压缩感知和深度卷积神经网络电能质量扰动分类方法与流程

本发明涉及电能质量扰动分类技术，具体涉及压缩感知和深度卷积神经网络电能质量扰动分类方法。

背景技术：

随着电力电子器件的大量使用，分布式电源并网、非线性负载增多，无功功率设备和固态开关的增殖导致电网频繁遭受各种干扰，导致了各种电能质量扰动的出现。智能电表和各种智能采集装置的应用使得采集到的电能质量数据越来越多，海量电力信息的产生给当前电网的数据传输和存储造成了较大负担。为减少数据量对通信的压力和采集端存储的问题，电物理量轻型化的应用是智能电网的发展趋势。压缩感知技术的提出，对智能电网的发展具有重要的影响，压缩采样技术在智能电网的应用研究也日渐增加。目前,常用于电能质量扰动分类中的分类器主要有:概率神经网络算法、决策树、支持向量机和人工神经网络等。这些传统的人工智能方法在实际应用中都取得了一定的成果,但它们自主提取特征和处理大量数据等方面的能力仍然较差，需要有特征提取过程，影响分类速度。近年来，机器学习算法的发展，硬件计算能力的提升，更多的智能算法被应用于电能质量扰动分类的领域。深度学习应用于电能质量扰动分类，提高分类性能。

技术实现要素：

为克服现有技术的不足，减轻大数据对电网采集装置的影响，减少数据量对通信的压力和采集端存储的问题，本发明旨在针对采集到压缩数据，提出端到端的智能分类框架，可以针对采集的数据直接进行分类，不需要任何耗时的数据预处理操作，并设计噪声适应模块，可以应对压缩感知恢复的误差，在噪声数据中也具有良好的分类性能。为此，本发明采取的技术方案是，压缩感知和深度卷积神经网络电能质量扰动分类方法，步骤如下：

1)建立电能质量扰动信号模型，对电能质量扰动进行分析，通过分析电能质量扰动压缩重构成功率与压缩比的关系，确定观测矩阵的维数m值，确定电能质量扰动的压缩感知采样方法，对电能质量扰动进行采样，采集电能质量扰动的压缩数据；

2)针对采集的压缩数据，设计一种基于深度学习的分类器，该分类器的结构设计解决压缩数据中噪声干扰的问题；

3)根据步骤2)设计的分类器和步骤1)采集的数据，训练一个适用于电能质量扰动分类的模型；

针对实际扰动数据不平衡和实际采集的数据量不足问题，采用数据增强的方法对实测数据进行处理。

所述步骤1)中，根据ieee1159标准搭建各种电能质量扰动模型，并通过压缩感知技术，对电能质量扰动信号进行分析，采用逆离散余弦变换idct(inversediscretecosinetransform)作为稀疏基，

离散余弦变换dct(discretecosinetransform)的变换矩阵表示如下式所示：

其中i∈{0,…,n-1}和j∈{0,…,n-1}表示矩阵的行号和列号，c的定义式：

由于dct矩阵是正交的，因此通过执行矩阵转置操作来获得其逆矩阵：

idct＝dct^-1

采用idct作为稀疏基，采用随机观测矩阵作为观测矩阵。

所述步骤2)中，为了能对压缩数据进行直接分类电能质量扰动，根据压缩数据的特点采用深度学习网络结构：

(1)采用一维卷积

1-d卷积层：卷积层是深度学习自学特征提取的关键步骤，通过构建过滤器来感知小的感知域的重要特征，第l层中的滤波器数量是fl，xi是输入1-d矩阵(n×1)，滤波器内核表示为k(k×1)，第fl滤波器的卷积层输出表示如下：

其中m＝nk+1，f(x)是激活函数。它实现了从输入到输出的神经元的激活，是第l层的第fl个滤波器输出卷积层，是l中的fl过滤器内核参数，b^l是第l层的偏差项。

(2)电能质量压缩数据的采集和传输过程会产生噪声的干扰，为了抑制噪声干扰对分类准确率的影响，网络首层采用宽内核设计，卷积核为64*1，来滤除噪声。因为宽内核提取不到局部特征，在后续的网络中卷积采用3*1的内核设计；

(3)网络为3层卷积层，1层全连接层和softmax层。

在所述步骤3)中：

(1)批量归一化：通过增设批量归一化bn(batchnormalization)层来对每一层进行归一化处理，且在卷积层或完全连接层之后并且在激活单元之前添加bn层，bn层的转换描述如下：

其中，z^l(i,j)是一个神经元响应的输出，ε是一个为数值稳定性增加的小常数，γ^l(i)和β^l(i)是要学习的比例和移位参数,y代表一个输出；

(2)高级优化器：在训练过程中，每个层的权重由称为“优化器”的函数更新，通过分析不同优化器对网络的影响来确定网络采用的优化器；

3)小型小批量训练：使用较小批量计算梯度的近似值然后更新参数

数据增强操作采用的是随机裁剪，适度增加随机噪声，对信号进行反转操作，同时对所有操作的信号进行随机抽取验证，确保数据增强后的数据属于扰动类别数据。

本发明的特点及有益效果是：

本发明采用压缩感知技术进行电能质量扰动数据采集，针对采集到压缩数据设计了端到端的智能分类框架，可以针对采集的数据直接进行分类，不需要任何耗时的数据预处理操作，该模型设计了噪声适应模块，可以应对压缩感知恢复的误差，在噪声数据中也具有良好的分类性能。同时该模型应用了很多易于实现的技巧，使得训练的模型具有更好的泛化能力和分类效果。

附图说明：

图1电能质量仿真信号(a)电压暂降信号压缩重建(b)idct稀疏表示(c)压缩重建误差。

图2八种扰动重构准确率和m值关系。

图3三种扰动重构准确率和m值关系。

图4本王方法与传统方法框架的比较。

图5提出1d-dcnn结构。

图6传统卷积神经网络结构。

图7电能质量分类结果和损失。

图8不同学习率对分类结果的影响。

图9不同优化器对分类效果的影响。

图10电能质量实测信号(a)电压暂降信号压缩重建(b)idct稀疏表示(c)压缩重建误差。

图11数据增强操作图。

具体实施方式

为了减轻大数据对电网采集装置的影响，减少数据量对通信的压力和采集端存储的问题，采用压缩感知技术进行电能质量扰动数据采集，针对采集到压缩数据设计了端到端的智能分类框架，可以针对采集的数据直接进行分类，不需要任何耗时的数据预处理操作，该模型设计了噪声适应模块，可以应对压缩感知恢复的误差，在噪声数据中也具有良好的分类性能。同时该模型应用了很多易于实现的技巧，使得训练的模型具有更好的泛化能力和分类效果。

1.本发明提供一种基于压缩感知和深度卷积神经网络的电能质量扰动分类方法，所述方案包括以下步骤：

1)建立电能质量扰动信号模型，对电能质量扰动进行分析，通过分析电能质量扰动压缩重构成功率与压缩比的关系，确定m值。确定电能质量扰动的压缩感知采样方法，对电能质量扰动进行采样，采集电能质量扰动的压缩数据。

2)针对采集的压缩数据，设计一种基于深度学习的分类器，该分类器的结构设计解决压缩数据中噪声干扰的问题。

3)根据步骤2)设计的分类器和步骤1)采集的数据，训练一个适用于电能质量扰动分类的模型。

4)针对实际扰动数据不平衡和实际采集的数据量不足等问题，采用数据增强的方法对实测数据进行处理。

所述步骤1中，根据ieee1159标准搭建各种电能质量扰动模型，并通过压缩感知技术，对电能质量扰动信号进行分析。因为电能质量扰动信号本身并不是稀疏信号，因此需要确定一个稀疏基，使得电能质量扰动信号在该稀疏表示上是稀疏的。分析常见的9种单一扰动发现，电能质量扰动信号多为低频信号，同时在实测信号中电能质量扰动的差异性较大，为了压缩设备的简易性，采用idct作为稀疏基。

dct是一种简单且实用的稀疏基，其优点是适用性强，可以适用于所有的电能质量扰动(powerqualitydisturbance,pqd)信号的采集，而且其构造简单，易于硬件的实现。dct的变换矩阵表示如下式所示：

其中i∈{0,…,n-1}和j∈{0,…,n-1}表示矩阵的行号和列号，c的定义式：

由于dct矩阵是正交的，因此可以简单地通过执行矩阵转置操作来获得其逆矩阵

idct＝dct^-1

dct通过将大部分信息集中在一些低频分量中来使信号稀疏。剩余的高频成分往往具有较低的值，它们可以丢弃而没有明显的损失。本方法采用idct作为稀疏基，采用随机观测矩阵作为观测矩阵。观测矩阵的m值大小通过以下方法确定。

图1展示了常见的电压暂降信号的压缩重构，在idct基上的稀疏表示和压缩重构的误差。从压缩重构结果可以看出，电能质量扰动可以完全的重构，而且重构误差在允许的范围内。

要想使用压缩数据直接进行pqd的分类，首先要确定观测矩阵中m值的大小。为了确定m值的大小，本文分析了多种单一pqd的压缩重构和多种复合扰动的压缩重构m值与重构成功率的关系。重构存在误差，设置每点的平均重构误差小于0.0007即为信号完全重构成功。图2显示了8种扰动信号m值大小与重构成功率的关系。

通过图2可以发现，当扰动类型为单一的暂降等扰动时，m＝170左右信号就可以完全重构成功。而当扰动为暂态振荡和复合扰动时，m＝200时也不能保证100％重构成功。为了综合考虑电能质量扰动类型都能重构成功，对复合扰动和暂态振荡扰动进行进一步的分析。

进一步分析发现当每点的重构误差为0.0007时，复合扰动在m＝250左右时可以完全重构成功，而暂态振荡扰动重构成功率仍然为0。为了确保m值在一个较小的范围内，设置暂态振荡在每点的重构误差为0.002即为信号重构成功。重构结果图如图3所示。从图中可以看出，当m值为290时，暂态振荡信号可以实现完全的重构成功。分析pqd发现，电能质量扰动的特征是复杂的，即使相同类型的干扰也有很大差异。因此，m值得选择必要预留一定的余量来保证信号可以完全重构成功。在本文中，采用m＝300作为压缩数据的维度，保证了重构误差尽可能的小，在千分位以内。同时压缩比为1：4，采集数据的维度减少了4倍。

所述步骤2中，为了能对压缩数据进行直接分类电能质量扰动，根据压缩数据的特点设计了一种深度学习网络结构，算法流程和现有方法的比较如图4所示，设计的网络结构如图5所示。

1)参考图6传统的网络可以看出，传统网络采用二维卷积。因为电能质量扰动是一维信号，因此原始的二维卷积操作不再使用，采用一维卷积更适用于电能质量扰动的分类，可以更加精准的提取电能质量数据特征。

1-d卷积层：卷积层是深度学习自学特征提取的关键步骤。通过构建过滤器来感知小的感知域的重要特征，第l层中的滤波器数量是fl，xi是输入1-d矩阵(n×1)。滤波器内核表示为k(k×1)。第fl滤波器的卷积层输出可表示如下：

其中m＝nk+1，f(x)是激活函数。它实现了从输入到输出的神经元的激活。是第l层的第fl个滤波器输出卷积层，是l中的fl过滤器内核参数，b^l是第l层的偏差项。

2)电能质量压缩数据的采集和传输过程会产生噪声的干扰，为了抑制噪声干扰对分类准确率的影响，网络首层采用宽内核设计，卷积核为64*1，来滤除噪声。因为宽内核提取不到局部特征，在后续的网络中卷积采用3*1的内核设计。

3)由于现有电能质量扰动的采集都是在几个周期内完成，时间在0.2s以内，采集到数据维度较小，因此网络结构的层次不能太深，文中设计的网络为3层卷积层，1层全连接层和softmax层。浅层的网络结构更加简单，且其模型较小，参数量少，因此训练和分类速度快，对设备的性能要求低。

所以在所述步骤3中，根据步骤2所设计的网络，对电能质量扰动进行分类处理。在使用深度学习分类训练时，可以采用小的技巧来提过网络的性能，防止网络的过度拟合。

1)批量归一化：传统的训练都会对训练数据进行归一化处理，但是多层网络，每一层的输出相当于下一层的输入，而内部的网络层缺少归一化处理，通过增设bn层来对每一层进行归一化处理，既提高了训练速度，又防止了网络的过拟合。通常在卷积层或完全连接层之后并且在激活单元之前添加bn层。bn层的转换描述如下：

其中，z^l(i,j)是一个神经元响应的输出，ε是一个为数值稳定性增加的小常数，γ^l(i)和β^l(i)是要学习的比例和移位参数，y代表一个输出。

2)高级优化器：在训练过程中，每个层的权重由称为“优化器”的函数更新，例如随机梯度下降(sgd)，adam和adagrad。不同的训练模型所需要的优化器不同，通过分析不同优化器对网络的影响来确定网络采用的优化器。

3)小型小批量训练：由于pqd的特性是复杂的，即使相同类型的干扰也有很大差异，需要训练的网络具有很好的泛化性能。在实践中发现，当使用较小批量计算梯度的近似值然后更新参数时，模型的泛化能力更好。

所述步骤4中，介绍了一种解决电能质量扰动数据不平衡和数据量少的方法，实际的电能质量扰动数据具有不平衡的特征。例如电压暂降的扰动类型占所有扰动的80％以上，针对这个问题并没有相关的研究处理。提出了一种数据增强的方法，来对数据进行预处理。在计算机视觉中，经常使用数据增强来增加训练样本的数量，以增强分类器的泛化性能。针对数据不平衡的问题，采用数据增强的方法，均衡数据量，针对数据量较少的扰动，进行数据增强操作。数据增强操作，主要采用的是随机裁剪，适度增加随机噪声，对信号进行反转操作等，同时对所有操作的信号进行随机抽取验证，确保数据增强后的数据属于扰动类别数据。

使用包括纯正弦波的十五种pqd信号的参数方程来评估所提出的算法的分类性能。pqd由10种单一类型组成，即纯正弦波形，暂降，暂升，中断，谐波，脉冲瞬态，振荡瞬态，闪变，陷波和尖峰。5种多种类型的pqd包括谐波暂降，谐波和暂升，谐波和中断，暂降和闪变，暂升和闪变。参数变化符合ieee-1159标准的参数方程。通过所述步骤2设计的压缩采样方法采集数据。

通过采用所述步骤1中的数据进行网络的训练和分类。1d-dcnn的性能通过训练集和测试集中的对数损失和分类准确度来评估。所训练网络的结构如表1所示，

表1深度学习网络结构参数设计

我们对所提方法的性能做进一步分析。在图7中，显示了模型训练期间的损耗和性能曲线。图中显示训练的准确率较高，训练和验证集的准确率值，在几次迭代之后，它们非常接近，表明当网络得到充分训练时，它会对这些类别进行相当平衡的处理。通过30次迭代来训练模型，从图7中可以看出，在第25次迭代之后测试精度和训练精度几乎相等，最高分类精度为99.5％以上。而且损失小于0.02，通过图可以看出网络模型具有很好的性能，没有出现过拟合现象。

为了得到一个性能良好的网络，需要确定学习率对网络的影响。设置多种学习率，通过分类结果进行了验证，发现学习率在0.0001和0.00001时的模型训练效果最好，但是模型的训练缓慢，而学习率为0.001时，其训练综合性能更好综合考虑分类器的效率和分类准确率，采用0.001的学习率。仿真验证过程如图8所示。

在图9中，根据同时期上的验证损失来说明三个不同优化器的收敛。adagrad快速收敛，但很快就会因为学习率迅速降低而停止改善。sgd的效果较差，adam和adagrad似乎表现得几乎相同，但在这里我们选择了adam，其稳定性能与其参数无关。

本算法虽然在训练上耗时相对较长，但是在分类预测时具有很高的速度。为了验证本文算法的有效性，同时也验证本文算法相较于传统的方法的优势，比较了三种算法在训练时间上的差距。由于传统算法有特征提取和特征选择过程，本文只比较分类器的性能，传统算法的分类时间不计算特征的提取和选择过程。表2显示了现有方法和文中方法分类时间的对比。

表2算法运行时间比较

表中概率神经网络(probabilisticneuralnetwork,pnn)、极限学习机(extremelearningmachine,elm)和层次极限学习机(hierarchicalelm,h-elm)均采用经验小波变换(empiricalwavelettransform,ewt)特征提取的方法提取特征进行分类，而且所计算的时间为4500组数据的分类时间。从表2可以看出压缩感知和深度卷积神经网络(compressedsensinganddeepconvolutionalneuralnetworks,cs-dcnn)的分类时间明显比极限学习机这种高性能的分类器要快，而且直接用压缩数据进行分类，也减少了特征的选取过程。因此，在分类速度上，文中方法远优于传统的分类方法。本文方法相较于现有的扰动分类方法，扰动识别准确率有明显的提升。

表3六种方法的分类准确性比较

从表3分类结果可以看出，本文方法在分类精度上几乎达到了100％，而且信噪比对本文分类性能的影响较小，20db信噪比的数据也具有很高的分类性能，更适用于实际的电能质量扰动分类中来。同时也验证了文中所提首层网络宽内核卷积的作用，其抗噪性能良好。

电能质量扰动数据实测方案

为了进一步验证本文方法在实际信号中的可行性，在这部分中，采用一组实际信号来验证cs-dcnn。数据组由ieeepes数据库提供，用于pqd分类。所提供信号的采样率为每周期256点。每个信号的长度为1536，部分实测信号的压缩重构如图10所示。对获得的波形进行逐个标签的确定，由于其中所获得的实际数据较少，采用数据增强的方法进行数据的扩充，数据增强结果如图11所示，从图中可以看出，数据增强操作后，一个信号可以转变为多个不同的信号，增大了数据集，也提高了所训练分类器的泛化能力。实测信号的验证中实测数据的平均精度为91％，满足实际的分类需要。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。