基于知识蒸馏的边缘侧电能质量扰动识别研究.pdf

传统的云端电能质量扰动识别方式下，海量分布式电能质量数据会给网络负载带来巨大压力。为降低云端识别延迟，采用边缘侧扰动识别的方式，但是边缘侧智能终端计算资源有限，无法部署大规模深度神经网络。文章针对边缘侧智能终端计算资源有限和扰动识别准确率降低的问题，提出了一种基于知识蒸馏的边缘侧电能质量扰动识别方法。首先将云端训练好的性能稳定但复杂度高的深度神经网络模型进行知识蒸馏，生成一个结构简洁且运算量小的模型；然后再将蒸馏后的优化模型下发并部署在配电物联网边缘侧，直接执行电能质量扰动分类识别计算。实验结果显示，相比于现有的知识蒸馏算法，经过本方法优化过的小模型准确率提高了 1.4%2.46%。同时，与传统的云端识别方式比较，边缘侧扰动识别的数据传输速率需求降低了 99.993%。表明在边端计算资源有限的前提下，基于知识蒸馏的边缘侧电能质量扰动识别方法能够满足准确率和实时性的需求。关键词：电能质量；扰动识别；知识蒸馏；云边协同 ABSTRACT:Under the traditional cloud power quality disturbance identification method,massive distributed power quality data will bring great pressure on the network load.In order to reduce the cloud identification delay,the edge-side disturbance identification method is adopted,but the edge-side intelligent terminal has limited computing resources and cannot deploy large-scale deep neural network.In order to solve the problems of limited computing resources and low identification accuracy of disturbance in edge intelligent terminals,a method of edge side power quality disturbance recognition based on knowledge distillation was proposed.Firstly,the deep neural network model trained in cloud with stable performance but high complexity is distilled to generate a model with simple structure and small computation.Then the distilled optimization model is distributed on the edge of distribution Internet of things to directly perform power quality disturbance classification and identification calculation.Experimental results show that compared with the existing knowledge distillation algorithm,the accuracy of the optimized small model improved by 1.4%2.46%.At the same time,compared with the traditional cloud identification method,the data transmission rate requirement of edge side disturbance identification is reduced by 99.993%.This indicates that the edge side power quality disturbance recognition based on knowledge distillation can meet the requirements of accuracy and real-time performance under the premise of limited edge-side computing resources.KEY WORDS:power quality;disturbance identification;knowledge distillation;cloud edge collaboration 0 引言 近年来，配电网中分布式新能源规模化发展和用户侧负荷种类不断增加，更多的复合电能质量扰动信号随之出现1，电能质量监测点的数据量也随之呈爆发式增长2。面对海量分布式电能质量数据和众多扰动信号种类，传统的电能质量扰动识别方式会给网络带宽带来巨大压力，导致电能质量扰动 基金项目：国家重点基础研究发展计划项目“电力物联网关键技术”(2020YFB0905900)。识别效率极大降低，交互延迟，识别准确率降低，电网将面临更高的电能质量风险3。尤其是在暂态电能质量扰动问题上，扰动出现的时间短，对检测算法的实时性和精准度要求更高4。因此，配电物联网电能质量扰动识别在处理海量终端数据和实现实时性方面的研究，对于降低配电网电能质量风险具有重要意义。传统的电能质量扰动识别方法可分为基于经验规则类和基于机器学习类。基于经验规则类的方法有频域分析法、时域分析法、时频域分析法和参第 21 卷 第 7 期 电 力 信 息 与 通 信 技 术 37 数估计法等5，此类方法针对特定种类的扰动信号识别准确率较高，但不适用于识别所有的扰动信号。例如文献6中介绍的时域分析法对于幅值突变幅度很小的电压暂升和电压暂降易导致检测失效，此类方法应用于配电物联网，需同时部署多种方法以确保各类扰动的识别准确率，降低了部署效率，不利于实际应用。基于机器学习类方法包括基于神经网络的电能质量扰动分类器和基于支持向量机的电能质量扰动分类器等7，虽在同时识别多种类别扰动的准确率上有所提高，但该类方法都部署于配电物联网的云端，扰动数据从终端设备上传至云端再进行识别，无法满足配电物联网中海量终端数据处理的实时性需求8。现有针对电能质量扰动识别实时性的研究可分为算法识别效率和云边协同模式两个方向。算法识别效率方向，通过改进电能质量扰动识别算法提高其识别效率从而保证算法识别的实时性。例如，文献9提出了一种基于决策树的计算效率高的 S变换电能质量在线监控算法；文献10集成了自适应变分模态分解、深度卷积神经网络和在线顺序随机向量功能链接网络对单个和组合电能质量事件进行实时分类；文献11提出的使用改进的布谷鸟搜索提高多类支持向量机分类器性能方法可以在噪声环境下具有最低的计算时间和最高的准确率。此类方法虽在扰动识别时间上有所缩减，但忽视了配电物联网中海量数据传输带来的延迟。云边协同模式方向，进一步考虑了海量数据传输的问题，给边缘侧与云中心合理分配计算任务，有效降低电力业务的系统时延，保证电能质量扰动识别的实时性12。文献13提出了一种将信号引导采集、自适应速率分割和时域特征提取与机器学习工具相结合的新方法，先在边缘采集侧对信号进行实时处理压缩，然后传输至云端分类器处进行分类识别，降低了后分类器的数据存储、处理和传输要求，同时也降低分类器的计算成本和延迟。文献14提出一种电能质量高效边缘特征提取与扰动识别方法，在边缘侧对扰动信号进行基于时域分割的扰动特征高效提取，然后传输至云端以轻量级梯度提升机(light gradient boosting machine，LightGBM)算法对其进行分类，上传最优特征子集方法较上传原始信号通信数据量显著降低。该类方法虽显著降低了通信数据量，但从较远的边缘侧传输至云端进行计算依旧会带来不可忽视的延迟，因此提出将云端模型下发至边缘侧进行扰动识别。此外，配电物联网边缘侧智能终端需要同时部署不同功能的模型，终端的算力和存储量有限，无法满足多个大规模深度神经网络的运算及存储。因此本文引入知识蒸馏算法15，将部署于云端的大规模深度学习模型进行蒸馏压缩，生成一个结构简洁且运算量小的学生模型，再分别部署在各个资源有限的边端设备中。1 知识蒸馏算法 知识蒸馏算法(knowledge distillation，KD)是一种教师学生训练结构，通常是已训练好的教师模型提供知识，学生模型通过蒸馏训练来获取教师的知识16。它可以以轻微的性能损失为代价，将知识从繁琐的模型转移到更适合部署的小模型上，从而减轻边端计算压力。现有知识蒸馏算法根据知识的类型可分为 3 类：基于特征的知识、基于响应的知识和基于关系的知识17。基于特征的知识指教师模型隐含层中的特征图知识，其主要思想是从教师中间的网络层中提取特征来充当学生模型中间层输出的提示15。尽管基于特征的知识蒸馏算法为学生模型的学习提供了有利的信息，但是教师模型和学生模型的层数大小存在显著差异，还需要探索如何正确匹配教师和学生的特征表示，算法的普适性较差17。基于响应的知识通常是指教师模型最后一个输出层的神经响应，该类型的知识蒸馏算法主要思想是学生模型直接模仿教师模型的最终预测，该类算法不受教师模型和学生模型结构的影响，适用于监督学习下的电能质量扰动识别训练18。基于关系的知识指的是教师模型不同层和不同数据样本之间的关系知识，主要思想是提供一个恒等的关系映射使得学生模型能够更好地学习教师模型的关系知识19。蒸馏算法是将教师模型捕捉到的数据内部关系传递给学生模型，适用于电能质量扰动数据较为固定的情况。因此，本文提出了一种基于知识蒸馏的边缘侧电能质量扰动识别方法。首先，在云端训练性能好但复杂的深度神经网络模型，然后用基于数据关系的混合知识蒸馏方法对大型深度神经网络模型进行蒸馏，生成一个结构简洁且运算量小的模型，并保证该方法蒸馏出的小模型的分类效果相比于其他蒸馏算法更加接近大模型。其次，将蒸馏后的模型下发并部署在配电物联网计算资源有限的边缘侧，在边端直接进行数据采集和扰动分类识别，降低了数据传输量，减少了因传输距离而产生的延迟。最后，通过 15 种仿真电能质量扰动信号数据，对提出的方法进行了实验验证。38 于轲鑫等：基于知识蒸馏的边缘侧电能质量扰动识别研究 Vol.21 No.7 2 数据集构成 根据现有文献中的研究成果和国际电能质量标准20，在仿真环境中利用随机参数生成，信噪比在 2050 dB 之间，噪声为高斯白噪声的 8 种单一扰动信号(包括正常信号)和 7 种复合扰动信号。其中采样率为 6400 Hz，基频取 50 Hz，采样周期为 10 个周期(0.2 s)。随机生成各类电能质量扰动信号如图 1 所示，每类信号各生成 1000 组一维数据，并将其划分为训练集和测试集。其中训练集每类信号 800 组，测试集每类信号 200 组，训练集和测试集中的各类型扰动信号随机分布。020040060080001电压中断020040060080002谐波020040060080001波动121020040060080002暂升2020040060080001暂降1020040060080001正常180002004006002024谐波+脉冲+振荡0200400600800012波动+脉冲+谐波02004006008002024波动+脉冲+振荡02004006008000脉冲120200400600800202振荡0200400600800101暂降加谐波0200400600800101波动加暂升8000200400600202暂升加谐波800波动加暂降0200400600101 图 1 电能质量扰动信号 Fig.1 Power quality disturbance signal diagram 3 知识蒸馏模型构建 为进一步加强学生模型学习教师模型的效果，本文在现有的知识蒸馏算法上进行了改进，根据深度神经网络在电能质量扰动识别过程中的特点21，让学生模型同时学习教师模型分析电能质量扰动数据关系的知识和教师模型基于响应的知识，以下是对本文知识蒸馏模型构建的详细阐述。3.1 基于响应的知识蒸馏算法 基于响应的知识通常是指教师模型最后一个输出层的神经反应，其主要思想是直接模拟教师模型的最终预测。图 2 所示为基于响应的知识蒸馏具体表现形式。给定一个 Logits 向量 Z 作为深度模型最后一个完全连通层的输出，基于响应的知识蒸馏损失ResDL可以表述为：ResDRTSTS(,)(,)LLZZZZ(1)式中：RL指示 Logits 的散度损失；TZ和SZ分别是教师和学生的 Logits。数据教师模型学生模型LogitsLogits蒸馏损失 图 2 基于响应的知识蒸馏 Fig.2 Knowledge distillation based on response 在分类任务中，基于响应的知识蒸馏算法的重点是学生学习教师模型输出的软目标知识，与硬目标知识相比，教师的软目标可以提供给学生更多的类间知识。例如，在电能质量扰动分类任务中，模型正确将波动判断为波动的概率为 95%，还有 5%的概率判断为谐波、“波动+暂降”或者“波动+脉冲+谐波”，而教师的软目标可以更好地将硬目标忽视掉的 5%知识传递给学生。神经网络通常通过使用“Softmax”输出层产生类概率，对于一个网络的输出 Logitsz，一种扰动的分类概率值iq由以下第 21 卷 第 7 期 电 力 信 息 与 通 信 技 术 39 公式计算得出：exp(/)exp(/)iijjTqTzz(2)式中：iz，jz为扰动输入网络后的输出Logits；T值为蒸馏的温度，当 T 值设置为1时，为标准的Softmax函数；当 T 上升时，Softmax函数产生的概率分布变得更软，可以给知识蒸馏过程中的学生网络提供更多的教师网络认为哪些类别概率接近于预测类别的知识，如图3所示，详细描述了基于响应的知识蒸馏算法训练过程。对于训练集中带有真实标签的扰动信号，在训练学生网络时，同时使用学生模型的真实标签和教师模型产生的软标签能够产生更好的效果。因此，教师训练学生的损失函数由学生自身的损失函数和蒸馏损失函数结合构成，基于响应的知识蒸馏算法的Loss值KDL定义为：KDCECETSS(,)(,(;1)(1)(;),(;)Lx WLyTLTTzzz(3)式中：x 为输入值；W 代表学生模型的参数；为权重系数；CEL为交叉熵损失；y 为真实标签；为加入温度参数 T 后的Softmax函数；为自定义的蒸馏温度；Sz和Tz分别为学生模型和教师模型的输出Logits。数据集Layer 1Layer 2Layer n教师模型(预训练)Layer 1Layer 2Layer n学生模型(训练)SoftmaxT=tSoftmaxT=tSoftmaxT=1软目标软目标软目标学生损失蒸馏损失真实标签知识蒸馏 图 3 基于响应的知识蒸馏算法训练过程 Fig.3 Training process of knowledge distillation algorithm based on response 3.2 基于关系的知识蒸馏算法 关系知识指的是教师模型不同层和不同数据样本之间的关系，基于关系的知识蒸馏(relational knowledge distillation，RKD)认为学习的本质不是特征输出的结果，而是层与层之间和样本数据之间的关系，它的重点是提供一个恒等的关系映射使得学生能够更好地学习教师的关系知识。如上所述，基于关系的知识蒸馏损失可以表述为：2RelDTSTS,()(,(),()ijijRLF FLt ts s(4)式中：(),ijt tTF，(),ijs sSF，TF和SF分别是教师模型和学生模型的特征表示集；T()和S()是(),ijt t和(),ijs s的相似函数；2()RL是教师和学生特征表征之间的相关函数。图4为关系知识蒸馏示意图，其中 t1,t2,tn 为教师模型的中间层，s1,s2,sn 为学生模型的中间层。图 4 关系知识蒸馏示意图 Fig.4 Schematic distillation of relational knowledge 为获取电能质量扰动数据样本之间相关或相对的关系知识，本文采用RKD算法，旨在利用教师学习到的数据相互关系来传递结构知识，并利用关系势函数训练学生模型使其形成与教师相同的关系结构。RKD提出了两个简单但有效的势函数和相应的损失，它们分别利用数据样本的三元和成对关系：角度损失和距离损失。其中的角度关系用来测量3个样本之间的角度，角度损失RKD-AL定义为：3RKD-AAA,A()2,cos,|()()()|ijkijkijkx xxijkjijki j kijkjijkjijkjLlt t ts s st t tt t ttttttttteeee，(5)式中：3表示具有区分性样本的集合；,ijkx xx分别表示样本集合中的第 i、j、k 个数据示例；l为Huber损失；,ijkt t t分别表示教师模型第 i、j、k 个样本的函数；,ijks s s分别表示学生模型第 i、j、k个样本的函数；A为角度关系势函数；ije为 i 和 j两个数据点之间的单位向量；kje为 k 和 j 两个数据点之间的单位向量。距离关系用来测量一对样本的距离，距离损失40 于轲鑫等：基于知识蒸馏的边缘侧电能质量扰动识别研究 Vol.21 No.7 RKD-DL定义为：22RKD-DDD,D222,()(),1,|1|()()()|ijijijijx xijijijx xLlt ts st ttttt(6)式中：2是一对具有区分性样本的集合；是距离的归一化因子，其值为一个训练批次中样本对的平均距离；D为距离关系势函数。具体数据关系知识如图5所示，其中 fT为教师模型，fS为学生模型，t1、t2、t3和 s1、s2、s3分别是教师和学生模型的单个样本输出的数据结构知识，数据关系损失DataL如式(7)所示。DataRKD-ARKD-DLLL(7)数据输入层数据结构知识t1t2t3s1s2s3t1s1距离损失角度损失s1s3s2t1t2t3电压中断0200 400 600 800101V/pu电压中断0200 400 600 800101V/pu电压中断0200 400 600 800101V/pufTfSfTfSfTfS 图 5 数据关系知识 Fig.5 Data relation knowledge 3.3 基于数据关系的混合知识蒸馏模型 本文在基于响应和基于关系的知识蒸馏基础上，提出基于数据关系的混合知识蒸馏模型(data relational knowledge distillation，DR-KD)。如图6 图 6 基于数据关系的混合知识蒸馏模型 Fig.6 Mixed knowledge distillation model based on data relation 所示，教师模型将输入层的数据关系知识和输出层的响应知识传递给学生模型，使得学生模型可以更好地学习到教师训练电能质量扰动数据的知识。学生模型通过特定的损失值更新自己模型参数，从而使得自己的分类效果无限接近教师模型。基于数据关系的混合蒸馏模型的蒸馏损失DR-KDL定义如式(8)所示，其中为权重系数。DR-KDDataKDLLL(8)4 基于云边协同的知识蒸馏模型部署框架 配电物联网结构主要分为云、管、边、端4个层次，能够有效地整合各配电业务资源，为配电业务各环节提供信息和数据支持。为解决长期存在的业务实时性难题，引入云边协同的方式。配电物联网云边协同架构如图7所示。云中心负责处理非实时性、复杂度高、全局性的数据业务；边缘侧则支持小型实时本地数据业务，在计算和存储上不会产生较高的设备成本，经济性高22。针对边缘侧智能终端算力和存储有限的问题，本文提出了基于知识蒸馏的电能质量扰动识别方法，将传统部署于云端的大规模深度学习模型进行蒸馏之后下发，生成一个结构简洁且运算量小的学生模型，分别部署在各个计算资源有限的边端设备中。配电网监测云平台信息传输云端服务器监测主机移动监测末端感知节点电力无线专网 卫星通信 5G/4G移动网络 以太网 广域窄带物联网通信方式边缘计算故障研判APP风险预警APP负荷预测APP电能质量监测APP无功补偿APP数据预处理数据路由数据存储设备接入 图 7 配电物联网云边协同架构 Fig.7 Power distribution Internet of things cloud-edge collaborative architecture 基于云边协同的知识蒸馏模型部署框架如图8所示，感知层采集原始电能质量信号后通过串口、ZigBee、LoRa、WiFi和以太网等传输方式传输至边缘侧，在边缘侧对信号进行处理。第 21 卷 第 7 期 电 力 信 息 与 通 信 技 术 41 图 8 基于云边协同的知识蒸馏模型部署框架 Fig.8 Knowledge distillation model deployment framework based on cloud-edge collaboration 基于云边协同的知识蒸馏模型部署框架主要分为两个阶段：设备在线阶段和设备离线阶段。1）设备在线阶段主要指产生大量电能质量数据阶段，如用电设备与分布式光伏运行时间段、电动汽车充电高峰期和对通信时延要求较高的业务运行时段等。设备在线阶段采集原始信号时以6400 Hz的采样率对电能质量数据进行采集，对采集的数据进行实时处理，以10个周期进行分割，然后利用部署在边缘侧的小模型对其进行分类识别，识别出的扰动信息以扰动编号的方式传输至云端进行实时故障报警。2）设备离线阶段主要指产生电能质量数据相对较少的阶段，如设备待机状态时段、晚间不发电时间段和电动车非充电时间段等23。设备离线阶段对保存的历史数据进行处理，产生的扰动数据上传至云端，并利用新的扰动数据对教师和学生模型进行重新训练、更新模型，冗余数据则进行删除处理，最后将训练好的学生模型重新下发至边缘侧。5 实验分析 5.1 知识蒸馏对比实验分析 为验证本文提出的基于数据关系的混合知识蒸馏模型中学生模型的训练效果，将本文提出的方法与现有知识蒸馏各类型算法进行对比。在模型训练和测试的过程中，根据数据集的特点，将教师模型、学生模型和通过蒸馏算法蒸馏过的学生模型的各参数设置为相同数值，batch_size为64，学习率为0.001，epoch为200。在单模型蒸馏模式下，即教师模型与学生模型是同一类型不同层次的神经网络模型，选取了4种教师学生组合，单模型蒸馏实验的测试准确率结果如表1所示，其中学生一列是学生模型未通过各种蒸馏算法学习教师知识的实验结果，箭头()则表示蒸馏后的准确率比学生自己训练的准确率低。表 1 单模型蒸馏实验的测试准确率结果 Table 1 Test accuracy results of single model distillation experiments 教师学生 教师/%学生/%KD15/%AT 24/%SP25/%CC26/%RKD19/%DR-KD/%Resnet18-Resnet8 94.36 92.84 93.41 93.36 92.8 93.2 93.38 93.56 Resnet44-Resnet8 97.34 92.84 94.54 93.14 94.26 95.28 94.32 95.74 wrn_40_1-wrn_16_1 95.38 94.58 94.62 86.68 88.08 88.22 89.74 94.9 Vgg19-Vgg8 98.02 94.62 95.96 93.58 94.76 94.3 94.36 96.4 注：KD(knowledge distillation)、AT(attention transfer)、SP(similarity-preserving)、CC(correlation congruence)、RKD(relational knowledge distillation)均为现有知识蒸馏算法简称，相关算法实现参考引用文献。在跨模态蒸馏模式下，即指教师模型与学生模型是不同类型不同层次的神经网络模型，选取了两种教师学生组合，跨模态蒸馏的实验结果如表2所示。通过不同蒸馏模式的对比，选择出蒸馏效果最好的教师学生组合Vgg19-Resnet8。在Vgg19-Resnet8的组合下，经过本文提出的DR-KD蒸馏算法学习过的学生模型，相比于原始学生模型的准确率提高了3.66%，相比于其他蒸馏算法准确率提高了1.4%2.46%，该方法使得蒸馏过后的小模型的学习效果更加接近大模型。表 2 跨模态蒸馏模式的实验结果 Table 2 Experimental results of transmodal distillation mode 教师学生 教师/%学生/%KD15/%AT24/%SP25/%CC26/%RKD19/%DR-KD/%Resnet44-Vgg8 97.34 94.62 95.4 94.48 95.34 93.22 94.85 95.88 Vgg19-Resnet8 98.02 92.84 95.1 94.4 94.58 94.62 94.04 96.5 实验过程中，将位于内存中的模型通过序列化方法保存到本地磁盘中存储，分别得到了教师模型Vgg19和经过DR-KD蒸馏算法学习过的学生模型Resnet8的内存占用大小(见图9)。蒸馏后的学生模型内存为教师模型的0.42%，且Resnet8相比于Vgg19的计算量也大大减少。由此证明，知识蒸馏42 于轲鑫等：基于知识蒸馏的边缘侧电能质量扰动识别研究 Vol.21 No.7 的方法可以在保证准确率的同时生成一个结构简洁且运算量小的学生模型。050 000100 000150 000200 000250 000300 000内存占用262 1051100模型内存占用/kBTeacher(Vgg19)Student(Resnet8)图 9 蒸馏前后模型内存对比 Fig.9 Model memory comparison before and after distillation 5.2 云边协同对比实验分析 为分析配电物联网中电能质量扰动识别的实时性，比较本文方法与传统集中式识别方法所需的数据传输速率(见表3)。传统集中式传输数据时，假设电能质量扰动信号采样率为6400 Hz，单次扰动采样波形10个周期，假设数据传输时间控制在1 s内，数据传输速率需求留取40%的余量14；云边协同模式传输数据时，则只需传输一次扰动类别序号，15类换算成二进制计算出单次扰动数据量为0.5 Byte。表 3 不同传输类型传输速率需求对比 Table 3 Comparison of transmission rate requirements for different transmission types 传输类型 单次扰动数据量/Byte 数据传输速率需求/(bits1)传统集中式 7457 83 518.4 云边协同模式 0.5 5.6 由表3可知，相较于传统采集信号传输至云端处理的方式，本文提出的基于云边协同的知识蒸馏模型部署框架数据传输速率需求降低了99.993%，较大程度降低了配电物联网数据传输产生的时延。同时，云边协同运行时信息在接入网中的传输总路径为 260 km，边缘服务中台经由的骨干网络总长为 600 km27，使用云边协同模式，同样减少了因传输距离产生的时延。6 结语 面对海量分布式电能质量数据，传统云端集中式电能质量扰动识别的方式会给网络带宽带来巨大压力，导致电能质量扰动识别效率极大降低，交互延迟。本文提出一种基于知识蒸馏的边缘侧电能质量扰动识别新方法，主要结论如下。1）提出了基于云边协同的知识蒸馏模型部署框架，在边缘侧对原始信号分割后，直接进行扰动识别，并将识别结果传输至云端，使得电能质量数据的传输距离显著减少，且边缘侧至云端的通信数据量显著降低，保证了电能质量扰动识别的实时性。2）将传统部署于云端的大规模深度神经网络进行知识蒸馏，生成一个结构简洁且运算量小的学生模型，然后将小模型下发，分别部署在各个边端设备中，适配了计算资源有限的边端设备性能。3）提出了基于数据关系的混合知识蒸馏模型，实现了边缘侧小模型分类准确率更加接近云端教师模型，可满足电能质量扰动事件识别精度需求。通过实验证明本文方法在满足边端计算资源的前提下，保证了配电物联网电能质量扰动识别的实时性，并且具有良好的扰动分类准确率和可应用性，对推动电能质量扰动识别技术在配电物联场景下的应用具有重要意义。参考文献 1 SINDI H，NOUR M，RAWA M，et alAn adaptive deep learning framework to classify unknown composite power quality event using known single power quality eventsJ Expert Systems with Applications，2021，178：115023 2 肖湘宁，廖坤玉，唐松浩，等配电网电力电子化的发展和超高次谐波新问题J电工技术学报，2018，33(4)：707-720 XIAO Xiangning，LIAO Kunyu，TANG Songhao，et al Development of power-electronized distribution grids and the new supraharmonics issuesJTransactions of China Electrotechnical Society，2018，33(4)：707-720(in Chinese)3 盛仕昌，刘周峰，倪杰，等配电终端通信网架构及电能质量智能感知技术研究J电力信息与通信技术，2021，19(12)：1-8 SHENG Shichang，LIU Zhoufeng，NI Jie，et alResearch on distribution terminal communication network architecture and power quality intelligent perception technologyJ Electric Power Information and Communication Technology，2021，19(12)：1-8(in Chinese)4 汪清，游奕弘，赵誉洲，等暂态电能质量扰动引发电压变动对闪变检测的影响J电力系统保护与控制，2022，50(6)：91-99 WANG Qing，YOU Yihong，ZHAO Yuzhou，et alInfluence of voltage variation caused by transient power quality disturbance on flicker detectionJPower System Protection and Control，2022，50(6)：91-99(in Chinese)5 王燕电能质量扰动检测的研究综述J电力系统保护与控制，2021，49(13)：174-186 WANG YanReview of research development in power quality disturbance detectionJ Power System Protection and Control，2021，49(13)：174-186(in Chinese)6 王燕，李群湛，周福林一种暂态电能质量扰动检测的新方法J中国电机工程学报，2017，37(24)：7121-7132 WANG Yan，LI Qunzhan，ZHOU FulinA novel algorithm for transient power quality disturbances detectionJProceedings of the CSEE，2017，37(24)：7121-7132(in Chinese)7 KHETARPAL P，TRIPATHI M MA critical and comprehensive review on power quality disturbance detection and classificationJ第 21 卷 第 7 期 电 力 信 息 与 通 信 技 术 43 Sustainable Computing：Informatics and Systems，2020，28：100417 8 白昱阳，黄彦浩，陈思远，等云边智能：电力系统运行控制的边缘计算方法及其应用现状与展望J自动化学报，2020，46(3)：397-410 BAI Yuyang，HUANG Yanhao，CHEN Siyuan，et alCloud-edge intelligence：status quo and future prospective of edge computing approaches and applications in power system operation and controlJActa Automatica Sinica，2020，46(3)：397-410(in Chinese)9 KUMAR R，SINGH B，KUMAR R，et alOnline identification of underlying causes for multiple and multi-stage power quality disturbances using S-transformDB/OL (2021-04-22)2022-07-02.https:/ 10 SAHANI M，DASH P KFPGA-based deep convolutional neural network of process adaptive VMD data with online sequential RVFLN for power quality events recognitionJIEEE Transactions o