一种新型用于电能质量扰动信号分类的混合深度学习方法

A Novel Hybrid Deep Learning Method for Power Quality Disturbance Classification

摘要: 由于电力电子设备的广泛使用和电力资源的过度消耗，节约能源迫在眉睫。电力系统中的非线性负载和其他负载被认为是电能质量扰动的主要原因，电能质量扰动的产生会导致的信号质量和形状的失真，从而导致总效率的降低。于是，提出一种新型的混合卷积神经网络方法由一维卷积神经网络结构和二维卷积神经网络组成，用来分类电能质量扰动信号。这两种卷积神经网络架构所获得的特征使用全连接层进行分类，功率信号使用原始形式的一维卷积神经网络进行处理。然后将这些信号转换为图像并使用二维卷积神经网络处理，结合一维和二维卷积神经网络生成的特征向量。最后，通过完全连接的层对该组合向量进行分类。所提出的方法非常适合信号处理的性质。这是一种新颖的方法。将所提出的框架与文献中其他最先进的电能质量扰动分类方法进行了比较。虽然与其他方法相比，所提出的方法的分类性能相对较高，但计算复杂度几乎相同。

Abstract: Due to the widespread use of power electronic devices and the excessive consumption of power resources, saving energy is imminent. Nonlinear loads and other loads in power systems are considered to be the main cause of power quality disturbances, which can lead to distortion of signal quality and shape, resulting in a reduction in overall efficiency. Therefore, a novel hybrid convolutional neural network method is proposed, which consists of a 1D convolutional neural network structure and a 2D convolutional neural network, and is used to classify power quality disturbance signals. The features obtained by these two convolutional neural network architectures are classified using a fully connected layer, and the power signal is processed using a 1D convolutional neural network in its original form. These signals are then converted into images and processed using a 2D convolutional neural network, combining the feature vectors generated by the 1D and 2D convolutional neural networks. Finally, this combined vector is classified by a fully connected layer. The proposed method is well suited to the nature of signal processing. This is a novel approach. The proposed framework is compared with other state-of-the-art methods for power quality disturbance classification in the literature. Although the classification performance of the proposed method is relatively high compared with other methods, the computational complexity is almost the same.

1. 引言

随着科技的不断发展，人们的生活质量也在提高。因此，人口正在增加。满足不断增长的人口需求所需的能源量正在以依赖的方式增长。特别是在今天，随着人们对技术的兴趣越来越大，以及机器人化带来的变化，人们对能源的需求比以往任何时候都要大。世界上有限的能源资源无法永远满足这种需求。因此，制定了有关可再生能源和有效利用现有化石能源的政策 [1]。分布式发电被有效地应用于电力系统中，以解决这些问题和效率问题。然而，这些复杂网络的广泛使用带来了不同的挑战。这些挑战通常包括更有效的电能方法所需的优化。

电能质量(PQ)是电力系统最关键的参数之一。各种非线性负载，如变频驱动器、电弧发生器、功率转换器和灵活的交流传输，都会导致电能质量扰动(PQD)。此外，一些研究 [2] 表示其他负荷会导致PQD。PD会迅速对能源和消费者产生负面影响。在这种情况下，它会导致电气设备故障，并导致经济损失。为了研究PQD对大规模电力系统的影响，需要了解PQD成分和电力系统结构。为此，将PQD分为两部分进行检测，划分为图1所示的稳态扰动和暂态扰动 [3] [4]。如今，随着可再生能源的引入，复杂性正在增加。可再生能源连续性问题导致的波动添加到电网中而导致电能质量问题 [5]。这些问题引发了严重的经济负担。

PQD是波形畸变的结果。这些干扰可能发生在生产、传输或分配过程中。因此，检测这些干扰对智能电网至关重要。PQD控制和分类研究的重要性与日俱增，因为其重要性与日俱增。对于PQD问题，微电网的实时控制是有效的 [6]。特别的是，提高PQ的方法是了解发生了哪些畸变，在过去，畸变分析通常以操作员观察系统的形式进行。由于认为的不可控性，这种人为监控无法提高效率。随着信号处理技术和人工智能方法的发展，PQD分类研究也取得了进展。首先，特征提取部分每天使用的算法的特征

Figure 1. Division of power quality disturbance signals

图1. 电能质量扰动信号的划分

表示能力都在增加。此外，分类器的鲁棒性也在增强。在过去，几乎不可能访问具有许多样本的数据集来训练如此强大的算法 [7]。然而现如今，获取包含大量样本的数据集变得越来越容易。通过人工数据集训练对真实数据集进行分类的人工智能方法已经开始使用。深度学习方法最近被用于解决几乎所有需要人工智能的问题。二维卷积神经网络(CNN)和三维CNN用于图像处理问题，一维CNN用于信号处理问题是非常常见的，因为它们具有解决问题的能力。与以前的人工智能解决方案相比，包含CNN体系结构的解决方案可以产生非常高的性能。它完全自动工作，不像过去自动调用的手工方法。在基于CNN的方法中，特征在卷积层中自动学习。这对于问题的泛化和学习非常有用，并且不需要像特征方程这样的操作。同样的体系结构也可以用于不同的数据集。过度拟合问题可能发生在包含不平衡且样本较少的数据集中 [8]。近年来的文献研究通常包括CNN架构。相关工作部分简要回顾了过去到现在与PQD监测和分类相关的重要研究。

2. 相关研究

PQD是一个过去一直被研究和关注的问题。文献中已经并将继续介绍许多检测和分类PQ事件的方法。过去进行的PQD研究通常包括傅里叶变换(FT)。使用短时傅里叶变换(STFT)分析时频域信号特征的研究数量相对较高 [9]。介于固定窗长问题，STFT在暂态信号分析中产生了一些问题。因此，另一种基于傅立叶变换的方法小波变换(WT)也曾在类似时期出现并使用过，使用WT的研究 [10] 表明，WT对暂态信号的性能更好。因此，基于小波变换特征的研究数量相对较高，不仅针对功率信号，而且针对文献中的许多信号分析问题。通过各种小波变换从PQ信号中提取特征，如离散小波变换(DWT)、线性调频变换(CT)和第二代小波变换(SGWT) [3]。

S变换采用可移动和伸缩的定位高斯窗，可看作是WT和STFT的继承和发展 [11]，它是一种新型时频分析方法，也是当下最流行的一种扰动检测方法。近年来众多学者纷纷采用S变换来检测与分析电能质量扰动，也产生了大量的研究成果。这些研究成果还提出了正交S变换、多分辨率S变换和离散S变换等 [12]。所有这些方法都被用作特征提取技术，以提高PQD分类性能。另外一种经常用于PQD监测和分类的方法是Hilbert-Huang变换(HHT)，此方法产生的特征刻意通过各种神经网络结构进行分类 [13]。HHT是一种自适应的时频分析方法，适合于分析非平稳和突变信号。与WT恒定的多分辨率多分析又不相同，HHT不仅具有自适应多分辨率分析的优势，且不需要选择基函数 [14]。为了改进HHT端点效应严重、容易产生模态混叠问题、受噪声影响大的问题，文献 [15] 利用基于FFT的掩码信号增强EMD的分解过程，通过解调增强了Hilbert谱分析获得IMF的瞬时频率和幅值，可以更好地识别微弱高频信号，也有学者从数学角度对第一个IMF求一次导数并阈值处理，可以定位扰动的起止时刻。

聚类经验模态分解(EEMD)是一个最近最伟大的以傅里叶变换为基础的自适应信号处理方法，适用于非线性非平稳信号的分析，可以有效的解决EMD存在的过零失效和模态混叠问题，但是会出现无效的IMF分量较多，为弥补EEMD计算耗时长和分解自适应性不足的缺点，文献 [16] 提出自适应快速互补EEMD，并通过稳态和暂态扰动检测结果验证了其有效性，但该方法并未对EMD的实质问题进行改进。依经验设定选取特定的频率，对暂态振荡进行检测和分析有效消除EMD分解时产生的模态混叠。HHT一直存在端点效应和较难分解含有相近的频率成分的电能质量扰动信号，为克服此缺陷，文献 [17] 提出具有自适应波形匹配扩展的改进HHT，其波形匹配扩展方法不仅考虑了波形的深度，还考虑了上升时间和下降时间。而近年来新出现的自适应时频方法局部均值分解法，能够有效的避免HHT的过包络、欠包络的现象，且筛分迭代次数较少，分解速度更快，端点效应较小，不过也还存在端点效应和模态混叠等问题。为了消除这些问题，提出了一种新型的完全非递归模态变分方法，叫做变分模态分解(VMD)。它将信号分解从递归筛选模式转换为非递归筛选模式。其不足之处在于分解精度受分解层数K和惩罚因子的影响，K值过大或过小依然会出现过分解或分解不足的情况，所以K值需要得到优化 [12]。

参数估计方法也是在电能扰动检测应用非常广泛的，而卡尔曼滤波是最流行的参数估计方法，主要用于频率跟踪、谐波测量、暂降等场合。结合卡尔曼滤波在电能质量检测中的利弊，提出了扩展卡尔曼滤波、无迹卡尔曼滤波，也有学者采用线性卡尔曼滤波对电力高次谐波、电能质量扰动、电网故障信号进行检测和估计。

人工智能方法是最近几年比较热门的话题，应用在各个交叉领域。最常用的PQD分类器是人工神经网络(ANN)。覃思师等人 [18] 将基函数参数可调的神经网络模型与粒子群优化算法(PSO)相结合，用于间谐波的检测，且对频率相近的间谐波也能较好地分离；肖建平等人 [19] 对比分析了RBF神经网络、BP神经网络的收敛速度及对谐波幅值和相位的检测精度，指出RBF神经网络在谐波检测方面具有更优越的性能。而本文采用的非常稳定且计算速度快的卷积神经网络模型(CNN)，利用CNN方法进行PQD分类有两种情况：信号分类、按图像分类。在作为信号的分类过程中，使用深度学习对信号进行原始形式的分类。在作为图像的分类过程中，信号被转换成图像形式并使用2D-CNN进行分类。这两种方法各有利弊，将在下一小节中讨论。在使用深度学习方法的研究中，研究者往往通过改变或重构框架来提高PQD的分类精度。目前最流行的是使用循环结构，增加长短期记忆(LSTM)，增加双向门控循环单元(BI-GRU)。

研究表明，最有效的PQD检测和分类方法是基于CNN的研究方法，与其他方法不同，基于CNN框架在人工和真实数据集上自动执行非常高、鲁棒性很好，对于不同的数据集准确率也很高。所以本文将采用基于CNN框架对PQD信号检测和分类。

3. 前期准备

目前，PQD分类目前最大问题之一是PQ信号与2D-CNN和3D-CNN框架的不兼容性。由于1D-CNN框架并不常见，所以很多都是将一维电压信号转化成图像信号，在这种情况下，电压信号本身很多特征细节会丢失。此外，CNN训练样本不断庞大，因此，人工数据的样本也在不断增加。另外一方面，由于图像的信号变化范围很小，经常会出现过拟合问题。

在基于信号的深度学习研究中，通常强调自编码器和深度神经网络等部分，文献 [20] 提出一种稀疏自编码器的方法是神经网络的无监督学习框架，其结构是对称。自动编码器如图2所示，共包含三层：输入层、隐含层、输出层。输入层和输出层大小是相同的。稀疏自编码器中的自我监督能有效分层提取特征以避免以往此方法的缺陷。

这些解决方法忽略了CNN架构中主要组件的贡献。另一方面，对于PQD信号处理，文献中并没有提出具体的体系结构。预训练网络学习的一般特征通常来自自然图像，如河流、树、岩石、狗等。

在本研究中，我们提出了一个非常强大的CNN框架用于PQD分类。该方法可以分为两部分进行检验：用于原始信号分析的1D-CNN和用于信号图像分析的2D-CNN。1D-CNN部分是一种用于有效分类原始PQ信号的特殊结构，具有传统2D-CNN结构中的所有层。该体系结构中的所有层都表示为一维。

因此，它已经变得与信号处理的性质兼容。训练过程所需的所有其他步骤和生成的向量的性质与传统的2D-CNN相同。这样就可以实现一维和二维CNN架构的结合。另一方面，利用2D-CNN架构不可否认的强大功能，信号以最小的损耗和高分辨率快速转换为图像形式。PQ图像使用文献中预训练的2D-CNN架构进行处理。在全连接层(fully connected layer, FCL)层之前，将1D-CNN和2D-CNN生成的特征进行组合。

Figure 2. CNN basic schematic

图2. CNN基本原理图

3.1. 数据集

本文使用了十个不同的PQD信号来评估所提出的框架的性能如表1。将创建一个包含10,000个信号的数据集，其中包括属于这10个类的1000个信号。在每个产生的信号中加入0到50 db之间的随机噪声。在这种情况下，有些信号不包含噪声。纯正弦波、暂降、膨胀、中断、谐波、闪烁、振荡瞬态、脉冲瞬态均为奇异PQD信号。凹陷加谐波、膨胀加谐波、中断加谐波、闪烁加凹陷、闪烁加膨胀是复合PQD信号。

参数的变化遵循IEEE-1159标准 [21]。10,000张图像用于训练所提出的框架。1000张图片用于验证，1000张图片用于测试。数据集的一些信号样本如图3所示。

3.2. 问题定义

人口加速增长导致电力供应的复杂程度增加、电力负荷的多样性和人们对高端消费的需求，以及可再生能源(太阳能、风能、生物质能等)的使用和并网技术给电能质量的可控性带来了巨大的挑战。PQD通常由标准定义的电压、电流和频率的变化组成，主要也是可再生能源生产的分布式发电日益一体化，也增加了PQD的发生。PQD产生的因素尤为复杂，公式就是来模拟复杂因素的：

Figure 3. Waveform diagrams of six simple PQD events

图3. 六种简单PQD事件波形图

Table 1. Mathematical model of PQD signals

表1. PQD信号的数学模型

$Y\left(t\right)=c_1\left(t\right)+c_2\left(t\right)+\cdots +c_N\left(t\right)+\sigma$ (1)

公式(1)中 $Y\left(t\right)$ 表示多分量信号，不同的扰动用分项指标描述，N表示分量的数量， $\sigma$ 代表随机噪声， $c\left(t\right)$ 则可以用公式表示：

$c_1\left(t\right)=A\cos \left(2\pi f+t\right)$ (2)

$Y\left(t\right)$ 中的信号肯定包括平稳分量和非平稳分量，PQD的监测和分类有利于提高系统的性能。因此，可以考虑各种因素进行分析。产生了大量对信号处理、特征提取和分类方法研究，本文中设计一个高度有效的深度学习框架与所有三种策略的组合来解决这个问题。

3.3. 提出的卷积网络模型

如图4所示，一维卷积层和二维卷积层的不同，故提出的一维CNN架构包括三层卷积层、三层ReLU层、一层max-pooling层、两层dropout层、一层FCL层和一层softmax层。卷积层分别有1 × 30、1 × 30和1 × 30滤波器。

Figure 4. 1D-CNN and 2D-CNN

图4. 一维卷积层和二维卷积层

第一卷积层包含96个核，第二卷积层包含152个核，第三卷积层包含196个核。最大池化层有一个1 × 2的内核。这个内核对图像大小进行了减半采样。辍学率确定为0.4。FCL层由三层组成。它们的神经元数量分别为1000、200和10个。对于训练，测试了adam、sgdm和rmsprop算法。初始学习率取0.00001。小批量大小被选择为96。神经元的平均数目被选为20个。

4. 实验以及实验结果分析

实验环境为Ubuntu操作系统，python3.6编程语言和Pytorch1.7.0深度学习框架。硬件采用 Intel(R) Xeon(R) Gold 5218R CPU @ 2.10GHz内存为64G，显卡为RTX 3090显存24G。

Figure 5. Model frame diagram of the paper

图5. 本文的模型框架图

4.1. 评估指标的选取

为了客观地评估模型诊断性能，体现模型在诊断精度方面的提升效果。本文中采用准确性、灵敏性、特异性三种参数指标，公式表示

特异性： $Spe=\frac{TN}{TN+FP}$ (4)

灵敏性： $Sen=\frac{TP}{TP+FN}$ (5)

准确性： $Acc=\frac{TP+TN}{TP+TN+FP+FN}$ (6)

其中TN表示真阴性，FP表示假阳性，TP表示真阳性，FN表示假阴性。

表2显示了上述CNN架构在测试图像中的性能。结果，可以理解，所提及的架构之间的差异相对较小。GoogLeNet架构的分类性能相对高于其他架构。基于这些差异做出选择不是很有意义。在这种情况下，选择2D-CNN架构需要计算复杂性分析。

Table 2. Performance comparison of three CNN frameworks

表2. 三种CNN框架性能的比较

表3显示了三种2D CNN架构的训练时间。GoogLeNet是最快的架构，被选为所提出框架的2D CNN架构。众所周知，具有较少可训练参数的架构可以更快地训练。然而，具有较少可训练参数的架构的分类成功通常取决于数据集。作为所提出研究的实验结果，GoogLeNet比其他两种架构更快，性能更高。这种架构之所以快速，是因为它包含的参数比其他架构少。据了解，用有限的样本训练这些少数参数可以获得更高的性能。

Table 3. Training time comparison of three CNN frameworks

表3. 三种CNN框架训练时间的比较

4.2. 本文框架的实验结果

所提出的框架如图5的1D CNN和2D CNN架构的参数选择过程在前面的章节中描述。组合包含1D-CNN架构的200个特征的特征向量和包含2D-CNN架构的800个特征的其他特征向量。作为这种组合的结果，产生了包含1000个特征的特征向量。我们框架的FCL层对该特征向量进行了分类。由所提出的框架获得的训练和验证精度曲线如图6所示。图6还包括训练和验证损失曲线。根据图6，所提出的架构将训练性能提高了99.85%。

Figure 6. This paper framework training and verification accuracy curve

图6. 本文框架训练和验证精度曲线

5. 结论

本文主要提出一个有效的PQD分类深度学习框架。所提出的框架具有根据功率信号的性质在1D和2D域中进行分析的能力。所提出的方法是一个自动框架，它允许对视觉特征和信号特征进行评估。与像其他方法一样仅作为信号或仅作为图像提取特征不同，所提出的框架同时获得信号和图像特征。使用10个PQ事件评估了所提出方法的性能。这些事件可以是单扰动功率信号，也可以是复合扰动。为了更清楚地揭示所提出方法的性能，详细分析了2D-CNN分量，并选择了参数。最后，将提出的框架和最新的方法作比较，比较结果表明，对于PQD分类问题，该方法比其他方法具有更高的成功率。在未来的研究中，复合的PQD事件的分类还需再加强研究，从而解决两种以上信号引起的问题也能解决。