一種實(shí)時(shí)電能質(zhì)量擾動(dòng)識(shí)別分類方法

摘要：針對(duì)電能質(zhì)量擾動(dòng)數(shù)據(jù)大、識(shí)別算法繁瑣，難以實(shí)現(xiàn)在線實(shí)時(shí)識(shí)別等問題，提出了基于深度卷積神經(jīng)網(wǎng)絡(luò) AlexNet的電能質(zhì)量擾動(dòng)識(shí)別數(shù)法，首先將各類電能質(zhì)量擾動(dòng)轉(zhuǎn)化為圖片格式，然后輸入到AlexNet算法，通過學(xué)習(xí)、調(diào)整電能質(zhì)量擾動(dòng)信號(hào)的特征參數(shù)，迭代收斂，最后將實(shí)時(shí)的電能質(zhì)量擾動(dòng)通過訓(xùn)練好的AlexNet，直接實(shí)現(xiàn)擾動(dòng)識(shí)別分類。實(shí)時(shí)仿真結(jié)果表明，所提出的方法能精確識(shí)別包括3種復(fù)合擾動(dòng)在內(nèi)的17種電能質(zhì)量擾動(dòng)問題，只需要對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行學(xué)習(xí)，即可以直接對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行識(shí)別與分類，識(shí)別算法簡(jiǎn)單且處理的時(shí)間短，達(dá)到了實(shí)時(shí)性的目的。

關(guān)鍵詞：電力系統(tǒng);深度卷積神經(jīng)網(wǎng)絡(luò);AlexNet;復(fù)合擾動(dòng);電能質(zhì)量

中圖分類號(hào)：TM761 文獻(xiàn)標(biāo)志碼：A doi： 10.7535/hbgykj.2019yx01008

ZHANG Lipeng，ZHENG Yan，QIN Gang，et al.Real-time power quality disturbance recognition method[J].Hebei Journal of Industrial Science and Technology，2019，36（1）：42-46.Real-time power quality disturbance recognition method

ZHANG Lipeng1， ZHENG Yan1， QIN Gang2， DONG Ji2， SUN Wei3

（1. Langfang Power Supply Company， State Grid Jibei Electric Power Company Limited， Langfang，Hebei 065000， China; 2.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources， North China Electric Power University， Baoding， Hebei 071003， China; 3. Baoding Power Supply Company， Hebei Electric Power Corporation， Baoding， Hebei 071000， China）

Abstract：In view of such problems as the large amount of data of disturbance signals in power system， the numerous links of current identification algorithms， and the lack of real-time power quality disturbance identification， AlexNet classification algorithm is used in deep convolution neural network for power quality disturbance identification. Firstly， the power quality disturbances are converted into picture format and input into AlexNet algorithm. By learning and adjusting the characteristic parameters of the power quality disturbance signal， iterative convergence is realized. Finally， the real-time power quality disturbances are recognized and classified directly by AlexNet. Real-time simulation shows that this method can accurately identify 17 kinds of power quality disturbances including three kinds of compound disturbances. The method can recognize and classify power quality disturbance signals directly after learning the power quality disturbance signals. The recognition algorithm is simple and the processing time is short， which achieves the purpose of real-time.

Keywords：electrical power system; deep convolutional neural networks; AlexNet; load disturbance; quality of electric energy

在大力發(fā)展綠色電力的時(shí)代背景下，光伏發(fā)電、風(fēng)力發(fā)電等所占的比例越來(lái)越大，電能儲(chǔ)存及轉(zhuǎn)換、大量電力電子設(shè)備的使用，導(dǎo)致電能質(zhì)量問題日益突出。高新科技的發(fā)展，尤其是自動(dòng)控制技術(shù)的發(fā)展，對(duì)供電電能質(zhì)量提出了更高的要求，電能問題的治理日益迫切，對(duì)各種電能質(zhì)量問題的識(shí)別與分類是治理電能質(zhì)量問題的前提。

第1期張立鵬，等：一種實(shí)時(shí)電能質(zhì)量擾動(dòng)識(shí)別分類方法河北工業(yè)科技第36卷傳統(tǒng)的電能質(zhì)量擾動(dòng)識(shí)別主要包括3個(gè)重要的環(huán)節(jié)，分別是信號(hào)分析、特征值提取、識(shí)別與分類。信號(hào)分析與特征值提取方法主要有：傅里葉變換、小波變換、希爾伯特-黃變換、S變換等。傅里葉變換[1-2]僅適用于分析平穩(wěn)信號(hào)，對(duì)暫態(tài)的信號(hào)處理能力較弱。小波變換[3-4]反映信號(hào)特征不夠直觀，造成分類器設(shè)計(jì)復(fù)雜。希爾伯特-黃變換[5-7]存在端點(diǎn)效應(yīng)、模態(tài)混疊等問題。S變換[8]（S-transform，ST）采用了高斯窗口函數(shù)且窗寬與頻率成反比，不能很好地滿足電能擾動(dòng)信號(hào)分析的精度。以上信號(hào)分析的方法都存在著算法本身固有屬性導(dǎo)致的問題，且計(jì)算量都過多，影響了算法在現(xiàn)場(chǎng)中應(yīng)用。

特征值的識(shí)別與分類方法主要有：支持向量機(jī)，決策分類樹等。支持向量機(jī)[9-10]是將數(shù)據(jù)映射到高維空間，數(shù)據(jù)在高維空間距離相對(duì)較大，系數(shù)缺乏理論指導(dǎo)，選擇難度較大。決策分類樹[11]的分類依靠閾值的選擇，抗噪能力差。目前的識(shí)別方法都不是直接識(shí)別擾動(dòng)信號(hào)，而是先進(jìn)行信號(hào)處理，再進(jìn)行特征值提取，然后進(jìn)行識(shí)別分類。其根本原因在于：學(xué)習(xí)能力較差，難以通過直接學(xué)習(xí)擾動(dòng)信號(hào)而得到擾動(dòng)信號(hào)的特征。

相較于傳統(tǒng)的電能質(zhì)量擾動(dòng)識(shí)別與分類的算法將過程分為3部分，AlexNet[12-13]分類算法具有強(qiáng)大的學(xué)習(xí)能力，只需要讓AlexNet直接學(xué)習(xí)擾動(dòng)信號(hào)即可以實(shí)現(xiàn)擾動(dòng)識(shí)別與分類。AlexNet采用8層神經(jīng)網(wǎng)絡(luò)。這8層神經(jīng)網(wǎng)絡(luò)由5個(gè)卷積層和3個(gè)全連接層組成。整個(gè)網(wǎng)絡(luò)包含6億3 000萬(wàn)個(gè)鏈接、6 000萬(wàn)個(gè)參數(shù)和65萬(wàn)個(gè)神經(jīng)元。強(qiáng)大的結(jié)構(gòu)可為基于深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet提供極強(qiáng)的學(xué)習(xí)能力。利用圖形處理器（graphics processing unit，GPU）強(qiáng)大的矩陣計(jì)算能力，AlexNet采用了增加多層結(jié)構(gòu)增加網(wǎng)絡(luò)的深度，而不是增加網(wǎng)絡(luò)的寬度，這樣的優(yōu)化高效網(wǎng)絡(luò)結(jié)構(gòu)，保證了AlexNet在較短的時(shí)間內(nèi)收斂。AlexNet采用的是非線性非飽和函數(shù)ReLU，相較于tanh有更高效的收斂速度。

本文將基于深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet的分類算法應(yīng)用于電能質(zhì)量的擾動(dòng)分類，達(dá)到了實(shí)時(shí)性，滿足工業(yè)現(xiàn)場(chǎng)的應(yīng)用需要。首先闡述了各類電能質(zhì)量擾動(dòng)特點(diǎn)，然后提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet的分類算法，最后通過AlexNet學(xué)習(xí)、調(diào)整電能質(zhì)量擾動(dòng)信號(hào)的特征參數(shù)，迭代收斂，將實(shí)時(shí)的電能質(zhì)量擾動(dòng)通過訓(xùn)練好的AlexNet，直接實(shí)現(xiàn)擾動(dòng)識(shí)別分類。

1電能質(zhì)量擾動(dòng)信號(hào)及其分析

針對(duì)電能質(zhì)量問題，本文使用MATLAB仿真17種信號(hào)，分別是無(wú)擾動(dòng)、電壓中斷、電壓暫降、電壓暫升、閃變、諧波、暫降含諧波、暫升含諧波、閃變含諧波、暫態(tài)振蕩、暫降含暫態(tài)振蕩、暫升含暫態(tài)振蕩、閃變含暫態(tài)振蕩、暫態(tài)振蕩含諧波、暫態(tài)振蕩含諧波與電壓暫降、暫態(tài)振蕩含諧波與電壓暫升、暫態(tài)震蕩含諧波與閃變。使用了3.2 kHz的采樣頻率。圖1為單一電能質(zhì)量擾動(dòng)波形圖。

由圖1 a）可知，電壓中斷只是電壓有效值在發(fā)生擾動(dòng)時(shí)下降得非常低，但波形的形狀是正弦的。由圖1 b）可知，電壓暫降只是有效值在發(fā)生擾動(dòng)時(shí)出現(xiàn)下降，下降程度小于電壓中斷，但波形的形狀是正弦的。由圖1 c）可知，電壓暫升只是有效值發(fā)生擾動(dòng)時(shí)出現(xiàn)了上升，但波形的形狀是正弦的。由圖1 d）可知，閃變只是有效值發(fā)生了周期性的波動(dòng)，但波形的形狀是正弦的。由圖1 e）可知，諧波的波形出現(xiàn)了穩(wěn)定的尖峰，導(dǎo)致了整個(gè)波形的形狀不太接近于正弦。由圖1 f）可知，暫態(tài)振蕩在擾動(dòng)發(fā)生的期間出現(xiàn)了比較密集的尖峰，非擾動(dòng)期間波形是正弦的。暫降含諧波、暫升含諧波、閃變含諧波、暫態(tài)振蕩、暫降含暫態(tài)振蕩、暫升含暫態(tài)振蕩、閃變含暫態(tài)振蕩、暫態(tài)振蕩含諧波、暫態(tài)振蕩含諧波與電壓暫降、暫態(tài)振蕩含諧波與電壓暫升、暫態(tài)振蕩含諧波與閃變這些復(fù)合擾動(dòng)的特征是單一擾動(dòng)的特征的組合。

2基于深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet的分類算法

2.1卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[14-15]是對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的改進(jìn)，它由數(shù)據(jù)輸入層、卷積層、激勵(lì)層、池化層和全連接層組成，基本結(jié)構(gòu)如圖2所示。

數(shù)據(jù)輸入層的作用是對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，包含了去均值、歸一化和PCA/白化。去均值的目的是實(shí)現(xiàn)不同數(shù)據(jù)的均值為零，歸一化使不同數(shù)據(jù)的范圍歸一化到相同的范圍，PCA/白化對(duì)不同數(shù)據(jù)的各個(gè)特征軸的幅值進(jìn)行歸一化。卷積計(jì)算層是卷積神經(jīng)網(wǎng)絡(luò)最重要的一個(gè)結(jié)構(gòu)，也是卷積神經(jīng)網(wǎng)絡(luò)名稱的來(lái)源。先進(jìn)行矩陣填充，使得滑動(dòng)窗口可以剛好遍歷填充后的矩陣?；瑒?dòng)窗口對(duì)輸入矩陣進(jìn)行截取，并在截取得到的小矩陣進(jìn)行內(nèi)積計(jì)算，把內(nèi)積計(jì)算的結(jié)果與偏置值相加。以上過程即為卷積計(jì)算過程。激勵(lì)層一般使用ReLU（the rectified linear unit）作為激勵(lì)函數(shù)，其優(yōu)點(diǎn)在于收斂速度快。池化層由于連接卷積層，可以減小過擬合。全連接層是一種傳統(tǒng)的多層感知層，在輸出層。

常見的基于深度神經(jīng)網(wǎng)絡(luò)的算法主要有：AlexNet，VGGNet，GoogleNet，ResNet等。由于電能擾動(dòng)信號(hào)不同擾動(dòng)之間的特征差異較大，故選擇了結(jié)構(gòu)簡(jiǎn)單的AlexNet作為電能擾動(dòng)分類器。在保證較高的識(shí)別與分類準(zhǔn)確度的同時(shí)，減少訓(xùn)練所需的時(shí)間。

2.2AlexNet的基本原理

AlexNet在2012年由Girshick等提出，其優(yōu)點(diǎn)在于，使用ReLU作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。在網(wǎng)絡(luò)的層次較多時(shí)，ReLU的效果優(yōu)于Sigmod，解決了Sigmod在多層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)的梯度彌散問題。在全連接層使用了Dropout結(jié)構(gòu)，隨機(jī)忽略一部分卷積神經(jīng)結(jié)構(gòu)，從而避免過擬合。提出LRN（local response normalization，即局部響應(yīng)歸一化）層，增強(qiáng)了反饋較大的神經(jīng)元，抑制了反饋較小的神經(jīng)元，達(dá)到了強(qiáng)化模型的泛化能力的目的。使用GPU作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的核心，充分利用了GPU強(qiáng)大的矩陣計(jì)算能力，為大型神經(jīng)網(wǎng)絡(luò)在現(xiàn)場(chǎng)應(yīng)用掃清了障礙。AlexNet的結(jié)構(gòu)如圖3所示。

AlexNet為8層結(jié)構(gòu)，其中前5層為卷積層，后面3層為全連接層。第1層為數(shù)據(jù)輸入層，其輸入矩陣的維度為227×227×3，輸入的圖像數(shù)據(jù)被維度為11×11×3滑動(dòng)窗口進(jìn)行卷積計(jì)算，每一次滑動(dòng)后進(jìn)行一次卷積，卷積后會(huì)形成一個(gè)新的矩陣元素?；瑒?dòng)窗口的步長(zhǎng)為4個(gè)單位，滑動(dòng)的方向?yàn)榭v向和橫向。然后經(jīng)過池化層池化處理得到27×27×96的矩陣。第2層的輸入為第1層的輸出，和第1層的處理方式基本相同?；瑒?dòng)窗口的維度為5×5×48，通過池化層池化之后，再進(jìn)行局部響應(yīng)層進(jìn)行歸一化處理，得到矩陣的維度為13×13×128。第3層同樣按照第1層的方式，進(jìn)行卷積計(jì)算和池化處理，得到矩陣的維度為13×13×192。第4層和第3層的處理方式基本相同。第5層進(jìn)行卷積計(jì)算之后，進(jìn)行重疊池化處理，得到矩陣的維度為6×6×256。第6層的滑動(dòng)窗口的維度為6×6×256，與輸入矩陣的維度一致，經(jīng)過激活函數(shù)與dropout運(yùn)算輸出4 096個(gè)本層的輸出結(jié)果值。第7層將第6層輸送過來(lái)的4 096個(gè)數(shù)據(jù)進(jìn)行激活函數(shù)與dropout運(yùn)算處理得到4 096個(gè)數(shù)據(jù)。第8層將輸入的4 096個(gè)數(shù)據(jù)與1 000個(gè)神經(jīng)元連接，并輸出訓(xùn)練結(jié)果。

3AlexNet在電能質(zhì)量擾動(dòng)識(shí)別中的應(yīng)用

本文將基于深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet的分類算法應(yīng)用在電能質(zhì)量擾動(dòng)識(shí)別中。首先修改AlexNet算法，主要對(duì)第8層的結(jié)構(gòu)進(jìn)行修改，即輸出層，由于本文是對(duì)17種擾動(dòng)進(jìn)行分類，故將第8層輸入的4 096個(gè)數(shù)據(jù)與17個(gè)神經(jīng)元連接，然后將采集到的各種電能擾動(dòng)數(shù)據(jù)按照時(shí)間順序依次寫入到227×227的矩陣中，得到灰度圖像，再將圖像復(fù)制3次即可以得到227×227×3的矩陣，作為AlexNet輸入數(shù)據(jù)。將預(yù)先分類好各種擾動(dòng)的數(shù)據(jù)轉(zhuǎn)化成圖片（圖片的形式如圖4所示），輸入給AlexNet學(xué)習(xí)，經(jīng)過反復(fù)的迭代，AlexNet不斷的調(diào)整參數(shù)，最后收斂，迭代過程結(jié)束。將待測(cè)的實(shí)時(shí)電能質(zhì)量擾動(dòng)數(shù)據(jù)輸入給訓(xùn)練好的AlexNet，根據(jù)AlexNet的第8層的輸出結(jié)果，即可以得出分類的結(jié)果。

4仿真結(jié)果分析

通過仿真生成每種擾動(dòng)的訓(xùn)練樣本為900組，測(cè)試樣本為100組，每一個(gè)樣本采集了4 096個(gè)點(diǎn)，采樣頻率為3 200? Hz。其中設(shè)置學(xué)習(xí)率為0.000 1，每次訓(xùn)練的樣本為50組。AlexNet每次從總訓(xùn)練樣本隨機(jī)篩選出50組進(jìn)行訓(xùn)練，這樣的訓(xùn)練記為一次迭代，每次迭代都會(huì)改變神經(jīng)網(wǎng)絡(luò)中的參數(shù)，并且為了檢驗(yàn)訓(xùn)練的效果，從總訓(xùn)練的樣本中隨機(jī)抽取一定數(shù)目的樣本作為當(dāng)前的測(cè)試樣本進(jìn)行測(cè)試。總的訓(xùn)練樣本全部進(jìn)行了一次訓(xùn)練，即記為一個(gè)時(shí)代。

由圖5可以看出，AlexNet進(jìn)行了1 200次的迭代過程，把總樣本進(jìn)行30次的訓(xùn)練，即進(jìn)行了30個(gè)時(shí)代。在進(jìn)行了一個(gè)時(shí)代的迭代后，AlexNet基本已經(jīng)收斂了，在隨后的20個(gè)時(shí)代中，AlexNet的識(shí)別精度只是出現(xiàn)了幾次小幅度的波動(dòng)，但依然高達(dá)90%以上。在最后的10個(gè)時(shí)代的迭代中，AlexNet的識(shí)別精度一直保持在99%以上。

AlexNet的訓(xùn)練結(jié)束后，進(jìn)行了每種擾動(dòng)100組、共計(jì) 1 700組測(cè)試樣本的測(cè)試，測(cè)試結(jié)果如表1所示。本文將傳統(tǒng)方法的一種和本文提出的方法進(jìn)行對(duì)比，如表2所示。計(jì)算時(shí)間為算法處理所有的樣本時(shí)間除以樣本數(shù)。由表2可以看出，S變換（ST）與支持向量機(jī)（SVM）的算法處理時(shí)間主要由信號(hào)分析時(shí)間組成，而本文提出的方法主要由識(shí)別與分類時(shí)間組成。ST+SVM所用時(shí)間是AlexNet時(shí)間的143倍，而ST+SVM的識(shí)別與分類的正確率僅比AlexNet高0.57%，說(shuō)明此算法具有優(yōu)越的實(shí)時(shí)性以及較好的有效性。

5結(jié)語(yǔ)

仿真測(cè)試表明，在沒有任何其他算法的輔助下，所提出的算法依然能夠準(zhǔn)確地識(shí)別17種擾動(dòng)，其中還包括3種同時(shí)發(fā)生的復(fù)合擾動(dòng)，簡(jiǎn)化了電能質(zhì)量擾動(dòng)識(shí)別的過程，降低了算法的實(shí)現(xiàn)難度，減少了計(jì)算時(shí)間，達(dá)到了實(shí)時(shí)性的目的，提高了算法在工程應(yīng)用中的可實(shí)施性。將AlexNe應(yīng)用到電能質(zhì)量擾動(dòng)識(shí)別中，具有非常重要的實(shí)際意義。本文算法并沒有驗(yàn)證電力系統(tǒng)中所有可能出現(xiàn)的擾動(dòng)類型，因此需要在今后的研究中進(jìn)一步驗(yàn)證此方法是否能夠有效地識(shí)別其他擾動(dòng)類型。

參考文獻(xiàn)/References：

[1]DAI W， CHEN D D， CHEUNG R C C， et al. Area-time efficient architecture of FFT-based montgomery multiplication[J]. IEEE Transactions on Computers，2017， 66（3）：375-388.

[2]SINGH U， SINGH S N. Application of fractional Fourier transform for classification of power quality disturbances[J]. Iet Science Measurement & Technology， 2017， 11（1）：67-76.

[3]ERISSTI H， DEMIR Y . Automatic classification of power quality events and disturbances using wavelet transform and support vector machines[J]. Iet Gener Transm Distrib，2012， 6（10）：968-976.

[4]THIRUMALA K，SHANTAN U， JAIN T， et al. Visualizing time-varying power quality indices using generalized empirical wavelet transform[J]. Electric Power Systems Research， 2017， 143（8）：99-109.

[5]田振果，傅成華，吳浩，等.基于HHT的電能質(zhì)量擾動(dòng)定位與分類[J].電力系統(tǒng)保護(hù)與控制，2015，43（16）：36-42.

TIAN Zhenguo， FU Chenghua， WU Hao，et al. Power quality disturbance for location and classification based on HHT[J]. Power System Protection and Control，2015，43（16）：36-42.

[6]URBINA-SALAS I，RAZO-HERNANDEZ J R， GRANADOS-LIEBERMAN D， et al.Instantaneous power quality indices based on single-sideband modulation and wavelet packet-hilbert transform[J]. IEEE Transactions on Instrumentation & Measurement，2017，7（99）：1-11.

[7]KUMAR R， SINGH B， SHAHANI D T. Recognition of single-stage andmultiple power quality events using Hilbert-Huang transform and probabilistic neural network[J]. Electric Machines & Power Systems， 2015，43（6）：13.

[8]黃南天，徐殿國(guó)，劉曉勝.基于S變換與SVM的電能質(zhì)量復(fù)合擾動(dòng)識(shí)別[J].電工技術(shù)學(xué)報(bào)，2011，26（10）：23-30.

HUANG Nantian，XU Dianguo， LIU Xiaosheng. Identification of pow erquality complex disturbances based on S-transform and SVM [J]. Transactions of China Electrotechnical Society，2011，26（10）： 23-30.

[9]HUANG Jiansheng， JIANG Zhuhan， RYLANDS L，et al.SVM-based PQ disturbance recognition system[J]. Iet Gener Transm Distrib，2018，12（2）： 328-334.

[10]LIU Y， WEN K， GAO Q， et al. SVM based multi-label learning with missing labels for image annotation[J]. Pattern Recognition， 2018，78（6）： 307-317.

[11]黃南天，張衛(wèi)輝，蔡國(guó)偉，等.采用改進(jìn)多分辨率快速S變換的電能質(zhì)量擾動(dòng)識(shí)別[J].電網(wǎng)技術(shù)，2015，39（5）：1412-1418.

HUANG Nantian， ZHANG Weihui， CAI Guowei， et al.Power quality disturbances classification with improved multiresolution fast S-transform[J].Power System Technology，2015，39（5）：1412-1418.

[12]KRIZHEVSKY A， SUTSKEVER I， HINTON G E.Image netlassification with deep convolutional neural networks [C]//International Conferenceon Neural Information Processing Systems.[S.l.]：Curran Associates Inc，2012：1097-1105.

[13]GANIN Y， USTINOVA E， AJAKAN H， et al. Domain-adversarial trainin of neural networks[J]. Journal of Machine Learning Research，2015， 17（1）：2030-2096.

[14]YOSINSKI J， CLUNE J， BENGIO Y， et al. How transferable are features in deep neural networks[J]. EprintArxiv， 2014， 27（5）：3320-3328.

[15]KALCHBRENNER N， GREFENSTETTE E， BLUNSOM P. A convolutional neural network for modelling sentences[J]. Eprint Arxiv， 2014，52（4）： 14-20.第36卷第1期河北工業(yè)科技Vol.36，No.1