论文部分内容阅读
摘要：针对电能质量扰动数据大、识别算法繁琐，难以实现在线实时识别等问题，提出了基于深度卷积神经网络 AlexNet的电能质量扰动识别数法，首先将各类电能质量扰动转化为图片格式，然后输入到AlexNet算法，通过学习、调整电能质量扰动信号的特征参数，迭代收敛，最后将实时的电能质量扰动通过训练好的AlexNet，直接实现扰动识别分类。实时仿真结果表明，所提出的方法能精确识别包括3种复合扰动在内的17种电能质量扰动问题，只需要对电能质量扰动信号进行学习，即可以直接对电能质量扰动信号进行识别与分类，识别算法简单且处理的时间短，达到了实时性的目的。
关键词：电力系统;深度卷积神经网络;AlexNet;复合扰动;电能质量
中图分类号：TM761 文献标志码：A doi： 10.7535/hbgykj.2019yx01008
ZHANG Lipeng，ZHENG Yan，QIN Gang，et al.Real-time power quality disturbance recognition method[J].Hebei Journal of Industrial Science and Technology，2019，36（1）：42-46.Real-time power quality disturbance recognition method
ZHANG Lipeng1， ZHENG Yan1， QIN Gang2， DONG Ji2， SUN Wei3
（1. Langfang Power Supply Company， State Grid Jibei Electric Power Company Limited， Langfang，Hebei 065000， China; 2.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources， North China Electric Power University， Baoding， Hebei 071003， China; 3. Baoding Power Supply Company， Hebei Electric Power Corporation， Baoding， Hebei 071000， China）
Abstract：In view of such problems as the large amount of data of disturbance signals in power system， the numerous links of current identification algorithms， and the lack of real-time power quality disturbance identification， AlexNet classification algorithm is used in deep convolution neural network for power quality disturbance identification. Firstly， the power quality disturbances are converted into picture format and input into AlexNet algorithm. By learning and adjusting the characteristic parameters of the power quality disturbance signal， iterative convergence is realized. Finally， the real-time power quality disturbances are recognized and classified directly by AlexNet. Real-time simulation shows that this method can accurately identify 17 kinds of power quality disturbances including three kinds of compound disturbances. The method can recognize and classify power quality disturbance signals directly after learning the power quality disturbance signals. The recognition algorithm is simple and the processing time is short， which achieves the purpose of real-time.
Keywords：electrical power system; deep convolutional neural networks; AlexNet; load disturbance; quality of electric energy
在大力發展绿色电力的时代背景下，光伏发电、风力发电等所占的比例越来越大，电能储存及转换、大量电力电子设备的使用，导致电能质量问题日益突出。高新科技的发展，尤其是自动控制技术的发展，对供电电能质量提出了更高的要求，电能问题的治理日益迫切，对各种电能质量问题的识别与分类是治理电能质量问题的前提。
第1期张立鹏，等：一种实时电能质量扰动识别分类方法河北工业科技第36卷传统的电能质量扰动识别主要包括3个重要的环节，分别是信号分析、特征值提取、识别与分类。信号分析与特征值提取方法主要有：傅里叶变换、小波变换、希尔伯特-黄变换、S变换等。傅里叶变换[1-2]仅适用于分析平稳信号，对暂态的信号处理能力较弱。小波变换[3-4]反映信号特征不够直观，造成分类器设计复杂。希尔伯特-黄变换[5-7]存在端点效应、模态混叠等问题。S变换[8]（S-transform，ST）采用了高斯窗口函数且窗宽与频率成反比，不能很好地满足电能扰动信号分析的精度。以上信号分析的方法都存在着算法本身固有属性导致的问题，且计算量都过多，影响了算法在现场中应用。 特征值的识别与分类方法主要有：支持向量机，决策分类树等。支持向量机[9-10]是将数据映射到高维空间，数据在高维空间距离相对较大，系数缺乏理论指导，选择难度较大。决策分类树[11]的分类依靠阈值的选择，抗噪能力差。目前的识别方法都不是直接识别扰动信号，而是先进行信号处理，再进行特征值提取，然后进行识别分类。其根本原因在于：学习能力较差，难以通过直接学习扰动信号而得到扰动信号的特征。
相较于传统的电能质量扰动识别与分类的算法将过程分为3部分，AlexNet[12-13]分类算法具有强大的学习能力，只需要让AlexNet直接学习扰动信号即可以实现扰动识别与分类。AlexNet采用8层神经网络。这8层神经网络由5个卷积层和3个全连接层组成。整个网络包含6亿3 000万个链接、6 000万个参数和65万个神经元。强大的结构可为基于深度卷积神经网络AlexNet提供极强的学习能力。利用图形处理器（graphics processing unit，GPU）强大的矩阵计算能力，AlexNet采用了增加多层结构增加网络的深度，而不是增加网络的宽度，这样的优化高效网络结构，保证了AlexNet在较短的时间内收敛。AlexNet采用的是非线性非饱和函数ReLU，相较于tanh有更高效的收敛速度。
本文将基于深度卷积神经网络AlexNet的分类算法应用于电能质量的扰动分类，达到了实时性，满足工业现场的应用需要。首先阐述了各类电能质量扰动特点，然后提出了基于深度卷积神经网络AlexNet的分类算法，最后通过AlexNet学习、调整电能质量扰动信号的特征参数，迭代收敛，将实时的电能质量扰动通过训练好的AlexNet，直接实现扰动识别分类。
1电能质量扰动信号及其分析
针对电能质量问题，本文使用MATLAB仿真17种信号，分别是无扰动、电压中断、电压暂降、电压暂升、闪变、谐波、暂降含谐波、暂升含谐波、闪变含谐波、暂态振荡、暂降含暂态振荡、暂升含暂态振荡、闪变含暂态振荡、暂态振荡含谐波、暂态振荡含谐波与电压暂降、暂态振荡含谐波与电压暂升、暂态震荡含谐波与闪变。使用了3.2 kHz的采样频率。图1为单一电能质量扰动波形图。
由图1 a）可知，电压中断只是电压有效值在发生扰动時下降得非常低，但波形的形状是正弦的。由图1 b）可知，电压暂降只是有效值在发生扰动时出现下降，下降程度小于电压中断，但波形的形状是正弦的。由图1 c）可知，电压暂升只是有效值发生扰动时出现了上升，但波形的形状是正弦的。由图1 d）可知，闪变只是有效值发生了周期性的波动，但波形的形状是正弦的。由图1 e）可知，谐波的波形出现了稳定的尖峰，导致了整个波形的形状不太接近于正弦。由图1 f）可知，暂态振荡在扰动发生的期间出现了比较密集的尖峰，非扰动期间波形是正弦的。暂降含谐波、暂升含谐波、闪变含谐波、暂态振荡、暂降含暂态振荡、暂升含暂态振荡、闪变含暂态振荡、暂态振荡含谐波、暂态振荡含谐波与电压暂降、暂态振荡含谐波与电压暂升、暂态振荡含谐波与闪变这些复合扰动的特征是单一扰动的特征的组合。
2基于深度卷积神经网络AlexNet的分类算法
2.1卷积神经网络
卷积神经网络[14-15]是对传统神经网络的改进，它由数据输入层、卷积层、激励层、池化层和全连接层组成，基本结构如图2所示。
数据输入层的作用是对原始数据进行预处理，包含了去均值、归一化和PCA/白化。去均值的目的是实现不同数据的均值为零，归一化使不同数据的范围归一化到相同的范围，PCA/白化对不同数据的各个特征轴的幅值进行归一化。卷积计算层是卷积神经网络最重要的一个结构，也是卷积神经网络名称的来源。先进行矩阵填充，使得滑动窗口可以刚好遍历填充后的矩阵。滑动窗口对输入矩阵进行截取，并在截取得到的小矩阵进行内积计算，把内积计算的结果与偏置值相加。以上过程即为卷积计算过程。激励层一般使用ReLU（the rectified linear unit）作为激励函数，其优点在于收敛速度快。池化层由于连接卷积层，可以减小过拟合。全连接层是一种传统的多层感知层，在输出层。
常见的基于深度神经网络的算法主要有：AlexNet，VGGNet，GoogleNet，ResNet等。由于电能扰动信号不同扰动之间的特征差异较大，故选择了结构简单的AlexNet作为电能扰动分类器。在保证较高的识别与分类准确度的同时，减少训练所需的时间。
2.2AlexNet的基本原理
AlexNet在2012年由Girshick等提出，其优点在于，使用ReLU作为神经网络的激活函数。在网络的层次较多时，ReLU的效果优于Sigmod，解决了Sigmod在多层结构的神经网络的梯度弥散问题。在全连接层使用了Dropout结构，随机忽略一部分卷积神经结构，从而避免过拟合。提出LRN（local response normalization，即局部响应归一化）层，增强了反馈较大的神经元，抑制了反馈较小的神经元，达到了强化模型的泛化能力的目的。使用GPU作为神经网络的训练的核心，充分利用了GPU强大的矩阵计算能力，为大型神经网络在现场应用扫清了障碍。AlexNet的结构如图3所示。
AlexNet为8层结构，其中前5层为卷积层，后面3层为全连接层。第1层为数据输入层，其输入矩阵的维度为227×227×3，输入的图像数据被维度为11×11×3滑动窗口进行卷积计算，每一次滑动后进行一次卷积，卷积后会形成一个新的矩阵元素。滑动窗口的步长为4个单位，滑动的方向为纵向和横向。然后经过池化层池化处理得到27×27×96的矩阵。第2层的输入为第1层的输出，和第1层的处理方式基本相同。滑动窗口的维度为5×5×48，通过池化层池化之后，再进行局部响应层进行归一化处理，得到矩阵的维度为13×13×128。第3层同样按照第1层的方式，进行卷积计算和池化处理，得到矩阵的维度为13×13×192。第4层和第3层的处理方式基本相同。第5层进行卷积计算之后，进行重叠池化处理，得到矩阵的维度为6×6×256。第6层的滑动窗口的维度为6×6×256，与输入矩阵的维度一致，经过激活函数与dropout运算输出4 096个本层的输出结果值。第7层将第6层输送过来的4 096个数据进行激活函数与dropout运算处理得到4 096个数据。第8层将输入的4 096个数据与1 000个神经元连接，并输出训练结果。 3AlexNet在电能质量扰动识别中的应用
本文将基于深度卷积神经网络AlexNet的分类算法应用在电能质量扰动识别中。首先修改AlexNet算法，主要对第8层的结构进行修改，即输出层，由于本文是对17种扰动进行分类，故将第8层输入的4 096个数据与17个神经元连接，然后将采集到的各种电能扰动数据按照时间顺序依次写入到227×227的矩阵中，得到灰度图像，再将图像复制3次即可以得到227×227×3的矩阵，作为AlexNet输入数据。将预先分类好各种扰动的数据转化成图片（图片的形式如图4所示），输入给AlexNet学习，经过反复的迭代，AlexNet不断的调整参数，最后收敛，迭代过程结束。将待测的实时电能质量扰动数据输入给训练好的AlexNet，根据AlexNet的第8层的输出结果，即可以得出分类的结果。
4仿真结果分析
通过仿真生成每种扰动的训练样本为900组，测试样本为100组，每一个样本采集了4 096个点，采样频率为3 200 Hz。其中设置学习率为0.000 1，每次训练的样本为50组。AlexNet每次从总训练样本随机筛选出50组进行训练，这样的训练记为一次迭代，每次迭代都会改变神经网络中的参数，并且为了检验训练的效果，从总训练的样本中随机抽取一定数目的样本作为当前的测试样本进行测试。总的训练样本全部进行了一次训练，即记为一个时代。
由图5可以看出，AlexNet进行了1 200次的迭代过程，把总样本进行30次的训练，即进行了30个时代。在进行了一个时代的迭代后，AlexNet基本已经收敛了，在随后的20个时代中，AlexNet的识别精度只是出现了几次小幅度的波动，但依然高达90%以上。在最后的10个时代的迭代中，AlexNet的识别精度一直保持在99%以上。
AlexNet的训练结束后，进行了每种扰动100组、共计 1 700组测试样本的测试，测试结果如表1所示。本文将传统方法的一种和本文提出的方法进行对比，如表2所示。计算时间为算法处理所有的样本时间除以样本数。由表2可以看出，S变换（ST）与支持向量機（SVM）的算法处理时间主要由信号分析时间组成，而本文提出的方法主要由识别与分类时间组成。ST+SVM所用时间是AlexNet时间的143倍，而ST+SVM的识别与分类的正确率仅比AlexNet高0.57%，说明此算法具有优越的实时性以及较好的有效性。
5结语
仿真测试表明，在没有任何其他算法的辅助下，所提出的算法依然能够准确地识别17种扰动，其中还包括3种同时发生的复合扰动，简化了电能质量扰动识别的过程，降低了算法的实现难度，减少了计算时间，达到了实时性的目的，提高了算法在工程应用中的可实施性。将AlexNe应用到电能质量扰动识别中，具有非常重要的实际意义。本文算法并没有验证电力系统中所有可能出现的扰动类型，因此需要在今后的研究中进一步验证此方法是否能够有效地识别其他扰动类型。
参考文献/References：
[1]DAI W， CHEN D D， CHEUNG R C C， et al. Area-time efficient architecture of FFT-based montgomery multiplication[J]. IEEE Transactions on Computers，2017， 66（3）：375-388.
[2]SINGH U， SINGH S N. Application of fractional Fourier transform for classification of power quality disturbances[J]. Iet Science Measurement & Technology， 2017， 11（1）：67-76.
[3]ERISSTI H， DEMIR Y . Automatic classification of power quality events and disturbances using wavelet transform and support vector machines[J]. Iet Gener Transm Distrib，2012， 6（10）：968-976.
[4]THIRUMALA K，SHANTAN U， JAIN T， et al. Visualizing time-varying power quality indices using generalized empirical wavelet transform[J]. Electric Power Systems Research， 2017， 143（8）：99-109.
[5]田振果，傅成华，吴浩，等.基于HHT的电能质量扰动定位与分类[J].电力系统保护与控制，2015，43（16）：36-42.
TIAN Zhenguo， FU Chenghua， WU Hao，et al. Power quality disturbance for location and classification based on HHT[J]. Power System Protection and Control，2015，43（16）：36-42.
[6]URBINA-SALAS I，RAZO-HERNANDEZ J R， GRANADOS-LIEBERMAN D， et al.Instantaneous power quality indices based on single-sideband modulation and wavelet packet-hilbert transform[J]. IEEE Transactions on Instrumentation & Measurement，2017，7（99）：1-11. [7]KUMAR R， SINGH B， SHAHANI D T. Recognition of single-stage andmultiple power quality events using Hilbert-Huang transform and probabilistic neural network[J]. Electric Machines & Power Systems， 2015，43（6）：13.
[8]黄南天，徐殿国，刘晓胜.基于S变换与SVM的电能质量复合扰动识别[J].电工技术学报，2011，26（10）：23-30.
HUANG Nantian，XU Dianguo， LIU Xiaosheng. Identification of pow erquality complex disturbances based on S-transform and SVM [J]. Transactions of China Electrotechnical Society，2011，26（10）： 23-30.
[9]HUANG Jiansheng， JIANG Zhuhan， RYLANDS L，et al.SVM-based PQ disturbance recognition system[J]. Iet Gener Transm Distrib，2018，12（2）： 328-334.
[10]LIU Y， WEN K， GAO Q， et al. SVM based multi-label learning with missing labels for image annotation[J]. Pattern Recognition， 2018，78（6）： 307-317.
[11]黄南天，张卫辉，蔡国伟，等.采用改进多分辨率快速S变换的电能质量扰动识别[J].电网技术，2015，39（5）：1412-1418.
HUANG Nantian， ZHANG Weihui， CAI Guowei， et al.Power quality disturbances classification with improved multiresolution fast S-transform[J].Power System Technology，2015，39（5）：1412-1418.
[12]KRIZHEVSKY A， SUTSKEVER I， HINTON G E.Image netlassification with deep convolutional neural networks [C]//International Conferenceon Neural Information Processing Systems.[S.l.]：Curran Associates Inc，2012：1097-1105.
[13]GANIN Y， USTINOVA E， AJAKAN H， et al. Domain-adversarial trainin of neural networks[J]. Journal of Machine Learning Research，2015， 17（1）：2030-2096.
[14]YOSINSKI J， CLUNE J， BENGIO Y， et al. How transferable are features in deep neural networks[J]. EprintArxiv， 2014， 27（5）：3320-3328.
[15]KALCHBRENNER N， GREFENSTETTE E， BLUNSOM P. A convolutional neural network for modelling sentences[J]. Eprint Arxiv， 2014，52（4）： 14-20.第36卷第1期河北工業科技Vol.36，No.1
关键词：电力系统;深度卷积神经网络;AlexNet;复合扰动;电能质量
中图分类号：TM761 文献标志码：A doi： 10.7535/hbgykj.2019yx01008
ZHANG Lipeng，ZHENG Yan，QIN Gang，et al.Real-time power quality disturbance recognition method[J].Hebei Journal of Industrial Science and Technology，2019，36（1）：42-46.Real-time power quality disturbance recognition method
ZHANG Lipeng1， ZHENG Yan1， QIN Gang2， DONG Ji2， SUN Wei3
（1. Langfang Power Supply Company， State Grid Jibei Electric Power Company Limited， Langfang，Hebei 065000， China; 2.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources， North China Electric Power University， Baoding， Hebei 071003， China; 3. Baoding Power Supply Company， Hebei Electric Power Corporation， Baoding， Hebei 071000， China）
Abstract：In view of such problems as the large amount of data of disturbance signals in power system， the numerous links of current identification algorithms， and the lack of real-time power quality disturbance identification， AlexNet classification algorithm is used in deep convolution neural network for power quality disturbance identification. Firstly， the power quality disturbances are converted into picture format and input into AlexNet algorithm. By learning and adjusting the characteristic parameters of the power quality disturbance signal， iterative convergence is realized. Finally， the real-time power quality disturbances are recognized and classified directly by AlexNet. Real-time simulation shows that this method can accurately identify 17 kinds of power quality disturbances including three kinds of compound disturbances. The method can recognize and classify power quality disturbance signals directly after learning the power quality disturbance signals. The recognition algorithm is simple and the processing time is short， which achieves the purpose of real-time.
Keywords：electrical power system; deep convolutional neural networks; AlexNet; load disturbance; quality of electric energy
在大力發展绿色电力的时代背景下，光伏发电、风力发电等所占的比例越来越大，电能储存及转换、大量电力电子设备的使用，导致电能质量问题日益突出。高新科技的发展，尤其是自动控制技术的发展，对供电电能质量提出了更高的要求，电能问题的治理日益迫切，对各种电能质量问题的识别与分类是治理电能质量问题的前提。
第1期张立鹏，等：一种实时电能质量扰动识别分类方法河北工业科技第36卷传统的电能质量扰动识别主要包括3个重要的环节，分别是信号分析、特征值提取、识别与分类。信号分析与特征值提取方法主要有：傅里叶变换、小波变换、希尔伯特-黄变换、S变换等。傅里叶变换[1-2]仅适用于分析平稳信号，对暂态的信号处理能力较弱。小波变换[3-4]反映信号特征不够直观，造成分类器设计复杂。希尔伯特-黄变换[5-7]存在端点效应、模态混叠等问题。S变换[8]（S-transform，ST）采用了高斯窗口函数且窗宽与频率成反比，不能很好地满足电能扰动信号分析的精度。以上信号分析的方法都存在着算法本身固有属性导致的问题，且计算量都过多，影响了算法在现场中应用。 特征值的识别与分类方法主要有：支持向量机，决策分类树等。支持向量机[9-10]是将数据映射到高维空间，数据在高维空间距离相对较大，系数缺乏理论指导，选择难度较大。决策分类树[11]的分类依靠阈值的选择，抗噪能力差。目前的识别方法都不是直接识别扰动信号，而是先进行信号处理，再进行特征值提取，然后进行识别分类。其根本原因在于：学习能力较差，难以通过直接学习扰动信号而得到扰动信号的特征。
相较于传统的电能质量扰动识别与分类的算法将过程分为3部分，AlexNet[12-13]分类算法具有强大的学习能力，只需要让AlexNet直接学习扰动信号即可以实现扰动识别与分类。AlexNet采用8层神经网络。这8层神经网络由5个卷积层和3个全连接层组成。整个网络包含6亿3 000万个链接、6 000万个参数和65万个神经元。强大的结构可为基于深度卷积神经网络AlexNet提供极强的学习能力。利用图形处理器（graphics processing unit，GPU）强大的矩阵计算能力，AlexNet采用了增加多层结构增加网络的深度，而不是增加网络的宽度，这样的优化高效网络结构，保证了AlexNet在较短的时间内收敛。AlexNet采用的是非线性非饱和函数ReLU，相较于tanh有更高效的收敛速度。
本文将基于深度卷积神经网络AlexNet的分类算法应用于电能质量的扰动分类，达到了实时性，满足工业现场的应用需要。首先阐述了各类电能质量扰动特点，然后提出了基于深度卷积神经网络AlexNet的分类算法，最后通过AlexNet学习、调整电能质量扰动信号的特征参数，迭代收敛，将实时的电能质量扰动通过训练好的AlexNet，直接实现扰动识别分类。
1电能质量扰动信号及其分析
针对电能质量问题，本文使用MATLAB仿真17种信号，分别是无扰动、电压中断、电压暂降、电压暂升、闪变、谐波、暂降含谐波、暂升含谐波、闪变含谐波、暂态振荡、暂降含暂态振荡、暂升含暂态振荡、闪变含暂态振荡、暂态振荡含谐波、暂态振荡含谐波与电压暂降、暂态振荡含谐波与电压暂升、暂态震荡含谐波与闪变。使用了3.2 kHz的采样频率。图1为单一电能质量扰动波形图。
由图1 a）可知，电压中断只是电压有效值在发生扰动時下降得非常低，但波形的形状是正弦的。由图1 b）可知，电压暂降只是有效值在发生扰动时出现下降，下降程度小于电压中断，但波形的形状是正弦的。由图1 c）可知，电压暂升只是有效值发生扰动时出现了上升，但波形的形状是正弦的。由图1 d）可知，闪变只是有效值发生了周期性的波动，但波形的形状是正弦的。由图1 e）可知，谐波的波形出现了稳定的尖峰，导致了整个波形的形状不太接近于正弦。由图1 f）可知，暂态振荡在扰动发生的期间出现了比较密集的尖峰，非扰动期间波形是正弦的。暂降含谐波、暂升含谐波、闪变含谐波、暂态振荡、暂降含暂态振荡、暂升含暂态振荡、闪变含暂态振荡、暂态振荡含谐波、暂态振荡含谐波与电压暂降、暂态振荡含谐波与电压暂升、暂态振荡含谐波与闪变这些复合扰动的特征是单一扰动的特征的组合。
2基于深度卷积神经网络AlexNet的分类算法
2.1卷积神经网络
卷积神经网络[14-15]是对传统神经网络的改进，它由数据输入层、卷积层、激励层、池化层和全连接层组成，基本结构如图2所示。
数据输入层的作用是对原始数据进行预处理，包含了去均值、归一化和PCA/白化。去均值的目的是实现不同数据的均值为零，归一化使不同数据的范围归一化到相同的范围，PCA/白化对不同数据的各个特征轴的幅值进行归一化。卷积计算层是卷积神经网络最重要的一个结构，也是卷积神经网络名称的来源。先进行矩阵填充，使得滑动窗口可以刚好遍历填充后的矩阵。滑动窗口对输入矩阵进行截取，并在截取得到的小矩阵进行内积计算，把内积计算的结果与偏置值相加。以上过程即为卷积计算过程。激励层一般使用ReLU（the rectified linear unit）作为激励函数，其优点在于收敛速度快。池化层由于连接卷积层，可以减小过拟合。全连接层是一种传统的多层感知层，在输出层。
常见的基于深度神经网络的算法主要有：AlexNet，VGGNet，GoogleNet，ResNet等。由于电能扰动信号不同扰动之间的特征差异较大，故选择了结构简单的AlexNet作为电能扰动分类器。在保证较高的识别与分类准确度的同时，减少训练所需的时间。
2.2AlexNet的基本原理
AlexNet在2012年由Girshick等提出，其优点在于，使用ReLU作为神经网络的激活函数。在网络的层次较多时，ReLU的效果优于Sigmod，解决了Sigmod在多层结构的神经网络的梯度弥散问题。在全连接层使用了Dropout结构，随机忽略一部分卷积神经结构，从而避免过拟合。提出LRN（local response normalization，即局部响应归一化）层，增强了反馈较大的神经元，抑制了反馈较小的神经元，达到了强化模型的泛化能力的目的。使用GPU作为神经网络的训练的核心，充分利用了GPU强大的矩阵计算能力，为大型神经网络在现场应用扫清了障碍。AlexNet的结构如图3所示。
AlexNet为8层结构，其中前5层为卷积层，后面3层为全连接层。第1层为数据输入层，其输入矩阵的维度为227×227×3，输入的图像数据被维度为11×11×3滑动窗口进行卷积计算，每一次滑动后进行一次卷积，卷积后会形成一个新的矩阵元素。滑动窗口的步长为4个单位，滑动的方向为纵向和横向。然后经过池化层池化处理得到27×27×96的矩阵。第2层的输入为第1层的输出，和第1层的处理方式基本相同。滑动窗口的维度为5×5×48，通过池化层池化之后，再进行局部响应层进行归一化处理，得到矩阵的维度为13×13×128。第3层同样按照第1层的方式，进行卷积计算和池化处理，得到矩阵的维度为13×13×192。第4层和第3层的处理方式基本相同。第5层进行卷积计算之后，进行重叠池化处理，得到矩阵的维度为6×6×256。第6层的滑动窗口的维度为6×6×256，与输入矩阵的维度一致，经过激活函数与dropout运算输出4 096个本层的输出结果值。第7层将第6层输送过来的4 096个数据进行激活函数与dropout运算处理得到4 096个数据。第8层将输入的4 096个数据与1 000个神经元连接，并输出训练结果。 3AlexNet在电能质量扰动识别中的应用
本文将基于深度卷积神经网络AlexNet的分类算法应用在电能质量扰动识别中。首先修改AlexNet算法，主要对第8层的结构进行修改，即输出层，由于本文是对17种扰动进行分类，故将第8层输入的4 096个数据与17个神经元连接，然后将采集到的各种电能扰动数据按照时间顺序依次写入到227×227的矩阵中，得到灰度图像，再将图像复制3次即可以得到227×227×3的矩阵，作为AlexNet输入数据。将预先分类好各种扰动的数据转化成图片（图片的形式如图4所示），输入给AlexNet学习，经过反复的迭代，AlexNet不断的调整参数，最后收敛，迭代过程结束。将待测的实时电能质量扰动数据输入给训练好的AlexNet，根据AlexNet的第8层的输出结果，即可以得出分类的结果。
4仿真结果分析
通过仿真生成每种扰动的训练样本为900组，测试样本为100组，每一个样本采集了4 096个点，采样频率为3 200 Hz。其中设置学习率为0.000 1，每次训练的样本为50组。AlexNet每次从总训练样本随机筛选出50组进行训练，这样的训练记为一次迭代，每次迭代都会改变神经网络中的参数，并且为了检验训练的效果，从总训练的样本中随机抽取一定数目的样本作为当前的测试样本进行测试。总的训练样本全部进行了一次训练，即记为一个时代。
由图5可以看出，AlexNet进行了1 200次的迭代过程，把总样本进行30次的训练，即进行了30个时代。在进行了一个时代的迭代后，AlexNet基本已经收敛了，在随后的20个时代中，AlexNet的识别精度只是出现了几次小幅度的波动，但依然高达90%以上。在最后的10个时代的迭代中，AlexNet的识别精度一直保持在99%以上。
AlexNet的训练结束后，进行了每种扰动100组、共计 1 700组测试样本的测试，测试结果如表1所示。本文将传统方法的一种和本文提出的方法进行对比，如表2所示。计算时间为算法处理所有的样本时间除以样本数。由表2可以看出，S变换（ST）与支持向量機（SVM）的算法处理时间主要由信号分析时间组成，而本文提出的方法主要由识别与分类时间组成。ST+SVM所用时间是AlexNet时间的143倍，而ST+SVM的识别与分类的正确率仅比AlexNet高0.57%，说明此算法具有优越的实时性以及较好的有效性。
5结语
仿真测试表明，在没有任何其他算法的辅助下，所提出的算法依然能够准确地识别17种扰动，其中还包括3种同时发生的复合扰动，简化了电能质量扰动识别的过程，降低了算法的实现难度，减少了计算时间，达到了实时性的目的，提高了算法在工程应用中的可实施性。将AlexNe应用到电能质量扰动识别中，具有非常重要的实际意义。本文算法并没有验证电力系统中所有可能出现的扰动类型，因此需要在今后的研究中进一步验证此方法是否能够有效地识别其他扰动类型。
参考文献/References：
[1]DAI W， CHEN D D， CHEUNG R C C， et al. Area-time efficient architecture of FFT-based montgomery multiplication[J]. IEEE Transactions on Computers，2017， 66（3）：375-388.
[2]SINGH U， SINGH S N. Application of fractional Fourier transform for classification of power quality disturbances[J]. Iet Science Measurement & Technology， 2017， 11（1）：67-76.
[3]ERISSTI H， DEMIR Y . Automatic classification of power quality events and disturbances using wavelet transform and support vector machines[J]. Iet Gener Transm Distrib，2012， 6（10）：968-976.
[4]THIRUMALA K，SHANTAN U， JAIN T， et al. Visualizing time-varying power quality indices using generalized empirical wavelet transform[J]. Electric Power Systems Research， 2017， 143（8）：99-109.
[5]田振果，傅成华，吴浩，等.基于HHT的电能质量扰动定位与分类[J].电力系统保护与控制，2015，43（16）：36-42.
TIAN Zhenguo， FU Chenghua， WU Hao，et al. Power quality disturbance for location and classification based on HHT[J]. Power System Protection and Control，2015，43（16）：36-42.
[6]URBINA-SALAS I，RAZO-HERNANDEZ J R， GRANADOS-LIEBERMAN D， et al.Instantaneous power quality indices based on single-sideband modulation and wavelet packet-hilbert transform[J]. IEEE Transactions on Instrumentation & Measurement，2017，7（99）：1-11. [7]KUMAR R， SINGH B， SHAHANI D T. Recognition of single-stage andmultiple power quality events using Hilbert-Huang transform and probabilistic neural network[J]. Electric Machines & Power Systems， 2015，43（6）：13.
[8]黄南天，徐殿国，刘晓胜.基于S变换与SVM的电能质量复合扰动识别[J].电工技术学报，2011，26（10）：23-30.
HUANG Nantian，XU Dianguo， LIU Xiaosheng. Identification of pow erquality complex disturbances based on S-transform and SVM [J]. Transactions of China Electrotechnical Society，2011，26（10）： 23-30.
[9]HUANG Jiansheng， JIANG Zhuhan， RYLANDS L，et al.SVM-based PQ disturbance recognition system[J]. Iet Gener Transm Distrib，2018，12（2）： 328-334.
[10]LIU Y， WEN K， GAO Q， et al. SVM based multi-label learning with missing labels for image annotation[J]. Pattern Recognition， 2018，78（6）： 307-317.
[11]黄南天，张卫辉，蔡国伟，等.采用改进多分辨率快速S变换的电能质量扰动识别[J].电网技术，2015，39（5）：1412-1418.
HUANG Nantian， ZHANG Weihui， CAI Guowei， et al.Power quality disturbances classification with improved multiresolution fast S-transform[J].Power System Technology，2015，39（5）：1412-1418.
[12]KRIZHEVSKY A， SUTSKEVER I， HINTON G E.Image netlassification with deep convolutional neural networks [C]//International Conferenceon Neural Information Processing Systems.[S.l.]：Curran Associates Inc，2012：1097-1105.
[13]GANIN Y， USTINOVA E， AJAKAN H， et al. Domain-adversarial trainin of neural networks[J]. Journal of Machine Learning Research，2015， 17（1）：2030-2096.
[14]YOSINSKI J， CLUNE J， BENGIO Y， et al. How transferable are features in deep neural networks[J]. EprintArxiv， 2014， 27（5）：3320-3328.
[15]KALCHBRENNER N， GREFENSTETTE E， BLUNSOM P. A convolutional neural network for modelling sentences[J]. Eprint Arxiv， 2014，52（4）： 14-20.第36卷第1期河北工業科技Vol.36，No.1