Power quality disturbance identification using Gramian angular field-based two-dimensional feature representation and deep learning framework

Power Quality Disturbance identification is a milestone in ensuring electrical power grid stability and sustainability, particularly with the increasing integration of renewable energy systems. This thesis presents and examines a power disturbance identification system through a Gramian Angular Field feature extraction–based deep learning algorithm. This work aims to represent 1D power disturbances as 2D images by employing a Gramian Angular Field that creates textural images of power signals. Evaluation of the proposed framework was performed on a set of 11 classes of PQD images. Input images of class GAF were processed by a current SGE-MobileViT model. From experimental results, it is clear that the system consisting of GAF and SGEMobileViT is efficient, achieving a higher test accuracy of 92.87%, improving upon a DWT-SVM system that scored 84.00%. A comparative analysis was also conducted using an alternative 2D technique, the Relative Position Matrix (RPM), which achieved an accuracy of 97.86% using the same classifier. This highlights that the performance of a classifier is strongly influenced by the combination of image representation type (e.g., GAF texture) and convolutional network architecture. This study confirms that GAF is an effective feature extraction technique for analyzing PQDs within modern grids, especially as renewable energy sources introduce greater variability and complexity to power signals, and that its full potential may yet be realized by future textural feature classifiers.

L’identificazione dei disturbi della qualità dell’energia elettrica (Power Quality Disturbances, PQDs) rappresenta una tappa fondamentale per garantire la stabilità e la sostenibilità delle reti elettriche, soprattutto con la crescente integrazione dei sistemi di energia rinnovabile. Questa tesi presenta e analizza un sistema di identificazione dei disturbi elettrici basato su un algoritmo di deep learning che utilizza l’estrazione di caratteristiche tramite il Gramian Angular Field (GAF). L’obiettivo di questo lavoro è rappresentare i disturbi di potenza monodimensionali come immagini bidimensionali, impiegando il GAF per generare rappresentazioni testurali dei segnali elettrici. La valutazione del framework proposto è stata eseguita su un insieme di 11 classi di immagini PQD. Le immagini GAF sono state elaborate da un modello SGE-MobileViT di ultima generazione. Dai risultati sperimentali emerge che il sistema composto da GAF e SGE-MobileViT risulta efficiente, raggiungendo un’accuratezza di test del 92,87%, migliorando le prestazioni rispetto al sistema DWT-SVM, che ha ottenuto un 84,00%. Un’analisi comparativa è stata inoltre condotta utilizzando una tecnica bidimensionale alternativa, la Relative Position Matrix (RPM), che ha raggiunto un’accuratezza del 97,86% con lo stesso classificatore. Ciò evidenzia come le prestazioni del classificatore siano strettamente legate alla combinazione tra il tipo di rappresentazione delle immagini (ad esempio la texture del GAF) e l’architettura della rete convoluzionale impiegata. Questo studio conferma che il GAF è una tecnica di estrazione delle caratteristiche efficace per l’analisi dei PQD nelle reti moderne, dove la crescente penetrazione delle fonti rinnovabili introduce una maggiore variabilità e complessità nei segnali di potenza, suggerendo che le sue potenzialità complete non siano ancora pienamente esplorate.