基于CNN和改进型SVM的电能质量扰动分类方法_杨华勋.pdf

第 卷第 期红水河 年 月 基于 和改进型 的电能质量扰动分类方法杨华勋（柳州铁道职业技术学院 通信信号学院，广西 柳州）摘 要：为了解决电能质量扰动特征选取繁琐和困难、运算速度慢、识别精度低和分类准确率低等难题，提出一种融合卷积神经网络和改进型支持向量机的电能质量扰动分类方法。通过使用卷积神经网络自主提取电能质量的特征值，再将特征值输入到支持向量机网络中进行分类识别；利用蝗虫优化算法选取最佳的惩罚因子和核函数，大大提升了支持向量机网络预测收敛速度。实验结果表明，采用文中提出的分类算法对 种常见的电能质量扰动信号能够有效地识别和分类，预测准确率达到，相比 算法，具有更高的识别精度和分类准确率。该文提供了一种抗干扰能力强的电能质量扰动分类方法。关键词：电能质量；卷积神经网络；支持向量机；蝗虫优化算法；扰动；分类识别中图分类号：；文献标志码：文章编号：（）：开放科学（资源服务）标识码（）：(,):,:;();();();引言随着电力市场化改革的不断深入，电力市场和电力用户对电力品质的需求日益增加，智能电网的性能也在不断改善。由于电力系统的不断发展，电力电子设备中的高比例线性负荷的应用和高速切换装置的普及，使电网的电能质量问题日益突出，电力质量综合干扰事件的出现频率越来越高，类型也越来越多，从而极大地影响了电网的安全和稳定。要提高电网的电能质量，有效地处理各种干扰，必须对电网的干扰类型进行迅速、高效的分类。因此，对电能质量问题进行有效的识别和分类，是解 收稿日期：；修回日期：作者简介：杨华勋（），男，广西柳州人，讲师，硕士，主要从事电工电子技术、铁路专用通信和供配电技术的研究和实践。：。红水河 年第 期决电能质量问题的关键，同时也为后续的处理提供了充分的依据，从而采取适当的措施防止事故的发生。电能质量扰动分类主要有 个过程：特征提取和识别分类。研究学者们提出了很多的算法就是为了实现电能质量扰动的特征提取和识别分类。特征提取是利用算法提取出信号波形中能够准确表达信号差别的特征值，一般采用的方法有 变换、希尔伯特黄变换、离散小波变换、短时傅里叶变换、快速傅里叶变换、离散傅里叶变换等。除此之外，经验模态分解熵、非线性参数和分形理论也被应用于电能质量扰动信号的分析。这些方法虽然能比较有效地提取电能质量扰动信号的特征参数，但还存在一些缺陷。变换虽然提供的时频信号丰富，但是运算量较大，对计算环境要求很高；希尔伯特黄变换虽然受噪声制约影响不太大，但会存在边界效应；短时傅里叶变换具有固定的时域、频率域分辨率，不适合对瞬态干扰进行分析；快速傅里叶变换仅仅适合于稳定状态下的电能质量信号的分析，而对于非稳态干扰信号，则存在一定的限制；离散傅里叶变换适用于频率域的、稳态的电能质量干扰，也会有一定的局限性；小波变换克服了短时傅里叶变换的一些缺陷，在时域和频域局部化方面具有良好的应用前景，但在有噪声的情况下，其效果较差，对数据处理速度较慢。在提取干扰信号的特征时，上述方法容易导致特征损失，会影响到分类的精度。识别分类就是根据提取的特征值对扰动类型进行准确地区别。识别分类研究也取得了很多的进展，这些研究成果中使用的方法有支持向量机、人工神经网络、卷积神经网络、决策树、深度置信网络、胶囊网络和深度学习等。支持向量机具有很好的学习性能，利用核函数能够很好地处理非线性样本的分类问题。支持向量机在样本数量少、分类特征选取恰当的情况下，能够获得更好的分类结果；但是，在样本类型众多的情况下，由于干扰信号的波形比较类似，因此单个支持向量机的分类精度不高。人工神经网络虽然具有很好的分类效率，但其运算量大、耗时长；该方法具有简单、易受噪声干扰、鲁棒性强、分类准确度高等特点。由于决策树的构造太过简单，难以有效识别干扰数据，导致其分类精度较低，且容易出现过拟合。胶囊网络相对于深度学习的速度较慢，训练效率也较差。深度学习仅仅根据现有的数据进行学习，不能判断数据的有效性，对学习结果无法进行修正，也不能对所做出的决策进行有效地解释，而且在遇到复杂的噪声干扰时，会产生过度拟合，且抗噪能力差。不管是特征提取算法还是识别分类算法，每一种算法应用都有其显著的优势，但也呈现一定的缺陷。因此，需要寻找新的算法用于电能质量扰动分类。本文针对支持向量机在分类过程中识别准确率低等缺点，提出一种融合卷积神经网络和改进支持向量机的电能质量扰动分类方法。该方法首先利用卷积神经网络提取电能质量扰动信号的特征值，然后使用蝗虫优化算法优化支持向量机中的惩罚因子和核函数，再将特征值输入到优化后的支持向量机网络中进行分类识别，以提高电能质量扰动分类的效率。基本原理分析 卷积神经网络卷积神经网络是一种与神经网络相似的深度学习模式或多层次感知器，主要由输入层、卷积层、层、池化层和全连接层等五层组成，其中最主要的是卷积计算层和池化层。卷积神经网络的结构如图 所示。图 卷积神经网络结构 卷积神经网络采用局部感受野、权值共享和降采样三种策略，在平移、旋转、尺度缩放等情况下，降低了网络模型的复杂性，在图像分类、目标识别、语音识别等方面有着广泛的应用。输入层输入层的主要作用是对输入的数据进行去均值、归一化和降低维度等处理，然后将数据转换成卷积神经网络所需要的数据格式。卷积层卷积层是卷积神经网络中重要的一层，主要目的是提取输入数据的不同特征，一般由若干个卷积核组成，每一个卷积核都有对应的一个权重系数和偏差量：()（）杨华勋：基于 和改进型 的电能质量扰动分类方法式中：为第 层的卷积输入；为第 层的卷积输出；为第 层的卷积核；为偏差量；为输入矢量特征值。层 层的主要功能是对卷积层的输出进行非线性映射。在卷积神经网络中，激励函数多采用 函数，相对于传统神经网络的 和非线性函数，其具有收敛快和梯度计算简单等优势。卷积神经网络中的激励函数采用的是不饱和非线性激活函数，具体见式（）：（，）（）池化层池化层也是卷积神经网络中重要的一层，主要目的是解决因卷积层导致数据变大和维数增多的问题，进一步提取干扰数据的特征和识别特征，从而有效地减小整体的模型，缩短训练时间，并对模型进行优化，不易过度拟合。池化操作保留了深度的尺寸。但要注意的一点是，当池化层的输入单位不是 的整数倍时，通常采用边补零的方法将其补到 的倍数。池化处理可表示为式（）：（）（）（）（）式中：（）为 层单元的值；为池化层的宽度值；（）为第 个特征量对应的第 个神经单元的值。全连接层全连接层是卷积神经网络的最后一层，和传统神经网络一样具有相同的连接方式，主要功能是把最后一层卷积生成的特征图转化为向量，并进行乘法运算，减小其维数，对特征抽取的结果进行分类。支持向量机支持 向 量 机（，）是一种机器学习的工具，它可以有效地解决问题的分类与预测。支持向量机的关键在于找到合适的 和 值满足式（），即找到最大的特征空间间距，以便对数据进行正确的分类。（），（）式中：为输入的数据的总数；为偏置值；为权向量；和 分别为支持向量机网络的输入和输出。在进行分类时要求函数间隔大于，但是当数据集中混有噪声点时，为了能正确划分噪声点，会导致超平面的间隔变小，从而使得泛化性能大大降低；除此之外，当噪声点混入另外一个类时，就会变成一个线性不可分的问题，必须通过核函数进行转换，从而会导致模型复杂化，就有可能出现过拟合现象。为了解决这一问题，引入松弛变量构建一个软分类器，不仅能够避免模型复杂化，还能提升泛化性能，于是优化的问题可以表示为式（）和式（）。（，）（），（）（），（）式中：为松弛变量；为惩罚因子；为核函数。从式（）和式（）可以看出，和是个主要参数，直接影响着网络输出的预测效果，需要对它们进行优化，以提高分类的准确率。为了能够获得最优的 和，本文利用蝗虫优化算法进行寻优处理。蝗虫优化算法蝗虫优化算法（）是 等在 年提出的一种新型元启发式算法。该方法受到了成虫和成虫群体的大范围运动以及觅食过程中的聚集行为的启发，且运算量小，计算公式简单。通过对标准测试函数的优化试验，证明了 比粒子群优化算法（，）收敛得更好。假设有 个种群蝗虫，每只蝗虫的具体位置为（，），通过设置目标函数来确定位置的优劣，因此，蝗虫群的最优位置更新方法见式（）：，()|（）式中：为输入变量的维度；、为蝗虫个体；为蝗虫个体的最优位置；为第 只蝗虫和第 只蝗虫的距离；和 分别为第 维空间的上限和下限；为控制参数，用于控制算法动态和不确定搜索能力；为交互影响度。和 的计算方法见式（）和式（）。（）（）（）式中：和 分别为递减区间的最大值和最小值，取值为 和 ；为当前的次数；为最大次数；为吸引强度值，取值；为吸引尺度值，取值；（）为社会影响力系数。红水河 年第 期 算例分析 电能质量扰动数学模型根据本文分析需要，构建了 种电能质量扰动信号，分别为正常信号、暂升信号、暂降信号、中断信号、谐波信号、闪变信号、振荡信号和脉冲信号。种电能质量扰动信号具体的数学模型分别见式（）式（）。（），（）（）（）（），（）（）（）（），（）（）（）（），（）（）（）（）（），（）（）（），（）（）（）（）（）（），（），（）（）（）（），（）使用 软件绘制生成的图形如图 所示。图 电能质量扰动信号 电能质量扰动分类流程将输入数据输入到 网络模型（含 层卷积层、层池化层、层全连接层），使用 优化 模型中的惩罚因子和核函数，最后将 提取的特征值输入到优化后的 模型，实现预测结果输出。电能质量扰动分类流程如图 所示。图 电能质量扰动分类流程图 电能质量扰动分类实验 实验数据本文根据电能质量扰动的数学模型利用 软件自动生成 种扰动信号，共计 个样本。将样本数据按 比例划分成训练集和测试集。实验参数的设置本方法中的 结构包含 层卷积，卷积核尺寸大小都是，数字过滤器分别为 和，激活函数使用 函数；有 层最大池化，池化层内核尺寸大小为。在使用时，需要将本电能质量扰动信号用 函数转换成行列相等的二维矩阵。中的内核使用的是 核，取值。在蝗虫优化算法中，蝗虫个体种群数为，优化的参数为，最大迭代次数为，设置优化参数的上、下限范围为，。实验评价指标本文实验评价指标采用准确率（）、精度（）和召回率（）。具体定义如式（）式（）。（）（）（）式中：为真实值和预测值都是 的数；为真实值和预测值都是的数；为真实值为和预测值为 的数；为真实值为 和预测值为 的数。实验结果分析电能质量扰动分类的验证实验使用 语言编程，采用 和 框架完成。将 个样本划分成训练集（个样本）和测试集（个样本）。模型训练集和测试集的准确率杨华勋：基于 和改进型 的电能质量扰动分类方法和损失率如图 所示。图 模型训练准确率和损失率曲线图 由图 可以看出：模型训练的准确率随着训练次数的增加而上升，而损失率随着训练次数的增加而不断减小，意味着模型性能在网络不断学习的过程中逐渐完善；当训练次数接近 时，准确率达到了，最后保持在一个比较高的准确率值，而损失率下降到 左右，最后保持在一个比较低的损失率值。曲线趋势说明网络模型有着良好的训练性能。为了验证网络模型对测试集的预测性能，把预测的结果绘制混淆矩阵，具体如图 和图 所示。图 混淆矩阵图图 混淆矩阵图 从图 可以看出：模型对、类的电能质量扰动都能正确分类；、类的电能质量扰动识别准确率均为；、类的电能质量扰动识别准确率最低，都只有。从图 可以看出，基于 和改进型 的电能质量扰动分类的准确率比较高，只有 类的电能质量扰动预测准确率为，其他类的预测准确率都为，意味着基于 和改进型 的电能质量扰动分类方法具有很好的分类效果。对网络预测的整体性能实验结果见表。表 网络预测性能比较表模型准确率精度召回率 从表 可以看出：模型的准确率、精度、召回率均为；而 模型的准确率、精度、召回率均为。由此可见，模型的准确率比 模型的提高了，意味着基于 和改进型 的电能质量扰动分类的性能得到提升，比 模型具有更好的预测性能。结语由于电能质量扰动极其复杂，会导致不能正确地识别。为了解决电能质量扰动特征选取繁琐和困难、运算速度慢、识别精度低和分类准确率低等难题，基于卷积神经网络和改进型支持向量机的电能质量扰动分