基于GA 优化卷积神经网络的含分布式光伏低压台区电能质量扰动特征识别研究

张智轶，段文方，韦家义，赵彬，林海燕

（中冶建工集团有限公司，重庆 400084）

低压台区负荷密度低、光伏接入条件差，在低压台区接入分布式光伏后，该台区会出现各种电能质量扰动情况[1-3]，影响电压或电流正常输出及用电设备运行，缩短电力设备使用寿命[4]。改善电能质量既可降低运行损耗、延长设备使用寿命，还可以加强“光储直柔”新型建筑电力系统的运行管理水平[5]。改善电能质量的关键是扰动特征识别。王维博等人利用卷积神经网络（Convolutional Neural Networks，CNN）提取电能质量扰动信号特征，融合全部特征，构建一个样本集，输入一维卷积神经网络，输出扰动特征识别结果，该方法可有效识别扰动特征，具备较优的识别鲁棒性[6]；王继东等人先预处理电能质量扰动信号，统一信号格式，在CNN 网络内添加侧输出融合结果，融合扰动特征，输出扰动特征识别结果，该方法可有效预处理扰动信号，快速识别扰动特征[7]。但这两种方法均存在收敛性差、泛化效果差的问题，无法达到扰动特征识别精度的要求。通过GA算法的并行性与全局搜索能力，优化CNN 网络参数，加快CNN 网络收敛速度[8]，加强泛化效果，避免出现过拟合。文中研究基于GA优化卷积神经网络的含分布式光伏低压台区电能质量扰动特征识别方法，能够精准识别扰动特征，为改善电能质量提供帮助。

1 含分布式光伏低压台区电能质量扰动特征识别

1.1 基于连续小波变换的电能质量扰动特征提取

连续小波变换进行电能质量扰动特征提取时，窗口面积一定，按照频率自适应调整长度与宽度，得到频率分辨率[9]，用于分析电能质量扰动信号，具备较优的信号处理效果，适合分析非平稳信号。选择连续小波变换，提取电能质量扰动特征。

令电能质量扰动信号的随机平方可积函数是f(x)，其连续小波变换如下：

J层分解电能质量扰动信号，按照Parseval 原理确定每层能量值，公式如下：

其中，Sj(υ)是分解系数；λ 是标准化系数；j=1,2,…,J；N是电能质量扰动信号x的数量，υ∈N；Ej是x的第j层能量值。

通过添加小波能量熵Wj，获取x分解后每层系数的稀疏程度，以及信号概率分布情况，凸显电能质量扰动信号间的差异性，Wj的公式如下：

利用连续小波变换分解电能质量扰动信号后，计算各频带分量相应的E与W，将E与W当成特征量，完成电能质量扰动特征提取。

1.2 GA优化卷积神经网络的电能质量扰动特征识别 1.2.1 基于卷积神经网络的电能质量扰动特征识别

利用CNN 网络识别含分布式光伏低压台区电能质量扰动特征，利用提取到的电能质量扰动特征作为构建样本集X=[E,W]，输入CNN 网络，输出电能质量扰动特征识别结果。CNN 的CL 层利用卷积核对X=[E,W]展开卷积运算，得到对应的特征。卷积运算为：

其中，i是层数；M是神经元数量，l∈M,g∈M,l≠g；是i层神经元l的输出；是偏置是i-1 层神经元g的输出；是卷积系数；是卷积核。

AL 层利用Relu 函数，非线性变换电能质量扰动特征X，提升CNN 的表达能力[11-12]，将X变换至新的空间维度，加强X的特征区分效果，Relu 函数的公式如下：

其中，是激活值。

PL 层利用最大值池化法完成池化操作，缩减网络参数，避免过拟合[13]，公式如下：

其中，是池化操作后的第α个电能质量扰动特征值；ς是激活值编号；η是池化范围的宽度；是比例偏置。

BN 层通过较大学习率训练电能质量扰动特征，提升训练效率[14]，确保输入的电能质量扰动特征服从一致的分布，提高网络泛化效果，归一化公式如下：

其中，是BN 层输出的电能质量扰动特征；μB是期望激活值；是激活值方差；是缩放系数；是加性偏置；ε是常数项。

FC 层利用Softmax 函数处理上面四层对X 的分析结果，输出电能质量扰动特征识别结果[15-16]，公式如下：

其中，ϖ是电能质量扰动特征类别数量，m=1,2,…,ϖ；pm是电能质量扰动特征被分为第m类的概率，即含分布式光伏低压台区电能质量扰动特征识别结果；om是待激活的神经元。

1.2.2 基于GA优化电能质量扰动特征识别的CNN参数

利用GA 优化CNN 的结构参数，加强网络泛化效果，提升含分布式光伏低压台区电能质量扰动特征识别效果。优化参数包含卷积核数量M、CL 层的大小UCL×UCL、以及PL 层的大小UPL×UPL。

GA 算法中交叉概率P与变异概率P′均会直接影响CNN 参数优化效果，为此需先改进P与P′，加快CNN 参数优化的收敛速度，P的改进公式如下：

其中，是种群平均适应度值；为最大适应度值；̂是即将展开交叉的较大个体适应度值。P′的改进公式如下：

其中，͂是马上展开变异操作的较大个体的适应度值。

每展开一次遗传迭代，CNN 参数均会按照遗传规律优化一次，CNN 参数展开交叉进化过程中，个体基因即CNN 参数展开交叉操作，在情况下，通过式（8）获取：

其中，R是CNN 参数集合；第m′个CNN 参数Rm′和第n′个CNN 参数Rn′按照P 的发生几率展开交叉操作，交叉后的个体即CNN 参数是T=Rm′,

个体基因即CNN 参数利用式（13）与式（14）展开变异操作，在情况下，通过式（10）获取：

对第m′个CNN 参数Rm′以P′的发生几率展开变异操作，变异后的个体即CNN 参数是Rm″=Rm′∙Rand(Rm′)ζ+1，随机数函数是Rand(Rm′)，逐位变异算子是ζ。

通过交叉与变异操作完成CNN 参数优化的遗传操作，遗传操作结束后，开始求解CNN 参数优化过程的个体适应度F，公式如下：

其中，E是CNN 验证误差；ρ是M对CNN 性能的影响因子；通过F衡量CNN 参数优化效果。

通过设置E的取值，便可获取个体即CNN 参数的适应度F′，找到符合要求的个体，该个体的基因参数即CNN的优化参数，CNN参数F′的计算公式如下：

当F′≥Fneed时，输出该个体包含的参数，即CNN 参数的优化结果，Fneed为CNN 网络识别电能质量扰动特征的精度。

2 仿真分析

以某分布式光伏低压台区为仿真对象，利用Matlaba 仿真软件建立该低压台区配电网模型，该低压配电网的电源电压10 kV，短路容量37.87 MVA，配电变压器联接组别Dyn11，0.38 kV 线路长度1.28 km。通过Matlaba 生成数条电能质量扰动信号，共三种类型，每种类型各生成1 236 条样本，每条信号长度为895。利用所提方法识别该低压台区的电能质量扰动特征，验证所提方法识别的有效性。

利用Matlaba 生成的三种电能质量扰动信号类型分别是标准信号、电压暂降、暂升，Matlaba 生成的电能质量扰动信号波形图如图1 所示。

图1 电能质量扰动信号波形

利用所提方法分解图1 中各类型的电能质量扰动信号，获取分解系数，依据分解系数求解电能扰动质量信号的能量值与能量熵，提取电能质量扰动特征，分解系数如图2 所示，特征提取结果如图3 所示。

图2 各类型电能质量扰动信号的分解系数

综合分析图2 与图3 可知，所提方法可有效分解图1 中的电能质量扰动信号，得到各类型电能质量扰动信号的分解系数，并有效依据分解系数计算电能质量扰动信号的能量值与能量熵。通过能量值和能量熵进行综合分析，所提方法可有效提取到电能质量扰动特征，提取到的特征类型数量与预设类型数量一致，因此所提方法具备较优的特征提取效果。

将提取到的特征作为所提方法中CNN 网络的输入，输出扰动特征识别结果，所提方法的电能质量扰动特征识别结果如图4 所示。

图4 扰动特征识别结果

根据图4 可知，所提方法可有效识别电能质量扰动特征，各类别扰动特征识别结果与实际类别基本相同，仅有少量识别结果与实际类别不符。仿真结果表明，所提方法具备较高的电能质量扰动特征识别精度。

分析所提方法在电能质量扰动信号内加入信噪比后，其扰动特征识别结果如表1 所示，各类型扰动信号样本均为150 个，信噪比越低，对扰动信号的干扰越大，为此在扰动信号内加入信噪比是20 dB的噪声。

表1 信噪比是20 dB时的特征识别结果

根据表1 可知，在扰动信号内加入较低的信噪比后，所提方法依旧可以有效识别电能质量扰动特征，最低识别精度为98.7%。在噪声干扰下，所提方法依旧可以有效识别扰动特征，且识别精度较高。

3 结论

含分布式光伏接入低压台区后，会产生各种电能质量扰动问题，直接影响低压台区的供电质量，保障供电质量的前提是精准识别电能质量扰动特征。为改善电能质量提供帮助，为此研究基于GA 优化卷积神经网络的含分布式光伏低压台区电能质量扰动特征识别方法，有效提取扰动特征，精准识别扰动类别。所提方法中利用连续小波变换提取扰动特征，该算法虽具备较高的特征提取精度，但计算量较多、计算时间较长，日后可以进一步改进特征提取算法、缩减计算量、降低运算时间。