基于格拉姆角場和改進(jìn)殘差網(wǎng)絡(luò)的低壓配電臺區(qū)戶變關(guān)系識別方法

白 勇，熊雋迪，楊 渝，肖 睿

(1.重慶電力高等?？茖W(xué)校，重慶 400053；2.重慶大學(xué) 輸配電裝備及系統(tǒng)安全與新技術(shù)國家重點實驗室，重慶 400030)

低壓配電臺區(qū)戶變關(guān)系識別即識別電力用戶所歸屬的低壓臺區(qū)。低壓臺區(qū)戶變關(guān)系是電力網(wǎng)絡(luò)的基礎(chǔ)性檔案，戶變關(guān)系模糊不清將影響電網(wǎng)企業(yè)故障智能定位、故障搶修、停電信息發(fā)布等多方面工作，造成不必要的人力和物力消耗。為此，尋找一種高效、準(zhǔn)確、易實施的戶變關(guān)系識別方法很有必要。近年來，隨著信息采集系統(tǒng)在電網(wǎng)企業(yè)的普遍使用和智能電表的普及，電網(wǎng)企業(yè)采集到大量用戶的電壓、電流等電量數(shù)據(jù)，結(jié)合大數(shù)據(jù)識別臺區(qū)戶變關(guān)系和線損管理成為臺區(qū)管理未來發(fā)展的主流趨勢。

當(dāng)前，主要的臺區(qū)戶變關(guān)系識別方法分為3類。第一類方法是基于臺區(qū)電量數(shù)據(jù)采用數(shù)據(jù)預(yù)處理、特征提取及降維、聚類方法對臺區(qū)戶變關(guān)系進(jìn)行識別[1-7]。文獻(xiàn)[1]采用改進(jìn)的動態(tài)時間規(guī)整(FastDTW)算法計算電壓序列相似度，采用自組織特征映射(SOM)與K均值聚類方法結(jié)合的兩階段聚類方法進(jìn)行特征聚類以識別戶變關(guān)系。文獻(xiàn)[2]采用導(dǎo)數(shù)動態(tài)時間彎曲(DDTW)算法對臺區(qū)低壓側(cè)電壓與用戶電壓的時間序列進(jìn)行相似性分析，采用基于密度的有噪空間聚類應(yīng)用(BDSCAN)進(jìn)行聚類以識別戶變關(guān)系。文獻(xiàn)[3]采用自適應(yīng)分段聚合近似(APAA)的方法對用戶電壓曲線進(jìn)行特征提取，采用一種改進(jìn)的基于密度的有噪空間聚類應(yīng)用(BDSCAN)方法進(jìn)行聚類以識別戶變關(guān)系。文獻(xiàn)[4]采用主成分分析(PCA)方法對數(shù)據(jù)進(jìn)行降維并采用改進(jìn)的K-means方法進(jìn)行聚類以識別戶變關(guān)系。聚類識別方法避免了復(fù)雜梯度和伴隨方程的求解，對模型的表達(dá)形式和連續(xù)性沒有嚴(yán)格要求，能有效提取系統(tǒng)特征進(jìn)行分類，便于實施[6]，但聚類方法尋找合適的聚類中心和確定相似度閾值較難，且部分聚類方法較為繁瑣，實際工程推廣應(yīng)用較少。第二類方法通過電量信號畸變產(chǎn)生差異信息進(jìn)行臺區(qū)戶變關(guān)系識別。文獻(xiàn)[8]通過電能表作為信號發(fā)送端通斷負(fù)載產(chǎn)生諧波電流，提取諧波電流，并采用DFT進(jìn)行信號解碼后與原有特征信息對比確定戶變關(guān)系。文獻(xiàn)[9]在臺區(qū)低壓側(cè)注入小幅值電壓改變電壓有效值，采用數(shù)據(jù)分析電壓有效值變動點與原信息對比進(jìn)而識別戶變關(guān)系。文獻(xiàn)[10]在電壓過零點時向低壓線路疊加改進(jìn)多載波調(diào)頻特征信號，并采用離散弗雷歇距離比較電壓曲線相似性以識別戶變關(guān)系。通過信號畸變方式進(jìn)行戶變關(guān)系識別準(zhǔn)確率較高，但大多需要增加設(shè)備，增加了識別成本，且對臺區(qū)及用戶的正常用電有一定影響。第三類方法是通過深度學(xué)習(xí)等大數(shù)據(jù)挖掘算法進(jìn)行戶變關(guān)系識別。深度學(xué)習(xí)算法基于大數(shù)據(jù)而產(chǎn)生，通過大量數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)擬合非線性函數(shù)關(guān)系，在故障診斷、圖譜識別等任務(wù)中應(yīng)用廣泛[11-17]。文獻(xiàn)[18]采用一維卷積神經(jīng)網(wǎng)絡(luò)與長短時記憶單元(CNN-LSTM)結(jié)合的方式，以臺區(qū)與終端用戶數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)進(jìn)行戶變關(guān)系識別。文獻(xiàn)[19]以前向誤差傳播(BP)神經(jīng)網(wǎng)絡(luò)結(jié)合電力載波信號進(jìn)行戶變關(guān)系智能識別。文獻(xiàn)[20]采用K-means聚類方法構(gòu)建電壓序列數(shù)據(jù)標(biāo)簽，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行戶變關(guān)系識別。目前，采用神經(jīng)網(wǎng)絡(luò)的戶變關(guān)系識別研究主要基于一維信號序列的分類，相關(guān)研究較少。

臺區(qū)用戶由低壓臺區(qū)供電，同一臺區(qū)內(nèi)用戶由于屬于相同母線，其電壓曲線波動具有很強的相似性[21-22]。由于臺區(qū)用戶數(shù)量、供電半徑、用戶性質(zhì)等差異，不同臺區(qū)用戶之間電壓曲線波動相似性較差。為此，通過分析電壓曲線波動相似性區(qū)分臺區(qū)用戶，為戶變關(guān)系的識別提供理論依據(jù)。

本文中基于電壓曲線波動相似性進(jìn)行戶變關(guān)系的識別，提出了一種基于格拉姆角場和改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的戶變關(guān)系識別方法。該方法采用格拉姆角場和偽彩色處理生成特征圖譜并保留電壓信號序列時間依賴性。通過在殘差網(wǎng)絡(luò)中引入空間注意力突出電壓波動差異特征，使用改進(jìn)的殘差網(wǎng)絡(luò)分類特征圖譜識別戶變關(guān)系。

1 理論基礎(chǔ)

低壓配電臺區(qū)戶變關(guān)系識別的實質(zhì)是分類問題，而神經(jīng)網(wǎng)絡(luò)對于圖譜的分類效果普遍優(yōu)于一維序列分類。若將電壓數(shù)據(jù)轉(zhuǎn)換為特征圖譜，并采用圖譜分類網(wǎng)絡(luò)進(jìn)行分類則識別率可進(jìn)一步提升。為此，選用合適的圖譜分類網(wǎng)絡(luò)是戶變關(guān)系識別的關(guān)鍵。

圖譜分類神經(jīng)網(wǎng)絡(luò)包含Alexnet[23]、GoolgLeNet[24]、2D-CNN[25]、殘差神經(jīng)網(wǎng)絡(luò)(ResNet)[26]等。其中，殘差網(wǎng)絡(luò)由于殘差塊的存在可訓(xùn)練深層網(wǎng)絡(luò)以提取圖譜深層次信息，識別準(zhǔn)確率較高，在圖譜分類任務(wù)中被廣泛使用[27-29]。本文以殘差神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)引入空間注意力進(jìn)行改進(jìn)，使用改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)識別圖譜。

注意力機制包含自注意力、空間注意力、通道注意力、融合注意力等。引入注意力機制是為突出關(guān)鍵信息，考慮到不同臺區(qū)用戶特征圖譜像素點空間差異較大，為進(jìn)一步突出差異信息、提高識別準(zhǔn)確率，選擇空間注意力機制對殘差網(wǎng)絡(luò)進(jìn)行改進(jìn)。

1.1 殘差神經(jīng)網(wǎng)絡(luò)

殘差網(wǎng)絡(luò)(residual network，ResNet)是一種包含卷積層、池化層、殘差塊和全連接層的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，其包含的跨層連接將前一層的輸出跳過中間部分卷積層直接送入后續(xù)網(wǎng)絡(luò)，避免了網(wǎng)絡(luò)層數(shù)較深時出現(xiàn)的梯度消失等不利于網(wǎng)絡(luò)訓(xùn)練的問題。

殘差塊是為解決網(wǎng)絡(luò)過深導(dǎo)致的信息損失過多問題而提出的。殘差塊結(jié)構(gòu)示意如圖1。

圖1 殘差塊結(jié)構(gòu)示意圖

由圖1中可知，殘差塊的輸出由多次卷積輸出與原輸入相加并經(jīng)激活函數(shù)處理后得到。輸出的表達(dá)式為

out=ReLU(F(x)+x)

(1)

式中：x表示原始信息;F(x)表示經(jīng)過多層卷積層后對原始信息x的輸出；ReLU表示激活函數(shù)；out表示殘差塊輸出。

1.2 空間注意力機制

在進(jìn)行圖像分類任務(wù)時，并非圖像上所有像素點對分類任務(wù)的貢獻(xiàn)都相同。相較于幾乎沒有差異的點，差異較大的點更應(yīng)該被神經(jīng)網(wǎng)絡(luò)重視。如同人的視覺注意力總關(guān)注對于自己重要的信息而忽略邊緣信息，空間注意力機制通過改變識別區(qū)域權(quán)重以重點關(guān)注對分類任務(wù)有用的信息。

空間注意力模型見圖2。原始包含空間信息的模塊分別經(jīng)最大和平均池化操作，得到2張代表不同信息的特征圖，將兩張?zhí)卣鲌D合并后進(jìn)行卷積操作融合為一張。特征圖通過sigmoid函數(shù)處理形成權(quán)重圖，權(quán)重圖疊加回原始的輸入特征圖，使得重點關(guān)注目標(biāo)區(qū)域得以增強，提升了圖像分類識別效果。

圖2 空間注意力模型示意圖

針對一維序列分類神經(jīng)網(wǎng)絡(luò)存在識別準(zhǔn)確率低、輸入序列易丟失時間依賴性、識別準(zhǔn)確率不穩(wěn)定的問題，結(jié)合殘差網(wǎng)絡(luò)可提取深層次信息與空間注意力突出差異信息的優(yōu)勢，由此進(jìn)一步提出戶變關(guān)系識別模型。

2 低壓配電臺區(qū)戶變關(guān)系識別模型

基于格拉姆角場、殘差神經(jīng)網(wǎng)絡(luò)和空間注意力提出一種低壓配電臺區(qū)戶變關(guān)系識別方法。該方法以臺區(qū)電壓數(shù)據(jù)序列為基礎(chǔ)，以格拉姆角場和偽彩色處理方法將電壓數(shù)據(jù)序列轉(zhuǎn)換為特征圖譜，采用空間注意力和殘差神經(jīng)網(wǎng)絡(luò)組合形成的改進(jìn)殘差網(wǎng)絡(luò)進(jìn)行圖譜分類。網(wǎng)絡(luò)根據(jù)輸入圖譜輸出屬于各低壓臺區(qū)的概率，最終實現(xiàn)低壓配電臺區(qū)的戶變關(guān)系識別。依據(jù)此方法，建立了低壓配電臺區(qū)戶變關(guān)系識別(consumer and transformer relationship identification，CTRI)模型，CTRI模型包含兩個部分：圖譜生成模塊及圖譜識別模塊。圖譜生成模塊利用格拉姆角和場及偽彩色處理將電壓離散序列轉(zhuǎn)換為特征圖譜。圖譜識別模塊以特征圖譜為輸入，使用空間注意力進(jìn)行改進(jìn)的殘差網(wǎng)絡(luò)ResNet50作為分類網(wǎng)絡(luò)特征圖譜進(jìn)而識別戶變關(guān)系。CTRI模型結(jié)構(gòu)見圖3。

圖3 低壓配電臺區(qū)戶變關(guān)系識別模型結(jié)構(gòu)示意圖

2.1 圖譜生成模塊

圖譜生成模塊是將一維信號序列轉(zhuǎn)換為二維特征圖譜的模塊，其結(jié)構(gòu)見圖3第①部分。圖譜生成模塊包含格拉姆角場矩陣生成和偽彩色處理2個步驟。其中，格拉姆角場矩陣生成包含電壓離散序列縮放、序列極坐標(biāo)表示和特征矩陣計算，偽彩色處理則是由特征矩陣生成特征圖譜。整個圖譜生成詳細(xì)流程如圖4。

圖4 特征圖譜生成流程框圖

格拉姆角場是將信號序列經(jīng)過縮放、直角坐標(biāo)系向極坐標(biāo)系轉(zhuǎn)換、內(nèi)積矩陣計算的特征矩陣生成方法。該方法生成特征矩陣的具體步驟如下：

步驟1 假設(shè)電壓離散序列為Y={y1，y2，y3，…，yN}，序列由N個時刻的幅值組成。以N個時刻為橫坐標(biāo)值，每個時刻對應(yīng)的幅值為縱坐標(biāo)值，該序列便可通過直角坐標(biāo)系表示。通過式(2)將序列Y縮放至[-1，1]范圍，即余弦函數(shù)值域，以便序列Y由直角坐標(biāo)系向極坐標(biāo)系轉(zhuǎn)換。

(2)

(3)

(4)

步驟4 考慮不同點之間作角度和或作角度差，格拉姆角場分為格拉姆角和場(GASF)和格拉姆角差場(GADF)。GASF矩陣計算通過余弦函數(shù)作角度和，GADF矩陣計算通過正弦函數(shù)作角度差，二者矩陣的計算式分別為：

(5)

(6)

觀察GASF矩陣可知，原序列的時間相關(guān)性通過矩陣的主對角線得到了很好的保留[30]。將矩陣元素對應(yīng)為灰度圖像的灰度生成灰度圖像，將不同灰度值與不同彩色對應(yīng)(即偽彩色處理)得到所需的特征圖譜。

2.2 圖譜識別模塊

圖譜識別模塊是進(jìn)行特征圖譜分類并輸出所屬類別概率，進(jìn)而識別戶變關(guān)系的模塊。圖譜識別模塊采用改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)，模塊結(jié)構(gòu)見圖3第②部分。整個模塊包含卷積層、池化層、空間注意力模塊、全連接層。改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)基于殘差神經(jīng)網(wǎng)絡(luò)ResNet50結(jié)構(gòu)，通過在網(wǎng)絡(luò)ResNet50的起始卷積層及末尾卷積層后增加空間注意力模塊進(jìn)行改進(jìn)，以空間注意力突出圖譜差異性特征，提高網(wǎng)絡(luò)戶變關(guān)系識別準(zhǔn)確率。

改進(jìn)殘差網(wǎng)絡(luò)包含5個卷積層組，2個空間注意力模塊，具體結(jié)構(gòu)及網(wǎng)絡(luò)參數(shù)見表1。

表1 改進(jìn)的殘差網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

表1中，Conv_x表示卷積層組，由多個卷積層構(gòu)成。Maxpool表示最大池化層，Avgpool表示平均池化層，F(xiàn)c表示全連接層。Kernel_size表示卷積核大小，Stride表示卷積核移動步長，Padding為補零數(shù)目，in_channels為輸入通道數(shù)。

特征圖譜通過改進(jìn)殘差網(wǎng)絡(luò)中卷積、池化、空間注意力模塊提取特征后到達(dá)全連接層，并經(jīng)激活函數(shù)輸出其屬于各臺區(qū)的概率，最終實現(xiàn)對用戶所屬臺區(qū)的識別。

3 實驗及結(jié)果分析

提出基于格拉姆角場和殘差神經(jīng)網(wǎng)絡(luò)的戶變關(guān)系識別方法，建立低壓配電臺區(qū)戶變關(guān)系識別(CTRI)模型。以實際數(shù)據(jù)為基礎(chǔ)開展兩類實驗以對比驗證該方法的有效性。3.4節(jié)為不同戶變關(guān)系識別方法的穩(wěn)定性對比分析，3.3節(jié)為不同戶變關(guān)系識別方法的準(zhǔn)確率對比分析。

3.1 實驗數(shù)據(jù)

電壓數(shù)據(jù)來自國網(wǎng)重慶市電力公司市南供電分公司轄區(qū)內(nèi)相鄰3個低壓臺區(qū)，電壓數(shù)據(jù)采集頻率為每1 h采集1次。選取每臺區(qū)下轄的30戶用戶，每戶24 d的A相用戶電壓數(shù)據(jù)。臺區(qū)用戶性質(zhì)及所屬母線信息見表2。

表2 用戶性質(zhì)及所屬母線信息

臺區(qū)1與臺區(qū)2屬于相同低壓母線的不同段，臺區(qū)3屬于另一母線且包含較多工業(yè)負(fù)荷。數(shù)據(jù)包含來自3個臺區(qū)共90戶的A相電壓數(shù)值序列，每一用戶包含576點電壓數(shù)據(jù)，每取72點以格拉姆角和場方法形成一張?zhí)卣鲌D譜，共計形成720張圖譜。訓(xùn)練集與測試集比例為4∶1，即訓(xùn)練集包含576個樣本，測試集包含144個樣本。

3.2 訓(xùn)練參數(shù)

神經(jīng)網(wǎng)絡(luò)初始學(xué)習(xí)率設(shè)置為0.001，數(shù)據(jù)批處理大小為20，訓(xùn)練輪次設(shè)置為20。線損計算方法選擇自適應(yīng)時刻優(yōu)化算法(Adam)，可根據(jù)損失函數(shù)值自動調(diào)整學(xué)習(xí)率，從而加快損失函數(shù)衰減使網(wǎng)絡(luò)獲得更好的訓(xùn)練效果。

3.3 不同戶變關(guān)系識別方法的準(zhǔn)確率對比分析

3.3.1基于一維序列的臺區(qū)戶變關(guān)系識別方法與本文方法準(zhǔn)確率對比分析

基于一維序列的戶變關(guān)系識別不需將電壓數(shù)據(jù)序列轉(zhuǎn)換為特征圖譜，即直接分類一維時間序列，分析序列波動差異性進(jìn)而識別戶變關(guān)系。該類方法多采用一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)、長短時記憶單元(LSTM)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)分類臺區(qū)用戶電壓序列。為比較基于一維序列的各類戶變關(guān)系識別方法與本文方法的識別準(zhǔn)確率，選擇1D-CNN、BP神經(jīng)網(wǎng)絡(luò)和CTRI模型進(jìn)行臺區(qū)戶變關(guān)系識別實驗。

設(shè)立3組分類實驗，分別為分類相同母線臺區(qū)用戶(臺區(qū)1和2)、分類不同母線臺區(qū)用戶(臺區(qū)1和3)、分類混合臺區(qū)用戶(臺區(qū)1、2、3)實驗，實驗分類準(zhǔn)確率見表3。

表3 不同模型分類準(zhǔn)確率 %

由表3可知，基于一維序列的戶變關(guān)系識別方法的識別準(zhǔn)確率相較于CTRI模型偏低。其原因在于，一維序列在輸入1D-CNN及BP等神經(jīng)網(wǎng)絡(luò)時被打亂，丟失序列各點之間的時間依賴性，電壓波動的差異信息不明顯，容易造成誤判。

CTRI模型戶變關(guān)系識別準(zhǔn)確率相較于1D-CNN識別方法的混合臺區(qū)識別正確率提升約18%，相較于BP神經(jīng)網(wǎng)絡(luò)識別方法的混合臺區(qū)識別正確率提升約16%。本文方法識別戶變關(guān)系準(zhǔn)確率優(yōu)于主流的基于一維序列的戶變關(guān)系識別方法。

3.3.2基于二維圖譜的臺區(qū)戶變關(guān)系識別方法與本文方法準(zhǔn)確率對比

目前，主流的圖譜分類方法多采用二維卷積神經(jīng)網(wǎng)絡(luò)(2D-CNN)、AlexNet、殘差神經(jīng)網(wǎng)絡(luò)(ResNet)等。為比較各基于二維圖譜臺區(qū)戶變關(guān)系識別方法的準(zhǔn)確率，選擇相同的圖譜生成方法結(jié)合不同圖譜分類網(wǎng)絡(luò)構(gòu)成不同臺區(qū)戶變關(guān)系識別方法。圖譜生成方法均選擇格拉姆角和場及偽彩色處理。3個臺區(qū)用戶電壓數(shù)據(jù)生成的部分特征圖譜見圖5。

圖5 不同臺區(qū)用戶電壓特征圖譜

選擇GASF+ResNet50、GASF+2D-CNN、GASF+AlexNet三種基于二維圖譜的戶變關(guān)系識別方法與文中基于格拉姆角場和殘差神經(jīng)網(wǎng)絡(luò)臺區(qū)戶變關(guān)系識別方法建立的CTRI模型進(jìn)行識別實驗。識別實驗分組與3.3.1節(jié)相同，圖6～8為各組實驗識別準(zhǔn)確率圖。

圖6展示了不同的基于二維圖譜的識別方法識別相同母線臺區(qū)用戶的準(zhǔn)確率曲線。由于臺區(qū)1與2屬同一母線，故二者臺區(qū)電壓波動具有較強相似性，對模型的識別分類造成一定困難。本文方法建立的CTRI模型能保留一維序列時間依賴性，有利于區(qū)分相同母線臺區(qū)。

圖6 相同母線臺區(qū)戶變關(guān)系識別準(zhǔn)確率

CTRI模型在訓(xùn)練輪次15次之后識別準(zhǔn)確率達(dá)到100%，相較于GASF+2D-CNN方法的識別效果相當(dāng)，相較于另外2種方法的識別準(zhǔn)確率有約3%的提升且收斂速率更快，戶變關(guān)系識別準(zhǔn)確率波動更小。

圖7展示了不同的基于二維圖譜的識別方法進(jìn)行不同母線臺區(qū)用戶識別的準(zhǔn)確率。臺區(qū)1與臺區(qū)3屬于不同母線，二者電壓波動相似性較差，且臺區(qū)3包含較多工業(yè)用戶，也更使得臺區(qū)之間的電壓波動差異性增大。結(jié)合圖7可知，CTRI模型和GASF+ResNet50方法識別準(zhǔn)確率為100%，優(yōu)于另外2種方法的識別準(zhǔn)確率，且識別準(zhǔn)確率穩(wěn)定。

圖7 不同母線臺區(qū)戶變關(guān)系識別準(zhǔn)確率

圖8展示了包含屬于同一母線和不同母線臺區(qū)的混合臺區(qū)用戶識別準(zhǔn)確率。CTRI模型識別準(zhǔn)確率在訓(xùn)練輪次10次之后的識別準(zhǔn)確率波動較小，識別準(zhǔn)確率均在95%以上，且準(zhǔn)確率曲線都位于其他3種方法之上。由圖8易知，本文方法相較于其他戶變關(guān)系識別方法的識別準(zhǔn)確率有小幅提升，且網(wǎng)絡(luò)收斂快、識別準(zhǔn)確率波動小。

圖8 混合臺區(qū)戶變關(guān)系識別準(zhǔn)確率

結(jié)合圖6～8，本文中所提出方法能夠分類同一母線和不同母線段臺區(qū)，針對不同母線段臺區(qū)分類效果能達(dá)到100%準(zhǔn)確率。針對混合臺區(qū)識別網(wǎng)絡(luò)訓(xùn)練20次，考慮到網(wǎng)絡(luò)訓(xùn)練收斂，取其后5次平均識別準(zhǔn)確率為平均準(zhǔn)確率，本文方法的平均識別準(zhǔn)確率98.052%，最優(yōu)識別準(zhǔn)確率為99.3%。

經(jīng)計算可知，CTRI模型在進(jìn)行混合臺區(qū)用戶分類時，相較于2D-CNN、AlexNet、ResNet50方法的平均識別準(zhǔn)確率分別提升10.1%、3.6%、2.64%，表明本文中所提出的方法普遍優(yōu)于基于二維圖譜的主流戶變關(guān)系識別方法。

3.4 不同戶變關(guān)系識別方法穩(wěn)定性對比分析

神經(jīng)網(wǎng)絡(luò)初始化參數(shù)是隨機的，網(wǎng)絡(luò)每次訓(xùn)練的參數(shù)不一定都理想，故會導(dǎo)致網(wǎng)絡(luò)識別準(zhǔn)確率不穩(wěn)定。分析識別方法的穩(wěn)定性需分析多次識別任務(wù)下方法的識別準(zhǔn)確率的變化(即準(zhǔn)確率數(shù)值的相對頻率)。識別準(zhǔn)確率的變化體現(xiàn)了采用識別方法進(jìn)行具體識別任務(wù)時準(zhǔn)確率數(shù)據(jù)的可靠性與穩(wěn)定性。

為分析采用本文方法識別臺區(qū)戶變關(guān)系時的識別穩(wěn)定性，選用1D-CNN、GAF+ResNet50及本文識別模型分別進(jìn)行5輪、每輪20次(共計100次)的混合臺區(qū)戶變關(guān)系識別實驗，分析各方法準(zhǔn)確率數(shù)值的相對頻率。計算100次分類任務(wù)中識別準(zhǔn)確率的相對頻率，并繪制相對頻率圖(圖9～11)。

圖9展示了基于一維序列的識別方法1D-CNN的準(zhǔn)確率相對頻率。其準(zhǔn)確率數(shù)值在90%以上的次數(shù)約占總次數(shù)的20%。圖10展示了基于二維圖譜的識別方法GAF+ResNet50的準(zhǔn)確率的相對頻率，其識別準(zhǔn)確率和穩(wěn)定性相較于圖9的基于一維序列識別方法均有較大提升。采用GAF+ResNet50模型的識別準(zhǔn)確率在90%以上的次數(shù)約占總次數(shù)的70%。

圖9 1D-CNN方法識別準(zhǔn)確率相對頻率直方圖

圖10 GAF+ResNet50方法識別準(zhǔn)確率相對頻率直方圖

圖11展示了采用本文方法建立的CTRI模型識別準(zhǔn)確率相對頻率。通過與GAF+ResNet50方法相比可知，CTRI模型在ResNet50中引入了空間注意力，識別準(zhǔn)確率數(shù)值在90%以上的次數(shù)約占總次數(shù)的77.5%，且95%以上準(zhǔn)確率的數(shù)值約占總次數(shù)的40%，相較于GAF+ResNet50網(wǎng)絡(luò)提升18%。

圖11 本文模型識別準(zhǔn)確率相對頻率直方圖

結(jié)合圖9～11，本文所建立的CTRI模型相較于1D-CNN及GAF+ResNet50模型識別準(zhǔn)確率90%以上的相對頻率分別提升20%和7.5%，識別準(zhǔn)確率85%以上的相對頻率約占總次數(shù)的87.5%，表明其識別準(zhǔn)確率波動更小、識別穩(wěn)定性更好。

4 結(jié)論

1)所建立的CTRI模型針對相同母線臺區(qū)用戶平均識別準(zhǔn)確率為94.3%，混合臺區(qū)用戶平均識別率準(zhǔn)確率98.52%，優(yōu)于目前主流的基于神經(jīng)網(wǎng)絡(luò)的戶變關(guān)系識別方法。

2)基于格拉姆角場和改進(jìn)殘差網(wǎng)絡(luò)識別方法的識別準(zhǔn)確率在90%以上的相對頻率相較于1D-CNN和GAF+ResNet方法分別提升了約20%和7.5%，識別準(zhǔn)確率85%以上的相對頻率約占總次數(shù)的87.5%，說明該方法還具有識別準(zhǔn)確率波動較小、識別穩(wěn)定性較好的特點。