基于多模態(tài)圖像融合的DCCNN 識(shí)別電能質(zhì)量擾動(dòng)

余雷，劉宏偉，孟蕓

（1.長安大學(xué) 能源與電氣工程學(xué)院，陜西 西安 710018；2.長安大學(xué) 電子與控制工程學(xué)院，陜西 西安 710064）

0 引言

近年來，具有不穩(wěn)定性的可再生能源發(fā)電設(shè)備大量的被并入電網(wǎng)，從而導(dǎo)致并網(wǎng)電源輸出的不確定性，引發(fā)一系列電能質(zhì)量問題，如諧波、振蕩、暫降等干擾[1]。這些干擾會(huì)對電網(wǎng)的安穩(wěn)運(yùn)行帶來嚴(yán)重危害，準(zhǔn)確識(shí)別電能質(zhì)量擾動(dòng)（Power Quality Disturbances,PQDs）對后續(xù)電能質(zhì)量治理、保證電網(wǎng)安穩(wěn)運(yùn)行至關(guān)重要。

特征提取是PQDs 識(shí)別的關(guān)鍵，S 變換[2-3]、小波變換[4-5]、變分模態(tài)分解[6]等是常用的特征提取方法。雖然這些方法取得一些進(jìn)展，但是在使用上仍舊存在局限性。不過隨著神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，為PQDs 識(shí)別提供了一種新的研究思路[7]。文獻(xiàn)[8]和文獻(xiàn)[9]將PQDs 時(shí)序數(shù)據(jù)通過格拉姆角場（Gramian Angular Field,GAF）映射為二維圖像，然后利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）進(jìn)行識(shí)別；文獻(xiàn)[10]將PQDs 時(shí)序數(shù)據(jù)通過馬爾可夫轉(zhuǎn)移場（Markov Transition Field,MTF）轉(zhuǎn)換得到模態(tài)圖像，輸入到結(jié)合多頭注意力機(jī)制的CNN 中進(jìn)行特征提取；文獻(xiàn)[11]將PQDs 時(shí)序數(shù)據(jù)通過遞歸圖（Recurrence Plot,RP）生成二維圖像，輸入到長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別。上述文獻(xiàn)所提方法對于PQDs 識(shí)別雖然都取得了不錯(cuò)的效果，但是也存在不足之處：

1）大多只對簡單的單一擾動(dòng)或者兩重?cái)_動(dòng)進(jìn)行分類，對于復(fù)雜的多重?cái)_動(dòng)尚未探究；

2）受限于單種模態(tài)變換，在維度變換過程中容易造成擾動(dòng)特征信息丟失；

3）使用單通道網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行識(shí)別，使得面對復(fù)雜擾動(dòng)時(shí)提取特征信息不夠完整，分類準(zhǔn)確率不高。

基于以上考慮，本文提出一種基于多模態(tài)圖像融合的雙通道卷積神經(jīng)網(wǎng)絡(luò)（Dual-Channel Convolutional Neural Network,DCCNN）算法。首先，為降低格拉姆求和場（Gramain Angular Summation Field,GASF）特征圖的冗余度，提出一種改進(jìn)的格拉姆角和場（Improved Gramain Angular Summation Field,IGASF）；然后，將擾動(dòng)信號(hào)通過IGASF、MTF、無閾值遞歸圖（Un-Thresholded Recurrence Plot,URP）三種模態(tài)轉(zhuǎn)換方法生成的圖像各提取出一個(gè)灰度單通道圖進(jìn)行融合；最后，將融合得到的特征圖輸入到提出的DCCNN 模型進(jìn)行識(shí)別。結(jié)果表明，該方法的抗噪聲魯棒性較好，擾動(dòng)識(shí)別準(zhǔn)確率高。

1 模態(tài)融合

面對采用單種模態(tài)對擾動(dòng)信號(hào)進(jìn)行變換過程中容易造成特征信息丟失的問題，本文采用不同模態(tài)融合進(jìn)而使不同模態(tài)間的信息互補(bǔ)來彌補(bǔ)這一缺點(diǎn)。

1.1 IGASF 模態(tài)轉(zhuǎn)換

GAF 中的GASF 方法是基于余弦函數(shù)進(jìn)行轉(zhuǎn)換，會(huì)導(dǎo)致生成的GASF 圖有一半冗余度，因此提出一種改進(jìn)的GASF 算法。

生成IGASF 特征圖的步驟如下[12]：

1）通過式（1）將擾動(dòng)信號(hào)X={x1,x2,…,xi,…,xn}進(jìn)行歸一化并縮放到[-1,1]區(qū)間，xi(i=1,2,…,n)為序列X中的任意一個(gè)采樣點(diǎn)。

2）用式（2）進(jìn)一步將序列X轉(zhuǎn)化為極坐標(biāo)時(shí)間序列。

式中：N為正則化極坐標(biāo)生成空間的常數(shù)因子；ti為xi對應(yīng)的時(shí)間戳；θi為極坐標(biāo)角度；ri為極坐標(biāo)半徑。

3）基于式（3）將經(jīng)式（2）得到的(ri,θi)組合進(jìn)行圖像編碼變換，即可得到GASF 特征圖。

式中x1i代表cos(θ1+θi)，其余依次類推。

觀察式（3）可得，GASF 矩陣沿著主對角線對稱，這就是導(dǎo)致生成的圖像有一半冗余的原因。所以，為降低GASF 圖像冗余，對GASF 算法進(jìn)行改進(jìn)。

式（4）是把主對角線置0，保留上三角信息，式（5）是把主對角線置0，保留下三角信息。

將式（4）、式（5）按照式（6）進(jìn)行結(jié)合，即可得到IGASF 矩陣。

擾動(dòng)信號(hào)根據(jù)式（6）生成IGASF 圖像時(shí)，可以大大降低圖像的冗余。其中，GASF1 和GASF2 矩陣編碼變換的對象是擾動(dòng)發(fā)生時(shí)刻不同的同類擾動(dòng)。

1.2 MTF 模態(tài)轉(zhuǎn)換

MTF 算法是通過馬爾可夫轉(zhuǎn)移概率把擾動(dòng)數(shù)據(jù)變換為二維圖像[13]。首先將擾動(dòng)數(shù)據(jù)按取值范圍分為Q個(gè)部分，通過遷移概率生成大小為Q×Q的馬爾可夫變遷場W，表達(dá)式如式（7）所示：

式中：wij為子空間qi轉(zhuǎn)移到子空間qj的概率；xt為t時(shí)刻對應(yīng)的信號(hào)幅值。

考慮到時(shí)間位置信息因素，將矩陣W拓展到包含時(shí)間信息的MTF，表達(dá)式如式（8）所示：

式中：qi為xi對應(yīng)的子空間；mij為子空間qi轉(zhuǎn)移到qj的概率。

1.3 URP 模態(tài)轉(zhuǎn)換

為保留擾動(dòng)數(shù)據(jù)中所有的特征信息，本文采用URP算法對擾動(dòng)數(shù)據(jù)進(jìn)行模態(tài)變換。將擾動(dòng)數(shù)據(jù)進(jìn)行相空間重構(gòu)，得到高維相空間。對于相空間中的軌跡xi(x∈Rd)，d為嵌入維數(shù)，URP 定義如下[14]：

式中：‖·‖為∞范數(shù)；Ri,j(unthres)為相空間中向量xi和xj間的歐氏距離。

因?yàn)榛叶葓D能很好地表征圖像中的特征信息，所以將擾動(dòng)信號(hào)經(jīng)上述三種模態(tài)轉(zhuǎn)換后的圖像各提取出一個(gè)灰度單通道圖進(jìn)行融合，這樣生成的新特征圖中擾動(dòng)特征信息會(huì)更加充分，流程如圖1 所示。

圖1 多模態(tài)圖像融合流程圖

2 基于DCCNN 的擾動(dòng)識(shí)別模型

CNN 在圖像識(shí)別方面極具優(yōu)勢，一些作者已經(jīng)把CNN 應(yīng)用到PQDs 識(shí)別領(lǐng)域。但是，大部分文獻(xiàn)采用的單通道CNN 只能對一些簡單的擾動(dòng)進(jìn)行識(shí)別。同時(shí)，因?yàn)榭斩淳矸e可以在不降低特征圖尺寸的情況下實(shí)現(xiàn)感受野的增長，從而使每個(gè)卷積的輸出包含更多的信息，所以為提高識(shí)別復(fù)雜擾動(dòng)的準(zhǔn)確率，本文提出一種引入空洞卷積的DCCNN 結(jié)構(gòu)。

普通卷積與空洞卷積的區(qū)別如圖2 所示，其中卷積核以3 × 3 為例。

圖2 普通卷積和空洞卷積示意圖

圖2a）為普通卷積（擴(kuò)張率為1），圖2b）為空洞卷積（擴(kuò)張率為2）。由圖2 可知，同樣大小的卷積核，空洞卷積后的感受野比普通卷積感受野要大，意味著相同大小的卷積核空洞卷積能提取更多的擾動(dòng)特征。

本文提出的DCCNN 模型擾動(dòng)識(shí)別流程如圖3所示。

圖3 DCCNN 結(jié)構(gòu)擾動(dòng)識(shí)別流程圖

基于DCCNN 模型的擾動(dòng)識(shí)別算法流程如下：

1）將經(jīng)過多模態(tài)圖像融合生成的特征圖作為該網(wǎng)絡(luò)的輸入；

2）在雙通道的不同卷積模塊中，對輸入圖像均進(jìn)行卷積、池化等操作，然后將獲取的特征矩陣經(jīng)全連接層轉(zhuǎn)化為一維特征向量；

3）將兩個(gè)通道得到的一維特征向量在特征融合層進(jìn)行融合，接著輸入到Softmax 分類器中進(jìn)行擾動(dòng)分類。

DCCNN 模型中激活函數(shù)使用的是ReLU，優(yōu)化器選用的是Adam，學(xué)習(xí)率設(shè)置為0.000 1，損失函數(shù)采用交叉熵?fù)p失函數(shù)，該網(wǎng)絡(luò)的具體參數(shù)如表1 所示。

表1 DCCNN 模型主要參數(shù)

3 算例分析

本實(shí)驗(yàn)的計(jì)算機(jī)配置為12th Gen Intel?CoreTMi5-12500H 2.50 GHz、16 GB RAM 和NVIDA GeForce RTX3050 Ti Laptop GPU，網(wǎng)絡(luò)模型基于TensorFlow 2.6的Python 語言搭建。由Matlab 仿真生成20 種PQDs，其中包括8 種單一擾動(dòng)、12 種復(fù)合擾動(dòng)。每種擾動(dòng)生成1 000 個(gè)樣本，訓(xùn)練集和測試集隨機(jī)劃分比例為8∶2。每種擾動(dòng)所對應(yīng)標(biāo)簽如表2 所示。

表2 PQDs 類別及其對應(yīng)的標(biāo)簽

3.1 訓(xùn)練過程可視化分析

提出的DCCNN 模型輸入特征圖大小為128×128×3，迭代250次，得到訓(xùn)練集與測試集的準(zhǔn)確率及其相應(yīng)的損失值，訓(xùn)練過程如圖4 所示。

圖4 訓(xùn)練過程可視化

由圖4 可知，隨著迭代次數(shù)的增加，訓(xùn)練集、測試集的準(zhǔn)確率不斷提升，最終穩(wěn)定在97.5%左右。

圖5 為擾動(dòng)數(shù)據(jù)經(jīng)不同單模態(tài)轉(zhuǎn)換后，DCCNN 模型測試集輸出的相應(yīng)準(zhǔn)確率。

圖5 不同模態(tài)測試集識(shí)別準(zhǔn)確率

從圖5 分析可知，PQDs 時(shí)序數(shù)據(jù)轉(zhuǎn)換為GASF 特征圖后，識(shí)別準(zhǔn)確率達(dá)到92.8%；轉(zhuǎn)換為改進(jìn)后的IGASF特征圖后，識(shí)別準(zhǔn)確率達(dá)到95.6%，比未改進(jìn)前的GASF特征圖識(shí)別準(zhǔn)確率提高了2.8%；轉(zhuǎn)換為URP 和MTF 特征圖后，識(shí)別準(zhǔn)確率達(dá)到94.7%。四種單模態(tài)轉(zhuǎn)換方法最終準(zhǔn)確率都沒達(dá)到97.5%，說明了本文方法能保留更多的擾動(dòng)特征信息。

3.2 不同信噪比可視化分析

為使仿真模擬接近實(shí)際情況，在劃分好的測試集中分別隨機(jī)加入30 dB、40 dB、50 dB 的高斯白噪聲，用訓(xùn)練好的模型去識(shí)別。圖6為測試集在無噪聲、30 dB、40 dB、50 dB 高斯白噪聲環(huán)境下輸出的混淆矩陣，其中橫坐標(biāo)代表預(yù)測類別的標(biāo)簽，縱坐標(biāo)代表真實(shí)類別的標(biāo)簽，對角線和非對角線元素代表相對應(yīng)的PQDs 標(biāo)簽判斷正確和判斷錯(cuò)誤的數(shù)量。

圖6 不同噪聲條件下測試集識(shí)別準(zhǔn)確率

圖6a）為無噪聲環(huán)境下測試集輸出的混淆矩陣，可以看出大多數(shù)擾動(dòng)都被正確識(shí)別出來，s11 代表暫降-諧波-閃變復(fù)合擾動(dòng)，雖然正確識(shí)別數(shù)量較少，但也能達(dá)到93.5%的準(zhǔn)確率；圖6b）為加入30 dB 高斯白噪聲后測試集輸出的混淆矩陣，總體準(zhǔn)確率達(dá)到95.1%，相比于無噪聲條件下降了2.4%；圖6c）和圖6d）分別為加入40 dB和50 dB 高斯白噪聲后測試集輸出的混淆矩陣，總體準(zhǔn)確率達(dá)到97.1%，相比于無噪聲條件下降了0.4%。雖然加入不同分貝的噪聲后，測試集準(zhǔn)確率略有下降，但仍能保持較高的識(shí)別準(zhǔn)確率，說明了本文方法具有一定的抗噪魯棒性。

3.3 不同方法識(shí)別結(jié)果分析

為進(jìn)一步評價(jià)本文方法的有效性和可行性，將本文方法的識(shí)別準(zhǔn)確率與文獻(xiàn)[15-16]中的識(shí)別準(zhǔn)確率進(jìn)行比較，并在表3 中給出。其中，由于PQDs 信號(hào)組合較多，多數(shù)文獻(xiàn)研究的擾動(dòng)信號(hào)不完全一樣，因此表3 給出的識(shí)別準(zhǔn)確率是相關(guān)文獻(xiàn)與本文所研究的擾動(dòng)對象重合部分。

表3 不同方法識(shí)別準(zhǔn)確率性能比較 %

對表3 分析可知，本文方法不僅在不同噪聲環(huán)境下對擾動(dòng)識(shí)別正確率波動(dòng)更小，而且本文的DCCNN 模型提取特征能力強(qiáng)，識(shí)別準(zhǔn)確率要高于其他方法。

3.4 工程數(shù)據(jù)可視化分析

工程數(shù)據(jù)來自國家電網(wǎng)寶雞供電公司扶風(fēng)、硤石、黃牛、嘉陵、向陽變電站，因?yàn)楣こ虜?shù)據(jù)有限，只有諧波（c0）、中斷（c1）、暫態(tài)振蕩（c2）、暫降-諧波（c3）、暫降-暫態(tài)振蕩（c4）、暫升（c5）、暫升-暫態(tài)振蕩（c6）等7 類擾動(dòng)，每類擾動(dòng)選擇200個(gè)電網(wǎng)實(shí)測信號(hào)作為訓(xùn)練集，20個(gè)實(shí)測信號(hào)作為測試集。其中，圖7 為110 kV 黃牛變電站故障發(fā)生時(shí)電網(wǎng)母線側(cè)三相電壓錄波監(jiān)測得到的擾動(dòng)波形。

圖7 黃牛變電站故障發(fā)生時(shí)母線電壓波形

將工程數(shù)據(jù)按照本文方法進(jìn)行處理，得到的測試集混淆矩陣如圖8 所示。

圖8 工程數(shù)據(jù)測試集輸出混淆矩陣

從圖8 分析可知，工程數(shù)據(jù)測試集總體準(zhǔn)確率能達(dá)到96.4%，7 類擾動(dòng)能很好地識(shí)別出來，說明本文方法對于工程應(yīng)用具有較高的可行性。

4 結(jié)論

為提高電網(wǎng)中PQDs 識(shí)別的準(zhǔn)確率，本文提出一種基于多模態(tài)圖像融合的DCCNN 方法。經(jīng)過實(shí)驗(yàn)得到如下結(jié)論：

1）相較于GASF 特征圖，仿真結(jié)果證明本文提出的IGASF 特征圖能夠降低圖像冗余度的同時(shí)保留更多的擾動(dòng)特征信息；

2）相較于單種模態(tài)轉(zhuǎn)換，本文所提出的多模態(tài)圖像融合方法在PQDs 時(shí)序數(shù)據(jù)編碼成新特征圖像時(shí)識(shí)別準(zhǔn)確率更高；

3）對于20 種擾動(dòng)，在不同噪聲環(huán)境下，本文方法識(shí)別準(zhǔn)確率至少能達(dá)到95%以上，表明本文方法提取特征能力強(qiáng)，具有一定的抗噪魯棒性，擾動(dòng)識(shí)別率高；對電網(wǎng)中實(shí)測得到的7 類擾動(dòng)，使用本文方法進(jìn)行識(shí)別準(zhǔn)確率能達(dá)到96.4%，同時(shí)也表明了本文方法泛化能力較好。

注：本文通訊作者為余雷。