基于側(cè)輸出融合卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動分類方法

王繼東，張 迪

（天津大學(xué) 智能電網(wǎng)教育部重點(diǎn)實(shí)驗(yàn)室，天津 300072）

0 引言

傳統(tǒng)的電能質(zhì)量擾動分類分為擾動特征提取選擇及分類器設(shè)計(jì)2 個階段。目前，電能質(zhì)量擾動特征提取算法有短時傅里葉變換、S 變換（ST）、小波變換及其改進(jìn)方法等，對提取到的特征進(jìn)行選擇后作為分類器的輸入對電能質(zhì)量擾動信號進(jìn)行分類。文獻(xiàn)［1］采用改進(jìn)ST 提取電能質(zhì)量擾動信號特征，通過直接支持向量機(jī)SVM（Support Vector Machine）分類器進(jìn)行分類識別；文獻(xiàn)［2］采用離散小波變換DWT（Discrete Wavelet Transformation）提取特征，配合多層感知極限學(xué)習(xí)機(jī)進(jìn)行電能質(zhì)量擾動信號分類，但小波基的選取和品質(zhì)因子Q的調(diào)諧存在困難等問題增加了算法的難度；文獻(xiàn)［3］采用匹配追蹤MP（Matching Pursuit）算法和粒子群優(yōu)化PSO（Particle Swarm Optimization）算法相結(jié)合的分層搜索的原子分解法提取電能質(zhì)量復(fù)合擾動參數(shù)。以上特征提取和分類器的組合算法在對電能質(zhì)量擾動信號進(jìn)行分類方面有著較好的表現(xiàn)，但這些算法主要憑借經(jīng)驗(yàn)和統(tǒng)計(jì)量提取信號特征，特征的不足或冗余都會對后續(xù)分類器的精度產(chǎn)生較大的影響。文獻(xiàn)［4-5］利用PSO 算法進(jìn)行參數(shù)尋優(yōu)來篩選出最優(yōu)特征子集，但該方法對于不同類型和起止時刻的復(fù)合擾動類型的檢測效果并不理想；文獻(xiàn)［6］構(gòu)造了一種基于歐氏距離的自適應(yīng)度函數(shù)，利用改進(jìn)的自適應(yīng)遺傳算法對原始特征進(jìn)行篩選和組合優(yōu)化，但該算法對于更多分類器的適用性有限。

擾動特征的選取是電能質(zhì)量擾動信號分類的前提［7］，因此應(yīng)采用一種更有效的方法自適應(yīng)地對電能質(zhì)量擾動信號進(jìn)行特征提取和選擇，排除人為因素的干擾。近年來，數(shù)據(jù)挖掘、深度學(xué)習(xí)方法的發(fā)展使得快速分類和處理大規(guī)模數(shù)據(jù)成為可能，因此將深度學(xué)習(xí)方法應(yīng)用于電能質(zhì)量擾動分類領(lǐng)域具有潛在優(yōu)勢［8-9］。文獻(xiàn)［10］提出了基于Hoeffding Tree 算法的在線電能質(zhì)量擾動分類方法，首先結(jié)合小波變換和離散傅里葉變換進(jìn)行電能質(zhì)量擾動檢測，然后應(yīng)用Hoeffding Tree 算法建立增量分類訓(xùn)練模型；文獻(xiàn)［11］提出了一種基于稀疏自動編碼器SAE（Sparse Auto-Encoder）深度神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動算法，該算法利用稀疏自動編碼器對電能質(zhì)量擾動原始數(shù)據(jù)進(jìn)行無監(jiān)督特征學(xué)習(xí)，自動提取數(shù)據(jù)特征的稀疏特征表達(dá)。

本文提出了一種基于側(cè)輸出融合卷積神經(jīng)網(wǎng)絡(luò)SFCNN（Side-output Fusion Convolutional Neural Network）的電能質(zhì)量擾動分類方法，能夠自動對電能質(zhì)量擾動信號進(jìn)行特征選擇及分類。針對一維序列的電能質(zhì)量擾動信號，在卷積一層采用一維卷積，實(shí)現(xiàn)對電能信號序列的有效提取；通過對卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Network）的低、中、高層信息進(jìn)行特征融合，側(cè)向輸出融合分類結(jié)果，能夠更好地把握信號的整體特征和局部特征，有效提高分類精度；通過批量歸一化BN（Batch Normalization）結(jié)構(gòu)和學(xué)習(xí)率設(shè)置優(yōu)化CNN，避免過度擬合等問題；利用添加高斯白噪聲的仿真數(shù)據(jù)對CNN 進(jìn)行訓(xùn)練，提高網(wǎng)絡(luò)的抗噪性。仿真和實(shí)測數(shù)據(jù)驗(yàn)證了本文方法的有效性。

1 CNN

CNN 是一種監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)模型，廣泛應(yīng)用于圖像識別、語義分割、EGG 分類等領(lǐng)域，取得了令人矚目的效果［12-13］。傳統(tǒng)的CNN 包含卷積層、池化層、全連接層和Softmax 分類層［14］。在利用CNN 處理圖像時，可以將其看作一個函數(shù)，函數(shù)的輸入、輸出分別為原始圖像、分類的結(jié)果，即：

式中：xinput、xoutput分別為輸入、輸出；fconv(·)為卷積層運(yùn)算；ffc(·)為全連接層運(yùn)算；fSoftmax(·)為Softmax分類層運(yùn)算。式（1）中包含可變的參數(shù)運(yùn)算，CNN的訓(xùn)練過程即通過改變參數(shù)值，使網(wǎng)絡(luò)獲得良好的訓(xùn)練效果。為便于說明，下文對CNN 的各層進(jìn)行說明時，均將該層作為第l層。

CNN組成說明如下。

1）卷積層。卷積層是CNN 自學(xué)特征提取的核心步驟，該層通過在數(shù)據(jù)上滑動卷積核，并與其覆蓋的數(shù)據(jù)進(jìn)行卷積操作提取特征。卷積層的運(yùn)算為：

式中：fdown(·)為下采樣函數(shù)，通常選取為最大池化函數(shù)（取局部感受視野內(nèi)的各節(jié)點(diǎn)最大值）或平均池化函數(shù)（取局部感受視野內(nèi)各節(jié)點(diǎn)平均值）；n為神經(jīng)元個數(shù)。

3）全連接層（Dense層）：全連接層對卷積層和池化層提取到的特征進(jìn)行綜合，計(jì)算特征對應(yīng)的類別，輸出分類信息。全連接層的運(yùn)算為：

4）Softmax 分類層。Softmax 分類層是具有激活函數(shù)的全連接層，其用于建立特征與類別之間的完全連接，Softmax 分類層的輸出值為輸入樣本屬于相應(yīng)類別的樣本的概率，因此Softmax 分類層的神經(jīng)元數(shù)量等于分類類別數(shù)量。第m個類別的Softmax 分類層的輸出為：

式中：k為樣本類別數(shù)；pm為該樣本被分為第m個類別的概率；xm為第m個類別的輸出層待激活的神經(jīng)元。

5）BN 層。BN 層一般位于卷積層或全連接層之后，通過規(guī)范化層輸入數(shù)據(jù)解決數(shù)據(jù)內(nèi)部協(xié)變量移位問題。BN層的主要原理公式為：

2 SFCNN分類模型

2.1 SFCNN的設(shè)計(jì)要求

在設(shè)計(jì)SFCNN 時，需要考慮電能質(zhì)量擾動信號的2個因素。

1）電能質(zhì)量擾動信號為一維信號，而CNN 廣泛應(yīng)用于二維圖像的識別，文獻(xiàn)［15］利用Wigner-Ville技術(shù)將一維電能質(zhì)量擾動信號傳輸?shù)蕉S圖像文件中，然后利用CNN 進(jìn)行識別，但這將增加計(jì)算量和操作復(fù)雜度，此外，將一維電能質(zhì)量擾動信號轉(zhuǎn)換至二維圖像文件的過程中，可能會丟失重要信號細(xì)節(jié)特征。為使CNN 能夠更好地識別一維電能質(zhì)量擾動信號，需要對傳統(tǒng)CNN的卷積層進(jìn)行改進(jìn)。

為了更好地對一維電能質(zhì)量擾動信號進(jìn)行分析處理，卷積層采用一維卷積濾波器。與傳統(tǒng)二維卷積相比，一維卷積的計(jì)算量較少，只需要執(zhí)行線性操作即可。則卷積層輸出可表示為［16］：

2）電能質(zhì)量擾動信號比較復(fù)雜，且復(fù)合擾動時有發(fā)生，訓(xùn)練后的CNN 應(yīng)具有很強(qiáng)的泛化能力，可以精確識別各種類型的電能質(zhì)量擾動，這就要求CNN 能夠關(guān)注到擾動信號中的細(xì)節(jié)特征。此外，真實(shí)的電能質(zhì)量擾動信號總是包含噪聲，因此訓(xùn)練后的CNN應(yīng)具有很好的抗噪性。

2.2 SFCNN結(jié)構(gòu)

本文設(shè)計(jì)的SFCNN 結(jié)構(gòu)如附錄A 圖A1 所示。SFCNN 結(jié)構(gòu)包含S1—S3這3 個單元結(jié)構(gòu)，每個單元結(jié)構(gòu)將卷積層、BN 層、池化層組合在一起作為特征提取器；將S1—S3的卷積層的卷積濾波器數(shù)量分別設(shè)置為32、64、128 臺，以逐層加深網(wǎng)絡(luò)；將卷積步長設(shè)置為小步長1，使網(wǎng)絡(luò)能夠關(guān)注到電能質(zhì)量擾動信號的細(xì)節(jié)特征，從而更加全面地提取特征；池化層用于提取電能質(zhì)量擾動信號的顯著特征，同時減少網(wǎng)絡(luò)參數(shù)，由于最大池化方式的降噪效果要好于平均池化方式，因此池化層采用最大池化方式；在卷積層和池化層中間嵌入BN層對數(shù)據(jù)進(jìn)行歸一化處理，防止內(nèi)部數(shù)據(jù)過度擬合，并提高網(wǎng)絡(luò)的收斂速度；S1—S3的輸出經(jīng)過Flatten 層后分別展平為n維特征向量Ssideoutput1—Ssideoutput3，為了更好地比較融合層輸出與卷積低、中、高層輸出，搭建網(wǎng)絡(luò)模型時，使用函數(shù)式應(yīng)用程序接口（API）構(gòu)建多輸出模型，在S1—S3的Flatten 層后添加全連接層，最后由Softmax 分類層得到各單元結(jié)構(gòu)的分類準(zhǔn)確率。

通過對ResNets、GoogleNet 等先進(jìn)的經(jīng)典CNN模型進(jìn)行分析可知，在網(wǎng)絡(luò)傳遞過程中，網(wǎng)絡(luò)低層更加關(guān)注細(xì)節(jié)特征，提取到的低層特征伴隨著網(wǎng)絡(luò)的深入進(jìn)行傳遞，逐步提取到高層特征，在該過程中，低層特征難免會丟失。因此本文利用融合層對不同卷積層的輸出進(jìn)行融合，融合層結(jié)構(gòu)如圖1 所示。融合層的輸入為特征向量Ssideoutput1—Ssideoutput3，融合層將這3 個特征向量首尾相連，拼接為1 個特征向量，從而實(shí)現(xiàn)特征融合。融合信號包含電能質(zhì)量擾動信號的各級特征，且各級特征之間可以互補(bǔ)，低層特征可協(xié)助SFCNN提取適當(dāng)?shù)母邔犹卣?，提高SFCNN識別電能質(zhì)量擾動的能力。

圖1 融合層結(jié)構(gòu)Fig.1 Structure of fusion layer

3 仿真分析與結(jié)果驗(yàn)證

3.1 實(shí)驗(yàn)準(zhǔn)備及數(shù)據(jù)獲取

采用包括純正弦波在內(nèi)的15 種電能質(zhì)量擾動信號來評估所本文所提基于SFCNN 的電能質(zhì)量擾動分類方法的性能。電能質(zhì)量擾動信號由10 種單一類型和5 種復(fù)合類型的信號組成，前者包括純正弦波形（C1）、暫降（C2）、暫升（C3）、中斷（C4）、諧波（C5）、脈沖瞬態(tài)（C6）、振蕩瞬態(tài)（C7）、閃變（C8）、電壓切痕（C9）和尖峰（C10）信號，后者包括諧波暫降（C11）、諧波暫升（C12）、諧波中斷（C13）、暫降閃變（C14）和暫升閃變（C15）信號。圖2為典型電能質(zhì)量擾動仿真信號波形圖，圖中幅值為標(biāo)幺值，后同。參數(shù)變化符合IEEE Std 1159—2019標(biāo)準(zhǔn)中的參數(shù)方程［17］。

圖2 仿真信號波形圖Fig.2 Waveforms of simulative signals

仿真信號在MATLAB 環(huán)境下產(chǎn)生，采樣頻率設(shè)置為6.4 kHz，單個樣本數(shù)據(jù)長度為1 280，通過隨機(jī)更改約束參數(shù)，可以生成無限數(shù)量的數(shù)據(jù)。因此，仿真信號可以滿足深度學(xué)習(xí)對訓(xùn)練數(shù)據(jù)數(shù)量的要求。每類電能質(zhì)量擾動信號有500 個樣本，共產(chǎn)生4 500個訓(xùn)練集、1 500 個測試集。為了便于計(jì)算損失函數(shù)，利用one-hot 編碼表示標(biāo)簽數(shù)據(jù)，例如［1，0，0，0，0，0，0，0，0，0，0，0，0，0，0］表示樣本屬于第1 個類別。

實(shí)際的電能質(zhì)量擾動信號采集過程不可避免地會受到采集設(shè)備以及環(huán)境噪聲的干擾，為了提高SFCNN 的泛化性，在采樣信號中疊加信噪比為50、40、30、20 dB的噪聲作為干擾以模擬真實(shí)信號，使用不同水平的模擬噪聲來訓(xùn)練SFCNN。表1為本文所采用的數(shù)據(jù)集。

表1 訓(xùn)練樣本數(shù)據(jù)集Table 1 Training sample dataset

3.2 仿真數(shù)據(jù)驗(yàn)證

基于Keras 框架訓(xùn)練SFCNN，實(shí)驗(yàn)訓(xùn)練階段設(shè)置小批次數(shù)據(jù)量為128，訓(xùn)練迭代輪次為50，通過訓(xùn)練集和測試集中的交叉熵?fù)p失LCE和分類準(zhǔn)確率rc來評價(jià)SFCNN 的性能。網(wǎng)絡(luò)模型精度越高，交叉熵?fù)p失越小，說明網(wǎng)絡(luò)模型性能越好。訓(xùn)練集和驗(yàn)證集的分類準(zhǔn)確率與交叉熵?fù)p失對比如圖3 所示。由圖可見，采用隨機(jī)小批量方式進(jìn)行50 次迭代訓(xùn)練期間，在20 次迭代之后訓(xùn)練集和驗(yàn)證集的分類準(zhǔn)確率幾乎相等，最高分類準(zhǔn)確率在99.5%以上。

圖3 訓(xùn)練集和驗(yàn)證集的分類準(zhǔn)確率與交叉熵?fù)p失的對比Fig.3 Comparison of classification accuracy rates and cross entropy losses between training set and verification set

為進(jìn)一步驗(yàn)證融合層的性能，將融合層的分類準(zhǔn)確率與卷積低、中、高層的分類準(zhǔn)確率進(jìn)行對比，結(jié)果見圖4。由圖可見：迭代輪次較少時，融合層的分類準(zhǔn)確率明顯高于卷積低、中、高層的分類準(zhǔn)確率；隨著迭代輪次的增加，卷積中、高層的分類準(zhǔn)確率明顯增加，但融合層的分類準(zhǔn)確率始終高于卷積高層的分類準(zhǔn)確率，可見進(jìn)行特征融合后分類效果較好。

圖4 融合層與各卷積層的分類準(zhǔn)確率比較Fig.4 Comparison of classification accuracy rates between fusion layer and convolutional layers

3.3 SFCNN性能優(yōu)化設(shè)計(jì)

為確定學(xué)習(xí)率α對SFCNN 性能的影響，在不同學(xué)習(xí)率下對SFCNN進(jìn)行訓(xùn)練優(yōu)化，結(jié)果如圖5所示。由圖可見，學(xué)習(xí)率較低時網(wǎng)絡(luò)收斂速度較慢，學(xué)習(xí)率過高又會導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)性能不穩(wěn)定，綜合來看，學(xué)習(xí)率為0.001 時SFCNN 的性能最好，因此本文設(shè)置學(xué)習(xí)率為0.001。

圖5 不同學(xué)習(xí)率下的交叉熵?fù)p失對比Fig.5 Comparison of cross entropy losses among different learning rates

為驗(yàn)證BN 層對于SFCNN 性能的影響，對比包含和不包含BN 層的SFCNN 的分類準(zhǔn)確率和交叉熵?fù)p失，結(jié)果如圖6 所示。由圖可以看出，包含BN 層的SFCNN 的分類準(zhǔn)確率要高于無BN 層的SFCNN，其交叉熵?fù)p失更小，收斂速度更快，可見BN 層可以優(yōu)化網(wǎng)絡(luò)模型結(jié)構(gòu)，防止網(wǎng)絡(luò)的過擬合。

圖6 有、無BN層情況下的分類準(zhǔn)確率與交叉熵?fù)p失的對比Fig.6 Comparison of classification accuracy rates and cross entropy losses between with and without BN layer

3.4 特征可視化分析

為了更加直觀地理解SFCNN 對于電能質(zhì)量擾動信號的特征提取過程，采用t 分布隨機(jī)近鄰嵌入（t-SNE）技術(shù)［18］，對輸入數(shù)據(jù)及融合層輸出進(jìn)行可視化。設(shè)置t-SNE的迭代輪次為1000、困惑度為30，對輸入數(shù)據(jù)以及融合層輸出特征的可視化結(jié)果見附錄A 圖A2和圖A3。由圖A2可見，輸入數(shù)據(jù)分布雜亂，彼此重疊交叉；由圖A3 可見，經(jīng)過SFCNN 處理后，同類別的數(shù)據(jù)聚合在一起，不同類別的數(shù)據(jù)之間距離變大，沒有重疊現(xiàn)象，正常信號和不同類別的電能示例擾動信號在二維平面上均能明顯區(qū)分，說明了特征融合的有效性。

3.5 SFCNN與現(xiàn)有方法的比較

為了驗(yàn)證本文方法的優(yōu)越性，將本文算法與3種先進(jìn)的深度學(xué)習(xí)算法進(jìn)行對比，對比算法簡要介紹如下。

1）深度CNN（DCNN）：選取文獻(xiàn)［19］提出的具有6 個標(biāo)準(zhǔn)卷積層的DCNN，卷積核大小設(shè)置為3，步長設(shè)置為1，各卷積層過濾器的數(shù)量設(shè)置為32、32、64、64、128、128，全連接層數(shù)為3。

2）長短期記憶網(wǎng)絡(luò)（LSTM）：采用3 層堆疊式LSTM 結(jié)構(gòu)，各層的LSTM 記憶節(jié)點(diǎn)數(shù)分別為32、32、32，激活函數(shù)為tanh。

3）CNN-LSTM：文獻(xiàn)［20］設(shè)計(jì)了具有2層標(biāo)準(zhǔn)卷積層的CNN，卷積核大小設(shè)置為3，卷積層過濾器數(shù)量為64和128，將其與LSTM結(jié)合進(jìn)行電能質(zhì)量擾動信號分類，LSTM層數(shù)為1，LSTM記憶節(jié)點(diǎn)數(shù)為50。

設(shè)置迭代輪次為50 次，在相同配置的計(jì)算機(jī)和數(shù)據(jù)集上對4 種算法進(jìn)行訓(xùn)練，訓(xùn)練時間為算法迭代一次所用時間，性能對比結(jié)果如表2 所示。表中，RSN為信噪比。由表可見：LSTM 的訓(xùn)練時間最短，但在各種信噪比下的分類準(zhǔn)確率均低于其他方法；綜合考慮訓(xùn)練時間和分類準(zhǔn)確率，本文所提的SFCNN取得了較好的效果，優(yōu)于其他3種深度學(xué)習(xí)算法。

表2 4種深度學(xué)習(xí)算法的性能比較Table 2 Performance comparison among four deep learning algorithms

將SFCNN 與文獻(xiàn)［2］采用的DWT 和分層極限學(xué)習(xí)機(jī)（H-ELM）方法（DWT+H-ELM），文獻(xiàn)［21］采用的ST 和概率神經(jīng)網(wǎng)絡(luò)（PNN）方法（ST+PNN）、文獻(xiàn)［22］采用的可調(diào)品質(zhì)因子小波變換（TQWT）和隨機(jī)森林（RF）方法（TQWT+RF）進(jìn)行對比，結(jié)果如表3所示。表中，“—”表示文獻(xiàn)［21］中未直接給出分類準(zhǔn)確率。傳統(tǒng)的電能質(zhì)量擾動分類方法中，對信號分解后要對特征進(jìn)行選擇，關(guān)于特征數(shù)量的選取并沒有明確的規(guī)定，文獻(xiàn)［21］僅選取了4個特征，在30 dB的信噪比下，分類準(zhǔn)確率為98.63%，而文獻(xiàn)［22］選取了16 個特征進(jìn)行分析，在相同的噪聲條件下，分類準(zhǔn)確率達(dá)到了98.13%，兩者準(zhǔn)確率接近，說明特征的類型及數(shù)量差異導(dǎo)致了分類結(jié)果的差別。本文所提基于SFCNN 的多層信息融合結(jié)構(gòu)可以自動提取有效特征，不僅簡化了電能質(zhì)量擾動識別的過程，而且縮短了特征的提取和選擇時間，訓(xùn)練后在各種噪聲條件下的分類準(zhǔn)確率均高于其他傳統(tǒng)方法。

表3 SFCNN和傳統(tǒng)方法的分類準(zhǔn)確率對比Table 3 Comparison of classification accuracy rates between SFCNN and traditional methods

3.6 實(shí)測數(shù)據(jù)驗(yàn)證

為了驗(yàn)證本文方法對實(shí)測信號的適用性，采用一組實(shí)測信號來測試SFCNN 的分類性能。實(shí)際信號來自IEEE PES 數(shù)據(jù)庫提供的用于電能質(zhì)量擾動分類的數(shù)據(jù)，每個信號的長度為1 536，信號采樣率為每周期256個點(diǎn)。

由于網(wǎng)絡(luò)模型需要大量數(shù)據(jù)進(jìn)行訓(xùn)練優(yōu)化，數(shù)據(jù)的優(yōu)劣直接決定所訓(xùn)練模型的適應(yīng)性和可行性。針對個別類別的數(shù)據(jù)量少、數(shù)據(jù)分配不均衡的問題，采用數(shù)據(jù)增強(qiáng)的方法，通過隨機(jī)裁剪、添加高斯噪聲、隨機(jī)翻轉(zhuǎn)操作進(jìn)行數(shù)據(jù)增強(qiáng)，增加訓(xùn)練數(shù)據(jù)量。以實(shí)測暫態(tài)振蕩信號為例，進(jìn)行數(shù)據(jù)增強(qiáng)后的結(jié)果見圖7。

圖7 數(shù)據(jù)增強(qiáng)結(jié)果示例Fig.7 Example of data enhancement results

對數(shù)據(jù)集進(jìn)行增強(qiáng)后，訓(xùn)練集、測試集的樣本數(shù)量分別為3 000、500。使用增強(qiáng)后的數(shù)據(jù)集訓(xùn)練本文所提SFCNN和3.5節(jié)中的DCNN、LSTM、CNNLSTM，得到的電能質(zhì)量擾動分類結(jié)果如表4 所示?？梢钥闯?，SFCNN 對增強(qiáng)后的實(shí)測數(shù)據(jù)的平均分類準(zhǔn)確率為97.2%，低于仿真結(jié)果，其主要原因是訓(xùn)練數(shù)據(jù)是使用仿真軟件生成的，與真實(shí)數(shù)據(jù)有一定的差別，而真實(shí)數(shù)據(jù)的信號所受干擾更加復(fù)雜，且實(shí)測數(shù)據(jù)量較小，類別之間分布不均勻，以及人工標(biāo)注存在誤差等，容易造成網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率有所下降。

表4 數(shù)據(jù)增強(qiáng)后的實(shí)測信號分類結(jié)果Table 4 Measured signal classification results after data enhancement

4 結(jié)論

本文針對傳統(tǒng)電能質(zhì)量信號擾動識別存在的人工選取特征困難、計(jì)算量較大等缺陷，提出了一種基于深度學(xué)習(xí)的SFCNN 進(jìn)行電能質(zhì)量擾動信號分類，主要工作及結(jié)論如下。

1）構(gòu)造了一種新型的側(cè)輸出融合結(jié)構(gòu)，該結(jié)構(gòu)可整合不同卷積層的信息，自動提取特征，實(shí)現(xiàn)電能質(zhì)量擾動信號分類。

2）采用一維卷積處理電能質(zhì)量擾動信號，將BN層引入SFCNN，以加快網(wǎng)絡(luò)收斂速度，防止過擬合。

3）本文所提的SFCNN 可以將傳統(tǒng)電能質(zhì)量擾動檢測和識別系統(tǒng)的擾動特征提取選擇和分類2 個主要模塊融合到一個學(xué)習(xí)體中，提高了分類準(zhǔn)確率，節(jié)省了人力并簡化電能質(zhì)量擾動信號分類流程；仿真和實(shí)測數(shù)據(jù)驗(yàn)證了本文所提的SFCNN 可以有效地學(xué)習(xí)分類電能質(zhì)量擾動信號，分類準(zhǔn)確率較高，且抗噪性能較好；SFCNN 的輸入數(shù)據(jù)以及融合層輸出特征的t-SNE 可視化結(jié)果也從側(cè)面說明了SFCNN 的有效性。

附錄見本刊網(wǎng)絡(luò)版（http：//www.epae.cn）。