基于粒子群优化与卷积神经网络的电能质量扰动分类方法_董光德.pdf

第第 44 卷卷 第第 1 期期 2023 年年 2 月月Vol.44 No.1Feb.2023发电技术发电技术Power Generation Technology基于粒子群优化与卷积神经网络的电能质量扰动分类方法董光德1，李道明2，陈咏涛1，马兴1，付昂1，穆钢2，肖白2*（1.国网重庆市电力公司电力科学研究院，重庆市 渝北区 401123；2.东北电力大学电气工程学院，吉林省 吉林市 132000）Power Quality Disturbance Classification Method Based on Particle Swarm Optimization and Convolutional Neural NetworkDONG Guangde1,LI Daoming2,CHEN Yongtao1,MA Xing1,FU Ang1,MU Gang2,XIAO Bai2*(1.Electric Power Research Institute,State Grid Chongqing Electric Power Company,Yubei District,Chongqing 401123,China;2.School of Electrical Engineering,Northeast Electric Power University,Jilin 132012,Jilin Province,China)摘要摘要：针对传统电能质量扰动分类方法中人工选取特征困难、步骤繁琐和分类准确率低等问题，提出了一种基于粒子群优化(particle swarm optimization，PSO)算法与卷积神经网络(convolutional neural network，CNN)的扰动分类方法。首先，利用reshape函数将各电能质量扰动信号的一维时间序列分别转成行列相等的二维矩阵，并对这些二维矩阵进行适当划分，形成训练数据集和测试数据集；其次，基于CNN构建电能质量扰动的分类模型；再次，采用PSO算法对该分类模型的参数进行优化，使用训练数据集对优化后的电能质量扰动分类模型进行训练；最后，使用测试数据集对经过训练的电能质量扰动分类模型进行测试，根据输出标签得到各类电能质量扰动的分类结果。仿真结果表明：该分类模型可以自行提取电能质量扰动数据的特征，相较于其他电能质量扰动分类模型，其对电能质量扰动信号的分类准确率更高。关键词关键词：新能源；电能质量；扰动分类；特征提取；粒子群优化(PSO)；深度学习；卷积神经网络(CNN)ABSTRACT:Aiming at the problems of difficult manual selection of features,cumbersome classification steps and low accuracy in traditional power quality disturbance classification methods,a disturbance classification method based on particle swarm optimization(PSO)and convolutional neural network(CNN)was proposed.Firstly,the one-dimensional time series of power quality disturbance signals were converted into two-dimensional matrices with equal rows and columns by using the reshaping function,and these two-dimensional matrices were properly divided into training data set and test data set.Secondly,the classification model of power quality disturbance was built based on CNN.Thirdly,the PSO algorithm was used to optimize the parameters of the classification model,and the trained data set was used to train the optimized power quality disturbance classification model.Finally,the trained power quality disturbance classification model was tested by using the test data set,and the class results of various power quality disturbances were obtained according to the output labels.Simulation results show that the classification model can extract the characteristics of power quality disturbance data by itself.Compared with other power quality disturbance classification models,this method has higher classification accuracy for power quality disturbance signals.KEY WORDS:new energy;power quality;disturbance classification;feature extraction;particle swarm optimization(PSO);deep learning;convolution neural network(CNN)0引言引言随着国家大力倡导发展新能源，越来越多的新能源发电体系以及联合优化能源系统被接入电网1。与传统电力系统相比，新能源投入到电网中使用的电子设备越来越多，由此产生了一系列电能质量扰动问题，如电压暂降、谐波和暂态振DOI：10.12096/j.2096-4528.pgt.22004 中图分类号：TK 715基金项目：国网重庆市电力公司科技项目(SGCQDK00DWJS2100205)。Project Supported by Science and Technology Project of State Grid Chongqing Electric Power Company(SGCQDK00DWJS2100205).第第 44 卷卷 第第 1 期期发电技术发电技术荡等，这些问题会对电力系统的安全稳定运行造成严重影响2-3。因此，对这些电能质量扰动问题进行精准分类至关重要，只有这样才能降低因电能质量扰动所带来的经济损失。传统的电能质量扰动分类方法主要采用将特征提取方法与分类方法相结合的手段4，其中：特征提取方法有傅里叶变换5、希尔波特-黄变换(Hilbert-Huang transform，HHT)6、小波变换7和S变换8-9等；传统的分类方法有决策树10、支持向量机(support vector machine，SVM)11和人工神经网络12等。文献13先通过小波变换提取特征，再根据提取到的特征，利用多标签决策树集成算法对电能质量扰动信号进行分类。文献14基于提升小波与改进BP神经网络，实现了对电能质量扰动信号的分类。文献15采用小波变换获取特征，并根据获取的特征利用SVM对电能质量扰动信号进行分类。文献16先通过极大重叠离散小波变换获取特征，再通过并行马尔科夫模型对电能质量扰动信号进行分类。文献17先利用改进HHT法提取电能质量扰动信号的特征，然后采用决策树进行分类。文献18先采用粒子群优化(particle swarm optimization，PSO)算法寻找特征，然后利用概率神经网络对电能质量扰动信号进行分类。文献19将聚类改进S变换与SVM相结合，先使用聚类改进S变换获取电能质量扰动信号特征，然后根据这些特征采用SVM分类器对扰动信号进行分类。上述电能质量扰动分类方法对扰动信号的分类虽然有较好的效果，但也存在一些缺陷，如：在特征提取阶段，传统傅里叶变换方法无法提取暂态特征；在有噪声的环境下，小波变换对电能质量扰动信号特征提取的效果会变差；HHT法有端点效应和模态混叠等问题；S变换虽然对特征提取的效果很好，但其计算复杂，对于实时运用有不利影响。以上这些缺陷会造成提取的特征冗余或者不足的情况。近年来，随着深度学习理论及其实践的快速发展，其在多个领域应用都获得了成功，对于电能质量扰动分类也具有极大的优势，如深度神经网络(deep neural network，DNN)和受限玻尔兹曼 机(restricted Boltzmann machine，RBM)等。文献20设计了3层DNN对电能质量扰动进行分类，并采用正则化方法防止过拟合；文献21运用RBM对电能质量扰动信号特征进行提取，并完成了扰动分类。虽然DNN和RBM都可以自动提取特征，弥补特征冗余或者不足的缺陷，但是其需要训练的参数较多，容易造成梯度消失或爆炸等情况。为此，本文提出了基于PSO与卷积神经网络(convolutional neural network，CNN)的电能质量扰动分类方法，利用PSO算法优化CNN的参数，避免出现梯度消失或爆炸等情况，并通过仿真算例验证了方法的有效性。1基本原理基本原理基于 PSO-CNN 的扰动分类方法基本原理如图1所示，具体过程如下：1）数据输入。对电能质量扰动信号添加高斯白噪声并进行采样，将电能质量一维扰动信号转成二维扰动信号，便于CNN更好地识别信号。2）分类模型。首先，通过CNN前向传播中的卷积层对电能质量扰动数据进行特征提取；其次，通过池化层对特征数据进行降维；再次，利用全连接层对特征进行拟合，通过反向传播中的梯度下降法更新权重，以减小误差值；最后，采用Softmax分类器实现扰动分类，得到各电能质量扰动的分类准确率。通过设置归一化层，避免卷积神经网络过拟合问题。3）参数优化。利用PSO的寻优特性对基于图图1 PSO-CNN分类方法基本原理图分类方法基本原理图Fig.1 Basic schematic diagram of PSO-CNN classification method137Vol.44 No.1董光德等董光德等：基于粒子群优化与卷积神经网络的电能质量扰动分类方法基于粒子群优化与卷积神经网络的电能质量扰动分类方法CNN构建的电能质量扰动分类模型的学习率进行优化，通过训练数据集训练此模型，使学习率达到最优值，减少训练时间，提高分类准确率。4）方法验证。利用电能质量扰动信号的测试数据集对已经优化好的电能质量扰动分类模型进行验证。2基于基于CNN的电能质量扰动分类模型的电能质量扰动分类模型相较于人为设计特征提取方法，CNN可以提取电能质量扰动信号的更深层特征，因为CNN卷积层能直接对电能质量扰动信号进行特征提取，避免了传统方法特征提取不充足的问题，并且传统电能质量扰动分类方法步骤繁琐，容错率较低，而CNN可以通过卷积层、池化层与全连接层实现特征提取与分类，步骤简单，精确度更高。在CNN中，电能质量扰动信号通过堆叠多个具有非线性激活函数的链式卷积核，使网络可以学习到电能质量扰动信号的复杂特征，从而在全连接层特征拟合完后，利用Softmax分类层输出各扰动类别概率构成的多向量。CNN是由生物学家Hubel和Wiese在1962年提出的，它是一种前馈神经网络，包含卷积层、池化层、全连接层和分