基于卷积神经网络的电能质量扰动识别研究

吴定安，钟建伟*，秦 勉，向家国，曾凡伟，陈 晨，胡 凯

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

随着社会经济的发展和各种各样的可再生能源的推广，导致间隙性分布电源的大量接入电网，将会引起电压的波形发生各种各样的畸变.同时随着电力电子设备的不断发展，大量的非线性的电力电子器件给电网带来了一系列的电能质量问题，电力系统的安全和稳定运行带来了巨大的挑战.为了改善电能质量，需要首先对电能质量扰动信号进行准确快速的识别和分类，因此展开对电能质量的研究有重要意义[1].

通常对电能质量扰动识别的步骤是对电能质量信号进行处理，然后提取特征值，对特征值进行分析，最终得到分类结果.许多学者在电能质量扰动识别研究中进行了研究和探索.而近几年发展迅速的卷积神经网络在电能质量扰动分类中应用较多[2].其卷积神经网络利用的优化器也各有不同.瞿合祚等[3]利用卷积神经网络对电能质量扰动进行分类，其优化器是SGD.陈伟利等[4]用卷积神经网络对电能质量扰动进行分类，其优化器也是SGD.朱瑞金等[5]利用卷积神经网络对电能质量扰动进行分类，其优化器是Adam.因为卷积神经网络优化器众多，本文先就Adam、Rmsprop、SGD 3种优化器在电能质量扰动识别中的效果，研究其在电能质量扰动识别中的优劣性.

1 卷积神经网络

1.1 卷积神经网络的构造

卷积神经网络(convolutional neural network，CNN)被用于图像识别、语音识别等各种各样的场合.因为卷积神经网络相比于其他的算法有巨大的优势，所以本文运用卷积神经网络作为研究电能质量扰动分类的核心算法.卷积神经网络是由卷积层和池化层构成的，可以像乐高积木一样通过组装来构成[6].首先通过卷积层对输入信号的特征值进行局部提取，然后经过激活函数再次导入到池化层，池化层可以有效减少特征值的分辨率，减少网络的计算量，优化网络，然后经过激活函数再次导入到卷积层，以此类推.最终在倒数第二层的时候接入全连接层，通过激活函数传入到下一个全连接层，最终通过softmax函数得出最终分类结果.

1.2 激活函数

在神经网络中有很多的激活函数，通常的神经网络会用sigmoid函数，但是由于sigmoid函数在神经网络中有一定的局限性，在趋向无穷的时候，函数值变化很小，容易缺失梯度，不利于深层神经网络的反馈传输.因此在本文中，取ReLU函数作为卷积神经网络的激活函数[7]，激活函数表达式：

(1)

1.3 优化器

神经网络的参数如果使损失函数越小，那么就说明这个参数对应的神经网络越强大，神经网络识别的效果就越好.神经网络的学习的目的就是找到使损失函数的值尽可能小的参数.这是寻找最优参数的问题，解决这个问题的过程称为最优化[8].为了找到最优参数，将参数的梯度作为线索.而卷积神经网络自我学习和训练的过程就是以这个参数为引导不断的更新神经网络的权值和偏置以此来使最终的识别效果达到最好[9].寻找参数最优化的过程需要使用到优化器.本文就是研究各个不同的优化器在卷积神经网络中对电能质量扰动识别的效果.本文采用了Adam、Rmsprop、SGD这3种优化器进行研究.

2 电能质量扰动类型

电能质量扰动信号有复合电能质量扰动信号和单一电能质量扰动信号，而复合电能质量扰动信号是由两个或者多个单一电能质量扰动信号组成的.本文研究的是单一电能质量信号的扰动分类，单一电能质量信号除了标准信号(C0)以外，还有7种电能质量扰动信号，分别为电压暂升(C1)、电压中断(C2)、电压暂降(C3)、谐波信号(C4)、暂态振荡(C5)、瞬态冲击(C6)和电压闪变(C7)[3].

单一电能质量扰动数学模型如下.

标准信号(C0)模型为：

v(t)=sin(wt).

(2)

式中w为工频周期角频率，取50 Hz.

电压暂升(C1)模型为：

ν(t)={1+k[u(t2)-u(t1)]}sin(wt)，0.1≤k≤0.9，0.5T≤t2-t1≤30T.

(3)

式中k为附加扰动值，T为工频周期，u(t)为单位阶跃函数，w为工频周期角频率，取50 Hz，t1和t2分别为电能质量扰动的开始时间和电能质量扰动的结束时间.

电压中断(C2)模型为：

ν(t)={1-k[u(t2)-u(t1)]}sin(wt)，0.9≤k≤1，0.5T≤t2-t1≤30T.

(4)

式中k为附加扰动值，T为工频周期，u(t)为单位阶跃函数，w为工频周期角频率，取50 Hz，t1和t2分别为电能质量扰动的开始时间和电能质量扰动的结束时间.

电压暂降(C3)模型为：

ν(t)={1-k[u(t2)-u(t1)]}sin(wt)，0.1≤k≤0.9，0.5T≤t2-t1≤30T.

(5)

式中k为附加扰动值，T为工频周期，u(t)为单位阶跃函数，w为工频周期角频率，取50 Hz，t1和t2分别为电能质量扰动的开始时间和电能质量扰动的结束时间.

谐波信号(C4)模型为：

(6)

式中w为工频周期角频率，取50 Hz，ak为附加参数.

暂态振荡(C5)模型为：

ν(t)=sin(wt)+α-λ(t-t1)sin(βwt)u(t-t1)，0.05<α<1，15<λ<130，14≤β≤30.

(7)

式中w为工频周期角频率，取50 Hz，u(t)为单位阶跃函数，α，λ，β为附加参数.

瞬态冲击(C6)模型为：

v(t)=sin(wt)+a[u(t1)-u(t2)]，α>0.8，1 ms

(8)

式中w为工频周期角频率，取50 Hz，u(t)为单位阶跃函数，α为附加参数.

电压闪变(C7)模型为：

v(t)=[1+asin(βwt)]sin(wt)，0.05<α<0.2，0.1<β<0.5.

(9)

式中w为工频周期角频率，取50 Hz，α，β为附加参数.

本文利用MATLAB生成如图1的单一电能质量的扰动信号模型，该电能质量扰动信号模型已经进行了归一化处理，分别有标准信号(C0)、电压暂升(C1)、电压中断(C2)、电压暂降(C3)、谐波信号(C4)、暂态振荡(C5)、瞬态冲击(C6)和电压闪变(C7).通过采样区间是10个周期也就是0.2 s,每秒采样3 915次，0.2 s只要采样784次即可，也就是784个采样点[11].

(a)标准信号 (b)电压暂升 (c)电压中断 (d)电压暂降

(e)谐波信号 (f)暂态振荡 (g)瞬态冲击 (h)电压闪变图1归一化后的8种电能质量扰动信号Fig.1 Normalized eight power quality disturbance signals

图1就是归一化后的电能质量扰动波形信号的波形图，由图1可以知道，扰动信号归一化的处理不会影响到信号的波形.图1中，(a～h)分别对应C0-C7归一化后的信号波形，其图中横坐标为是10个周期也就是0.2 s时间内的采样点个数，单位为个；纵坐标为电压幅值，单位为V.

3 实验仿真

本文采用MATLAB生成如图1所示电能质量扰动信号，每类电能质量扰动信号各生成1 125条随机样本，总共有9 000条电能质量扰动信号随机样本，每条信号的长度是784.其中，选取每种电能质量扰动信号1 000条作为训练集，共8 000条随机样本.后1 000个包括8种电能质量扰动信号用来作为测试集，每种125条随机样本.所提的算法在TensorFlow平台下运行，电脑配置为Intel(R)core(TM)i5-5200CUP2.20-GHz处理器和6 GB内存[5].经过大量的实验和不断的对模型进行改进，设置了最终的模型的参数：学习率为0.1，Dropout的值设为0.5，训练轮数为50轮次，训练所用的优化器分别有：Adam、Rmsprop、SGD.

为了评估卷积神经网络在电能质量扰动的分类的训练状态，绘制出了各个优化器在电能质量扰动分类中的训练集分类识别精确度、训练集loss值、验证集分类识别精确度、验证集loss值.如图2至图5所示.

图2 训练集模型精度 图3训练集loss值Fig.2 The accuracy of training set model Fig.3 Training set loss values

图2是3种优化器在电能质量扰动分类中的识别精度.很明显，Adam和Rmsprop在大约10个训练周期左右识别精度就已经趋于平稳且识别精度在90%以上.从识别精度达到平稳需要的训练周期来看，Rmsprop和Adam效果都很好且不分上下.而SGD在电能质量扰动分类识别中训练集大约要花40个周期才达到稳定，且识别的精度要低于Adam和Rmsprop这两种优化器.

从图3可以看到3种优化器在50个训练周期的loss值的变化.很明显SGD优化器的loss值下降速度要低于Adam和Rmsprop，且Adam和Rmsprop在大约15个训练周期左右loss值就已经趋于平稳，而SGD在50个训练周期内loss值都还没有趋于平稳.

从图4可以看到3种优化器在50个检验周期的电能质量扰动识别的精度.可以看出SGD识别精度波动比较大，这说明SGD在电能质量扰动识别中过拟合情况比较明显，鲁棒性比较差.而相比较而言Adam和Rmsprop在检验周期中识别平稳，说明鲁棒性较强.

图4 验证集模型精度 图5验证集loss值Fig.4 The accuracy verification of the set model Fig.5 Verification set loss value

从图5可以看到3种优化器在50个校验周期的loss值的变化.Loss值得变化同样说明了图4的问题，SGD在电能质量扰动识别中过拟合情况比较明显，鲁棒性比较差.而相比较而言Adam和Rmsprop在检验周期中识别平稳，说明鲁棒性较强.

4 结语

本文提出了一种基于卷积神经网络算法对电能质量扰动进行分类，比较了Adam、Rmsprop、SGD 3种优化器在卷积神经网络中对电能质量扰动分类的性能.从仿真实验结果可知，Adam和Rmsprop这两种优化器在电能质量扰动分类中识别速度快、精度高、鲁棒性强，而SGD在电能质量扰动分类中也有一定的效果，但是识别速度较慢、鲁棒性较差，性能要低于Adam和Rmsprop这两种优化器.