白 勇，熊雋迪，楊 渝，肖 睿

(1.重慶電力高等專(zhuān)科學(xué)校，重慶 400053；2.重慶大學(xué) 輸配電裝備及系統(tǒng)安全與新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶 400030)

低壓配電臺(tái)區(qū)戶變關(guān)系識(shí)別即識(shí)別電力用戶所歸屬的低壓臺(tái)區(qū)。低壓臺(tái)區(qū)戶變關(guān)系是電力網(wǎng)絡(luò)的基礎(chǔ)性檔案，戶變關(guān)系模糊不清將影響電網(wǎng)企業(yè)故障智能定位、故障搶修、停電信息發(fā)布等多方面工作，造成不必要的人力和物力消耗。為此，尋找一種高效、準(zhǔn)確、易實(shí)施的戶變關(guān)系識(shí)別方法很有必要。近年來(lái)，隨著信息采集系統(tǒng)在電網(wǎng)企業(yè)的普遍使用和智能電表的普及，電網(wǎng)企業(yè)采集到大量用戶的電壓、電流等電量數(shù)據(jù)，結(jié)合大數(shù)據(jù)識(shí)別臺(tái)區(qū)戶變關(guān)系和線損管理成為臺(tái)區(qū)管理未來(lái)發(fā)展的主流趨勢(shì)。

當(dāng)前，主要的臺(tái)區(qū)戶變關(guān)系識(shí)別方法分為3類(lèi)。第一類(lèi)方法是基于臺(tái)區(qū)電量數(shù)據(jù)采用數(shù)據(jù)預(yù)處理、特征提取及降維、聚類(lèi)方法對(duì)臺(tái)區(qū)戶變關(guān)系進(jìn)行識(shí)別[1-7]。文獻(xiàn)[1]采用改進(jìn)的動(dòng)態(tài)時(shí)間規(guī)整(FastDTW)算法計(jì)算電壓序列相似度，采用自組織特征映射(SOM)與K均值聚類(lèi)方法結(jié)合的兩階段聚類(lèi)方法進(jìn)行特征聚類(lèi)以識(shí)別戶變關(guān)系。文獻(xiàn)[2]采用導(dǎo)數(shù)動(dòng)態(tài)時(shí)間彎曲(DDTW)算法對(duì)臺(tái)區(qū)低壓側(cè)電壓與用戶電壓的時(shí)間序列進(jìn)行相似性分析，采用基于密度的有噪空間聚類(lèi)應(yīng)用(BDSCAN)進(jìn)行聚類(lèi)以識(shí)別戶變關(guān)系。文獻(xiàn)[3]采用自適應(yīng)分段聚合近似(APAA)的方法對(duì)用戶電壓曲線進(jìn)行特征提取，采用一種改進(jìn)的基于密度的有噪空間聚類(lèi)應(yīng)用(BDSCAN)方法進(jìn)行聚類(lèi)以識(shí)別戶變關(guān)系。文獻(xiàn)[4]采用主成分分析(PCA)方法對(duì)數(shù)據(jù)進(jìn)行降維并采用改進(jìn)的K-means方法進(jìn)行聚類(lèi)以識(shí)別戶變關(guān)系。聚類(lèi)識(shí)別方法避免了復(fù)雜梯度和伴隨方程的求解，對(duì)模型的表達(dá)形式和連續(xù)性沒(méi)有嚴(yán)格要求，能有效提取系統(tǒng)特征進(jìn)行分類(lèi)，便于實(shí)施[6]，但聚類(lèi)方法尋找合適的聚類(lèi)中心和確定相似度閾值較難，且部分聚類(lèi)方法較為繁瑣，實(shí)際工程推廣應(yīng)用較少。第二類(lèi)方法通過(guò)電量信號(hào)畸變產(chǎn)生差異信息進(jìn)行臺(tái)區(qū)戶變關(guān)系識(shí)別。文獻(xiàn)[8]通過(guò)電能表作為信號(hào)發(fā)送端通斷負(fù)載產(chǎn)生諧波電流，提取諧波電流，并采用DFT進(jìn)行信號(hào)解碼后與原有特征信息對(duì)比確定戶變關(guān)系。文獻(xiàn)[9]在臺(tái)區(qū)低壓側(cè)注入小幅值電壓改變電壓有效值，采用數(shù)據(jù)分析電壓有效值變動(dòng)點(diǎn)與原信息對(duì)比進(jìn)而識(shí)別戶變關(guān)系。文獻(xiàn)[10]在電壓過(guò)零點(diǎn)時(shí)向低壓線路疊加改進(jìn)多載波調(diào)頻特征信號(hào)，并采用離散弗雷歇距離比較電壓曲線相似性以識(shí)別戶變關(guān)系。通過(guò)信號(hào)畸變方式進(jìn)行戶變關(guān)系識(shí)別準(zhǔn)確率較高，但大多需要增加設(shè)備，增加了識(shí)別成本，且對(duì)臺(tái)區(qū)及用戶的正常用電有一定影響。第三類(lèi)方法是通過(guò)深度學(xué)習(xí)等大數(shù)據(jù)挖掘算法進(jìn)行戶變關(guān)系識(shí)別。深度學(xué)習(xí)算法基于大數(shù)據(jù)而產(chǎn)生，通過(guò)大量數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)擬合非線性函數(shù)關(guān)系，在故障診斷、圖譜識(shí)別等任務(wù)中應(yīng)用廣泛[11-17]。文獻(xiàn)[18]采用一維卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短時(shí)記憶單元(CNN-LSTM)結(jié)合的方式，以臺(tái)區(qū)與終端用戶數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)進(jìn)行戶變關(guān)系識(shí)別。文獻(xiàn)[19]以前向誤差傳播(BP)神經(jīng)網(wǎng)絡(luò)結(jié)合電力載波信號(hào)進(jìn)行戶變關(guān)系智能識(shí)別。文獻(xiàn)[20]采用K-means聚類(lèi)方法構(gòu)建電壓序列數(shù)據(jù)標(biāo)簽，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行戶變關(guān)系識(shí)別。目前，采用神經(jīng)網(wǎng)絡(luò)的戶變關(guān)系識(shí)別研究主要基于一維信號(hào)序列的分類(lèi)，相關(guān)研究較少。

臺(tái)區(qū)用戶由低壓臺(tái)區(qū)供電，同一臺(tái)區(qū)內(nèi)用戶由于屬于相同母線，其電壓曲線波動(dòng)具有很強(qiáng)的相似性[21-22]。由于臺(tái)區(qū)用戶數(shù)量、供電半徑、用戶性質(zhì)等差異，不同臺(tái)區(qū)用戶之間電壓曲線波動(dòng)相似性較差。為此，通過(guò)分析電壓曲線波動(dòng)相似性區(qū)分臺(tái)區(qū)用戶，為戶變關(guān)系的識(shí)別提供理論依據(jù)。

本文中基于電壓曲線波動(dòng)相似性進(jìn)行戶變關(guān)系的識(shí)別，提出了一種基于格拉姆角場(chǎng)和改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的戶變關(guān)系識(shí)別方法。該方法采用格拉姆角場(chǎng)和偽彩色處理生成特征圖譜并保留電壓信號(hào)序列時(shí)間依賴性。通過(guò)在殘差網(wǎng)絡(luò)中引入空間注意力突出電壓波動(dòng)差異特征，使用改進(jìn)的殘差網(wǎng)絡(luò)分類(lèi)特征圖譜識(shí)別戶變關(guān)系。

1 理論基礎(chǔ)

低壓配電臺(tái)區(qū)戶變關(guān)系識(shí)別的實(shí)質(zhì)是分類(lèi)問(wèn)題，而神經(jīng)網(wǎng)絡(luò)對(duì)于圖譜的分類(lèi)效果普遍優(yōu)于一維序列分類(lèi)。若將電壓數(shù)據(jù)轉(zhuǎn)換為特征圖譜，并采用圖譜分類(lèi)網(wǎng)絡(luò)進(jìn)行分類(lèi)則識(shí)別率可進(jìn)一步提升。為此，選用合適的圖譜分類(lèi)網(wǎng)絡(luò)是戶變關(guān)系識(shí)別的關(guān)鍵。

圖譜分類(lèi)神經(jīng)網(wǎng)絡(luò)包含Alexnet[23]、GoolgLeNet[24]、2D-CNN[25]、殘差神經(jīng)網(wǎng)絡(luò)(ResNet)[26]等。其中，殘差網(wǎng)絡(luò)由于殘差塊的存在可訓(xùn)練深層網(wǎng)絡(luò)以提取圖譜深層次信息，識(shí)別準(zhǔn)確率較高，在圖譜分類(lèi)任務(wù)中被廣泛使用[27-29]。本文以殘差神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)引入空間注意力進(jìn)行改進(jìn)，使用改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)識(shí)別圖譜。

注意力機(jī)制包含自注意力、空間注意力、通道注意力、融合注意力等。引入注意力機(jī)制是為突出關(guān)鍵信息，考慮到不同臺(tái)區(qū)用戶特征圖譜像素點(diǎn)空間差異較大，為進(jìn)一步突出差異信息、提高識(shí)別準(zhǔn)確率，選擇空間注意力機(jī)制對(duì)殘差網(wǎng)絡(luò)進(jìn)行改進(jìn)。

1.1 殘差神經(jīng)網(wǎng)絡(luò)

殘差網(wǎng)絡(luò)(residual network，ResNet)是一種包含卷積層、池化層、殘差塊和全連接層的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，其包含的跨層連接將前一層的輸出跳過(guò)中間部分卷積層直接送入后續(xù)網(wǎng)絡(luò)，避免了網(wǎng)絡(luò)層數(shù)較深時(shí)出現(xiàn)的梯度消失等不利于網(wǎng)絡(luò)訓(xùn)練的問(wèn)題。

殘差塊是為解決網(wǎng)絡(luò)過(guò)深導(dǎo)致的信息損失過(guò)多問(wèn)題而提出的。殘差塊結(jié)構(gòu)示意如圖1。

圖1 殘差塊結(jié)構(gòu)示意圖

由圖1中可知，殘差塊的輸出由多次卷積輸出與原輸入相加并經(jīng)激活函數(shù)處理后得到。輸出的表達(dá)式為

out=ReLU(F(x)+x)

(1)

式中：x表示原始信息;F(x)表示經(jīng)過(guò)多層卷積層后對(duì)原始信息x的輸出；ReLU表示激活函數(shù)；out表示殘差塊輸出。

1.2 空間注意力機(jī)制

在進(jìn)行圖像分類(lèi)任務(wù)時(shí)，并非圖像上所有像素點(diǎn)對(duì)分類(lèi)任務(wù)的貢獻(xiàn)都相同。相較于幾乎沒(méi)有差異的點(diǎn)，差異較大的點(diǎn)更應(yīng)該被神經(jīng)網(wǎng)絡(luò)重視。如同人的視覺(jué)注意力總關(guān)注對(duì)于自己重要的信息而忽略邊緣信息，空間注意力機(jī)制通過(guò)改變識(shí)別區(qū)域權(quán)重以重點(diǎn)關(guān)注對(duì)分類(lèi)任務(wù)有用的信息。

空間注意力模型見(jiàn)圖2。原始包含空間信息的模塊分別經(jīng)最大和平均池化操作，得到2張代表不同信息的特征圖，將兩張?zhí)卣鲌D合并后進(jìn)行卷積操作融合為一張。特征圖通過(guò)sigmoid函數(shù)處理形成權(quán)重圖，權(quán)重圖疊加回原始的輸入特征圖，使得重點(diǎn)關(guān)注目標(biāo)區(qū)域得以增強(qiáng)，提升了圖像分類(lèi)識(shí)別效果。

圖2 空間注意力模型示意圖

針對(duì)一維序列分類(lèi)神經(jīng)網(wǎng)絡(luò)存在識(shí)別準(zhǔn)確率低、輸入序列易丟失時(shí)間依賴性、識(shí)別準(zhǔn)確率不穩(wěn)定的問(wèn)題，結(jié)合殘差網(wǎng)絡(luò)可提取深層次信息與空間注意力突出差異信息的優(yōu)勢(shì)，由此進(jìn)一步提出戶變關(guān)系識(shí)別模型。

2 低壓配電臺(tái)區(qū)戶變關(guān)系識(shí)別模型

基于格拉姆角場(chǎng)、殘差神經(jīng)網(wǎng)絡(luò)和空間注意力提出一種低壓配電臺(tái)區(qū)戶變關(guān)系識(shí)別方法。該方法以臺(tái)區(qū)電壓數(shù)據(jù)序列為基礎(chǔ)，以格拉姆角場(chǎng)和偽彩色處理方法將電壓數(shù)據(jù)序列轉(zhuǎn)換為特征圖譜，采用空間注意力和殘差神經(jīng)網(wǎng)絡(luò)組合形成的改進(jìn)殘差網(wǎng)絡(luò)進(jìn)行圖譜分類(lèi)。網(wǎng)絡(luò)根據(jù)輸入圖譜輸出屬于各低壓臺(tái)區(qū)的概率，最終實(shí)現(xiàn)低壓配電臺(tái)區(qū)的戶變關(guān)系識(shí)別。依據(jù)此方法，建立了低壓配電臺(tái)區(qū)戶變關(guān)系識(shí)別(consumer and transformer relationship identification，CTRI)模型，CTRI模型包含兩個(gè)部分：圖譜生成模塊及圖譜識(shí)別模塊。圖譜生成模塊利用格拉姆角和場(chǎng)及偽彩色處理將電壓離散序列轉(zhuǎn)換為特征圖譜。圖譜識(shí)別模塊以特征圖譜為輸入，使用空間注意力進(jìn)行改進(jìn)的殘差網(wǎng)絡(luò)ResNet50作為分類(lèi)網(wǎng)絡(luò)特征圖譜進(jìn)而識(shí)別戶變關(guān)系。CTRI模型結(jié)構(gòu)見(jiàn)圖3。

圖3 低壓配電臺(tái)區(qū)戶變關(guān)系識(shí)別模型結(jié)構(gòu)示意圖

2.1 圖譜生成模塊

圖譜生成模塊是將一維信號(hào)序列轉(zhuǎn)換為二維特征圖譜的模塊，其結(jié)構(gòu)見(jiàn)圖3第①部分。圖譜生成模塊包含格拉姆角場(chǎng)矩陣生成和偽彩色處理2個(gè)步驟。其中，格拉姆角場(chǎng)矩陣生成包含電壓離散序列縮放、序列極坐標(biāo)表示和特征矩陣計(jì)算，偽彩色處理則是由特征矩陣生成特征圖譜。整個(gè)圖譜生成詳細(xì)流程如圖4。

圖4 特征圖譜生成流程框圖

格拉姆角場(chǎng)是將信號(hào)序列經(jīng)過(guò)縮放、直角坐標(biāo)系向極坐標(biāo)系轉(zhuǎn)換、內(nèi)積矩陣計(jì)算的特征矩陣生成方法。該方法生成特征矩陣的具體步驟如下：

步驟1 假設(shè)電壓離散序列為Y={y1，y2，y3，…，yN}，序列由N個(gè)時(shí)刻的幅值組成。以N個(gè)時(shí)刻為橫坐標(biāo)值，每個(gè)時(shí)刻對(duì)應(yīng)的幅值為縱坐標(biāo)值，該序列便可通過(guò)直角坐標(biāo)系表示。通過(guò)式(2)將序列Y縮放至[-1，1]范圍，即余弦函數(shù)值域，以便序列Y由直角坐標(biāo)系向極坐標(biāo)系轉(zhuǎn)換。

(2)

(3)

(4)

步驟4 考慮不同點(diǎn)之間作角度和或作角度差，格拉姆角場(chǎng)分為格拉姆角和場(chǎng)(GASF)和格拉姆角差場(chǎng)(GADF)。GASF矩陣計(jì)算通過(guò)余弦函數(shù)作角度和，GADF矩陣計(jì)算通過(guò)正弦函數(shù)作角度差，二者矩陣的計(jì)算式分別為：

(5)

(6)

觀察GASF矩陣可知，原序列的時(shí)間相關(guān)性通過(guò)矩陣的主對(duì)角線得到了很好的保留[30]。將矩陣元素對(duì)應(yīng)為灰度圖像的灰度生成灰度圖像，將不同灰度值與不同彩色對(duì)應(yīng)(即偽彩色處理)得到所需的特征圖譜。

2.2 圖譜識(shí)別模塊

圖譜識(shí)別模塊是進(jìn)行特征圖譜分類(lèi)并輸出所屬類(lèi)別概率，進(jìn)而識(shí)別戶變關(guān)系的模塊。圖譜識(shí)別模塊采用改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)，模塊結(jié)構(gòu)見(jiàn)圖3第②部分。整個(gè)模塊包含卷積層、池化層、空間注意力模塊、全連接層。改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)基于殘差神經(jīng)網(wǎng)絡(luò)ResNet50結(jié)構(gòu)，通過(guò)在網(wǎng)絡(luò)ResNet50的起始卷積層及末尾卷積層后增加空間注意力模塊進(jìn)行改進(jìn)，以空間注意力突出圖譜差異性特征，提高網(wǎng)絡(luò)戶變關(guān)系識(shí)別準(zhǔn)確率。

改進(jìn)殘差網(wǎng)絡(luò)包含5個(gè)卷積層組，2個(gè)空間注意力模塊，具體結(jié)構(gòu)及網(wǎng)絡(luò)參數(shù)見(jiàn)表1。

表1 改進(jìn)的殘差網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

表1中，Conv_x表示卷積層組，由多個(gè)卷積層構(gòu)成。Maxpool表示最大池化層，Avgpool表示平均池化層，F(xiàn)c表示全連接層。Kernel_size表示卷積核大小，Stride表示卷積核移動(dòng)步長(zhǎng)，Padding為補(bǔ)零數(shù)目，in_channels為輸入通道數(shù)。

特征圖譜通過(guò)改進(jìn)殘差網(wǎng)絡(luò)中卷積、池化、空間注意力模塊提取特征后到達(dá)全連接層，并經(jīng)激活函數(shù)輸出其屬于各臺(tái)區(qū)的概率，最終實(shí)現(xiàn)對(duì)用戶所屬臺(tái)區(qū)的識(shí)別。

3 實(shí)驗(yàn)及結(jié)果分析

提出基于格拉姆角場(chǎng)和殘差神經(jīng)網(wǎng)絡(luò)的戶變關(guān)系識(shí)別方法，建立低壓配電臺(tái)區(qū)戶變關(guān)系識(shí)別(CTRI)模型。以實(shí)際數(shù)據(jù)為基礎(chǔ)開(kāi)展兩類(lèi)實(shí)驗(yàn)以對(duì)比驗(yàn)證該方法的有效性。3.4節(jié)為不同戶變關(guān)系識(shí)別方法的穩(wěn)定性對(duì)比分析，3.3節(jié)為不同戶變關(guān)系識(shí)別方法的準(zhǔn)確率對(duì)比分析。

3.1 實(shí)驗(yàn)數(shù)據(jù)

電壓數(shù)據(jù)來(lái)自國(guó)網(wǎng)重慶市電力公司市南供電分公司轄區(qū)內(nèi)相鄰3個(gè)低壓臺(tái)區(qū)，電壓數(shù)據(jù)采集頻率為每1 h采集1次。選取每臺(tái)區(qū)下轄的30戶用戶，每戶24 d的A相用戶電壓數(shù)據(jù)。臺(tái)區(qū)用戶性質(zhì)及所屬母線信息見(jiàn)表2。

表2 用戶性質(zhì)及所屬母線信息

臺(tái)區(qū)1與臺(tái)區(qū)2屬于相同低壓母線的不同段，臺(tái)區(qū)3屬于另一母線且包含較多工業(yè)負(fù)荷。數(shù)據(jù)包含來(lái)自3個(gè)臺(tái)區(qū)共90戶的A相電壓數(shù)值序列，每一用戶包含576點(diǎn)電壓數(shù)據(jù)，每取72點(diǎn)以格拉姆角和場(chǎng)方法形成一張?zhí)卣鲌D譜，共計(jì)形成720張圖譜。訓(xùn)練集與測(cè)試集比例為4∶1，即訓(xùn)練集包含576個(gè)樣本，測(cè)試集包含144個(gè)樣本。

3.2 訓(xùn)練參數(shù)

神經(jīng)網(wǎng)絡(luò)初始學(xué)習(xí)率設(shè)置為0.001，數(shù)據(jù)批處理大小為20，訓(xùn)練輪次設(shè)置為20。線損計(jì)算方法選擇自適應(yīng)時(shí)刻優(yōu)化算法(Adam)，可根據(jù)損失函數(shù)值自動(dòng)調(diào)整學(xué)習(xí)率，從而加快損失函數(shù)衰減使網(wǎng)絡(luò)獲得更好的訓(xùn)練效果。

3.3 不同戶變關(guān)系識(shí)別方法的準(zhǔn)確率對(duì)比分析

3.3.1基于一維序列的臺(tái)區(qū)戶變關(guān)系識(shí)別方法與本文方法準(zhǔn)確率對(duì)比分析

基于一維序列的戶變關(guān)系識(shí)別不需將電壓數(shù)據(jù)序列轉(zhuǎn)換為特征圖譜，即直接分類(lèi)一維時(shí)間序列，分析序列波動(dòng)差異性進(jìn)而識(shí)別戶變關(guān)系。該類(lèi)方法多采用一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)、長(zhǎng)短時(shí)記憶單元(LSTM)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)分類(lèi)臺(tái)區(qū)用戶電壓序列。為比較基于一維序列的各類(lèi)戶變關(guān)系識(shí)別方法與本文方法的識(shí)別準(zhǔn)確率，選擇1D-CNN、BP神經(jīng)網(wǎng)絡(luò)和CTRI模型進(jìn)行臺(tái)區(qū)戶變關(guān)系識(shí)別實(shí)驗(yàn)。

設(shè)立3組分類(lèi)實(shí)驗(yàn)，分別為分類(lèi)相同母線臺(tái)區(qū)用戶(臺(tái)區(qū)1和2)、分類(lèi)不同母線臺(tái)區(qū)用戶(臺(tái)區(qū)1和3)、分類(lèi)混合臺(tái)區(qū)用戶(臺(tái)區(qū)1、2、3)實(shí)驗(yàn)，實(shí)驗(yàn)分類(lèi)準(zhǔn)確率見(jiàn)表3。

表3 不同模型分類(lèi)準(zhǔn)確率 %

由表3可知，基于一維序列的戶變關(guān)系識(shí)別方法的識(shí)別準(zhǔn)確率相較于CTRI模型偏低。其原因在于，一維序列在輸入1D-CNN及BP等神經(jīng)網(wǎng)絡(luò)時(shí)被打亂，丟失序列各點(diǎn)之間的時(shí)間依賴性，電壓波動(dòng)的差異信息不明顯，容易造成誤判。

CTRI模型戶變關(guān)系識(shí)別準(zhǔn)確率相較于1D-CNN識(shí)別方法的混合臺(tái)區(qū)識(shí)別正確率提升約18%，相較于BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法的混合臺(tái)區(qū)識(shí)別正確率提升約16%。本文方法識(shí)別戶變關(guān)系準(zhǔn)確率優(yōu)于主流的基于一維序列的戶變關(guān)系識(shí)別方法。

3.3.2基于二維圖譜的臺(tái)區(qū)戶變關(guān)系識(shí)別方法與本文方法準(zhǔn)確率對(duì)比

目前，主流的圖譜分類(lèi)方法多采用二維卷積神經(jīng)網(wǎng)絡(luò)(2D-CNN)、AlexNet、殘差神經(jīng)網(wǎng)絡(luò)(ResNet)等。為比較各基于二維圖譜臺(tái)區(qū)戶變關(guān)系識(shí)別方法的準(zhǔn)確率，選擇相同的圖譜生成方法結(jié)合不同圖譜分類(lèi)網(wǎng)絡(luò)構(gòu)成不同臺(tái)區(qū)戶變關(guān)系識(shí)別方法。圖譜生成方法均選擇格拉姆角和場(chǎng)及偽彩色處理。3個(gè)臺(tái)區(qū)用戶電壓數(shù)據(jù)生成的部分特征圖譜見(jiàn)圖5。

圖5 不同臺(tái)區(qū)用戶電壓特征圖譜

選擇GASF+ResNet50、GASF+2D-CNN、GASF+AlexNet三種基于二維圖譜的戶變關(guān)系識(shí)別方法與文中基于格拉姆角場(chǎng)和殘差神經(jīng)網(wǎng)絡(luò)臺(tái)區(qū)戶變關(guān)系識(shí)別方法建立的CTRI模型進(jìn)行識(shí)別實(shí)驗(yàn)。識(shí)別實(shí)驗(yàn)分組與3.3.1節(jié)相同，圖6～8為各組實(shí)驗(yàn)識(shí)別準(zhǔn)確率圖。

圖6展示了不同的基于二維圖譜的識(shí)別方法識(shí)別相同母線臺(tái)區(qū)用戶的準(zhǔn)確率曲線。由于臺(tái)區(qū)1與2屬同一母線，故二者臺(tái)區(qū)電壓波動(dòng)具有較強(qiáng)相似性，對(duì)模型的識(shí)別分類(lèi)造成一定困難。本文方法建立的CTRI模型能保留一維序列時(shí)間依賴性，有利于區(qū)分相同母線臺(tái)區(qū)。

圖6 相同母線臺(tái)區(qū)戶變關(guān)系識(shí)別準(zhǔn)確率

CTRI模型在訓(xùn)練輪次15次之后識(shí)別準(zhǔn)確率達(dá)到100%，相較于GASF+2D-CNN方法的識(shí)別效果相當(dāng)，相較于另外2種方法的識(shí)別準(zhǔn)確率有約3%的提升且收斂速率更快，戶變關(guān)系識(shí)別準(zhǔn)確率波動(dòng)更小。

圖7展示了不同的基于二維圖譜的識(shí)別方法進(jìn)行不同母線臺(tái)區(qū)用戶識(shí)別的準(zhǔn)確率。臺(tái)區(qū)1與臺(tái)區(qū)3屬于不同母線，二者電壓波動(dòng)相似性較差，且臺(tái)區(qū)3包含較多工業(yè)用戶，也更使得臺(tái)區(qū)之間的電壓波動(dòng)差異性增大。結(jié)合圖7可知，CTRI模型和GASF+ResNet50方法識(shí)別準(zhǔn)確率為100%，優(yōu)于另外2種方法的識(shí)別準(zhǔn)確率，且識(shí)別準(zhǔn)確率穩(wěn)定。

圖7 不同母線臺(tái)區(qū)戶變關(guān)系識(shí)別準(zhǔn)確率

圖8展示了包含屬于同一母線和不同母線臺(tái)區(qū)的混合臺(tái)區(qū)用戶識(shí)別準(zhǔn)確率。CTRI模型識(shí)別準(zhǔn)確率在訓(xùn)練輪次10次之后的識(shí)別準(zhǔn)確率波動(dòng)較小，識(shí)別準(zhǔn)確率均在95%以上，且準(zhǔn)確率曲線都位于其他3種方法之上。由圖8易知，本文方法相較于其他戶變關(guān)系識(shí)別方法的識(shí)別準(zhǔn)確率有小幅提升，且網(wǎng)絡(luò)收斂快、識(shí)別準(zhǔn)確率波動(dòng)小。

圖8 混合臺(tái)區(qū)戶變關(guān)系識(shí)別準(zhǔn)確率

結(jié)合圖6～8，本文中所提出方法能夠分類(lèi)同一母線和不同母線段臺(tái)區(qū)，針對(duì)不同母線段臺(tái)區(qū)分類(lèi)效果能達(dá)到100%準(zhǔn)確率。針對(duì)混合臺(tái)區(qū)識(shí)別網(wǎng)絡(luò)訓(xùn)練20次，考慮到網(wǎng)絡(luò)訓(xùn)練收斂，取其后5次平均識(shí)別準(zhǔn)確率為平均準(zhǔn)確率，本文方法的平均識(shí)別準(zhǔn)確率98.052%，最優(yōu)識(shí)別準(zhǔn)確率為99.3%。

經(jīng)計(jì)算可知，CTRI模型在進(jìn)行混合臺(tái)區(qū)用戶分類(lèi)時(shí)，相較于2D-CNN、AlexNet、ResNet50方法的平均識(shí)別準(zhǔn)確率分別提升10.1%、3.6%、2.64%，表明本文中所提出的方法普遍優(yōu)于基于二維圖譜的主流戶變關(guān)系識(shí)別方法。

3.4 不同戶變關(guān)系識(shí)別方法穩(wěn)定性對(duì)比分析

神經(jīng)網(wǎng)絡(luò)初始化參數(shù)是隨機(jī)的，網(wǎng)絡(luò)每次訓(xùn)練的參數(shù)不一定都理想，故會(huì)導(dǎo)致網(wǎng)絡(luò)識(shí)別準(zhǔn)確率不穩(wěn)定。分析識(shí)別方法的穩(wěn)定性需分析多次識(shí)別任務(wù)下方法的識(shí)別準(zhǔn)確率的變化(即準(zhǔn)確率數(shù)值的相對(duì)頻率)。識(shí)別準(zhǔn)確率的變化體現(xiàn)了采用識(shí)別方法進(jìn)行具體識(shí)別任務(wù)時(shí)準(zhǔn)確率數(shù)據(jù)的可靠性與穩(wěn)定性。

為分析采用本文方法識(shí)別臺(tái)區(qū)戶變關(guān)系時(shí)的識(shí)別穩(wěn)定性，選用1D-CNN、GAF+ResNet50及本文識(shí)別模型分別進(jìn)行5輪、每輪20次(共計(jì)100次)的混合臺(tái)區(qū)戶變關(guān)系識(shí)別實(shí)驗(yàn)，分析各方法準(zhǔn)確率數(shù)值的相對(duì)頻率。計(jì)算100次分類(lèi)任務(wù)中識(shí)別準(zhǔn)確率的相對(duì)頻率，并繪制相對(duì)頻率圖(圖9～11)。

圖9展示了基于一維序列的識(shí)別方法1D-CNN的準(zhǔn)確率相對(duì)頻率。其準(zhǔn)確率數(shù)值在90%以上的次數(shù)約占總次數(shù)的20%。圖10展示了基于二維圖譜的識(shí)別方法GAF+ResNet50的準(zhǔn)確率的相對(duì)頻率，其識(shí)別準(zhǔn)確率和穩(wěn)定性相較于圖9的基于一維序列識(shí)別方法均有較大提升。采用GAF+ResNet50模型的識(shí)別準(zhǔn)確率在90%以上的次數(shù)約占總次數(shù)的70%。

圖9 1D-CNN方法識(shí)別準(zhǔn)確率相對(duì)頻率直方圖

圖10 GAF+ResNet50方法識(shí)別準(zhǔn)確率相對(duì)頻率直方圖

圖11展示了采用本文方法建立的CTRI模型識(shí)別準(zhǔn)確率相對(duì)頻率。通過(guò)與GAF+ResNet50方法相比可知，CTRI模型在ResNet50中引入了空間注意力，識(shí)別準(zhǔn)確率數(shù)值在90%以上的次數(shù)約占總次數(shù)的77.5%，且95%以上準(zhǔn)確率的數(shù)值約占總次數(shù)的40%，相較于GAF+ResNet50網(wǎng)絡(luò)提升18%。

圖11 本文模型識(shí)別準(zhǔn)確率相對(duì)頻率直方圖

結(jié)合圖9～11，本文所建立的CTRI模型相較于1D-CNN及GAF+ResNet50模型識(shí)別準(zhǔn)確率90%以上的相對(duì)頻率分別提升20%和7.5%，識(shí)別準(zhǔn)確率85%以上的相對(duì)頻率約占總次數(shù)的87.5%，表明其識(shí)別準(zhǔn)確率波動(dòng)更小、識(shí)別穩(wěn)定性更好。

4 結(jié)論

1)所建立的CTRI模型針對(duì)相同母線臺(tái)區(qū)用戶平均識(shí)別準(zhǔn)確率為94.3%，混合臺(tái)區(qū)用戶平均識(shí)別率準(zhǔn)確率98.52%，優(yōu)于目前主流的基于神經(jīng)網(wǎng)絡(luò)的戶變關(guān)系識(shí)別方法。

2)基于格拉姆角場(chǎng)和改進(jìn)殘差網(wǎng)絡(luò)識(shí)別方法的識(shí)別準(zhǔn)確率在90%以上的相對(duì)頻率相較于1D-CNN和GAF+ResNet方法分別提升了約20%和7.5%，識(shí)別準(zhǔn)確率85%以上的相對(duì)頻率約占總次數(shù)的87.5%，說(shuō)明該方法還具有識(shí)別準(zhǔn)確率波動(dòng)較小、識(shí)別穩(wěn)定性較好的特點(diǎn)。