DenseNet模型種類較多,主要的區別在于深度的不同,為了使模型能夠在便攜式設備上使用,本文選用DenseNet-121模型。DenseNet-121模型是DenseNet模型系列中一個相對較淺的模型,由于其較少的參數量和計算復雜度,被廣泛應用于計算資源受限的環境中。下面本文將對DenseNet-121模型進行簡單介紹。(1)輸入層:接受圖像或其他類型的輸入;(2)初始卷積層:一個7×7的卷積核進行卷積操作,步長為2,對卷積結果進行批歸一化處理后傳遞給ReLU激活函數提取初始特征;(3)池化層:一個3×3的最大池化層,步長為2,用于降低特征圖的尺寸;(4)Dense Block 1:由6個密集層組成,每個密集層都與前面密集層的輸出進行連接,形成一種密集連接的結構。即對于第i個密集層而言,它的輸入是前面所有層的輸出的級聯,密集層通常由一系列卷積操作組成,在卷積之后會應用批歸一化(Batch Normalization)和激活函數(如ReLU);(5)過渡層 1:包括1×1卷積層和2×2的平均池化層,用于減小特征圖的尺寸;(6)Dense Block 2:由12個密集層組成,同樣采用3×3的卷積核;(7)過渡層 2:與過渡層 1 類似的結構;(8)Dense Block 3:由24個密集層組成;(9)過渡層 3:與過渡層 1 和 2 類似的結構;(10)Dense Block 4:由16個密集層組成;(11)全局平均池化層:將最后一個Dense Block的特征圖尺寸轉換為固定長度的特征向量;(12)全連接層:將特征向量映射為預期的類別數量;(13)輸出層:通過Softmax激活函數得到最終的分類概率輸出。

改進DenseNet模型主要的修改為:(1)對過渡層1～3進行修改,用注意力機制替代過渡層的操作;(2)全局平均池化層改為自適應池化層,不管什么尺寸的圖像最后都能提取出相同維度的特征。

4 檢測結果

綜合分析實驗結果,本文認為改進DenseNet模型對于電壓暫降類型分類任務比較有效。然而,在這個實驗中,筆者也發現隨著網絡深度的增加,模型的訓練時間和計算資源需求也隨之增加。因此,本文選用的是輕量級的DenseNet-121模型。實驗采用的訓練數據和測試數據一部分來自pqubes,一部分由函數模擬生成。實驗結果詳情如表1所示,其中“測試數據”表示每個實驗所使用的不同測試數據集;“損失函數”是指模型對樣本預測的結果與真實結果的距離,本文使用交叉熵損失函數;“準確率”表示預測正確的概率(包括正反例預測正確);“精確率”表示真正例在所有預測為正例中所占的比例;“召回率”表示真正例與真正例和假反例之和的比率。

表1 實驗結果

5 結語

本文通過利用DenseNet的稠密連接和特征重用的特性,結合注意力機制,有效地提高了模型識別電壓暫降故障的能力。本文研究對電力電壓暫降問題的診斷具有重要的實際意義。通過準確識別電壓暫降故障類型,快速定位故障,保證電力系統的穩定運行,提高供電可靠性。

然而,該方法仍然存在一些不足:(1)可以進一步研究和優化模型的架構和參數設置,以進一步提高性能;(2)進一步的實驗和驗證也是必要的,以確保該方法在更廣泛的數據集和實際場景中的適用性;(3)為了提高電能質量,必要的檢測手段必不可少。因此,后續的研究應拓展故障檢測的范圍,為電力系統高質量運行提供檢測手段。