基于Lissajous轨迹的电能质量扰动边-云协同高效辨识框架

张玺; 郑建勇; 梅飞; 缪惠宇

doi:10.7500/AEPS20240206004

您当前的位置：

首页 >

文章列表页 >

基于Lissajous轨迹的电能质量扰动边-云协同高效辨识框架

研制与开发 | 更新时间：2025-06-16

- 基于Lissajous轨迹的电能质量扰动边-云协同高效辨识框架
- Lissajous Locus-based Efficient Identification Framework for Power Quality Disturbances Based on Edge-Cloud Collaboration
- 电力系统自动化 2024年48卷第22期页码：210-223
- 作者机构：
  
  1.东南大学网络空间安全学院，江苏省南京市 211102
  2.东南大学电气工程学院，江苏省南京市 210096
  3.河海大学能源与电气学院，江苏省南京市 211100
  4.国网江苏省电力有限公司电力科学研究院，江苏省南京市 211103
- 作者简介：
  
  张玺(1996—)，男，博士研究生，主要研究方向：智能电网态势感知、图像处理在电力系统中的应用。E-mail：18845095018@163.com
  郑建勇(1966—)，男，通信作者，博士，教授，博士生导师，主要研究方向：电力系统人工智能应用、电能质量数据分析。E-mail：jy_zheng@seu.edu.cn
  梅飞(1982—)，男，博士，讲师，主要研究方向：电力系统人工智能技术。E-mail：meifei@hhu.edu.cn
- 基金信息：
  
  江苏省国际科技合作项目(BZ2021012)
- DOI：10.7500/AEPS20240206004
  中图分类号：
- 收稿：2024-02-06，
  
  修回：2024-05-24，
  
  网络出版：2024-07-18，
  
  纸质出版：2024-11-25
- 稿件说明：
移动端阅览
张玺,郑建勇,梅飞等.基于Lissajous轨迹的电能质量扰动边-云协同高效辨识框架[J].电力系统自动化,2024,48(22):210-223.

ZHANG Xi,ZHENG Jianyong,MEI Fei,et al.Lissajous Locus-based Efficient Identification Framework for Power Quality Disturbances Based on Edge-Cloud Collaboration[J].Automation of Electric Power Systems,2024,48(22):210-223.
张玺,郑建勇,梅飞等.基于Lissajous轨迹的电能质量扰动边-云协同高效辨识框架[J].电力系统自动化,2024,48(22):210-223. DOI： 10.7500/AEPS20240206004.

ZHANG Xi,ZHENG Jianyong,MEI Fei,et al.Lissajous Locus-based Efficient Identification Framework for Power Quality Disturbances Based on Edge-Cloud Collaboration[J].Automation of Electric Power Systems,2024,48(22):210-223. DOI： 10.7500/AEPS20240206004.

摘要

边缘计算的就地实时诊断模式能够有效解决传统电能质量扰动云集中识别模式存在的强信息时延问题。针对当前电能质量扰动边-云协同辨识方法中识别算法普适性差、训练模型规模庞大且下发边缘端会造成精度缺陷的难题，提出了一种基于Lissajous轨迹的电能质量扰动边-云协同辨识框架。首先，根据图像处理领域最新进展，提出了基于双相Lissajous轨迹的视觉转换方法，将扰动信号转换成具有特殊形状的轨迹图像。然后，为了在增强特征捕捉能力的同时降低计算复杂度，开发了一种轻量级循环挤压卷积神经网络以执行主辨识任务。通过边-云共享权重参数，所提框架能够实现扰动的实时辨识。为持续优化模型性能，设计了一个更深层的云端网络以辅助模型更新。最后，基于IEEE标准仿真数据集和变电站实测扰动数据集验证了所提框架的有效性。结果表明，该框架在取得优异扰动辨识泛化性能的同时，实现了云端与边缘端识别模型的同步轻量化，并通过边-云权重交互避免了训练模型下发所造成的性能损失。

Abstract

The on-site real-time diagnosis mode of edge computing can effectively solve the strong information delay problem existing in the traditional cloud-based identification mode of power quality disturbances. Faced with the problems of poor universality of identification algorithms

the large size of the training model

and accuracy defects caused by sending it to the edge in the current identification method for power quality disturbance based on edge-cloud collaboration

this paper proposes a Lissajous locus-based identification framework for power quality disturbances based on edge-cloud collaboration. Firstly

leveraging the latest advancements in the image processing field

a visual conversion method based on the double-phase Lissajous locus is proposed to convert disturbance signals into locus images with special shapes. Secondly

to enhance the feature capture ability while reducing the computational complexity

a lightweight cyclic squeeze convolutional neural network is developed to perform primary identification tasks. By sharing weight parameters of edge-cloud

the proposed framework can achieve the real-time disturbance identification. To continuously optimize the model performance

a deeper network is designed at the cloud to assist in model updating. Finally

the effectiveness of the proposed framework is verified based on the IEEE standard simulation dataset and the real-time measured disturbance dataset from substations. The results show that this framework achieves excellent disturbance identification generalization performance while realizing the simultaneous lightweight of cloud-edge identification models

and avoids performance losses caused by the distribution of the training model through edge-cloud weight interaction.

关键词

Keywords

references

张勇军，羿应棋，李立浧，等 . 双碳目标驱动的新型低压配电系统技术展望［J］. 电力系统自动化， 2022 ， 46 （ 22 ）： 1 - 12 .

ZHANG Yongjun ， YI Yingqi ， LI Licheng ， et al . Prospect of new low-voltage distribution system technology driven by carbon emission peak and carbon neutrality targets ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 22 ）： 1 - 12 .

吴建章，梅飞，郑建勇，等 . 基于改进经验小波变换和XGBoost的电能质量复合扰动分类［J］. 电工技术学报， 2022 ， 37 （ 1 ）： 232 - 243 .

WU Jianzhang ， MEl Fei ， ZHENG Jianyong ， et al . Recognition of multiple power quality disturbancesbased on modified empirical wavelet transform and XGBoost ［J］. Transactions of China Electrotechnical Society ， 2022 ， 37 （ 1 ）： 232 - 243 .

王强钢，周亦尧，廖建权，等 . 直流配电网电能质量研究综述［J］. 电力系统自动化， 2023 ， 47 （ 7 ）： 193 - 207 .

WANG Qianggang ， ZHOU Yiyao ， LIAO Jianquan ， et al . Review on power quality in DC distribution network ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 7 ）： 193 - 207 .

于轲鑫，琚贇 . 基于知识蒸馏的边缘侧电能质量扰动识别研究［J］. 电力信息与通信技术， 2023 ， 21 （ 7 ）： 36 - 43 .

YU Kexin ， JU Yun . Research on edge side power quality disturbance recognition based on knowledge distillation ［J］. Electric Power Information and Communication Technology ， 2023 ， 21 （ 7 ）： 36 - 43 .

BORRAS M D ， BRAVO J C ， MONTANO J C . Disturbance ratio for optimal multi-event classification in power distribution networks ［J］. IEEE Transactions on Industrial Electronics ， 2016 ， 63 （ 5 ）： 3117 - 3124 .

ACHLERKAR P D ， SAMANTARAY S R ， SABARIMALAI MANIKANDAN M . Variational mode decomposition and decision tree based detection and classification of power quality disturbances in grid-connected distributed generation system ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 4 ）： 3122 - 3132 .

THIRUMALA K ， PRASAD M S ， JAIN T ， et al . Tunable-Q wavelet transform and dual multiclass SVM for online automatic detection of power quality disturbances ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 4 ）： 3018 - 3028 .

DENG Y P ， WANG L ， JIA H ， et al . A sequence-to-sequence deep learning architecture based on bidirectional GRU for type recognition and time location of combined power quality disturbance ［J］. IEEE Transactions on Industrial Informatics ， 2019 ， 15 （ 8 ）： 4481 - 4493 .

WANG S X ， CHEN H W . A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network ［J］. Applied Energy ， 2019 ， 235 ： 1126 - 1140 .

贺才郡，李开成，董宇飞，等 . 基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别［J］. 电力系统保护与控制， 2023 ， 51 （ 14 ）： 75 - 84 .

HE Caijun ， LI Kaicheng ， DONG Yufei ， et al . Power quality compound disturbance identification based on knowledge distillation and RP-MobilenetV3 ［J］. Power System Protection and Control ， 2023 ， 51 （ 14 ）： 75 - 84 .

SHUKLA J ， PANIGRAHI B K ， RAY P K . Power quality disturbances classification based on Gramian angular summation field method and convolutional neural networks ［J］. International Transactions on Electrical Energy Systems ， 2021 ， 31 （ 12 ）： 1 - 16 .

YUAN D ， LIU Y L ， LAN M Y ， et al . A novel recognition method for complex power quality disturbances based on visualization trajectory circle and machine vision ［J］. IEEE Transactions on Instrumentation and Measurement ， 2022 ， 71 ： 1 - 13 .

陈元榉，蔡泽祥，岑伯维，等 . 考虑任务耦合的配电网边缘计算终端部署与任务分配方法［J］. 电力系统自动化， 2022 ， 46 （ 22 ）： 32 - 40 .

CHEN Yuanju ， CAI Zexiang ， CEN Bowei ， et al . Deployment and task allocation method of edge computing terminals in distribution network considering task coupling ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 22 ）： 32 - 40 .

娄钊瑜 . 基于云边协同的电能质量扰动识别［D］. 秦皇岛：燕山大学， 2022 .

LOU Zhaoyu . Power quality disturbance identification based on cloud edge collaboration ［D］. Qinhuangdao ： Yanshan University ， 2022 .

IEEE PES . IEEE recommended practice for monitoring electric power quality： IEEE Std 1159TM—2019 ［S］. Washington， USA ： IEEE ， 2019 .

KARACOR D ， NAZLIBILEK S ， SAZLI M H ， et al . Discrete Lissajous figures and applications ［J］. IEEE Transactions on Instrumentation and Measurement ， 2014 ， 63 （ 12 ）： 2963 - 2972 .

ABU-SIADA A ， MIR S . A new on-line technique to identify fault location within long transmission lines ［J］. Engineering Failure Analysis ， 2019 ， 105 ： 52 - 64 .

IZADI M ， MOHSENIAN-RAD H . A synchronized Lissajous-based method to detect and classify events in synchro-waveform measurements in power distribution networks ［J］. IEEE Transactions on Smart Grid ， 2022 ， 13 （ 3 ）： 2170 - 2184 .

IANDOLA F ， HAN S ， MOSKEWICZ M ， et al . SqueezeNet： Alexnet-level accuracy with 50x fewer parameters and <0.5 MB model size ［EB/OL］. ［ 2023-09-05 ］. https：//arxiv.org/abs/1602.07360 https://arxiv.org/abs/1602.07360 .

HE K M ， SUN J . Convolutional neural networks at constrained time cost ［C］// 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， June 7-12 ， 2015 ， Boston， USA .

BORGES F A S ， FERNANDES R A S ， SILVA I N ， et al . Feature extraction and power quality disturbances classification using smart meters signals ［J］. IEEE Transactions on Industrial Informatics ， 2016 ， 12 （ 2 ）： 824 - 833 .

KHOKHAR S ， MOHD ZIN A A ， MEMON A P ， et al . A new optimal feature selection algorithm for classification of power quality disturbances using discrete wavelet transform and probabilistic neural network ［J］. Measurement ， 2017 ， 95 ： 246 - 259 .

王慧慧，王萍，刘涛，等 . 基于生长-修剪优化RBF神经网络的电能质量扰动分类［J］. 电网技术， 2018 ， 42 （ 8 ）： 2408 - 2415 .

WANG Huihui ， WANG Ping ， LIU Tao ， et al . Power quality disturbance classification based on growing and pruning optimal RBF neural network ［J］. Power System Technology ， 2018 ， 42 （ 8 ）： 2408 - 2415 .

HE H B ， BAI Y ， GARCIA E A ， et al . ADASYN： adaptive synthetic sampling approach for imbalanced learning ［C］// 2008 IEEE International Joint Conference on Neural Networks （IEEE World Congress on Computational Intelligence）， June 1-8 ， 2008 ， Hong Kong， China .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于时空图注意力网络的超短期区域负荷预测

考虑时空完整性的新型电力系统运行断面图生成与特征提取

考虑多维时域特征的行业中长期负荷预测方法

基于多维融合特征和卷积神经网络的多任务用户短期负荷预测