基于格莱姆角场和迁移学习的电能质量扰动分类研究

doi:10.16628/j.cnki.2095-8188.2022.07.004

电器与能效管理技术 ›› 2022, Vol. 0 ›› Issue (7): 21-26.doi: 10.16628/j.cnki.2095-8188.2022.07.004

基于格莱姆角场和迁移学习的电能质量扰动分类研究

裘星¹, 尹仕红¹, 张之涵¹, 潘深琛¹, 江敏丰¹, 杨建明¹, 郑建勇²

1.深圳供电局有限公司, 广东深圳 440304
2.东南大学电气工程学院, 江苏南京 210096

收稿日期:2022-01-23 出版日期:2022-07-30 发布日期:2022-09-16
作者简介:裘星(1990—),男,助理工程师,主要从事电能计量技术检测研究工作。|尹仕红(1978—),女,高级工程师,主要从事电能计量技术检测研究工作。|张之涵(1991—),男,工程师,主要从事电能计量技术检测研究工作。
基金资助:
深圳供电局有限公司科技项目(090000KK52190185)

Research on Classification of Power Quality Disturbances Based on GAF and Transfer Learning

QIU Xing¹, YIN Shihong¹, ZHANG Zhihan¹, PAN Shenchen¹, JIANG Minfeng¹, YANG Jianming¹, ZHENG Jianyong²

1. State Grid ShenZhen Electric Power Company, ShenZhen 440304, China
2. School of Electrical Engineering,Southeast University, Nanjing 210096, China

Received:2022-01-23 Online:2022-07-30 Published:2022-09-16

摘要/Abstract

摘要：

针对电能质量扰动(PQD)的分类,提出了一种基于格拉姆矩阵(GAF)和迁移学习的PQD分类方法。首先,采用GAF将一维的PQD信号数据转化为二维图片,然后将生成的图片采用改进过的迁移学习模型AlexNet进行图片的训练和分类,最终完成PQD的分类。最后采用IEEE 14模型仿真出不同类型的PQD信号并对所提方法进行验证,结果证明了所提方法的有效性。

关键词: 电能质量, 扰动分类, 格拉姆矩阵, 迁移学习

Abstract:

Aiming classifying the power quality disturbance (PQD),a PQD classification method based on Gramian Angular Field (GAF) and transfer learning proposed.First,GAF is used to convert one-dimensional PQD signal data into two-dimensional pictures.Then,the generated pictures are trained and classified by the improved transfer learning model AlexNet,and the PQD classification is completed.Finally,the IEEE 14 model is used to simulate different types of PQD signals,and the proposed mothod is verified.The results show that the proposed method is effective.

Key words: power quality, disturbance classification, gram matrix, transfer learning

中图分类号:

TM933

裘星, 尹仕红, 张之涵, 潘深琛, 江敏丰, 杨建明, 郑建勇. 基于格莱姆角场和迁移学习的电能质量扰动分类研究[J]. 电器与能效管理技术, 2022, 0(7): 21-26.

QIU Xing, YIN Shihong, ZHANG Zhihan, PAN Shenchen, JIANG Minfeng, YANG Jianming, ZHENG Jianyong. Research on Classification of Power Quality Disturbances Based on GAF and Transfer Learning[J]. LOW VOLTAGE APPARATUS, 2022, 0(7): 21-26.

图/表 8

图1

表1

图2

图3

图4

图5

图6

表2

参考文献 19

[1]	王燕. 电能质量扰动检测的研究综述[J]. 电力系统保护与控制, 2021, 49(13):174-186.
[2]	李学军, 郭建华, 赵尔敏. 计及边缘计算任务分配优化的电能质量分析[J]. 电器与能效管理技术, 2021(6):92-98.
[3]	马智远, 周凯, 许中. 基于数据融合技术的电能质量扰动关联分析[J]. 电器与能效管理技术, 2019(3):56-63.
[4]	王耿耿, 孟高军, 孙玉坤, 等. 微电网并网环境下电能质量分析与研究综述[J]. 电器与能效管理技术, 2019(15):81-89.
[5]	朱永强, 李翔宇, 夏瑞华. 电能质量讲座第一讲新能源并网引起电能质量问题综述[J]. 电器与能效管理技术, 2017(21):62-66.
[6]	李雅欣, 侯慧娟, 胥明凯, 等. 基于策略梯度和生成式对抗网络的变压器油色谱案例扩充方法[J]. 电力自动化设备, 2020, 40(12):211-218.
[7]	王继东, 张迪. 基于侧输出融合卷积神经网络的电能质量扰动分类方法[J/OL]. 电力自动化设备:1-7 [2021-08-30]. https://doi.org/10.16081/j.epae.202107010.
[8]	LI J S, LIU H, WANG D K, et al. Classification of power quality disturbance based on S-transform and convolution neural network[J/OL]. https://doi.org/10.3389/feng.2021.708131.
[9]	CHAMCHUEM S, SIRITARATIWAT A, FUANGFOO P, et al. Adaptive salp swarm algorithm as optimal feature selection for power quality disturbance classification[J/OL]. https://doi.org/10.3390/app11125670.
[10]	郑炜, 林瑞全, 王俊. 基于GAF与卷积神经网络的电能质量扰动分类[J]. 电力系统保护与控制, 2021, 49(11):97-104.
[11]	黄永红, 浦骁威, 张龙. 基于MLMD的电能质量扰动检测方法[J/OL]. 电测与仪表:1-9 [2021-08-30]. http://kns.cnki.net/kcms/detail/23.1202.TH.20210510.1016.002.html.
[12]	张淑娟, 孙伟, 汪玉, 等. 谐波环境下基于时域特性分析的电能质量评估[J]. 信息技术, 2021(4):130-135.
[13]	薛正爱, 黄陈蓉, 张建德. 基于小波系数PCA和SaDE-ELM的电能质量扰动信号分类[J]. 电工电气, 2021(4):6-10.
[14]	徐菲菲, 张雷. LNG接收站电能质量分析及治理措施探讨[J]. 电力设备管理, 2021(3):171-173.
[15]	万新强, 王洪寅. 基于SVM机器学习算法的电能质量扰动分类与评估[J]. 电工技术, 2021(2):96-99.
[16]	徐佳雄, 张明, 王阳. 基于改进HHT的电能质量扰动检测新方法[J]. 智慧电力, 2021, 49(1):1-8.
[17]	丁琰, 张宸宇, 李丹奇. 基于SVM的直流电能质量扰动分类算法[J/OL]. 电测与仪表:1-12 [2021-08-30]. http://kns.cnki.net/kcms/detail/23.1202.TH.20200827.1600.014.html.
[18]	王维博, 张斌, 曾文入. 基于特征融合一维卷积神经网络的电能质量扰动分类[J]. 电力系统保护与控制, 2020, 48(6):53-60.
[19]	屈相帅, 段斌, 尹桥宣. 基于稀疏自动编码器深度神经网络的电能质量扰动分类方法[J]. 电力自动化设备, 2019, 39(5):157-162.

层类型	核函数大小	激活函数	计算过程	输出
卷积层1	11×11,48	relu	(227-11)/4	55×55
池化层1	K_s=3,s=2		(55-3)/2+1	27×27
卷积层2	5×5,128	relu	(31-5)/2+1	27×27×256
池化层2	K_s=3,s=2		(27-3)/2+1	13×13×256
卷积层3	3×3,192	relu	(15-3)/1+1	13×13×256
卷积层4	3×3,192	relu	(15-3)/1+1	13×13×256
卷积层5	3×3,192	relu	(15-3)/1+1	13×13×256
池化层5	K_s=3,s=2		(13-3)/2+1	13×13×256
全链接层1	dropout			4 096神经元
全链接层2	dropout			4 096向量
全链接层3	PQD种类数M			M×1向量

扰动类型	分类识别率/%
	15 dB				25 dB
	方法 1	方法 2	方法 3	本文	方法 1	方法 2	方法 3	本文
电压暂降	45.5	91.2	96.3	98.6	98.2	45.1	42.2	45.4
电压暂升	78.5	89.6	86.3	98.5	65.5	83.2	80.1	98.6
电压中断	68.5	85.3	75.3	97.6	67.3	88.3	71.2	98.2
振荡暂态	80.2	86.3	79.3	96.8	78.3	85.6	75.6	95.3
谐波	68.9	85.3	75.3	98.4	67.3	85.3	76.3	97.3
电压尖峰	65.3	85.3	89.3	99.3	65.3	85.6	87.6	98.8
电压缺口	67.3	85.6	86.3	99.7	64.3	75.8	85.3	97.7
谐波+电压暂降	67.5	85.2	88.8	94.2	69.2	74.3	88.3	93.5
谐波+电压暂升	63.5	86.4	88.7	95.1	63.6	74.3	85.6	96.3
平均值	67.3	87.2	87.1	97.6	65.8	78.6	87.4	97.1

基于格莱姆角场和迁移学习的电能质量扰动分类研究

Research on Classification of Power Quality Disturbances Based on GAF and Transfer Learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 19

相关文章 9

编辑推荐

Metrics

本文评价

[1]	李新元, 高鹏, 于浩然, 申振东, 王佰超, 林焱. 基于有源电力滤波器的多功能电子负载设计[J]. 电器与能效管理技术, 2022, 0(4): 41-46.
[2]	吴炬卓, 陈书原, 牛海清, 陆小鹏. 混沌粒子群优化小波神经网络在电能质量扰动信号分类中的应用[J]. 电器与能效管理技术, 2022, 0(2): 68-73.
[3]	李学军, 郭建华, 赵尔敏, 张振南, 魏凯, 袁铁江. 计及边缘计算任务分配优化的电能质量分析[J]. 电器与能效管理技术, 2021, 0(6): 92-98.
[4]	李新元, 马骏, 高鹏, 于浩然, 林焱, 吕海超, 申振东. 基于相序自适应的三相电能质量调节装置[J]. 电器与能效管理技术, 2021, 0(3): 61-67.
[5]	赵杰, 周智鹏, 楚肖风. 智能小型断路器典型小负载电气特性分析[J]. 电器与能效管理技术, 2021, 0(2): 45-47.
[6]	张华赢, 黄炜. 国际先进电网电压暂降评估指标和严重程度探讨^*[J]. 电器与能效管理技术, 2020, 0(8): 100-103.
[7]	顾阳, 刘成健, 辛瑶, 吉兰芳, 胡昇. 基于电能质量精细化控制的供电服务成效提升研究与应用^*[J]. 电器与能效管理技术, 2020, 0(8): 94-99.
[8]	刘可, 王轩. 计及全电路分布参数影响的CVT频率特性分析及传递系数修正策略[J]. 电器与能效管理技术, 2020, 0(7): 8-15.
[9]	黄雨龙, 李靖, 田新疆. 双电源转换开关电网信号检测电路设计[J]. 电器与能效管理技术, 2020, 0(3): 43-49.