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

doi:10.16628/j.cnki.2095-8188.2022.07.004

Abstract

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

CLC Number:

TM933

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.

Figures/Tables 8

References 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