基于GA 優化卷積神經網絡的含分布式光伏低壓臺區電能質量擾動特征識別研究

張智軼，段文方，韋家義，趙彬，林海燕

（中冶建工集團有限公司，重慶 400084）

低壓臺區負荷密度低、光伏接入條件差，在低壓臺區接入分布式光伏后，該臺區會出現各種電能質量擾動情況[1-3]，影響電壓或電流正常輸出及用電設備運行，縮短電力設備使用壽命[4]。改善電能質量既可降低運行損耗、延長設備使用壽命，還可以加強“光儲直柔”新型建筑電力系統的運行管理水平[5]。改善電能質量的關鍵是擾動特征識別。王維博等人利用卷積神經網絡（Convolutional Neural Networks，CNN）提取電能質量擾動信號特征，融合全部特征，構建一個樣本集，輸入一維卷積神經網絡，輸出擾動特征識別結果，該方法可有效識別擾動特征，具備較優的識別魯棒性[6]；王繼東等人先預處理電能質量擾動信號，統一信號格式，在CNN 網絡內添加側輸出融合結果，融合擾動特征，輸出擾動特征識別結果，該方法可有效預處理擾動信號，快速識別擾動特征[7]。但這兩種方法均存在收斂性差、泛化效果差的問題，無法達到擾動特征識別精度的要求。通過GA算法的并行性與全局搜索能力，優化CNN 網絡參數，加快CNN 網絡收斂速度[8]，加強泛化效果，避免出現過擬合。文中研究基于GA優化卷積神經網絡的含分布式光伏低壓臺區電能質量擾動特征識別方法，能夠精準識別擾動特征，為改善電能質量提供幫助。

1 含分布式光伏低壓臺區電能質量擾動特征識別

1.1 基于連續小波變換的電能質量擾動特征提取

連續小波變換進行電能質量擾動特征提取時，窗口面積一定，按照頻率自適應調整長度與寬度，得到頻率分辨率[9]，用于分析電能質量擾動信號，具備較優的信號處理效果，適合分析非平穩信號。選擇連續小波變換，提取電能質量擾動特征。

令電能質量擾動信號的隨機平方可積函數是f(x)，其連續小波變換如下：

J層分解電能質量擾動信號，按照Parseval 原理確定每層能量值，公式如下：

其中，Sj(υ)是分解系數；λ 是標準化系數；j=1,2,…,J；N是電能質量擾動信號x的數量，υ∈N；Ej是x的第j層能量值。

通過添加小波能量熵Wj，獲取x分解后每層系數的稀疏程度，以及信號概率分布情況，凸顯電能質量擾動信號間的差異性，Wj的公式如下：

利用連續小波變換分解電能質量擾動信號后，計算各頻帶分量相應的E與W，將E與W當成特征量，完成電能質量擾動特征提取。

1.2 GA優化卷積神經網絡的電能質量擾動特征識別 1.2.1 基于卷積神經網絡的電能質量擾動特征識別

利用CNN 網絡識別含分布式光伏低壓臺區電能質量擾動特征，利用提取到的電能質量擾動特征作為構建樣本集X=[E,W]，輸入CNN 網絡，輸出電能質量擾動特征識別結果。CNN 的CL 層利用卷積核對X=[E,W]展開卷積運算，得到對應的特征。卷積運算為：

其中，i是層數；M是神經元數量，l∈M,g∈M,l≠g；是i層神經元l的輸出；是偏置是i-1 層神經元g的輸出；是卷積系數；是卷積核。

AL 層利用Relu 函數，非線性變換電能質量擾動特征X，提升CNN 的表達能力[11-12]，將X變換至新的空間維度，加強X的特征區分效果，Relu 函數的公式如下：

其中，是激活值。

PL 層利用最大值池化法完成池化操作，縮減網絡參數，避免過擬合[13]，公式如下：

其中，是池化操作后的第α個電能質量擾動特征值；?是激活值編號；η是池化范圍的寬度；是比例偏置。

BN 層通過較大學習率訓練電能質量擾動特征，提升訓練效率[14]，確保輸入的電能質量擾動特征服從一致的分布，提高網絡泛化效果，歸一化公式如下：

其中，是BN 層輸出的電能質量擾動特征；μB是期望激活值；是激活值方差；是縮放系數；是加性偏置；ε是常數項。

FC 層利用Softmax 函數處理上面四層對X 的分析結果，輸出電能質量擾動特征識別結果[15-16]，公式如下：

其中，?是電能質量擾動特征類別數量，m=1,2,…,?；pm是電能質量擾動特征被分為第m類的概率，即含分布式光伏低壓臺區電能質量擾動特征識別結果；om是待激活的神經元。

1.2.2 基于GA優化電能質量擾動特征識別的CNN參數

利用GA 優化CNN 的結構參數，加強網絡泛化效果，提升含分布式光伏低壓臺區電能質量擾動特征識別效果。優化參數包含卷積核數量M、CL 層的大小UCL×UCL、以及PL 層的大小UPL×UPL。

GA 算法中交叉概率P與變異概率P′均會直接影響CNN 參數優化效果，為此需先改進P與P′，加快CNN 參數優化的收斂速度，P的改進公式如下：

其中，是種群平均適應度值；為最大適應度值；?是即將展開交叉的較大個體適應度值。P′的改進公式如下：

其中，?是馬上展開變異操作的較大個體的適應度值。

每展開一次遺傳迭代，CNN 參數均會按照遺傳規律優化一次，CNN 參數展開交叉進化過程中，個體基因即CNN 參數展開交叉操作，在情況下，通過式（8）獲取：

其中，R是CNN 參數集合；第m′個CNN 參數Rm′和第n′個CNN 參數Rn′按照P 的發生幾率展開交叉操作，交叉后的個體即CNN 參數是T=Rm′,

個體基因即CNN 參數利用式（13）與式（14）展開變異操作，在情況下，通過式（10）獲取：

對第m′個CNN 參數Rm′以P′的發生幾率展開變異操作，變異后的個體即CNN 參數是Rm″=Rm′?Rand(Rm′)ζ+1，隨機數函數是Rand(Rm′)，逐位變異算子是ζ。

通過交叉與變異操作完成CNN 參數優化的遺傳操作，遺傳操作結束后，開始求解CNN 參數優化過程的個體適應度F，公式如下：

其中，E是CNN 驗證誤差；ρ是M對CNN 性能的影響因子；通過F衡量CNN 參數優化效果。

通過設置E的取值，便可獲取個體即CNN 參數的適應度F′，找到符合要求的個體，該個體的基因參數即CNN的優化參數，CNN參數F′的計算公式如下：

當F′≥Fneed時，輸出該個體包含的參數，即CNN 參數的優化結果，Fneed為CNN 網絡識別電能質量擾動特征的精度。

2 仿真分析

以某分布式光伏低壓臺區為仿真對象，利用Matlaba 仿真軟件建立該低壓臺區配電網模型，該低壓配電網的電源電壓10 kV，短路容量37.87 MVA，配電變壓器聯接組別Dyn11，0.38 kV 線路長度1.28 km。通過Matlaba 生成數條電能質量擾動信號，共三種類型，每種類型各生成1 236 條樣本，每條信號長度為895。利用所提方法識別該低壓臺區的電能質量擾動特征，驗證所提方法識別的有效性。

利用Matlaba 生成的三種電能質量擾動信號類型分別是標準信號、電壓暫降、暫升，Matlaba 生成的電能質量擾動信號波形圖如圖1 所示。

圖1 電能質量擾動信號波形

利用所提方法分解圖1 中各類型的電能質量擾動信號，獲取分解系數，依據分解系數求解電能擾動質量信號的能量值與能量熵，提取電能質量擾動特征，分解系數如圖2 所示，特征提取結果如圖3 所示。

圖2 各類型電能質量擾動信號的分解系數

綜合分析圖2 與圖3 可知，所提方法可有效分解圖1 中的電能質量擾動信號，得到各類型電能質量擾動信號的分解系數，并有效依據分解系數計算電能質量擾動信號的能量值與能量熵。通過能量值和能量熵進行綜合分析，所提方法可有效提取到電能質量擾動特征，提取到的特征類型數量與預設類型數量一致，因此所提方法具備較優的特征提取效果。

將提取到的特征作為所提方法中CNN 網絡的輸入，輸出擾動特征識別結果，所提方法的電能質量擾動特征識別結果如圖4 所示。

圖4 擾動特征識別結果

根據圖4 可知，所提方法可有效識別電能質量擾動特征，各類別擾動特征識別結果與實際類別基本相同，僅有少量識別結果與實際類別不符。仿真結果表明，所提方法具備較高的電能質量擾動特征識別精度。

分析所提方法在電能質量擾動信號內加入信噪比后，其擾動特征識別結果如表1 所示，各類型擾動信號樣本均為150 個，信噪比越低，對擾動信號的干擾越大，為此在擾動信號內加入信噪比是20 dB的噪聲。

表1 信噪比是20 dB時的特征識別結果

根據表1 可知，在擾動信號內加入較低的信噪比后，所提方法依舊可以有效識別電能質量擾動特征，最低識別精度為98.7%。在噪聲干擾下，所提方法依舊可以有效識別擾動特征，且識別精度較高。

3 結論

含分布式光伏接入低壓臺區后，會產生各種電能質量擾動問題，直接影響低壓臺區的供電質量，保障供電質量的前提是精準識別電能質量擾動特征。為改善電能質量提供幫助，為此研究基于GA 優化卷積神經網絡的含分布式光伏低壓臺區電能質量擾動特征識別方法，有效提取擾動特征，精準識別擾動類別。所提方法中利用連續小波變換提取擾動特征，該算法雖具備較高的特征提取精度，但計算量較多、計算時間較長，日后可以進一步改進特征提取算法、縮減計算量、降低運算時間。