为了应对电能质量扰动（PQD）识别中噪声干扰导致的识别率下降问题，佛山科学技术学院机电工程与自动化学院的王立辉、柯泳、苏如开在2024年第5期《电气技术》上撰文提出一种基于一维卷积神经网络（1DCNN）-双向长短期记忆（BiLSTM）网络-双向门控循环单元（BiGRU）的PQD分类方法。该方法首先借助1DCNN有效地提取原始信号的浅层局部特征，然后通过BiLSTM和BiGRU组合模块对时序信息和上下文关系进行深入处理，从而实现深层时序特征的提取。最后，将所提取的特征经分类模块用于PQD识别。仿真结果表明，与传统方法相比，本文所提方法在准确性方面更具优势，且抗噪声能力更强。
近年来，电力系统领域发展迅速，非线性功率电子设备（如变流器、柔性交流输电系统设备等）和非线性负载（如变频器、电弧炉等）广泛应用，电力系统频繁遭遇各种各样电能质量扰动信号（power quality disturbance signals, PQD）的干扰，导致电力设备效率下降。维护和管理电力设备需要投入大量时间和资源，因此PQD的检测和识别至关重要，是处理电力系统电能质量问题的关键起始阶段。
传统的电能质量扰动识别包括特征提取和识别分类两个步骤。特征提取通常采用傅里叶变换、小波变换、S变换、希尔伯特变换、集成经验模态分解等方法，其中傅里叶变换无法准确反映局部特征，特别是对突变信号的识别不够准确；小波变换的基函数选择缺乏可靠理论支持，常依赖经验选取；S变换虽能提供丰富的时频信息，但计算复杂度较高，对计算资源要求高；希尔伯特变换在信号去噪方面表现出显著优势，但其因果性和无界性对模型影响较大；集成经验模态分解是改进的经验模态分解方法，在大规模数据集上的计算成本高，并且对高度非线性和非平稳信号的适应性有限。
此外，特征的选取基于规则或人工提取，没有统一的理论依据，因而分类特征不具有一般性，对不同数据集的分类结果会产生较大差异。识别分类是分类器根据所提取特征向量进行扰动分类，常见的传统分类器有决策树、随机森林、支持向量机、K近邻（k-nearest neighbors, KNN）算法、朴素贝叶斯等。
其中，决策树可处理混合特征和非线性特征，但在深树的情况下容易产生过拟合；随机森林的分类准确性高，适用于高维和大规模数据，但它对噪声数据敏感，需要进行噪声处理；支持向量机在处理分类问题时具有较高的准确性和泛化能力，但需要精心选择参数，较难处理大规模高维数据和样本不平衡的情况；KNN算法的优点是简单易懂、无需训练、适用于多类别问题，但在大规模数据集和高维空间下的计算复杂性较高；朴素贝叶斯的优点在于简单、高效，但缺点是基于特征独立性假设，而实际情况往往包含多个相关特征，这种独立性假设限制了其分类性能的有效性。有文献使用傅里叶变换结合动态测度法提取6个特征和S变换提取5个特征进行扰动分类，但其双重扰动分类效果有待提高。
以上算法均需对信号进行特征选取，容易产生特征冗余，而且会丢失一些其他的特征，导致分类效果不理想和抗噪能力不强。
为了解决人工特征提取的缺点，可以采用深度学习方法。有文献通过Wigner-Ville分布将一维电压干扰信号转换为二维图像，然后使用二维卷积模型进行图像分类，但把PQD生成图片增加了计算量和时间；有文献提出基于格拉姆角场（Gramian angular field, GAF）与卷积神经网络的电能质量扰动分类方法，但要把PQD生成GAF图片，增加了计算量和时间；有文献提出通过相空间重构将一维电能扰动信号转换为多维表示，投影到二维相平面形成轨迹图像进行分类，但图像分类算法首先要将图像转换成序列以套用现成的图像识别算法，因而增加了计算量。
有文献虽然无需进行特征提取，但是需要将电能质量扰动信号转换成二维图像，再采用二维卷积网络进行图像识别，这一转换过程相对繁琐。对于一维时间序列电能质量扰动信号，采用一维卷积神经网络（one-dimensional convolutional neural network, 1DCNN）可提高计算效率。
有文献提出1DCNN和压缩传感技术相结合的方法，以减少对采集设备存储器的需求并提高传输速率，但这种方法存在潜在问题，如信息丢失的风险、较高的算法复杂性及对压缩矩阵选择的依赖性；有文献提出一种基于通道选择多尺度融合深度残差网络的PQD识别方法，通过多尺度特征提取、全局混合池化、高效通道注意力机制和残差连接等手段，有效提高了分类准确率；
有文献利用两个子模型，分别接收原始时域数据和经过快速傅里叶变换得到的频域数据作为输入，通过特征融合，实现对复杂扰动信号的识别，但该方法的适用范围有限，并且分类准确率相对较低；有文献提出1DCNN与长短期记忆（long short term memory, LSTM）网络相结合的PQD分类方法，但长短期记忆网络容易出现过拟合问题，该方法未采取预防措施，也未验证网络在噪声环境下的抗噪性能。
为了弥补目前PQD识别方法在噪声环境下的不足，本文采用1DCNN提取局部特征，然后将这些特征输入双向长短期记忆（bidirectional long short term memory, BiLSTM）网络-双向门控循环单元（bidirectional gated recurrent unit, BiGRU）模块，以进一步提取具有时间依赖性的特征。最后，将这些特征输入分类模块进行识别，并进行仿真分析，以证明该方法的准确性和适用性。
1 基本原理
1DCNN通过卷积和池化操作实现对输入信息的特征提取。首先，卷积操作利用卷积核滑动在输入数据上，通过逐步捕捉局部模式来生成特征映射。这一过程使网络能够学习到输入数据中的重要局部特征，从而增强对数据的表征能力。卷积操作之后，池化层被用来降低特征图的维度。最大池化和平均池化是两种常见的池化操作。最大池化在每个窗口中选择最显著的特征值，而平均池化则取窗口内特征值的平均。这一步骤有助于减少计算负担，提高计算效率，并保留输入数据中最关键的信息。
经过卷积和池化操作，1DCNN的输出是经过层层抽象的特征图。这些特征图捕获了输入数据中的局部和全局模式，形成了对数据的高层次表示。接下来，这些特征图通过全连接层连接到神经网络的最后一部分。全连接层将学到的特征映射到更高级别进行表示，引入更多参数以适应更复杂的模式和关系。最终的输出层使用Softmax激活函数生成模型的最终分类结果。卷积神经网络结构如图1所示。
图1 卷积神经网络结构
BiLSTM和BiGRU这两种循环神经网络（recurrent neural network, RNN）引入了双向信息传递的方法。在这两种模型中，输入序列从两个方向（正向和反向）进行信息处理，以更全面地捕获上下文信息和时序信息。将BiLSTM和BiGRU按顺序组合的模块具有显著优势，这种结构允许信息在不同时间步之间无缝传递，同时融合了BiLSTM和BiGRU两种不同类型的记忆和上下文感知能力。这种组合极大地增强了模型的表示能力，使其能够更好地适应各种序列数据的复杂性。
通常，BiLSTM- BiGRU组合模块用于深度学习模型的中间层或堆叠层，以提高模型的性能，尤其在序列分类任务中表现出色，如文献通过引入BiLSTM和BiGRU组合模块来提升分类性能。BiLSTM- BiGRU网络结构如图2所示。
图2 BiLSTM-BiGRU网络结构
2 1DCNN-BiLSTM-BiGRU模型
2.1 特征提取器结构
一维电能扰动数据具有较低的复杂性，因此可以采用较为简单的层级网络来进行电能扰动信号的分类识别。1DCNN与电能质量扰动信号的维度高度契合，无需进行繁琐的数据重构和特征提取，相较于传统的电能扰动分类模型，它极大地提高了分类效率。
本文采用3个卷积层和3个池化层来提取原始信号的浅层局部特征，BN（batch normalization）层的引入有助于确保特征的稳定性和一致性，而激活函数则通过非线性变换增强模型的表达能力。总而言之，通过上述策略，模型能够更好地捕捉输入数据中的关键信息，从而在处理分类任务时表现出色且更具鲁棒性。特征提取器的参数见表1。
表1 特征提取器的参数
2.2 模型结构
本文所提模型结构如图3所示，模型包含3个子模块，即1个特征提取模块、1个BiLSTM- BiGRU模块和1个分类模块。其中，特征提取模块的作用是对PQD进行降维和提取PQD的局部特征。
图3 模型结构
BiLSTM-BiGRU模块由64个BiLSTM单元和64个BiGRU单元及BN层组成，它的作用是对来自特征提取器的特征进行进一步的精细提取，可有效捕捉序列数据中的时序关系和上下文信息。BiLSTM和BiGRU组合模块实现了特征的多层次融合，这不仅增强了模型对输入数据的建模能力，还提升了特征的表达能力，从而显著改善分类性能。
分类模块由两个全连接层组成，分别包含64个和18个神经元，两个全连接层之间应用L2正则化和BN层，以及一个丢弃率为0.3的Dropout层，用于防止过拟合和模型不稳，其任务是接收BiLSTM和BiGRU组合模块输出的特征，并进行PQD分类识别。
3 模型训练
模型训练流程如图4所示。首先，将扰动数据集按照8:1:1的比例划分为训练集、验证集和测试集，确保数据集的随机性和代表性。随后，对模型权重进行随机初始化，使用交叉熵作为损失函数，并采用Adam优化算法进行模型训练。
在训练集上进行多次迭代，通过前向传播计算预测值，反向传播计算梯度，并利用优化算法更新模型参数，同时监测训练损失，确保模型在训练集上逐渐收敛。设定最大训练次数，同时引入早停策略，监测模型在验证集上的性能，若性能不再提升则提前停止训练，避免过拟合。
在模型验证阶段，使用验证集进行超参数调整，例如学习率、正则化参数等，以优化模型的泛化性能。找到最佳超参数组合后，固定模型参数，准备在测试集上进行最终的模型性能评估。使用测试集对模型进行评估，验证模型的泛化能力。
图4 模型训练流程
4 方法验证
4.1 实验设置
实验相关配置为：个人计算机具备8核的AMD Ryzen 76800H CPU和16GB RAM，以及NVIDIA GeForce RTX 3060 GPU。本文模型使用Adam优化算法更新网络参数，学习率为0.0002。迭代次数为50次，每个训练批次为256个样本。激活函数LeakyReLU中的参数为0.3，实验软件平台为Tensorflow2.7.0，损失函数选择交叉熵损失函数。
电能质量扰动信号类别见表2，共18种扰动信号，其中7种单一PQD信号T1～T7，11种复合扰动T8～T18由单一扰动信号复合而成。参数变化符合IEEE标准，其中基波频率为50Hz，采集长度为10个周期（0.2s），采样频率为6000Hz，总共1200个采样点。
为了模拟真实数据，在生成PQD数据时随机叠加信噪比为20～40dB的噪声，共生成72 000个扰动信号，另外分别生成叠加信噪比20dB、40dB、60dB及无噪声的PQD信号各1 000个来验证模型的抗干扰能力及泛化能力。
表2 电能质量扰动信号类别
4.2 性能评估
为了验证本文所提模型对PQD的分类效果，使用4.1节中的训练集进行50轮的迭代训练，分类结果见表3。从表3可以观察到，在不同信噪比（20dB、40dB、60dB）条件下，模型的分类准确率平均达到99.61%以上。分类结果表明，本文所提模型具有较好的抗噪能力和泛化能力，验证了模型的有效性。
表3 本文所提模型分类结果
本文所提模型训练结果如图5所示。从图5可知，随着迭代次数的增加，准确率逐渐提高并趋于稳定。训练准确率和验证准确率之间的差距没有明显波动，这表明模型未出现过拟合或欠拟合现象，在训练集和验证集上都取得了较好的表现。
为了进一步验证本文方法的优越性，构建1DCNN（本文模型去掉BiLSTM-BiGRU）、BiLSTM- BiGRU（本文模型去掉1DCNN）网络进行对比实验，三种方法的分类准确率见表4。
由表4可知，在此次分类任务中，1DCNN的性能最差，因为它仅提取局部特征，缺乏时间依赖性；BiLSTM-BiGRU的性能居中，因为它对时间有依赖性，但仍然只使用循环神经网络结构；1DCNN- BiLSTM-BiGRU性能最优，综合二者的优势，既能提取局部特征又具备时间依赖性，因此在分类任务中表现最佳。
图5 本文所提模型训练结果
表4 三种方法的分类准确率
4.3 与现有方法对比
将本文所提方法与现有的4种PQD分类方法进行对比，进一步证明本文方法的优越性。2种传统方法分别为采用可调品质因子小波变换和支持向量机的方法（TQWT+SVM）、采用能量熵和功率谱熵的组合重构特征并结合双层前馈神经网络的方法（MEEMD+DBPNN）。
另外，将本文方法与文献采用的一维卷积神经网络多任务学习方法（PQCNN）及文献采用的多层卷积神经网络和注意力机制组合的方法（MLFFAN）进行同一环境下的PQD分类实验对比。本文所提方法与4种现有方法的对比见表5。
表5 本文所提方法与4种现有方法的对比
从表5可以看出，本文的自动特征提取方法在不同噪声水平下的平均准确率明显高于传统的人工特征提取方法。与PQCNN方法相比，本文方法的准确率更高，在扰动分类数量方面表现更出色；在相同的扰动分类数量下，本文方法比MLFFAN的分类准确率更高。由于卷积神经网络无法捕捉序列中的时间依赖特征，而1DCNN-BiLSTM-BiGRU的结合可以在时间序列数据分类任务中更全面地捕获序列的结构信息，尤其在需要处理长期依赖关系的情境中，因此本文方法表现出更好的PQD分类性能。
5 结论
针对一维卷积在PQD识别中易受噪声干扰而导致识别率低的问题，本文提出了基于1DCNN- BiLSTM-BiGRU的PQD分类方法。首先，引入1DCNN从原始信号中提取浅层局部特征；接着，通过BiLSTM和BiGRU组合模块成功地对时序信息和上下文关系进行时序依赖特征提取，增强了对PQD的判别能力，从而提升了模型的分类性能。主要结论概括如下：
1）本文提出了基于1DCNN-BiLSTM-BiGRU的PQD分类方法，它使用多层次特征提取、时序信息处理策略，有效减少了噪声对分类结果的干扰，从而提高了模型的分类性能和泛化能力。
2）本文所提方法对叠加不同信噪比（20dB、40dB、60dB）噪声的PQD的平均分类准确率达到99.61%以上，与其他分类方法的对比结果表明，该方法的分类准确率和抗噪性能更优。
本工作成果发表在2024年第5期《电气技术》，论文标题为“基于1DCNN-BiLSTM-BiGRU的电能质量扰动分类方法”。本课题得到国家自然科学基金项目的支持。
