基于注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)的異步電動機(jī)三相電壓不平衡損耗研究*

符嘉晉,孟安波,蔡涌烽,陳 順,殷 豪,吳 非,陳子輝

(1.廣東工業(yè)大學(xué) 自動化學(xué)院，廣東 廣州 510006；2.廣東電網(wǎng)有限責(zé)任公司肇慶供電局，廣東 肇慶 526000；3.廣東電網(wǎng)有限責(zé)任公司江門供電局，廣東 江門 529000)

0 引 言

隨著配電網(wǎng)規(guī)模擴(kuò)大、風(fēng)電等間歇性電源滲透率提高以及大量非線性負(fù)載分散接入電網(wǎng)，配電網(wǎng)電壓電流出現(xiàn)嚴(yán)重畸變，產(chǎn)生了大量的電能質(zhì)量問題[1-2]。目前評價(jià)電能質(zhì)量優(yōu)劣的指標(biāo)主要有：三相電壓/電流平衡性，諧波，電壓偏差等。其中三相電壓平衡性對電網(wǎng)損耗造成的影響較大[3]。

電網(wǎng)中異步電動機(jī)因其結(jié)構(gòu)簡單，運(yùn)行可靠而廣泛應(yīng)用于工業(yè)生產(chǎn)和日常生活[4-5]。三相異步電動機(jī)是異步電機(jī)最通用的形式，是當(dāng)今應(yīng)用最廣、需求量最大的一種電機(jī)，其用電效率直接影響電網(wǎng)的損耗，因此研究三相電壓不平衡對異步電動機(jī)的損耗影響，對有效降低電能在配電過程中的損耗具有重大實(shí)用價(jià)值[6-7]。目前，國內(nèi)外學(xué)者對三相電壓不平衡影響下異步電動機(jī)的損耗已有較多研究。文獻(xiàn)[8]采用對稱分量法對異步電機(jī)在三相電壓不平衡下的銅耗、鐵耗以及輸出轉(zhuǎn)矩等進(jìn)行仿真，仿真表明國際電工委員會(IEC)定義的電壓不平衡度(VUF)可準(zhǔn)確計(jì)算以上變量。文獻(xiàn)[9]以一臺5.5 kW Y132S-4異步電動機(jī)為例，建立了基于時(shí)步有限元的損耗模型，分析了復(fù)數(shù)電壓不平衡度(CVUF)相角對電機(jī)損耗的影響，結(jié)果表明CVUF相角對各項(xiàng)損耗影響較小。文獻(xiàn)[10]對不同三相電壓不平衡度下異步電動機(jī)的能耗、轉(zhuǎn)矩進(jìn)行仿真，結(jié)果表明隨著不平衡度的增加，異步電動機(jī)損耗增大，轉(zhuǎn)矩波動幅度增大。上述文獻(xiàn)在計(jì)算三相電壓不平衡時(shí)異步電動機(jī)損耗均是基于等效電路，然而等效電路參數(shù)在不同工況下變化明顯，尤其在三相電壓不平衡狀態(tài)下，損耗計(jì)算對參數(shù)要求更加嚴(yán)格。且對不同工況下建立等效電路模型再計(jì)算損耗，步驟過于復(fù)雜，不利于損耗的實(shí)時(shí)監(jiān)控[11]。

針對以上問題，機(jī)器學(xué)習(xí)算法為配電網(wǎng)中供用電設(shè)備受電能質(zhì)量因素影響下的損耗計(jì)算提供了新的途徑[12]。文獻(xiàn)[13]提出了基于逆向傳播(BP)神經(jīng)網(wǎng)絡(luò)的變壓器損耗計(jì)算方法，并考慮了諧波和三相不平衡對變壓器附加損耗的影響。文獻(xiàn)[14]針對傳統(tǒng)公式計(jì)算變壓器三相不平衡損耗需要參數(shù)較多且計(jì)算精度不高的問題，提出一種基于縱橫交叉優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的損耗評估方法，并和傳統(tǒng)公式計(jì)算結(jié)果與試驗(yàn)數(shù)據(jù)進(jìn)行對比，結(jié)果表明該方法得到的損耗值更接近試驗(yàn)數(shù)值。

在異步電動機(jī)損耗評估中，運(yùn)行數(shù)據(jù)反映了損耗變化規(guī)律，不同的電機(jī)輸入特征會對損耗產(chǎn)生不同影響。傳統(tǒng)機(jī)器學(xué)習(xí)方法在分析大數(shù)據(jù)時(shí)往往存在表達(dá)能力不足，容易陷入過擬合的問題，且傳統(tǒng)機(jī)器學(xué)習(xí)方法往往會為不同特征分配相同的權(quán)重，導(dǎo)致重要信息影響減少。針對以上問題，本文提出一種基于注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的異步電動機(jī)損耗評估方法。通過大容量電能質(zhì)量試驗(yàn)平臺獲取三相不平衡影響下電動機(jī)損耗數(shù)據(jù)，采用注意力機(jī)制與CNN的組合深度學(xué)習(xí)模型對采集數(shù)據(jù)進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)三相電壓不平衡下異步電動機(jī)損耗的高精度評估。

1 三相電壓不平衡下異步電動機(jī)損耗計(jì)算問題描述

1.1 三相電壓不平衡度定義

根據(jù)國標(biāo)GB/T 15543—2008以及IEC的精確定義，文中采用CVUF作為衡量配電網(wǎng)三相電壓不平衡的指標(biāo)，其計(jì)算公式如下[9,15]：

(1)

式中：U1+、U1-為定子端電壓正、負(fù)序分量；ε、θv為復(fù)數(shù)三相不平衡度幅值、相角。由于CVUF相角θv對異步電動機(jī)各項(xiàng)損耗影響可忽略不計(jì)，因此文中只考慮CVUF幅值ε[9]。

1.2 三相電壓不平衡下異步電動機(jī)損耗計(jì)算

異步電動機(jī)損耗主要包括機(jī)械損耗，雜散損耗，定、轉(zhuǎn)子銅耗以及鐵耗。異步電動機(jī)在三相電壓不平衡狀態(tài)運(yùn)行時(shí)需要考慮正、負(fù)序電壓施加在繞組上產(chǎn)生的正、負(fù)序電流以及旋轉(zhuǎn)磁場，因此需要對正、負(fù)序電壓影響下建立不同等效電路，如圖1所示。

圖1 異步電動機(jī)正(負(fù))序等效電路

圖1中，S為轉(zhuǎn)差率;r1、x1為定子電阻、電抗；r′2、x′2為轉(zhuǎn)子電阻、電抗；rm、xm為勵磁電阻、電抗；I1+、I1-分別為正、負(fù)序定子電流；I2+、I2-分別為正、負(fù)序轉(zhuǎn)子電流；Im+、Im-分別為正、負(fù)序勵磁電流。

因此，三相電壓不平衡影響下異步電動機(jī)總損耗的具體計(jì)算公式如下：

式中:ΔPun為三相電壓不平衡下總損耗；Pmec為機(jī)械損耗；Ps為雜散損耗，不考慮諧波影響時(shí)Ps較小，一般取輸出輸入功率的百分比[16]；PCu1+、PCu1-為正、負(fù)序定子銅耗，PCu2+、PCu2-為正、負(fù)序轉(zhuǎn)子銅耗，PFe+、PFe-為正、負(fù)序鐵耗。

綜上，運(yùn)用等效電路計(jì)算三相電壓不平衡影響下異步電動機(jī)損耗需要先建立異步電動機(jī)等效電路模型，再計(jì)算各項(xiàng)損耗，涉及到的步驟非常繁瑣[11]，且若不考慮電壓不平衡度增加帶來的電機(jī)振動等引起的附加損耗，會導(dǎo)致?lián)p耗計(jì)算誤差增大[17]。針對以上問題，文章基于深度學(xué)習(xí)理論和數(shù)據(jù)驅(qū)動思想，提出基于注意力機(jī)制和CNN(Attention-CNN)的異步電動機(jī)損耗評估方法，通過結(jié)合2種結(jié)構(gòu)的優(yōu)越性，實(shí)現(xiàn)三相電壓不平衡影響下異步電動機(jī)損耗的高精度評估。

2 基于Attention-CNN的異步電動機(jī)損耗評估方法

文中構(gòu)建的Attention-CNN結(jié)構(gòu)圖如圖2所示。

圖2 Attention-CNN結(jié)構(gòu)

Attention-CNN結(jié)構(gòu)主要分為輸入層、Attention層、CNN層以及輸出層。異步電動機(jī)實(shí)測運(yùn)行數(shù)據(jù)作為輸入首先進(jìn)入Attention層，注意力機(jī)制通過分析特征與目標(biāo)(即損耗)之間的相關(guān)性為每個(gè)特征賦予不同的權(quán)重，然后對權(quán)重進(jìn)行類歸一化，將特征與權(quán)重的乘積作為Attention層的輸出；經(jīng)過CNN層的3個(gè)卷積層的運(yùn)算使其深度加深，再經(jīng)過全連接層將其轉(zhuǎn)為一維向量，完成特征提取和數(shù)據(jù)學(xué)習(xí)；最后由輸出層輸出模型評估損耗值。每層的詳細(xì)描述如下所示。

(1)輸入層。輸入層將異步電動機(jī)的實(shí)測運(yùn)行數(shù)據(jù)作為整個(gè)Attention-CNN模型的輸入。根據(jù)文獻(xiàn)[13]，文中將實(shí)測輸入端三相電壓、電流、三相電壓不平衡度以及異步電動機(jī)負(fù)載率8個(gè)變量作為模型輸入特征，可記為X=[x1…xt…xn]，其中n=8。

(2)Attention層。注意力機(jī)制是一種借鑒了人類大腦信號處理的信息資源分配機(jī)制，近幾年廣泛運(yùn)用于深度學(xué)習(xí)的各個(gè)領(lǐng)域當(dāng)中[18]。Attention層包括相關(guān)性計(jì)算層、權(quán)值歸一化層以及乘積層，其單獨(dú)結(jié)構(gòu)如圖3所示。相關(guān)性分析層是注意力機(jī)制的主要部分，即計(jì)算每個(gè)特征對應(yīng)的權(quán)值，常見的相關(guān)性計(jì)算方法有求兩者的向量點(diǎn)積、求兩者的向量Cosine相似性或引入額外的神經(jīng)網(wǎng)絡(luò)，文中構(gòu)建了一個(gè)兩層隱藏層的BP神經(jīng)網(wǎng)絡(luò)來計(jì)算相關(guān)性。類歸一化層主要將相關(guān)性計(jì)算層得到的權(quán)值進(jìn)行類歸一化處理，使權(quán)值總和為1。最后乘積層將類歸一化得到的權(quán)值和特征值進(jìn)行相乘，得到注意力機(jī)制的輸出值。其中相關(guān)性計(jì)算層采用的BP神經(jīng)網(wǎng)絡(luò)激活函數(shù)為ReLU，類歸一化層采用Softmax函數(shù)進(jìn)行類歸一化。

圖3 注意力機(jī)制結(jié)構(gòu)

注意力機(jī)制計(jì)算式如下所示：

D=f(X×W1+b1)=ReLU(X×W1+b1)

(3)

E=f(D×W2+b2)=ReLU(D×W2+b2)

(4)

(5)

st=αtX

(6)

式中:W1、W2為權(quán)重矩陣；b1、b2為偏置；D=(d1…dt…dn)、E=(e1…et…en)為BP神經(jīng)網(wǎng)絡(luò)第一、二層隱藏層的輸出矩陣，即特征權(quán)重矩陣；αt為第t時(shí)刻Softmax類歸一化后的權(quán)重；st為第t時(shí)刻注意力機(jī)制的輸出值，可表示為S=[s1…st…sn]。

(3)CNN層。CNN是一種前饋式深度學(xué)習(xí)網(wǎng)絡(luò)模型,通常由一個(gè)或多個(gè)卷積層、池化層、全連接層組成[19]。

CNN層主要是對注意力機(jī)制輸出數(shù)據(jù)進(jìn)行學(xué)習(xí)并提取特征，其單獨(dú)結(jié)構(gòu)如圖4所示。文中CNN層的構(gòu)建由3個(gè)卷積層以及一個(gè)全連接層組成，卷積核的數(shù)目分別設(shè)為8、16、32，考慮到文中輸入特征量少所以無需池化層。根據(jù)實(shí)測運(yùn)行數(shù)據(jù)特點(diǎn)，卷積層設(shè)計(jì)為一維卷積，選擇ReLU為激活函數(shù)；經(jīng)過3個(gè)卷積層對Attention層輸出數(shù)據(jù)處理并映射到特征空間后，由全連接層將其排列成一個(gè)一維向量，即特征向量。全連接層的激活函數(shù)同樣設(shè)置為ReLU。CNN層的計(jì)算式可表示為

圖4 CNN結(jié)構(gòu)

A=f(S?W3+b3)=ReLU(S?W3+b3)

(7)

B=f(A?W4+b4)=ReLU(A?W4+b4)

(8)

C=f(B?W5+b5)=ReLU(B?W5+b5)

(9)

Q=f(C×W6+b6)=ReLU(C×W6+b6)

(10)

式中:W3、W4、W5、W6為權(quán)重矩陣；b3、b4、b5、b6為偏置；?為卷積運(yùn)算符；A、B、C分別為三層卷積層的輸出值;Q為全連接層的輸出，其長度設(shè)為j，即Q=[q1…qt…qj]。

(4)輸出層。輸出層為設(shè)計(jì)的一個(gè)全連接層，主要進(jìn)行最后的損耗評估，其輸入為CNN全連接層的輸出，設(shè)評估損耗值長度為m，輸出層的輸出可表示為Y=[y1…yt…ym]T。輸出層的激活函數(shù)同樣設(shè)置為ReLU，其計(jì)算式如下:

yt=f(qt×W0+b0)=ReLU(qt×W0+b0)

(11)

式中：W0、b0為輸出全連接層的權(quán)重矩陣和偏置向量;qt為第t時(shí)刻CNN層的輸出值;yt為第t時(shí)刻輸出層的損耗評估值。

文中模型選取Adam為優(yōu)化函數(shù)，迭代次數(shù)設(shè)置為400，損失函數(shù)為均方誤差(MSE)，計(jì)算式如下:

(12)

3 基于三相電壓不平衡擾動源的異步電動機(jī)損耗試驗(yàn)

本文依靠廣東電網(wǎng)科技項(xiàng)目，搭建了380 V電能質(zhì)量綜合試驗(yàn)檢測平臺并進(jìn)行試驗(yàn)。該平臺可實(shí)現(xiàn)三相電壓/電流不平衡、電壓偏差、諧波等電能質(zhì)量指標(biāo)自定義高精度輸出功能，從而真實(shí)模擬實(shí)際電網(wǎng)各類典型電能質(zhì)量問題。

現(xiàn)場試驗(yàn)中使用的異步電動機(jī)型號為YE2-160M-4，具體參數(shù)如表1所示。圖5為異步電動機(jī)試驗(yàn)電路，圖6為現(xiàn)場試驗(yàn)接線圖。圖5中M為異步電動機(jī)；G為10 kW STC-10同步發(fā)電機(jī)；UR為整流器；F1、F2為節(jié)點(diǎn)；K1、K2為開關(guān)；RF為有級調(diào)節(jié)電阻器，rf為滑動變阻器；PT、CT為0.2S電壓、電流互感器，一次側(cè)按功率三瓦計(jì)法接電動機(jī)輸入端三相電路，二次側(cè)與Dewetron錄波儀相連；電壓擾動源主要通過調(diào)節(jié)擾動源功率柜、控制柜、高低壓開關(guān)柜、輸入輸出聯(lián)絡(luò)柜、電壓/電流測試接線柜等輔助設(shè)施實(shí)現(xiàn)不同程度的三相不平衡擾動。另外，在異步電動機(jī)轉(zhuǎn)軸上安裝圖6的JN-DN型動態(tài)扭矩傳感器實(shí)時(shí)檢測電動機(jī)轉(zhuǎn)矩、轉(zhuǎn)速和輸出功率。

圖5 異步電動機(jī)試驗(yàn)電路圖

表1 異步電動機(jī)參數(shù)

圖6 異步電動機(jī)現(xiàn)場試驗(yàn)接線圖

具體試驗(yàn)步驟如下。

(1)設(shè)置有級調(diào)節(jié)電阻器RF為100 Ω和40 Ω，使異步電動機(jī)負(fù)載率保持在33%和60%左右。

(2)根據(jù)國標(biāo)以及現(xiàn)場試驗(yàn)情況，在維持輸入端三相平均電壓為標(biāo)桿電壓的情況下，調(diào)節(jié)擾動源，使三相電壓不平衡度在0～13%的范圍內(nèi)以1%為步長逐漸增加。

(3)對每單位步長電壓不平衡度，讀取電壓、電流互感器示數(shù)以及截取錄波儀的各相錄波數(shù)據(jù)并記錄下電動機(jī)首端電壓與電流，計(jì)算輸入功率P1和實(shí)際電壓不平衡度；讀取扭矩傳感器示數(shù)并記錄下電動機(jī)轉(zhuǎn)矩、轉(zhuǎn)速和輸出功率P2；最后根據(jù)下式計(jì)算異步電動機(jī)損耗ΔP:

ΔP=ΔPun=P1-P2

(13)

表2為60%負(fù)載下異步電動機(jī)部分實(shí)測運(yùn)行數(shù)據(jù)，其中U1、U2、U3為a、b、c相對地電壓，I1、I2、I3為a、b、c相電流。

表2 異步電動機(jī)實(shí)測運(yùn)行數(shù)據(jù)

4 仿真分析

4.1 數(shù)據(jù)預(yù)處理及誤差指標(biāo)

上一節(jié)異步電動機(jī)損耗試驗(yàn)中測得異步電動機(jī)數(shù)據(jù)一共為28組，即60%和33% 2種負(fù)載情況下，三相電壓不平衡度ε取0～13%時(shí)異步電動機(jī)實(shí)測損耗數(shù)據(jù)，每一組取100個(gè)數(shù)據(jù)點(diǎn)，共2 800個(gè)損耗數(shù)據(jù)點(diǎn)。為了更好地與實(shí)測損耗和等效電路計(jì)算損耗進(jìn)行對比，根據(jù)交叉驗(yàn)證原則，將同一負(fù)載的14組實(shí)測數(shù)據(jù)按順序分為7組，取6組作為訓(xùn)練集放入文中模型進(jìn)行學(xué)習(xí)和訓(xùn)練，剩余1組放進(jìn)模型測試集進(jìn)行評估，2種負(fù)載共進(jìn)行14次仿真試驗(yàn)。

為了方便模型的訓(xùn)練和學(xué)習(xí)，文中采用min-max歸一化法將輸入原始數(shù)據(jù)歸一化在(-1,1)之間，計(jì)算式如下:

(14)

式中:x為原始輸入異步電動機(jī)實(shí)測數(shù)據(jù);xmean、xmax和xmin分別為運(yùn)行數(shù)據(jù)平均值、最大值和最小值;x′為min-max歸一化預(yù)處理后的電機(jī)運(yùn)行數(shù)據(jù)。

為了驗(yàn)證本文模型的有效性，另外選取CNN、BP、支持向量回歸(SVR)和極限學(xué)習(xí)機(jī)(ELM)為對比方法。所有模型的輸入和訓(xùn)練方式均與本文模型相同，選取平均絕對百分比誤差(MAPE)作為誤差指標(biāo)來評價(jià)模型損耗評估的精度，計(jì)算式如下：

(15)

文中模型采用Python3.7軟件和Keras深度學(xué)習(xí)框架進(jìn)行仿真測試。

4.2 仿真結(jié)果分析

圖7為注意力機(jī)制賦予異步電動機(jī)輸入特征的權(quán)重柱狀圖，由圖7可知注意力機(jī)制為三相電壓不平衡度ε和A相電流I1、電壓U1分配了較大的權(quán)重，為其余5個(gè)特征分配了較小的權(quán)重，證明ε、I1、U1對損耗影響較大，符合現(xiàn)場試驗(yàn)設(shè)置的工況以及實(shí)測運(yùn)行數(shù)據(jù)的特點(diǎn)，驗(yàn)證了注意力機(jī)制的有效性。

圖7 異步電動機(jī)輸入特征權(quán)重

28組工況的電機(jī)損耗評估結(jié)果采用平均值的方式展示，即取同一工況下100個(gè)數(shù)據(jù)點(diǎn)的評估結(jié)果取平均值作為模型評估結(jié)果。各個(gè)模型的電機(jī)損耗評估結(jié)果與實(shí)測損耗對比如圖8所示。

圖8 電機(jī)損耗實(shí)測值和評估值對比

由圖8的損耗對比可得Attention-CNN模型擬合損耗曲線與實(shí)測損耗曲線最為貼近，整體評估效果較好。具體評估誤差MAPE見表3、圖9和圖10，其中表3、圖9為28組工況下不同模型評估損耗的MAPE，圖10為不同模型評估損耗的平均MAPE。

由表3、圖9以及圖10的MAPE對比可得以下結(jié)論：

圖9 不同模型MAPE對比

圖10 不同模型平均MAPE對比

表3 不同模型的評估MAPE %

(1)等效電路模型在三相電壓不平衡度小于4%時(shí)計(jì)算異步電動機(jī)損耗與實(shí)測損耗誤差均小于2%，不平衡度大于4%時(shí)均小于6%，證明等效電路模型在計(jì)算電動機(jī)損耗時(shí)具有一定實(shí)用性，但是計(jì)算精度不穩(wěn)定；

(2)與其他4種機(jī)器學(xué)習(xí)算法相比，文中方法評估損耗精度最高，其中60%負(fù)載下MAPE平均值相比其他4種方法分別降低了37.5%、49.6%、48.6%、20.9%；33%負(fù)載下MAPE平均值相比其他4中方法分別降低了40.9%、43.2%、45.3%、21.5%。Attention-CNN比其他4種機(jī)器學(xué)習(xí)方法在異步電動機(jī)損耗評估精度上有明顯提升，證明其具有較高的準(zhǔn)確性。

(3)本文在60%和33% 2種負(fù)載，三相電壓不平衡度為0～13%的工況下進(jìn)行仿真，驗(yàn)證Attention-CNN模型對異步電動機(jī)損耗的評估能力以及泛化性。結(jié)果表明Attention-CNN在三相電壓不平衡影響下異步電動機(jī)的損耗評估中具有一定實(shí)用價(jià)值。

5 結(jié) 語

針對等效電路計(jì)算三相電壓不平衡影響下異步電動機(jī)損耗精度不穩(wěn)定，需要參數(shù)過多且模型過于復(fù)雜的問題，本文提出了一種基于Attention-CNN的異步電動機(jī)損耗評估方法，在搭建的現(xiàn)場試驗(yàn)平臺開展現(xiàn)場試驗(yàn)并進(jìn)行仿真分析，得到以下結(jié)論：

(1)注意力機(jī)制能夠有效分析特征與損耗之間的關(guān)系，為重要特征分配較大權(quán)重，從而提高模型評估性能；

(2)與等效電路模型相比，Attention-CNN只需要少量電動機(jī)運(yùn)行參數(shù)而不需要時(shí)變的等效電路參數(shù)，限制條件少；

(3)與BP、SVR、ELM和CNN評估損耗對比，Attention-CNN評估損耗與實(shí)測損耗誤差最小，平均誤差僅為0.717%和0.549%，具有一定有效性。