基于深度卷积序列残差组合神经网络的电能质量扰动分类方法

田光阳，王胜昔，田世东，康 星，姚 蕾，钟建伟，梁会军*

（1.国网湖北省电力有限公司恩施供电公司，湖北 恩施 445000；2.湖北民族大学，湖北 恩施 445000）

0 引言

提供可靠和优质的电能已经成为现代电力部门发展的目标，新一代负载的敏感性不断增加，使得从商业建筑到工业工厂都要求更高的供电质量［1-2］。电能质量由两个主要部分组成：电压连续性以及电压稳定性。电压不连续的问题如今已基本消除［3-4］，当前电能质量扰动现象主要是谐波、电压波动、电压暂降、短时中断以及三相不平衡以及其复合扰动［5-6］，而以上现象主要由半导体开关器件、非线性负载、整流器、逆变器以及继电保护设备构成［7-9］。另外，可再生能源以及分布式发电机并入传统电力系统是如今电能质量扰动产生的主要原因之一［10-11］。因此，准确地识别分类电能质量扰动是治理电能质量、提高供电可靠性的关键［12］。

传统的电能质量扰动分类模型大致分为2 个步骤：扰动特征提取和扰动分类识别两个环节。由于电力系统的信号发生电能质量扰动时，会伴随大量的非稳态信号，因此电能质量扰动信号的特征提取要同时兼顾频域和时域信息。扰动特征提取方法有小波变换［13-14］、广义S变换［15-17］、短时傅里叶变换［18-19］等特征提取方法。这些特征提取方法目前被广泛应用到电能质量扰动信号特征提取中，但是其中也存在一定的问题。如文献［20］分析了小波变换需要人为选取小波基函数，不同的小波基函数会导致不同的特征提取结果，因此好的特征提取结果往往和人的经验有关。

常用的电能质量扰动分类模型有决策树［21-22］、支持向量机［23-24］、人工神经网络［25-26］。决策树模型容易产生一个过于复杂的模型，该模型往往在训练集上效果很好，而在测试集上效果很差，出现过拟合的状况。支持向量机是将数据映射到高维空间，数据在高维空间距离相对较大，系数缺乏理论指导，选择难度较大。人工神经网络往往需要大量的数据集进行训练，在训练的同时，通常容易陷入局部最优而导致神经网络的参数无法有效更新，同时人工神经网络的参数不仅庞大而且在对图片的识别和分类上往往效果较差。

总而言之，常用的典型分类模型容易受到电能质量扰动信号数据集数量和扰动信号复杂性的影响，因此亟需设计一套高效、准确、快速的电能质量扰动分类模型，以适应新形势发展需求。

1 基本思路

为了避免人工提取电能质量扰动信号特征而出现的主观性偏差，本文提出一种基于深度卷积序列残差组合神经网络的电能质量扰动分类方法，该方法使用深度卷积序列残差组合神经网络对电能质量扰动信号进行自动特征提取，同时也可以保证对电能质量扰动进行精准地分类和识别。

深度卷积序列残差组合神经网络结构如图1 所示，包括深度卷积模块［27］、循环序列模块［28］、残差网络模块［29］、分类模块［30］4 部分。其中，深度卷积模块用于对电能质量扰动信号进行初步特征提取；循环序列模块用于将深度卷积模块提取的特征进行时间序列学习，学习扰动出现和结束的时间序列信息；残差网络模块用于对经过循环序列模块学习后输出的特征进行再次的采样学习，避免过拟合同时加速网络的训练速度；分类模块用于对残差网络模块采样后的特征进行分类，区分不同类别电能质量扰动信号，获得对应电能质量信号的分类结果。

图1 深度卷积序列残差组合神经网络结构图Fig.1 Diagram of deep convolution sequence residual combined neural network

2 具体实现

2.1 系统结构

如图1 第一个虚线框所示，卷积层用于对输入的电能质量扰动信号数据x进行卷积运算，利用卷积操作将数据中有效的特征进行提取操作。为实现初步对电能质量扰动信号进行特征提取、提高后续神经网络模块的学习效率，采用如下卷积运算：

式（1）中，pl(i，t)为l层第i个特征图的第t个神经元经过池化层后的输出值；∂l(i，t)为l层第i个特征图的第t个神经元经过激活函数后的输出值。

深度卷积模块采用多个卷积层和池化层相互叠加不断地对电能质量扰动信号进行一层一层的特征提取和特征选择，从而使得最终深度卷积模块输出的特征图可以去除其中不必要的影响判断分类的噪声，而仅包含电能质量扰动信号中重要的信息。

经过深度卷积神经网络输出的特征图将作为循环序列模块的输入信息，经由多个LSTM 单元串接而成的LSTM 神经网络的时间序列学习，将电能质量扰动信号中的时间序列信息进行学习，从而输出电能质量扰动信号中的时间序列信息。

残差网络模块由多个残差神经网络单元所组成，残差神经网络单元的输出来自两个部分，首先是输入的数据经过残差映射，经过神经网络层的计算从而进行输出，其次是将输入数据不经过任何计算输出，最终将这两个部分进行求和通过relu 激活函数进行输出。其中残差神经网络单元可以表示为

式（2）、式（3）中，xl和xl+1分别表示第l个残差单元的输入和输出，F表示学习到的残差，f是relu激活函数。

残差网络模块的输入为循环序列模块学习到的序列信息，经过前面的卷积神经网络和LSTM神经网络的串接，神经网络层数已经较深，随着后续加入更深的神经网络层，梯度弥散和梯度爆炸出现的可能性就会越来越大，因此在反向传播的时候就无法对神经网络的权重参数进行更新。残差神经网络特殊的网络结构正好可以解决由于神经网络比较深而出现参数无法更新的问题。

分类模块是由全连接神经网络层和softmax 激活函数所组成，其中全连接层对残差模块输出值进行全连接操作；softmax 激活函数对全连接层的输出结果进行分类操作，获得对应电能质量扰动信号类别的概率，并输出最大概率对应的电能质量扰动信号类别。其中softmax激活函数的函数表达式为：

式（4）中，N表示扰动类别数量；pm为电能质量扰动类别为m的概率（m=1，2，…，N）；bm为输出层待激活的神经元。

按上述模块构建深度卷积序列残差组合神经网络模型，并利用该模型对收集好的电能质量模型进行学习训练，最终进行模型的测试。

2.2 系统工作流程

系统整体流程图如图2所示，首先，收集电力质量扰动信号数据集，其中电能质量扰动信号包含单一信号7种，分别为电压暂升、电压中断、电压暂降、谐波信号、暂态振荡、瞬态冲击和电压闪变。其次，对收集来的电能质量扰动信号进行数据清洗，去除其中有问题的数据。第三，对处理好的数据集进行训练集和测试集的划分，数据集的划分按一定比例从中随机抽取数据，防止样本不均衡导致训练的模型出现过拟合的情况。同时划分好训练集用来进行模型的训练；测试集用来评估测试训练好的模型鲁棒性是否强。第四，建立深度卷积序列残差组合神经网络模型，该模型包含3 个神经网络模型部分，分别为卷积神经网络模型部分、循环神经网络模型部分、残差神经网络模型部分。最后，利用划分好的电能质量扰动信号训练集数据进行深度卷积序列残差组合神经网络模型的训练。

图2 系统整体流程图Fig.2 Overall system flow chart

上述过程中，训练模型流程图如图3所示。首先，初始化深度卷积序列残差组合神经网络模型参数；其次，获取电能质量扰动数据集中的训练集中的数据和对应扰动类别的标签。将数据输入到搭建好的深度卷积序列残差组合神经网络进行前向传播运算。然后，计算前向传播得出的结果和对应标签的误差值，利用误差进行反向传播更新神经网络的参数，其中计算误差利用的交叉熵损失函数公式如式（5）所示：

图3 训练模型流程图Fig.3 Training model flowchart

式（5）中，C表示交叉熵损失值，ti表示对应电能质量扰动信号对应的真实标签，pi表示为神经网络输入的电能质量扰动类别标签。最后，判断模型是否达到设置的训练轮次，如果没有达到就继续不断重复地训练，如果达到了就导出训练好的模型。

利用划分好的电能质量扰动信号测试集对导出的训练好的模型进行模型测试，同时进行模型评估。如果该模型不能很好地进行电能质量扰动信号的分类识别，则调整建立好的深度卷积序列残差组合神经网络模型的模型参数重新进行模型的训练。

3 数值仿真

按如上结构搭建深度卷积序列残差组合神经网络模型，搭建神经网络的框架选择为Pytorch，实验的硬件环境处理器为12th Gen Intel（R）Core（TM）i9-12900K 3.19 GHz、机带RAM为64 GB、显卡为NVIDIA GeForce RTX 3090。在实际生活中电能质量扰动的波形不可避免地会受到干扰，因此在基础采样的基础上给每种电能质量扰动信号数据添加10 dB～40 dB的噪声。

实验结果如表1 所示，由表1 可以看出，在没有噪声干扰的情况下，深度卷积序列残差组合神经网络模型对电能质量扰动模型测试集的平均测试准确率在98.75%，可以对电能质量扰动信号模型进行精准的识别，同时无噪声的正常波形模型的识别准确率在100%。相比较噪声为10 dB、20 dB、30 dB，在噪声为40 dB 的情况下平均准确率是最低的96.25%，但是96.25%的识别准确率也是较高的。同时在噪声为10 dB、20 dB、30 dB平均准确率都是在97%以上，其效果很好，可以高效准确地将电能质量扰动信号识别出来。

表1 仿真结果及对比情况Table 1 Comparison of simulation results

对比文献［31］，本文所提方法也具有显著的优势。在噪声信号分别为20 dB、30 dB、40 dB时，本文所提方法的平均准确率都明显高于文献［31］中的方法。特别是从算法稳定性上看，以噪声信号为30 dB时为例，本文所提方法在上述8 类信号的识别准确率均稳定在95%以上，而在文献［31］中，针对正常波形、电压暂降和暂态振荡的识别准确率分别是87%、88%和83.5%，而在其他5 种情况中，识别准确率都在96%以上，可见，本文所提算法性能更为稳健。

4 结语

本文提出了一种基于深度卷积序列残差组合神经网络的电能质量扰动分类方法。首先通过卷积神经网络提取电能质量扰动信号特征，不用人为地主观选择电能质量扰动信号中的特征，减少了由于特征选取不正确导致神经网络分类不准确的情况。同时由于电能质量扰动信号中存在一定时间序列信息，在卷积模块后加入循环神经网络对提取的特征图进行时间序列信息的学习，有效地提高了神经网络对时间序列特征的拟合效果，从而提高神经网络的电能质量扰动识别的准确率。在循环神经网络后加入残差神经网络可以对电能质量扰动信号进行更深层次的特征学习，同时用于残差神经网络的特殊网络结构，避免了神经网络出现梯度爆炸和梯度消失的情况，加速神经网络参数更新的速度。