基于格莱姆角场和迁移学习的电能质量扰动分类研究*

裘 星, 尹仕红, 张之涵, 潘深琛, 江敏丰, 杨建明, 郑建勇

0 引 言

随着清洁发电技术的发展,以及响应国家能源发展的“碳达峰,碳中和”的战略部署。并网发电的种类越来越多,以及综合能源系统的接入,使得电网中的扰动信号也随之增加,对电能质量产生的不利影响也越发严重。为了提高对电能质量扰动(Power Quality Disturbance,PQD)的治理效果,需要对不同PQD信号进行准确的分类[1-3]。

文献[4]搭建了交、直流仿真系统,模拟不同类型的直流电能质量波形,并采用二元树结构的支持向量机对不同的扰动进行分类。文献[5]采用一维卷积神经网络和BP神经网络对PQD信号进行分类,首先采用卷积层提取扰动信号的特征向量并进行特征的融合,最后通过BP神经网络实现分类。文献[6]采用深度置信网络,对不同噪声下的PQD信号进行分类。文献[7]采用稀疏自编码器(SAE)深度神经网络对PQD进行分类,通过堆栈式系数自编码器获取PQD的深层次特征,并利用softmax进行最后的分类。文献[8]提出了一种基于Hoeffding Tree的PQD分类方法,采用小波变换和离散傅里叶变换相结合的方法提取扰动信号的特征,利用Hoeffding Tree神经网络构建增量式分类训练模型。文献[9]提出了一种计及多物联通信方式传输速率约束与边缘设备成本的PQD特征提取和分类方法,该方法运用Spit重要度确定扰动信号的特征顺序,然后运用轻量级梯度提升机进行训练和分类。文献[10]提出了一种“电能质量综合偏差”概念,并引用模糊综合评价方法建立了针对长时间尺度的电能质量综合评估模型。这些方法虽然在PQD分类中取得了不错的分类效果,但是由于PQD信号属于一维信号,在对其进行特征提取时难以完全适配不同神经网络的特征量,其识别的准确率有待进一步提高,且不同扰动信号的两两组合又可以形成新的扰动类型,原有训练好的神经网络难以识别新的扰动类型。

因此,本文提出了一种基于格莱姆矩阵(Gramian Angular Field,GAF)和迁移学习的PQD分类方法。首先,运用GAF将不同类型的PQD信号转化为二维图片类型,然后基于不同PQD的种类个数和大小调整迁移学习神经网络的结构,最后将转化后的二维图片导入迁移学习神经网络中进行训练和测试,完成不同类型的PQD分类。

1 PQD的分类方法

1.1 基于GAF生成不同PQD图片

GAF实际上可以看作是不同特征之间的偏心协方差矩阵,矩阵中每个不同位置的数据都有特定位置的卷积计算产生,因此矩阵中每个位置的数据都代表了一个特征的强度[11-13]。GAF计算的是两组向量之间的相关性,同时矩阵中对角线体现了每个特征在图片中出现的量。包含不同的PQD信号实际上是一组与时间刻度相关的一维数据,包含有时间向量和不同时间刻度对应带电压大小的向量。GAF可以将时间向量和包含不同PQD的数据向量进行特征融合,所生成的图片能够表征包含不同PQD信号的特征。

1.1.1 PQD信号的归一化

在对不同类型PQD信号进行GAF转化之前,需要对带有时间向量的PQD信号进行归一化处理,假设包含某种PQD信号的数据为X={x1,x2,x3…,xn},其中xn表示在第n个时刻所对应的电压值的大小,n表示该序列的时间向量包含n个时刻,进行归一化的计算式为

(1)

由于不同的PQD信号数据实际上是一组与时间向量紧密相连的一维度数组,为了能够使该数组与时间向量的联系更加紧密,需要对其进行极坐标的转换,其计算式为

(2)

t——时间向量中第t个时刻;

N——PQD信号进行降采样参数[13-14]。

1.1.2 GAF变换

经过极坐标变换和归一化处理之后,可以采用GAF进行变换,根据GAF的定义:

(3)

由式(3)可见,矩阵中每个元素实际上类似向量的内积运算,因此定义〈x,y〉=x2+y2。因此上述GAF可以表示为

(4)

PQD信号转化如图1所示。展示了将一维PQD信号转化为二维图片的基本过程。

图1 PQD信号转化

1.2 迁移学习模型

在电网中PQD种类繁多,几种不同种类的PQD信号组合又可以形成新的PQD,要想成功地对其进行分类,训练的模型需要有一定的迁移学习能力,因此本文采用迁移学习神经网络对其进行训练和分类。在迁移学习中能够对图片进行有效分类的有AlexNet神经网络,本文使用该神经网络对经过GAF变换后的PQD图片进行分类。为了提高分类效果,对原始的AlexNet神经网络进行修改和计算。神经网络的结构及运算过程如表1所示。

由表1可见,原始进入迁移学习神经网络模型图片的大小为227×227×3,因此在第一步采用GAF进行生成PQD图片时,需将生成的PQD图片大小调整为227×227×3,在第一步中将采用参数N取值为227。迁移学习模型AlexNet实际上是一种卷积神经网络,经过调整对图片的分类有着出色的分类性能。该模型中包含有5个卷积层和池化层,能够提取输入图片的图形特征,且其激活函数全部采用relu,在最后的输出全连接层其输出的神经元的个数等于待分类的种类数。原始模型的输出层的个数为1 000,在此处需要将其调整为待分类的种类数M。

表1 神经网络的结构及运算过程

2 PQD分类的基本流程

本文采用PQD分类方法,PQD分类基本流程如图2所示。该过程主要包含有PQD信号数据的预处理、GAF变换、神经网络的训练和测试等。

图2 PQD分类基本流程

本文所提方法:第一步,将原始PQD一维信号进行归一化和极坐标的转化,并将转化后的运用GAF进行转化,变成迁移学习模型可识别的二维图片;第二步,将不同PQD图片导入到迁移学习模型中,经过迁移学习模型中卷积层、池化层以及最后的全连接层将不同的PQD图片进行分类;最后,基于迁移学习的特点,通过不同单个PQD信号的分类训练,可以识别经过不同PQD信号组合形成的新的PQD,相较于传统的卷积神经网络能够在一定程度上提高PQD的分类效率。

3 实验分析

3.1 IEEE 14仿真数据

通常单个PQD信号包含有电压暂降、电压暂升、电压中断、振荡暂态、谐波、电压尖峰、电压缺口等,而包含有两种形式组合的常见复合PQD信号有谐波+电压暂降信号、谐波+电压暂升信号等。为了模拟完整的不同PQD信号,该部分采用MATLAB仿真IEEE 14模型,通过注入不同的扰动函数来模拟PQD信号。

通过在模型节点输入不同PQD的数学模型,在模型末端布置相关示波器。不同PQD信号波形如图3所示。

图3 不同PQD信号波形

将上述不同类型的PQD波形通过本文所述GAF转化方法将其转化为二维图片,不同PQD信号的二维图片如图4所示。

图4 不同PQD信号的二维图片

为了验证该方法的有效性,仿真模型随机生成的不同类型的PQD信号经过GAF转换之后,将这些图片进行处理以适应迁移神经网络可识别的图片大小,并将生成图片的70%用于迁移模型的训练,30%用于迁移学习模型的测试[15-16]。通过调整模型的学习率和迭代次数等关键参数,以适应该样本集和测试机,仿真平台采用Python3.6的pytorch模块的AlexNet神经网络。模型训练过程如图5所示。

图5 模型训练过程

为了更加全面地分析该方法的分类结果,本文采用混淆矩阵对分类的结果作为评判标准。通过对数据的可视化分析,分类后的混淆矩阵如图6所示。

图6 分类后的混淆矩阵

其评价指标P代表准确率(precision),R代表召回率(recall),Fscore代表准确率和召回率的调和平均评估指标,计算式为

(5)

(6)

(7)

式中:Tp——实际上是正类,但是被预测为正类的数量;

TN——实际上是负类,但是被预测为负类的数量;

Fp——实际上是负类,但是被预测为正类的数量;

FN——实际上是正类,但是被预测为负类的数量。

观察图6发现,不同PQD的二维图片整体分类准确率在96%,相对与直接采用原始一维PQD信号分类效果有了明显的改善。

3.2 对比分析

为了证明所述方法的有效性,将GAF所提方法与其他PQD方法进行对比分析,文献[17]采用的SVM为方法1、文献[18]采用的一维卷积神经网络为方法2,以及文献[19]采用的稀疏自编码器神经网络为方法3。采用相同仿真样本对这几种模型进行对比分析,样本数据需要经过上文所述的GAF进行二维转化,而一维卷积神经网络则将原始PQD的一维信号截取一个完整周期为时间序列数据。经过对应的数据前处理之后,并采用对应文献中的分类过程,在实际的PQD分类过程中存在不同程度的噪声影响,通过在仿真模型中注入不同的噪声值[7],并采用相同的样本运用不同的分类算法进行对比。神经网络的结构及运算过程如表2所示。

表2 神经网络的结构及运算过程

通关分析上述实验结果得知,文献[17]所采用的SVM分类方法对所提取的扰动信号为某一时刻丢失了大部分时间刻度的其他信息量,识别准确率较低;文献[18]所采用的一维卷积神经网络,由于神经网络的基本结构对于二维信号有着较强的分类性能,对于一维没有做针对性的调整,很难有较好的识别效果;文献[19]所采用的稀疏自编码器神经网络,虽然能够取得不错的分类效果,但是对于信号的处理以及神经网路的训练需要占用较多的计算资源。本文所采用的方法将一维的PQD信号转化为二维的图形,包含了完整的时间序列以及能够更好地适应神经网络,不仅能够保证识别效率,而且能够提高识别的准确率。

4 结 语

本文针对不同电能质量PQD信号分类问题,引入了GAF方法将一维的PQD信号转化为与时间序列相关的二维图片,使得不同PQD信号的特征更加明显也更易于神经网络的分类,并将生成的二维PQD图片采用迁移学习模型进行识别分类,在一定程度上增加了PQD信号分类的泛化能力,最后采用IEEE 14仿真模型,仿真不同PQD信号,并对比其他分类算法的识别效果,证明了本文所提方法对不同PQD分类效果的有效性。