现代电子技术
Modern Electronics Technique
2024年2月1日第47卷第3期
Feb.  2024Vol. 47  No. 3
0  引  言
近年来，具有不稳定性的可再生能源发电设备大量的被并入电网，从而导致并网电源输出的不确定性，引发一系列电能质量问题，如谐波、振荡、暂降等干扰[1]。这些干扰会对电网的安稳运行带来严重危害，准确识别电能质量扰动（Power Quality Disturbances, PQDs ）对后续电能质量治理、保证电网安稳运行至关重要。
特征提取是PQDs 识别的关键，S 变换[2⁃3]、小波变换[4⁃5]、变分模态分解[6]等是常用的特征提取方法。虽然这些方法取得一些进展，但是在使用上仍旧存在局限
性。不过随着神经网络的快速发展，为PQDs 识别提供了一种新的研究思路[7]。文献[8]和文献[9]将PQDs 时序数据通过格拉姆角场（Gramian Angular Field, GAF ）映射为二维图像，然后利用卷积神经网络（Co
nvolutional Neural Network, CNN ）进行识别；文献[10]将PQDs 时序数据通过马尔可夫转移场（Markov Transition Field, MTF ）转换得到模态图像，输入到结合多头注意力机制的CNN 中进行特征提取；文献[11]将PQDs 时序数据通过递归图（Recurrence Plot, RP ）生成二维图像，输入到长短时记忆神经网络中进行识别。上述文献所提方法对于PQDs 识别虽然都取得了不错的效果，但是也存在不足之处：
1） 大多只对简单的单一扰动或者两重扰动进行分
类，对于复杂的多重扰动尚未探究；
基于多模态图像融合的DCCNN 识别电能质量扰动
余  雷1， 刘宏伟1， 孟  芸2
（1.长安大学 能源与电气工程学院， 陕西 西安  710018； 2.长安大学 电子与控制工程学院， 陕西 西安  710064）摘  要： 为提高电力系统中电能质量扰动识别准确率，提出一种基于多模态图像融合的双通道卷积神经网络算法。首先，为降低传统格拉姆求和场生成特征图的冗余度，提出一种改进的格拉姆求和场；然后，通过改进的格拉姆求和场、马尔可夫转移场和无阈值递归图分别将电能质量扰动时序数据进行模态变换；其次，对转换生成的三类图像各提取出一个单通道灰度图进行融合；最后，将融合得
到的特征图输入到双通道卷积神经网络中进行扰动识别。实验表明：多模态融合得到的特征图扰动特征保留更多，而且双通道卷积神经网络提取特征能力强，具有一定的抗噪鲁棒性，扰动识别准确率高。
关键词： 电能质量扰动； 格拉姆求和场； 马尔可夫转移场； 无阈值递归图； 双通道卷积神经网络； 识别
中图分类号： TN911.73⁃34； TM711                文献标识码： A                  文章编号： 1004⁃373X （2024）03⁃0137⁃06
Multimodal image fusion based power quality disturbance recognition by DCCNN
YU Lei 1, LIU Hongwei 1, MENG Yun 2
(1. School of Energy and Electrical Engineering, Chang ’an University, Xi ’an 710018, China;
2. School of Electronics and Control Engineering, Chang ’an University, Xi ’an 710064, China)Abstract ： A dual⁃channel convolutional neural network (DCCNN) algorithm based on multimodal image fusion is proposed to improve the accuracy of power quality disturbance (PQD) recognition in power system. An improved Gramian angular summation field (IGASF) is proposed to reduce the redundancy of the traditional Gramian angular summation field (GASF) for generating feature maps. The PQD time series
data is subjected to modal transformation by IGASF, Markov transition field (MTF) and unthresholded recurrence plot (URP). A single channel grayscale image is extracted from each of the three types of images
generated by the transformation for fusion. The fused feature map is input into the DCCNN for disturbance recognition. The experiments show that the feature map obtained by multimodal fusion retains more disturbance features, and the DCCNN has strong ability to extract features, and has a certain anti noise robustness and high accuracy of disturbance recognition.
Keywords ： PQD; GASF; MTF; URP; DCCNN; recognition
DOI ：10.16652/j.issn.1004⁃373x.2024.03.025
引用格式：余雷，刘宏伟，孟芸.基于多模态图像融合的DCCNN 识别电能质量扰动[J].现代电子技术，2024，47（3）：137⁃142.
收稿日期：2023⁃07⁃13          修回日期：2023⁃08⁃08基金项目：陕西省重点研发计划（2023⁃YBGY⁃212）基金
137
现代电子技术
2024年第47卷
2） 受限于单种模态变换，在维度变换过程中容易造成扰动特征信息丢失；
3） 使用单通道网络结构进行识别，使得面对复杂扰动时提取特征信息不够完整，分类准确率不高。
基于以上考虑，本文提出一种基于多模态图像融合
的双通道卷积神经网络（Dual ⁃Channel Convolutional Neural Network, DCCNN ）算法。首先，为降低格拉姆求和场（Gramain Angular Summation Field, GASF ）特征图的冗余度，提出一种改进的格拉姆角和场（Improved Gramain Angular Summation Field, IGASF ）；然后，将扰
动信号通过IGASF 、MTF 、无阈值递归图（Un ⁃Thresholded Recurrence Plot, URP ）三种模态转换方法生成的图像各提取出一个灰度单通道图进行融合；最后，将融合得到的特征图输入到提出的DCCNN 模型进行识别。结果表明，该方法的抗噪声鲁棒性较好，扰动识别准确率高。
1  模态融合
面对采用单种模态对扰动信号进行变换过程中容易造成特征信息丢失的问题，本文采用不同模态融合进而使不同模态间的信息互补来弥补这一缺点。1.1  IGASF 模态转换
GAF 中的GASF 方法是基于余弦函数进行转换，会
导致生成的GASF 图有一半冗余度，因此提出一种改进的GASF 算法。
生成IGASF 特征图的步骤如下[12]：
1） 通过式（1）将扰动信号X ={x 1,x 2,⋯,x i ,⋯,x n }进
行归一化并缩放到[-1,1]区间，
x i (i =1,2,⋯,n )为序列X 中的任意一个采样点。
x
ˉi =(x i -max (X ))+(x i +min (X ))max (X )-min (X )
（1）
2） 用式（2）进一步将序列X 转化为极坐标时间
序列X 。
ìí
îθi =arccos (x i ),      -1≤x i ≤1, x i ∈X r i
=t i  N ,      t i ∈N （2）式中：
N 为正则化极坐标生成空间的常数因子；t i 为x i 对应的时间戳；
θi 为极坐标角度；r i 为极坐标半径。3） 基于式（3）将经式（2）得到的(r i ,θi )组合进行图
像编码变换，即可得到GASF 特征图。
GASF =éëêêêêêêùû
úú
ú
úúúx 11⋮⋯⋱x 1i ⋮⋯⋱x 1n ⋮x i 1⋯x ii ⋯x in ⋮⋱⋮⋱⋮x n 1⋯x ni ⋯x nn （3）
式中x 1i 代表cos (θ1+θi )，其余依次类推。
观察式（3）可得，GASF 矩阵沿着主对角线对称，这就是导致生成的图像有一半冗余的原因。所以，为降低GASF 图像冗余，对GASF 算法进行改进。式（4）是把主对角线置0，保留上三角信息，式（5）
是把主对角线置0，保留下三角信息。
GASF1=éëêêê
êêêêêùû
úúúúúúúú0
x 12⋯x 1n 0
0⋮⋮
⋮⋮
⋱x n -1,n 0
⋯
0（4）
GASF2=éëêêêêêêêêùû
úúúúúúúú
00⋯0x 210⋮⋮⋮⋮⋱0x n 1⋯x n ,n -10（5）将式（4）、式（5）按照式（6）进行结合，即可得到
IGASF 矩阵。
IGASF =GASF1+GASF2
（6）
扰动信号根据式（6）生成IGASF 图像时，可以大大降低图像的冗余。其中，GASF1和GASF2矩阵编码变换的对象是扰动发生时刻不同的同类扰动。1.2  MTF 模态转换
MTF 算法是通过马尔可夫转移概率把扰动数据变
换为二维图像[13]。首先将扰动数据按取值范围分为Q 个部分，通过迁移概率生成大小为Q ×Q 的马尔可夫变迁
场W ，表达式如式（7）所示：
W =éëêêêùû
úú
úw 11
…
w 1Q ⋮
⋱
⋮w Q 1
正则化损伤识别matlab⋯
w QQ ，
w ij =p {
}
x t +1∈|
q j x t ∈q i
（7）
式中：
w ij 为子空间q i 转移到子空间q j 的概率；x t 为t 时刻对应的信号幅值。
考虑到时间位置信息因素，将矩阵W 拓展到包含时间信息的MTF ，表达式如式（8）所示：
W =éëêêêùû
úú
úm 11
…
m 1Q ⋮
⋱
⋮m Q 1
⋯
m QQ ，
m ij =p {}
|
ωij x i ∈q i ,x j ∈q j
（8）
式中：
q i 为x i 对应的子空间；m ij 为子空间q i 转移到q j 的概率。
1.3  URP 模态转换
为保留扰动数据中所有的特征信息，本文采用URP
算法对扰动数据进行模态变换。将扰动数据进行相空间重构，得到高维相空间。对于相空间中的轨迹
x i (x ∈R d )，d 为嵌入维数，URP 定义如下[14]：
R i ,j (unthres)=
x i -x j ,    i ,j =1,2,⋯,N d
（9）
138
第3期
式中：
·为∞范数；R i ,j (unthres)为相空间中向量x i 和x j 间的欧氏距离。
因为灰度图能很好地表征图像中的特征信息，所以将扰动信号经上述三种模态转换后的图像各提取出一个灰度单通道图进行融合，这样生成的新特征图中扰动特征信息会更加充分，流程如图1
所示。
图1  多模态图像融合流程图
2  基于DCCNN 的扰动识别模型
CNN 在图像识别方面极具优势，一些作者已经把
CNN 应用到PQDs 识别领域。但是，大部分文献采用的
单通道CNN 只能对一些简单的扰动进行识别。同时，因为空洞卷积可以在不降低特征图尺寸的情况下实现感受野的增长，从而使每个卷积的输出包含更多的信息，所以为提高识别复杂扰动的准确率，本文提出一种引入空洞卷积的DCCNN 结构。
普通卷积与空洞卷积的区别如图2所示，其中卷积核以3×3
为例。
图2  普通卷积和空洞卷积示意图
图2a ）为普通卷积（扩张率为1），图2b ）为空洞卷积（扩张率为2）。由图2可知，同样大小的卷积核，空洞卷积后的感受野比普通卷积感受野要大，意味着相同大小
的卷积核空洞卷积能提取更多的扰动特征。
本文提出的DCCNN 模型扰动识别流程如图3
所示。
图3  DCCNN 结构扰动识别流程图
基于DCCNN 模型的扰动识别算法流程如下：1） 将经过多模态图像融合生成的特征图作为该网络的输入；
2） 在双通道的不同卷积模块中，对输入图像均进
行卷积、池化等操作，然后将获取的特征矩阵经全连接层转化为一维特征向量；
3） 将两个通道得到的一维特征向量在特征融合层进行融合，接着输入到Softmax 分类器中进行扰动分类。DCCNN 模型中激活函数使用的是ReLU ，优化器选
用的是Adam ，学习率设置为0.000 1，损失函数采用交叉熵损失函数，该网络的具体参数如表1所示。
表1  DCCNN 模型主要参数
通道名
通道1
通道2
网络名普通卷积普通卷积池化层
普通卷积普通卷积Flatten 空洞卷积空洞卷积
池化层空洞卷积空洞卷积Flatten
卷积核大小
5×55×53×35×55×5—4×44×43×34×44×4—
卷积核个数
3232—6464—3232—6464—
Dropout —————0.6—————0.6
3  算例分析
本实验的计算机配置为12th Gen Intel Ⓡ Core TM  i5⁃
12500H 2.50 GHz 、16 GB RAM 和NVIDA GeForce RTX3050 Ti Laptop GPU ，网络模型基于TensorFlow 2.6的Python 语言搭建。由Matlab 仿真生成20种PQDs ，其
余  雷，等：基于多模态图像融合的DCCNN 识别电能质量扰动
139
现代电子技术
2024年第47卷
中包括8种单一扰动、12种复合扰动。每种扰动生成1 000个样本，训练集和测试集随机划分比例为8∶2。
每种扰动所对应标签如表2所示。
表2  PQDs 类别及其对应的标签
PQDs 类别闪变⁃暂降闪变⁃暂升闪变缺口
谐波⁃暂降⁃闪变⁃振荡谐波⁃暂升⁃闪变⁃振荡
谐波中断正常振荡
标签s0s1s2s3s4s5s6s7s8s9
PQDs 类别暂降暂降⁃谐波⁃闪变暂降⁃谐波⁃振荡暂降⁃谐波暂降⁃振荡暂升暂升⁃谐波⁃闪变暂升⁃谐波⁃振荡暂升⁃谐波暂升⁃振荡
标签s10s11s12s13s14s15s16s17s18s19
3.1  训练过程可视化分析
提出的DCCNN 模型输入特征图大小为128×128×3，
迭代250次，得到训练集与测试集的准确率及其相应的损失值，训练过程如图4
所示。
图4  训练过程可视化
由图4可知，随着迭代次数的增加，训练集、测试集的准确率不断提升，最终稳定在97.5%左右。
图5为扰动数据经不同单模态转换后，DCCNN 模型测试集输出的相应准确率。
从图5分析可知，PQDs 时序数据转换为GASF 特征图后，识别准确率达到92.8%；转换为改进后的IGASF 特征图后，识别准确率达到95.6%，比未改进前的GASF 特征图识别准确率提高了2.8%；转换为URP 和MTF 特征图后，识别准确率达到94.7%。四种单模态转换方法最终准确率都没达到97.5%，说明了本文方法能保留更
多的扰动特征信息。
图5  不同模态测试集识别准确率
3.2  不同信噪比可视化分析
为使仿真模拟接近实际情况，在划分好的测试集中
分别随机加入30 dB 、40 dB 、50 dB 的高斯白噪声，用训练好的模型去识别。图6为测试集在无噪声、30 dB 、40 dB 、50 dB 高斯白噪声环境下输出的混淆矩阵，其中横坐标代表预测类别的标签，纵坐标代表真实类别的标签，对角线和非对角线元素代表相对应的PQDs 标签判断正确
和判断错误的数量。
图6a ）为无噪声环境下测试集输出的混淆矩阵，可以看出大多数扰动都被正确识别出来，s11代表暂降⁃谐波⁃闪变复合扰动，虽然正确识别数量较少，但也能达到93.5%的准确率；图6b ）为加入30 dB 高斯白噪声后测试集输出的混淆矩阵，总体准确率达到95.1%，相比于无噪声条件下降了2.4%；图6c ）和图6d ）分别为加入40 dB 和50 dB 高斯白噪声后测试集输出的混淆矩阵，总体准确率达到97.1%，相比于无噪声条件下降了0.4%。虽然加入不同分贝的噪声后，测试集准确率略有下降，但仍能保持较高的识别准确率，说明了本文方法具有一定的抗噪鲁棒性。
3.3  不同方法识别结果分析
为进一步评价本文方法的有效性和可行性，将本文
方法的识别准确率与文献[15⁃16]中的识别准确率进行比较，并在表3中给出。其中，由于PQDs 信号组合较多，多数文献研究的扰动信号不完全一样，因此表3给出的识别准确率是相关文献与本文所研究的扰动对象重合部分。
140
第3期
表3  不同方法识别准确率性能比较          %
方法文献[15]方法文献[16]方法本文方法
SNR=30 dB 95.1695.1495.70
SNR=40 dB 96.9497.0297.22
SNR=50 dB
——97.20
对表3分析可知，本文方法不仅在不同噪声环境下对扰动识别正确率波动更小，而且本文的DCCNN 模型提取特征能力强，识别准确率要高于其他方法。3.4  工程数据可视化分析
工程数据来自国家电网宝鸡供电公司扶风、硖石、
黄牛、嘉陵、向阳变电站，因为工程数据有限，只有谐波（c0）、中断（c1）、暂态振荡（c2）、暂降⁃谐波（c3）、暂降⁃暂态振荡（c4）、暂升（c5）、暂升⁃暂态振荡（c6）等7类扰动，
每类扰动选择200个电网实测信号作为训练集，20个实测信号作为测试集。其中，图7为110 kV 黄牛变电站故障
发生时电网母线侧三相电压录波监测得到的扰动波形。
图7
黄牛变电站故障发生时母线电压波形
图6  不同噪声条件下测试集识别准确率
余  雷，等：基于多模态图像融合的DCCNN 识别电能质量扰动141

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。