The use of deep learning and 2-D wavelet scalograms for power quality disturbances classification

• DOI: 10.1016/j.epsr.2022.108834
• Publication Date: 2022-10-10T12:53:31Z
• Authors: Rafael S. Salles; Paulo F. Ribeiro
• Keywords: Artificial neural network; Artificial intelligence; Machine Fault Diagnosis and Prognostics; FOS: Political science; 0211 other engineering and technologies; Convolutional neural network; FOS: Law; Wavelet Transform; 02 engineering and technology; Pattern recognition (psychology); Bandwidth (computing); Transfer of learning; Engineering; Condition Assessment of Power Transformers; Deep Learning; Machine learning; FOS: Electrical engineering, electronic engineering, information engineering; Amplifier; Electrical and Electronic Engineering; Distortion (music); Political science; Computer network; Politics; Power Quality Analysis and Mitigation Techniques; Deep learning; Computer science; Control and Systems Engineering; Physical Sciences; Vibration Analysis; Wavelet transform; Wavelet; Representation (politics); Law

يبحث هذا العمل في استخدام معالجة الإشارات المتقدمة والتعلم العميق للتعرف على الأنماط وتصنيف الإشارات ذات الاضطرابات في جودة الطاقة. لهذا الغرض، يتم استخدام تحويل الموجات المستمر لتوليد صور ثنائية الأبعاد مع تمثيل التردد الزمني من الإشارات ذات اضطرابات الجهد. يهدف العمل إلى استخدام الشبكات العصبية الالتفافية لتصنيف هذه البيانات وفقًا لتشويه الصور. في هذا التنفيذ للذكاء الاصطناعي، تم تنفيذ مراحل محددة من التصميم والتدريب والتحقق من الصحة والاختبار لنموذج مفصل من الصفر وتقنية تعلم النقل مع الشبكات المدربة مسبقًا SqueezeNet و GoogleNet و ResNet -50. تم تطوير العمل في برنامج ماتلاب/سيمولينك، وجميع مراحل معالجة الإشارات، وتصميم سي إن إن، والمحاكاة، وتوليد البيانات التي تم التحقيق فيها. تحقق جميع الخطوات أهدافها، وبلغت ذروتها في التنفيذ والتطوير الممتازين للبحث. سعت النتائج إلى الحصول على دقة عالية للنموذج من الصفر و ResNet -50 في تصنيف مجموعة الاختبار. حصل النموذجان الآخران على دقة غير عالية، وكانت النتائج متسقة عند مقارنتها بمنهجيات مختلفة. المساهمات الرئيسية للورقة هي: (1) تطوير منهجية لاستخدام التعلم المباشر ونقل التعلم بشأن تصنيف اضطرابات الجهد ؛ (2) استخدام تمثيل ثنائي الأبعاد يتضمن معلومات الوقت والتردد التي تميز العديد من مشكلات PQ ؛ (3) إجراء حالة دراسة توضح مدى ملاءمة CNN كأداة لتصنيف اضطرابات الجهد، مع تطبيق محدد للصور ثنائية الأبعاد. تمت الإشارة إلى الاعتبارات المتعلقة بالنتائج.<br/>This work investigates the use of advanced signal processing and deep Learning for pattern recognition and classification of signals with power quality disturbances. For this purpose, the continuous wavelet transform is used to generate 2-D images with the time–frequency representation from signals with voltage disturbances. The work aims to use convolutional neural networks to classify this data according to the images' distortion. In this implementation of artificial intelligence, specific stages of design, training, validation, and testing were carried out for a model elaborated from the scratch and a transfer learning technique with the pre-trained networks SqueezeNet, GoogleNet, and ResNet-50. The work was developed in the MATLAB/Simulink software, all signal processing stages, CNN design, simulation, and the investigated data generation. All steps have their objectives fulfilled, culminating in the excellent execution and development of the research. The results sought high precision for the model from scratch and ResNet-50 in classify the test set. The other two models obtained not-so-high accuracy, and the results are consistent when compared with different methodologies. The main contributions of the paper are: (i) developing a methodology to use DL and transfer learning on the classification of voltage disturbances; (ii) using a 2-D representation that incorporates time and frequency information that characterizes several PQ issues; (iii) conducting a study case that shows the suitability of CNN as a tool for voltage disturbance classification, with specific application for 2-D images. Considerations about the results were pointed out.<br/>Ce travail étudie l'utilisation du traitement avancé du signal et de l'apprentissage profond pour la reconnaissance des formes et la classification des signaux avec des perturbations de la qualité de l'alimentation. À cette fin, la transformée en ondelettes continue est utilisée pour générer des images 2D avec la représentation temps-fréquence à partir de signaux avec des perturbations de tension. Le travail vise à utiliser des réseaux de neurones convolutionnels pour classer ces données en fonction de la distorsion des images. Dans cette mise en œuvre de l'intelligence artificielle, des étapes spécifiques de conception, de formation, de validation et de test ont été réalisées pour un modèle élaboré à partir de zéro et une technique d'apprentissage par transfert avec les réseaux pré-entraînés SqueezeNet, GoogleNet et ResNet-50. Le travail a été développé dans le logiciel Matlab/Simulink, toutes les étapes de traitement du signal, la conception CNN, la simulation et la génération de données étudiées. Toutes les étapes ont atteint leurs objectifs, aboutissant à l'excellente exécution et au développement de la recherche. Les résultats ont recherché une grande précision pour le modèle à partir de zéro et ResNet-50 pour classer l'ensemble de test. Les deux autres modèles ont obtenu une précision pas si élevée, et les résultats sont cohérents par rapport à différentes méthodologies. Les principales contributions de l'article sont : (i) le développement d'une méthodologie pour utiliser DL et transférer l'apprentissage sur la classification des perturbations de tension ; (ii) l'utilisation d'une représentation 2D qui incorpore des informations de temps et de fréquence qui caractérisent plusieurs problèmes de PQ ; (iii) la réalisation d'un cas d'étude qui montre la pertinence de CNN en tant qu'outil de classification des perturbations de tension, avec une application spécifique pour les images 2D. Des considérations sur les résultats ont été soulignées.<br/>Este trabajo investiga el uso del procesamiento avanzado de señales y el aprendizaje profundo para el reconocimiento de patrones y la clasificación de señales con perturbaciones en la calidad de la energía. Para ello, se utiliza la transformada wavelet continua para generar imágenes 2D con la representación tiempo-frecuencia a partir de señales con perturbaciones de tensión. El trabajo pretende utilizar redes neuronales convolucionales para clasificar estos datos según la distorsión de las imágenes. En esta implementación de inteligencia artificial, se llevaron a cabo etapas específicas de diseño, capacitación, validación y pruebas para un modelo elaborado desde cero y una técnica de aprendizaje por transferencia con las redes preentrenadas SqueezeNet, GoogleNet y ResNet-50. El trabajo se desarrolló en el software MATLAB/Simulink, todas las etapas de procesamiento de señales, el diseño de CNN, la simulación y la generación de datos investigados. Todos los pasos tienen sus objetivos cumplidos, culminando en la excelente ejecución y desarrollo de la investigación. Los resultados buscaron una alta precisión para el modelo desde cero y ResNet-50 en clasificar el conjunto de prueba. Los otros dos modelos obtuvieron una precisión no tan alta, y los resultados son consistentes en comparación con diferentes metodologías. Las principales contribuciones del trabajo son: (i) desarrollar una metodología para utilizar DL y transferir el aprendizaje sobre la clasificación de perturbaciones de voltaje; (ii) utilizar una representación 2-D que incorpore información de tiempo y frecuencia que caracterice varios temas de PQ; (iii) realizar un caso de estudio que muestre la idoneidad de CNN como herramienta para la clasificación de perturbaciones de voltaje, con aplicación específica para imágenes 2-D. Se señalaron consideraciones sobre los resultados.<br/>