基于優化RBF神經網絡在電能質量擾動分類中的應用

摘 要：

為保證建筑中智能電子產品安全運行，解決實際工程中電能質量擾動識別分類準確率低、抗噪性差等問題，提出一種基于優化RBF神經網絡識別電能質量擾動的方法。首先，將20種電能質量擾動信號通過S變換進行時頻域分析，提取出的擾動時頻域特征數據劃分為測試集和訓練集;然后，構建徑向基函數（RBF）神經網絡電能質量擾動分類模型;其次，引入蜣螂優化算法（DBO）對RBF神經網絡參數進行參數優化;最后，將劃分好的訓練集和測試集輸入到優化后的神經網絡中進行擾動分類。仿真及工程實驗表明，提出的方法對于電能質量擾動識別準確率高，抗噪性及泛化能力強。

關鍵詞：

電能質量; 擾動分類; 徑向基函數; 神經網絡; 蜣螂優化算法; S變換; 特征提取

中圖分類號： TU852

文獻標志碼： A

文章編號： 1674-8417（2024）04-0028-08

DOI：

10.16618/j.cnki.1674-8417.2024.04.005

0 引 言

隨著近年來經濟的快速發展，居民家庭、各大商場等建筑中安裝了大量的智能電子產品，這些電子產品往往對電能質量要求較高?？焖?、準確地識別出電能質量擾動（PQDs）對后續電能質量的治理、生活中電子產品正常安全運行奠定堅實的基礎［1］。

神經網絡作為一種智能算法，近年來受到了越來越多研究人員的關注，如文獻［2］將一維時間序列轉化為二維圖像，并構造基于多頭注意力機制的卷積神經網絡框架進行擾動識別;文獻［3-4］通過提取信號擾動特征來構成特征向量，然后用經不同方法優化后的多層前饋神經網絡識別擾動。這些文獻雖然都取得不錯的效果，但是需要訓練大量的數據，運行時對硬件內存方面要求較高。徑向基函數（RBF）神經網絡由于學習能力強、結構簡單、運算效率快等優點，在故障診斷和數據預測領域得到了廣泛應用，均取得不錯的效果［5-6］。但由于RBF神經網絡在電能質量擾動分類方面的應用較少，因此使用RBF神經網絡來解決電能質量擾動分類難題具有很大的研究潛力。

通過研究發現，RBF神經網絡隱藏層神經元基函數中的參數：方差控制了對非線性函數擬合的精度，進而使RBF神經網絡在面對多輸入多輸出的高維非線性工程時（比如本文研究的多類別電能擾動識別問題），會因為對象的復雜性進而導致訓練過程中出現收斂速率慢、陷入局部最優等問題，因此本文提出一種蜣螂優化算法（DBO）來對該參數進行尋優，提高RBF神經網絡識別準確率。通過實驗表明，本文所提方法不僅識別準確率高，而且具有一定的抗噪魯棒性和良好的泛化能力。

1 神經網絡

RBF神經網絡是由輸入層、隱藏層和輸出層構成的三層前饋神經網絡［7］，該網絡將數據從輸入層輸入，在隱藏層通過非線性變換將低維空間中的非線性關系映射到高維特征空間中，并通過權重來調整優化網絡的擬合效果，最終在輸出層得到線性加權后進行網絡輸出。RBF神經網絡結構如圖1所示。

2.3 DBO算法優化流程圖

綜合以上，本文采用的DBO優化算法流程如圖2所示。步驟如下：

（1） 初始化蜣螂種群和相應的參數;

（2） 把方差s作為優化目標，基于目標函數計算所有蜣螂位置的適應度值;

（3） 更新蜣螂位置，并判斷更新后的蜣螂是否出了邊界;

（4） 更新當前最優解及其適應度值;

（5） 重復上述步驟，在達到最大迭代次數后，輸出全局最優解。

3 基于優化RBF神經網絡識別電能質量擾動模型的建立

3.1 數據預處理

3.1.1 擾動類型的選取

根據IEEE Std 1159—2019［11］標準，由MATLAB R2021b對20類PQDs信號進行仿真測試，其中包括1種標準信號，7種單一擾動，12種復合擾動。PQDs類別及其對應的標簽如表1所示?；l設為50 Hz，采樣頻率設為3 200 Hz，共400個采樣點。每類擾動采集80個樣本，共計1 600個樣本。為了適應不同電壓值情況，對擾動信號進行歸一化處理。

3.1.2 提取擾動特征

S變換結合了小波變換和短時傅里葉變換的優點，利用S變換對PDQs信號進行分解時，可以保證信號每個組成頻率絕對相位的保留［12］，因此本文通過對PDQs信號進行S變換來提取擾動的時頻域特征。S變換的相關定義如下：

S（τ，f）=∫∞-∞x（t）w（τ-t，f）e-2πiftdt

（12）

w（τ-t，f）=f2πe-f2（τ-t）22

（13）

式中： S（τ，f）——信號x（t）的S變換;

t——時間;

f——頻率;

w（τ-t，f）——高斯窗口;

t——控制高斯窗口時間軸位置參數。

考慮到復合擾動為單一擾動的不同疊加組合及篇幅有限，因此這里僅展示暫降擾動及相應的S變換波形。暫降信號及其S變換波形圖如圖3所示。

擾動特征的提取對擾動分類至關重要，采用多種特征組合可以提高擾動分類的準確度，但是提取過多的特征值會導致神經網絡的規模和計算量增大。因此，特征提取時應在保持一定分類準確率的基礎上，盡量減少特征值的數量。本文提取擾動特征主要參考文獻［13］，擾動特征提取類別如表2所示。

3.2 基于優化RBF神經網絡識別電能質量擾動流程

基于優化RBF神經網絡識別電能質量擾動流程圖如圖4所示。具體步驟如下：

（1） 將擾動信號進行S變換，并提取F1～F6等6種擾動特征;

（2） 將提取的擾動特征輸入到RBF神經網絡和DBO算法中;

（3） 將經過DBO算法優化的參數s反饋輸入到RBF神經網絡的高斯基函數中，進行網絡訓練;

（4） RBF神經網絡輸出訓練結果，即擾動分類結果。

4 實驗分析

4.1 訓練結果可視化分析

本實驗的計算機配置為12 th Gen Intel（R） Core（TM） i5-12500H 2.50 GHz、16 GB RAM和NVIDA GeForce RTX3050 Ti Laptop GPU，編程平臺MATLAB R2021b。在仿真實驗過程中，訓練集和測試集隨機劃分比例為3：1，DBO算法種群數量設為30，迭代次數設為30，優化參數上下限設為1 000和0.1。

DBO算法最佳適應度曲線圖如圖5所示。從圖5可以看出DBO算法在第13次就開始趨于收斂，表明DBO算法能夠以較快的速度進行搜索，有效減少了算法迭代收斂過程的時間。

在無噪聲環境下，采用本文方法后得到訓練集和測試集輸出的分類效果圖。擾動分類結果效果圖如圖6所示。

圖6（a）為訓練集分類結果對比圖，圖6（b）為測試集分類結果對比圖。相較于文獻［3］，訓練集和測試集數量分別為210、90。由圖6可知，本文方法訓練集、測試集數據數量只需要60、20就能達到訓練集準確率100%，測試集準確率98.5%的效果，說明本文算法只需經過很少的數據集訓練就能達到較高的準確率，運行時占用很小內存，在工程應用方面具有較好的前景。

為了評價本文算法的有效性和可行性，將文獻［3］、文獻［4］和RBF神經網絡［14］3種方法使用本文提取的特征向量數據集進行對比驗證。多種方法對比效果圖如圖7所示。

從圖7中可以看出，采用本文特征數據集后RBF神經網絡、文獻［3］和文獻［4］擾動識別準確率分別為92.00%、94.25%、94.75%，比本文算法識別準確率分別降低了6.5%、4.25%、3.75%，

說明了本文方法在識別電能質量擾動方面具有一定的優勢。

4.2 抗噪性可視化分析

為使仿真模擬接近實際情況，向原始信號中加入30 dB、40 dB、50 dB的高斯白噪聲，重新使用本文方法進行擾動識別。不同噪聲環境下測試集輸出混淆矩陣如圖8所示，其中橫坐標代表預測類別的標簽，縱坐標代表真實類別的標簽，對角線和非對角線元素代表相對應的PQDs標簽判斷正確和判斷錯誤的數量，側邊矩陣為每類擾動識別的準確率和誤判率。

圖8（a）為無噪聲環境下測試集輸出的混淆矩陣，可以看出大多數擾動都被正確識別出來;圖8（b）、圖8（c）和圖8（d）為依次加入30 dB、40 dB和50 dB高斯白噪聲后測試集輸出的混淆矩陣，總體準確率分別達到97.75%、98.0%和98.25%，相比于無噪聲條件分別下降了0.75%、0.5%和0.25%。從圖8可以看出，雖然加入不同分貝的噪聲后，測試集準確率略有下降，但從各個混淆矩陣的側邊矩陣能分析出各類電能質量擾動信號誤判、漏判的事件較少，仍能保持較高的識別準確率，說明了本文方法具有一定的抗噪魯棒性。

4.3 工程實驗

工程數據來自某變電站，因為工程數據有限，只有諧波（c1）、中斷（c2）、暫態振蕩（c3）、暫降-諧波（c4）、暫降-暫態振蕩（c5）、暫升（c6）、暫升-暫態振蕩（c7）等7類擾動，每類擾動選擇60個電網實測信號作為訓練集，20個實測信號作為測試集。將工程數據按照本文方法進行處理，工程數據測試集輸出混淆矩陣如圖9所示。

從圖9分析可知，工程數據測試集總體準確率達到100%，7類擾動很好地被完全識別出來，說明本文方法對于工程應用方面具有較高的可行性和應用前景。

5 結 語

為提高電網中PQDs識別準確率，本文先通過S變換提取擾動特征然后輸入經DBO算法優化的RBF神經網絡中進行電能質量擾動識別，經過實驗得出以下結論：

（1） 該方法結構簡單，只需要訓練較少的數據，就能得到較高的準確率，運行時占用內存小;

（2） 通過本文采集的某發電站實際擾動數據進行實驗驗證，準確率達到100%，說明了該方法具有較強的泛化能力。

［1］ 董光德，李道明，陳詠濤，等.基于粒子群優化與卷積神經網絡的電能質量擾動分類方法［J］.發電技術，2023，44（1）：136-142.

［2］ 錢倍奇，陳謙，李宗源，等.基于馬爾可夫轉換場與多頭注意力機制的電能質量擾動分類方法［J］.電網技術：1-12.

［3］ 李家俊，李禎維，吳建軍，等.基于離散小波變換和GA-BP的電能質量擾動分類［J］.電工技術，2023（8）：161-164.

［4］ LI C J，XU Y F，DENG X D，et al.IPSO-BP power quality disturbance identification method based on feature screening［C］∥proceedings of the IEEE 5th International Conference on Electronics and Communication Engineering（ICECE），Xian Univ Technol，Xian，PEOPLES R CHINA，F Dec 16-18，2022.

［5］ 王鵬飛，卞金露.基于徑向基函數廣義回歸網絡混合模型的園區短時熱負荷預測［J］.現代建筑電氣，2023，14（1）：6-12.

［6］ 熊暉.基于RBF神經網絡與粒子濾波算法的用戶電力短期負荷預測及其系統實現［D］.北京：中國科學院大學（中國科學院深圳先進技術研究院），2020.

［7］ 汪劉峰，慈兆會，李翔，等.基于改進RBF算法的蓄電池荷電狀態估計研究［J］.單片機與嵌入式系統應用，2023，23（11）：63-67.

［8］ 孫勇，李寶聚，孫志博，等.融合RBF神經網絡和集對分析的風電功率超短期預測［J］.昆明理工大學學報（自然科學版），2020，45（5）：49-58.

［9］ XUE J K，SHEN B.Dung beetle optimizer：a new meta-heuristic algorithm for global optimization［J］.Journal of Supercomputing，2023，79（7）：7305-7336.

［10］ 鄭修斌，陳珺.基于蜣螂優化算法的光伏電池參數辨識［J］.廣西師范大學學報（自然科學版），2023，3（6）：1-14.

［11］ MA Y Q，LI Q Y，CHEN H Z，et al.Voltage transient disturbance detection based on the RMS values of segmented differential waveforms［J］.Ieee Access，2021（9）：144514-144529.

［12］ 楊鍇.基于S變換與相關算法的配電網雷擊故障識別與定位［J］.現代建筑電氣，2018，9（2）：16-22.

［13］ 李祖明，呂干云，陳諾，等.基于混沌集成決策樹的電能質量復合擾動識別［J］.電力系統保護與控制，2021，49（21）：18-27.

［14］ VEERAMSETTY V，DHANUSH A，NAGAPRA-DYULLATHA A，et al.Power quality disturbances classification using autoencoder and radial basis function neural network［J］.International Journal of Emerging Electric Power Systems，2023，3（4）：8-22.

收稿日期： 2024-03-15

Application of Optimized RBF Neural Network in

Power Quality Disturbance Classification

YAO Yu1， FANG Zhongqiang1， ZHANG Kun1， HU Huijiang1， LIU Hongwei2

（1.CHINA Design Group， Nanjing 210014， China;

2.College of Electrical and Engineering， Chang’an University， Xi’an 710018， China）

Abstract：

To ensure the safe operation of intelligent electronic products in buildings，a method based on an optimized RBF neural network for identifying power quality disturbances is proposed，which addresses issues such as low accuracy in power quality disturbance classification and poor noise resistance in practical engineering.Firstly，20 types of power quality disturbance signals were subjected to time-frequency domain analysis through S-transform，and the extracted disturbance time-frequency domain feature data was divided into a test set and a training set;Then，a radial basis function（RBF） neural network power quality disturbance classification model;Secondly，the Dung Beetle Optimizer（DBO） algorithm is introduced to optimize the parameters of the RBF neural network;Finally，input the divided training and testing sets into the optimized neural network for disturbance classification.Simulation and engineering experiments have shown that the proposed method has high accuracy in identifying power quality disturbances，strong noise resistance，and generalization ability.

Key words：

electricity quality; disturbance classification; RBF neural network; DBO; S transformation; feature extraction