卷积神经网络在电能质量扰动识别中的应用研究

安徽理工大学电气与信息工程学院 王景玲

针对电能质量扰动识别数据多、特征数据提取复杂、识别精度低等问题，提出了一种基于格拉姆角场(Gramian Angular Fields，GAF)和二维卷积神经网络(Two-Dimensional Convolutional Neural Network，2D-CNN)的电能质量扰动识别分类新方法。首先对GAF将电能质量扰动信号一维数据转化为二维图像的过程进行了分析，其次介绍了二维卷积神经网络的结构和训练过程及反向传播算法，并在Tensorflow/Keras框架中搭建2D-CNN，建立了电能质量扰动分类模型。仿真实验结果表明，该方法能够提高分类精度，具有良好的鲁棒性。

随着电力电子设备的广泛应用和电网中非线性负荷的增加，时常会出现电压凹陷、膨胀、中断以及瞬态电磁等一系列电能质量扰动问题，电能质量的降低不仅无法满足用户侧的供电需求同时也会对电力系统的安全性和经济性造成影响。近年来，电能质量扰动的识别和分类是其研究热点之一。电能质量的研究主要包括两个方面：一是电能质量扰动检测的研究，二是电能质量扰动分类识别的研究。通常，对电能质量信号进行特征值提取的方法有：稀疏分解、相空间重构、S变换、希尔伯特黄变换等；对已提取的特征信号进行分类的方法主要有：决策树、支持向量机、循环神经网络、深度信念网络等。

鉴于此，本文提出了一种新的检测识别方法。首先通过GAF将电能质量扰动信号的一维时间序列转换为二维图片，其次通过搭建二维卷积神经网络模型对GAF图像进行分类和识别，最终仿真实验结果验证了该方法的合理性与准确性。

1 电能质量扰动信号的GAF图像

针对电能质量扰动问题，本文根据IEEE电能质量扰动信号模型在MATLAB中仿真得到8种扰动信号，且均为单一扰动，分别为正常信号、暂升、暂降、脉冲、中断、谐波、振荡、波动。在实验过程中，首先在Python中安装pyts库并编写程序。其次准备各种扰动信号的一维时间序列，即在MATLAB中通过数学模型plot出图形并保存为.csv文件，接着通过Python语言编写代码进行批量处理保存得到GAF二维图像，解决了由于识别数据量过大，且保存和传输过程困难导致识别精度下降的问题。以本文实验中采用的一维时间序列为例，得到某一时刻下电能质量扰动的GAF图像，如图1所示。

图1 正常信号和电能质量扰动信号的GAF图像

2 构建二维卷积神经网络模型

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，它可以人工参与以避免对图像复杂的前期预处理过程。卷积神经网络包括一维卷积、二维卷积和三维卷积，其中二维卷积神经网络广泛应用在各类图像的识别处理中。

为了得到分类好的电能质量扰动信号，根据二维卷积神经网络的训练过程及BP算法，本文通过Python编写基于Tensorflow/Keras的框架搭建2D-CNN，该神经网络有2个卷积层，2个池化层和2个全连接层，输入网络的电能质量扰动信号图像大小为256×256×1，其中卷积层采用5×5卷积核，步长为1；激活函数采用ReLU函数；池化层采用Max-Pooling，且窗口大小为4×4，步长为1；全连接层输出一个1x8的向量，最后输出扰动信号的8分类识别率。模型调试时设置参数Epoch为50，损失函数为Categorical_crossentropy，Optimizer为Adam，Dropout为0.5。

3 实验仿真分析

本文通过Matlab生成8种不同的电能质量扰动信号，且均为单一扰动，其中正常信号和每类扰动信号各生成500个随机数据样本，总计4000个数据样本，每类扰动选取300个数据样本作为训练样本来完成卷积神经网络模型的训练，使用200个数据样本作为测试样本来完成验证和网络评估性能。再将每类扰动叠加40dB信噪比的噪声信号，基波频率为50Hz，采样频率为5000Hz。将所有样本通过GAF转化成二维图像，在已经搭建好并运行的模型中作为输入，开始进行网络训练和同步测试。

根据网络训练和测试绘制出训练损失函数和验证准确率随训练过程不断变化的曲线，即训练损失曲线和验证准确率曲线，训练损失曲线如图2所示，验证准确率曲线如图3所示。

图2 训练损失曲线

通过对比无噪声干扰和有噪声干扰情况下的电能质量扰动信号分类可知，有噪声干扰使得在网络训练过程中的训练损失的极小值增大，由图2可知，训练损失在不断下降，且在初始下降过程中波动较大，但随着Epoch的增加逐渐趋于稳定。这个过程说明整个训练网络的模型在不断的进步完善中，且网络稳定性逐渐增加。由图3看出验证准确率在开始时处于较低精度，通过20代的训练后准确率快速提升并趋于稳定，最终达到接近1的较高准确率。

不同噪声强度下，各类电能质量扰动信号的分类准确率如表1所示。

从表1中可以看出，各种信号的分类准确率较高，最高可达97.20%，说明该方法具有较高的稳定性，在无噪声和40dB的情况下，该方法对谐波和波动的准确效果更高，其中波动可以达到100%。而对振荡的分类效果有所降低，在40dB的情况下，准确率只达到83.50%，说明该方法仍存在一定的局限性。

表1 不同扰动信号的分类准确率

本文以格拉姆矩阵为依据，规整理论分析中的时间序列X为函数形式，对数据进行极坐标编码，再通过Python编码得到电能质量扰动识别的GAF图像。其次利用二维卷积神经网络的BP算法对本文研究的多种扰动信号进行重构，结果表明重构的信号很好的保留了原始信号的特征信息。将重构后的信号作为输入信息输入搭建好的二维卷积神经网络仿真模型中并结合不同的噪声环境进行实验，结果表明，重构后的信号识别率比原信号识别率稍有降低，不同的噪声环境下各种扰动信号的分类准确率存在差异，具备一定的抗噪能力。

图3 验证准确率曲线