基于多任务学习模型的电能质量扰动分类识别系统

1.本发明涉及电气工程领域，具体而言，涉及一种基于多任务学习模型的电能质量扰动分类识别系统。


背景技术：

2.随着现代电力系统的发展，为了减少碳排放和促进电力系统的高效运行，多种可再生能源得到了越来越多的应用，由此伴随着电力电子设备更多地投入电网运行。在此背景下电能质量扰动(power quality disturbances,pqds)存在的风险日益增大，电能质量的监测和分析已经成为现在电力系统中的重要问题。电能质量问题通常以电流、电压或者频率的突然变化的形式出现。在实际中，很多原因可能会导致pqds的产生，如电力电子设备的应用、雷电、非线性负载等。
3.为了精准识别电能质量扰动事件的类别，传统电能质量监测方法一般先运用信号处理技术来提取信号的特征量，再使用分类方法来确定扰动事件类别。目前用于电能质量扰动检测的方法主要有四种：时域分析方法、频域分析方法、基于变换的方法和其他方法，但是在多重扰动存在情况下，时域分析方法的电能质量扰动检测效果不太好，且由于时域分析法的局限性很难得到准确的数据结果；而频域分析方法的计算量极大，复杂程度高，耗时很长，难以满足电能质量扰动检测对实时性的要求。另外，目前市面上一般的三相电能质量检测系统和检测仪的售价在几万到几十万不等，价格过于昂贵，且功能复杂繁多，难以匹配中小型公司及普通用户的需求。


技术实现要素：

4.本发明的目的在于提供一种基于多任务学习模型的电能质量扰动分类识别系统，其能够对电能质量扰动进行检测，特别是能够对多重复合扰动信号进行识别和分类，系统的泛化能力强、分类识别的准确率高。
5.本发明的实施例是这样实现的：
6.本技术实施例提供一种基于多任务学习模型的电能质量扰动分类识别系统，其包括波形发生器、daq数据采集卡、多任务学习模块和扰动识别编码模块；
7.上述波形发生器用于生成单扰动/二重扰动/三重扰动信号，以模拟各类电能质量扰动波形信号；
8.上述daq数据采集卡用于采集电能质量扰动波形信号，并将其转换为数据信号传输给上述多任务学习模块；
9.上述多任务学习模块用于基于预设的电能质量扰动识别模型对采集到的数据信号进行分类识别，得到信号对应的电能质量扰动类型识别结果并传输给上述扰动识别编码模块；
10.上述扰动识别编码模块用于对电能质量扰动类型识别结果进行编码，得到并输出预测向量，以表征最终的识别结果。
11.在本发明的一些实施例中，上述多任务学习模块包括：
12.任务分类子模块，用于将复合扰动分类任务转化为多个关联的子任务；
13.特征提取子模块，用于从各个子任务的数据信号中提取出局部区域的信号特征并降维；
14.特征融合子模块，用于汇集各通道学习到的降维后的信号特征并进行转换；
15.多任务输出子模块，用于将汇集转换后的特征分别映射到多个子任务上进行识别，并输出电能质量扰动类型识别结果。
16.在本发明的一些实施例中，上述任务分类子模块在进行任务分类时，采用多元关联方法将复合扰动分类任务转化为多个子任务，每个子任务包括多个分类标签。
17.在本发明的一些实施例中，上述多任务学习模块还包括评估子模块，用于构建多任务损失函数对多任务学习模块的分类效果进行评估。
18.在本发明的一些实施例中，上述评估子模块在构建多任务损失函数时，对于前两个子任务，激活函数采用softmax函数，使用多分类交叉熵构建对应的损失函数；对于后两个子任务，激活函数采用sigmoid函数，使用二分类交叉熵构建对应的损失函数；并将多个子任务对应的损失函数进行加权求和，得到最终的多任务损失函数。
19.在本发明的一些实施例中，上述多任务学习模块采用卷积神经网络模型进行多任务分类识别，上述卷积神经网络模型包括卷积层、拟归一化层、激活函数层、汇合层以及全连接层。
20.在本发明的一些实施例中，上述卷积神经网络模型采用adam优化算法进行训练，以对模型的权重参数进行更新。
21.在本发明的一些实施例中，上述扰动识别编码模块采用one-hot编码方法对电能质量扰动类型识别结果进行编码，得到并输出多维预测向量。
22.在本发明的一些实施例中，上述系统还包括对电能质量扰动波形信号进行滤波处理。
23.在本发明的一些实施例中，上述电能质量扰动包括电压暂升、电压中断、电压暂降、暂态振荡、暂态冲击、电压切口、电压闪变、谐波扰动中的一种或多种。
24.相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
25.本技术实施例提供一种基于多任务学习模型的电能质量扰动分类识别系统，其包括波形发生器、daq数据采集卡、多任务学习模块和扰动识别编码模块。首先通过波形发生器生成单扰动/二重扰动/三重扰动信号，以模拟各类电能质量扰动波形信号；然后通过daq数据采集卡采集电能质量扰动波形信号，并将其转换为数据信号传输给多任务学习模块；之后，多任务学习模块基于预设的电能质量扰动识别模型对采集到的数据信号进行分类识别，得到信号对应的电能质量扰动类型识别结果并传输给扰动识别编码模块；最后，通过扰动识别编码模块对电能质量扰动类型识别结果进行编码，得到并输出预测向量，以表征最终的识别结果。整体而言，本系统构建了基于多任务学习的卷积神经网络模型来识别各种电能质量扰动类型，去除了传统方法的信号特征提取阶段，简化了pqds识别的步骤，增加了系统的泛化能力。其中的多任务学习将复合扰动分类任务分成了四个子任务进行关联训练，并设计了相应的标签编码方案，最后输出一个10维标签向量完成复合扰动的多任务分类，使得多重扰动和单扰动的标签关联性在网络的输出模块中得到了有效体现，提高了识
别的准确率。
附图说明
26.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
27.图1为本发明提供的一种基于多任务学习模型的电能质量扰动分类识别系统一实施例的结构框图；
28.图2为本发明提供的一种基于多任务学习模型的电能质量扰动分类识别系统一实施例的流程示意图；
29.图3为卷积神经网络的结构示意图；
30.图4为本发明构建的基于多任务学习的电能质量扰动分类识别模型的结构示意图；
31.图5为多任务学习与单任务学习的对比示意图。
32.图标：1、波形发生器；2、daq数据采集卡；3、多任务学习模块；4、扰动识别编码模块。
具体实施方式
33.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
34.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
35.实施例
36.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
37.请参照图1和图2，本技术实施例提供一种基于多任务学习模型的电能质量扰动分类识别系统，该分类系统包括：波形发生器1、daq数据采集卡2、多任务学习模块3和扰动识别编码模块4；
38.上述波形发生器1用于生成单扰动/二重扰动/三重扰动信号，以模拟各类电能质量扰动波形信号；
39.上述daq数据采集卡2用于采集电能质量扰动波形信号，并将其转换为数据信号传输给上述多任务学习模块3；
40.上述多任务学习模块3用于基于预设的电能质量扰动识别模型对采集到的数据信号进行分类识别，得到信号对应的电能质量扰动类型识别结果并传输给上述扰动识别编码
模块4；
41.上述扰动识别编码模块4用于对电能质量扰动类型识别结果进行编码，得到并输出预测向量，以表征最终的识别结果。
42.进一步地，上述多任务学习模块3包括：
43.任务分类子模块，用于将复合扰动分类任务转化为多个关联的子任务；
44.特征提取子模块，用于从各个子任务的数据信号中提取出局部区域的信号特征并降维；
45.特征融合子模块，用于汇集各通道学习到的降维后的信号特征并进行转换；
46.多任务输出子模块，用于将汇集转换后的特征分别映射到多个子任务上进行识别，并输出电能质量扰动类型识别结果。
47.在本实施例所提供的技术方案中，多任务学习模块3通过构建基于卷积神经网络和多任务学习的电能质量扰动识别模型，可以快速地从电能质量扰动信号中提取各种扰动的信号特征，实现电能质量扰动的识别功能。并将扰动分类任务分成了四个子任务，将4个子任务放在一起学习，充分考虑了各类信号之间的关联，加强了各种信号之间的联系，提高了模型的工作效率，使得最终得到的分类识别结果的准确率更高。
48.示例性的，国际标准ieee1159-2009标准定义的pqds(电能质量扰动)类型可分为以下四大类：第一类是短时电压幅值类扰动，包括电压中断、电压暂降、电压暂升等类型；第二类是短时非幅值暂态扰动，包括暂态冲击、暂态振荡、电压切口等类别；第三类为闪变扰动；第四类为谐波扰动。并且，在实际的电能质量复合扰动中，每一大类中最多只能有一种单扰动，即同一大类中的扰动不会同时出现。
49.具体的，在构建电能质量扰动识别模型的过程中，主要分为三个阶段：1.构建初始化卷积神经网络模型；2.基于多任务学习对卷积神经网络模型进行训练；3.对卷积神经网络模型进行优化。
50.1.构建初始化卷积神经网络模型。
51.卷积神经网络(cnn)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。卷积神经网络具有表征能力，它能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。图像作为二维空间序列，采用的是二维cnn，而pqds(电能质量扰动)对应的是一维时间序列，故可以采用一维cnn进行识别。其包括：卷积层、拟归一化层、激活函数层、汇合层以及全连接层。其中，卷积层的主要功能是提取局部区域信息，具体是通过特定大小的卷积核依次滑过输入数据的局部区域计算得到对应的局部信息；拟归一化层可被视为训练过程中每一层输入数据的标准化处理，以确保输入数据保持相同的分布，克服“退化”问题，并使得中间特征在区间[0,1]上总是呈高斯分布，从而可以提高训练速度，减小输入初始值的影响，减少过拟合；激活函数层对输入进行非线性变换，使其具有更好的表达能力。示例性的，可以使用的激活函数为relu函数，因为relu函数收敛速度快，且解决了梯度饱和问题；汇合层(池化层)通过降采样操作来减少计算量和网络中参数数量，同时还具有一定的防止过拟合作用，并且还需要通过全局汇合层将最后一个卷积层的输出展平后再经过全连接层生成标签；全连接层用于将所有的特征都“连接”在一起，在整个cnn中起分类作用。
[0052]
请参照图3和图4，图2为一般的卷积神经网络的结构示意图，图3为本发明构建的
基于多任务学习的电能质量扰动分类识别模型的结构示意图。本发明构建的电能质量扰动识别模型由输入层、6个卷积层(conv1d)+拟归一化层(bn)+激活函数层(relu)的模块、4个一维最大池化层(maxpooling1d)、一个全局最大值汇合层(globalmaxpooling1d)和5个全连接层(dense)构成。
[0053]
2.基于多任务学习对卷积神经网络模型进行训练。
[0054]
请参照图5，多任务学习模型(multi-tasklearning，简称mtl)是一种基于共享表示，把多个任务放在一起学习的机器学习模式，把各种信号通过一些共享因素或共享表示联系在一起。互相关联的多任务学习比单任务学习具有更好的泛化效果，一定程度上能够缓解模型的过拟合，且在一定程度上能够抵消部分噪声，使学习效果更好。与传统单任务学习相比多任务学习加强了各种信号之间的联系，提高了模型的工作效率，有利于增强模型分类识别的准确率。
[0055]
由于pqds(电能质量扰动)类型通常包括四大类型，所以结合多任务学习的基本原理和电能质量复合扰动识别问题的实际情况，可以将电能质量复合扰动分类识别问题转化为4个子任务，第一个子任务对电压中断、电压暂降、电压暂升进行预测，第二个子任务对暂态冲击、暂态振荡、电压切口进行预测，第三个子任务对闪变进行预测，第四个子任务对谐波进行预测。
[0056]
示例性的，本模型在进行多任务学习时，4个子任务之间将共享浅层部分的低层次语义信息，而任务特定层则分别建模各任务的独享信息，从而实现共享特征和独享特征的统一。具体的，底部共享层为输入层、激活层、最大值汇合层和全局最大值汇合层，特定任务层为四个子任务的全连接层。
[0057]
训练时，可以通过波形发生器1生成单扰动/二重扰动/三重扰动等波形信号，以模拟各类电能质量扰动波形信号，并可以对电能质量扰动波形信号进行滤波处理，以降低信噪比，然后将每种扰动信号的数量按照8：2的比例划分为训练集和验证集。之后，通过daq数据采集卡2采集电能质量扰动波形信号，并将其转换为数据信号输入到上述构建的基于多任务学习的卷积神经网络模型中，通过训练集对模型进行训练，不断地对网络模型权重参数进行迭代和更新，并通过验证集对分类结果的准确率进行验证。最后，通过构建多任务损失函数对多任务学习模块3的分类效果进行评估，以对网络模型权重参数进行调整，得到电能质量扰动识别模型，用于对电能质量扰动进行分类识别。
[0058]
示例性的，评估子模块在构建多任务损失函数时，对于前两个子任务，激活函数采用softmax函数，并且由于第一个子任务包括电压中断、电压暂降、电压暂升、正常，总共4个分类任务标签；第二个子任务包括暂态冲击、暂态振荡、电压切口、正常，总共4个分类任务标签，所以可以使用多分类交叉熵构建对应的损失函数。对于后两个子任务，激活函数采用sigmoid函数，并且由于第三个子任务包括闪变、正常，共2个分类任务标签；第四个子任务包括谐波、正常，共2个分类任务标签，所以可以使用二分类交叉熵构建对应的损失函数。最后，将4个子任务对应的损失函数进行加权求和，得到最终的多任务损失函数。即对应整个多任务学习模块3中的任务分类子模块。
[0059]
3.对卷积神经网络模型进行优化。
[0060]
示例性的，可以利用adam算法对上述基于多任务学习的卷积神经网络模型进行优化。adam算法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据
迭代地更新神经网络权重。adam算法同时获得了adagrad(维护一个参数的学习速率，提高在稀疏梯度问题上的性能)和rmsprop(可以根据最近的权重梯度的平均值来调整)算法的优点。其不仅如rmsprop算法那样基于一阶矩均值计算适应性参数学习率，同时还充分利用了梯度的二阶矩均值(即有偏方差/uncenteredvariance)。
[0061]
具体的，首先对神经网络权重进行初始化，然后在第t次迭代中(此迭代次数t可以根据实际情况进行设定)，用mine-batch梯度下降法计算出和，并计算monmentum(动量)指数的加权平均数，接着用rmsprop进行更新，之后计算momentum和rmsprop的偏差修正，以更新神经网络权重。从而加快神经网络的训练速度，并提高了识别的准确度。
[0062]
请参照图4，电能质量扰动识别模型构建好之后，即可用于对电能质量扰动进行分类识别。输入信号经过conv1d+bn+relu(卷积层的步长为1)的模块和步长为1的maxpooling1d层来提取特征，即对应整个多任务学习模块3中的特征提取子模块。之后，卷积层的步长变为2，通过类似模块进一步提取特征和降维。gmp层(全局汇合层)用来汇合卷积层学习到的特征，其后接着一个全连接层对特征进行合适的变换，即对应整个多任务学习模块3中的特征融合子模块。最后根据多任务学习的思想，将此全连接层的特征分别映射到对应的4个子任务模块上，在结构上则反映为4个全连接层(dense层)，即对应整个多任务学习模块3中的多任务输出子模块。
[0063]
在本发明的一些实施例中，在4个子任务的识别结果输出之前，可以通过扰动识别编码模块4，利用one-hot编码方法对电能质量扰动类型识别结果进行编码，得到多维预测向量并输出，从而通过向量的形式表征最终的识别结果。
[0064]
具体的，第一个子任务用于识别第一类扰动，包括电压中断、电压暂降、电压暂升、正常，总共4个分类任务标签，从而构建一个四维的one-hot编码向量进行存储；第二个子任务用于识别第二类扰动，包括暂态冲击、暂态振荡、电压切口、正常，总共4个分类任务标签，从而也构建一个四维的one-hot编码向量进行存储；第三个子任务用于识别第三类扰动，是一个二分类问题，对应闪变、正常，从而构建一个1维的one-hot编码向量进行存储；第四个子任务用于识别第四类扰动，也是一个二分类问题，对应谐波、正常，从而也构建一个1维的one-hot编码向量进行存储。因此，最终输出的复合扰动识别结果是一个10维预测向量。
[0065]
示例性的，请参照下表，下表展示了在二重扰动“暂升+闪变”的情况下的标签编码方案。
[0066][0067]
其中，第一个子任务和第二个子任务均对应4维向量，通过上述电能质量扰动分类识别模型预测输出各扰动类型的概率之后，预测概率值最大的标签即为预测标签，标记为“1”，表示存在；第三个子任务和第四个子任务均对应1维向量，仅在预测概率值大于0.5时标签存在，否则标记为“0”，表示不存在。
[0068]
综上，本系统构建了基于多任务学习的卷积神经网络模型来识别各种电能质量扰
动类型，去除了传统方法的信号特征提取阶段，简化了pqds识别的步骤，增加了系统的泛化能力。其中的多任务学习将复合扰动分类任务分成了四个子任务进行关联训练，并设计了相应的标签编码方案，最后输出一个10维标签向量完成复合扰动的多任务分类，使得多重扰动和单扰动的标签关联性在网络的输出模块中得到了有效体现，提高了识别的准确率。
[0069]
需说明的是，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0070]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
[0071]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。