李玉杰,田陽普,趙科,劉成寶,王林杰,毛恒

(1. 國家電網(wǎng)有限公司GIS設(shè)備運維檢修技術(shù)實驗室(國網(wǎng)江蘇省電力有限公司電力 科學(xué)研究院),江蘇 南京 211103；2. 紅相股份有限公司,福建 廈門 361005；3. 國網(wǎng)江蘇省電力有限公司檢修分公司,江蘇 南京 211102)

0 引言

氣體絕緣金屬封閉開關(guān)設(shè)備(gas insulated switchgear,GIS)因體積小、運行穩(wěn)定以及電磁污染低等優(yōu)點應(yīng)用廣泛[1]。在設(shè)計、運輸、制造及長期運行過程中,GIS內(nèi)部往往會出現(xiàn)各種絕緣缺陷,繼而誘發(fā)設(shè)備絕緣故障[2]。局部放電是各種潛伏性絕緣故障的重要特征[3—4],不同的局部放電類型對設(shè)備的損壞程度各異,及時有效地監(jiān)測、識別局部放電,對設(shè)備故障預(yù)警及運行穩(wěn)定性提升具有重要意義[5]。

GIS發(fā)生局部放電時,會向外界輻射超高頻(ultra-high frequency,UHF)信號[6]。UHF信號分析及特征提取廣泛運用于GIS絕緣狀況實時監(jiān)測[7]。采用原始放電信號進行局部放電模式識別具有放電信息保留完整、數(shù)據(jù)處理量小、速度快以及采集設(shè)備經(jīng)濟等優(yōu)點。目前大多局部放電模式識別均采用UHF原始信號作為數(shù)據(jù)源,通過人工特征設(shè)計獲得局部放電的典型特征。

原始放電信號的可用特征主要包括脈沖寬度、信號方差和信號均值等,其根據(jù)專家自身知識領(lǐng)域進行設(shè)計,主觀性較強且不確定性較大,無法充分體現(xiàn)局部放電模式的有效特征[7]。同時,依靠人工設(shè)計難以充分挖掘數(shù)據(jù)內(nèi)部更深層次的聯(lián)系,所提取的特征往往是數(shù)據(jù)的淺層表達,因此基于人工特征衍生的相關(guān)局部放電識別算法,精度和泛化能力均較差[8]。

針對上述問題,文中提出將深度學(xué)習(xí)領(lǐng)域廣泛使用的卷積神經(jīng)網(wǎng)絡(luò)及其擴展自編碼網(wǎng)絡(luò)技術(shù)引入局部放電模式識別領(lǐng)域。自適應(yīng)提取特征可代替人工設(shè)計特征[9],實現(xiàn)對原始局部放電信號更深層次的數(shù)據(jù)挖掘[10]。實驗表明,基于文中方法提取的特征相較人工特征具有更高的辨識度,可有效識別GIS局部放電模式。

1 基于自編碼網(wǎng)絡(luò)的局部放電特征提取與模式識別

1.1 數(shù)據(jù)采集

由于獲取大批量實際條件下的局部放電數(shù)據(jù)極為困難,文中研究主要圍繞仿真數(shù)據(jù)開展。依托自主研發(fā)的數(shù)據(jù)采集平臺,模擬GIS實際運行的復(fù)雜環(huán)境及物理仿真局部放電現(xiàn)象,并采集相關(guān)數(shù)據(jù)。數(shù)據(jù)采集平臺的主要技術(shù)參數(shù)及電路分別如表1、圖1所示。

表1 數(shù)據(jù)采集平臺參數(shù)Table 1 Parameters of data acquisition platform

圖1 數(shù)據(jù)采集平臺電路示意Fig.1 Schematic diagram of data acquisition platform circuit

1.1.1 數(shù)據(jù)采集流程

將UHF傳感器用橡皮筋固定在盆式絕緣子的澆注孔位置。依次連接傳感器、調(diào)理模塊、高速采樣示波器,利用網(wǎng)線建立示波器與控制軟件間的通信。使用50 pC的校準(zhǔn)方波對放電模擬裝置進行校準(zhǔn)。將被測典型缺陷模型旋入指定位置,并保證檢測設(shè)備及本體殼體可靠接地。設(shè)定采樣參數(shù)、通道參數(shù)、信號調(diào)理參數(shù)。調(diào)節(jié)信號調(diào)理模塊增益至指定檔位,將GIS升壓至典型缺陷模型起始放電電壓,通過控制軟件啟動信號采集。4種典型局部放電(尖端放電、顆粒放電、氣隙放電、懸浮放電)缺陷模型如圖2所示。

圖2 4種局部放電缺陷模型Fig.2 Four types of partial discharge defect models

1.1.2 數(shù)據(jù)預(yù)處理

采集上述4種局部放電的UHF原始數(shù)據(jù),此外,對采集數(shù)據(jù)引入多種類型的噪聲,如手機通話、機器設(shè)備噪聲等進行數(shù)據(jù)增擴,保證數(shù)據(jù)的多樣性。

由于單個原始放電信號受檢測傳感器參數(shù)、位置以及是否有遮擋物影響較大,文中將包含40個脈沖的時域信號作為特征提取單元。同時為了減少數(shù)據(jù)量,突出時域信號的主要成分,對原始時域信號進行預(yù)處理。假設(shè)時域信號長度為L,對每個脈沖時域信號進行開窗操作設(shè)置的窗口大小為N,設(shè)置大小為L/N的滑動窗口。取窗內(nèi)時域信號的幅值最大點,最終獲得大小為40×N的數(shù)據(jù)樣本。通過一系列比較實驗,設(shè)置N為500。

1.2 基于自編碼網(wǎng)絡(luò)的局部放電模式識別

1.2.1 自編碼網(wǎng)絡(luò)基礎(chǔ)

自編碼網(wǎng)絡(luò)是一種針對輸入數(shù)據(jù)高效編碼的神經(jīng)網(wǎng)絡(luò)[11]。給定一個神經(jīng)網(wǎng)絡(luò),假設(shè)其輸入與輸出相同,對網(wǎng)絡(luò)進行訓(xùn)練并調(diào)整其參數(shù),即可得到每一層的權(quán)重以及輸入數(shù)據(jù)的不同表示(每一層代表一種表示),這些表示即為網(wǎng)絡(luò)提取到的特征量。自編碼網(wǎng)絡(luò)的目的是盡可能地復(fù)現(xiàn)輸入信號,因此必須捕捉最能代表數(shù)據(jù)特征的成分,實現(xiàn)輸入數(shù)據(jù)最本質(zhì)特征的提取。自編碼網(wǎng)絡(luò)基本結(jié)構(gòu)見圖3。

圖3 自編碼網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.3 Basic struction of auto-encoder network

研究表明,局部放電信號的時域波形特征與絕緣缺陷的性質(zhì)存在相關(guān)性,不同類型缺陷激發(fā)的放電信號典型特征各異[12],表明局部放電原始信號中存在有待學(xué)習(xí)的隱含模式。文中所提識別方法運用自編碼網(wǎng)絡(luò)在足夠多的數(shù)據(jù)條件下學(xué)習(xí)此模式,并將其中隱含的特征提取出來。

1.2.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

針對4種局部放電模式識別的實際問題,文中所提基于自編碼網(wǎng)絡(luò)的局部放電類型識別網(wǎng)絡(luò)結(jié)構(gòu)示意如圖4所示。

圖4 基于自編碼網(wǎng)絡(luò)的局部放電類型識別網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.4 Schematic diagram of partial discharge pattern recognition network structure based on auto-encoder network

自編碼網(wǎng)絡(luò)由編碼網(wǎng)絡(luò)與解碼網(wǎng)絡(luò)構(gòu)成,編碼網(wǎng)絡(luò)完成輸入數(shù)據(jù)的非線性映射輸出特征圖,解碼網(wǎng)絡(luò)主要利用這些特征圖重構(gòu)輸入數(shù)據(jù)。因此可認(rèn)為編碼網(wǎng)絡(luò)生成的特征圖有效保存了輸入數(shù)據(jù)的主要成分。提取編碼網(wǎng)絡(luò)的輸入,將其作為辨識特征輸入分類器進行訓(xùn)練,即可獲得分類結(jié)果。值得注意的是,文中僅僅將自編碼網(wǎng)絡(luò)作為特征提取器使用,所提取特征可供各種形式分類器使用,因此分類器的選擇不再局限于深度學(xué)習(xí)方法。傳統(tǒng)的經(jīng)典機器學(xué)習(xí)分類器如支持向量機(support vector machine,SVM)、隨機森林算法等都可與其進行銜接。通過上述方法既可充分發(fā)揮自編碼網(wǎng)絡(luò)的特征提取能力,又可將傳統(tǒng)機器學(xué)習(xí)方法與深度學(xué)習(xí)方法有機結(jié)合,有效提升文中所提識別方法的靈活性。

1.2.3 局部放電模式識別

基于自編碼網(wǎng)絡(luò)的局部放電模式識別,具體結(jié)構(gòu)及參數(shù)如圖5所示。編碼網(wǎng)絡(luò)對輸入信號進行特征提取以及維度壓縮,解碼網(wǎng)絡(luò)負(fù)責(zé)重構(gòu)原始信號,分類器網(wǎng)絡(luò)利用編碼網(wǎng)絡(luò)提取的特征進行任務(wù)分類。

圖5 基于自編碼網(wǎng)絡(luò)的局部放電模式識別具體結(jié)構(gòu)及參數(shù)Fig.5 The detailed structure and parameters of partial discharge pattern recognition based on auto-encoder network

基于自編碼網(wǎng)絡(luò)的局部放電模式識別,各個部分結(jié)構(gòu)如下。

(1) 輸入層。輸入數(shù)據(jù)為40×500的一維數(shù)據(jù)。

(2) 編碼網(wǎng)絡(luò)。編碼網(wǎng)絡(luò)由3層卷積層與2層最大值池化層交替構(gòu)成。通過卷積層對輸入數(shù)據(jù)進行特征提取,然后利用最大值池化層對卷積層提取的特征進行壓縮,實現(xiàn)特征降維。

(3) 解碼網(wǎng)絡(luò)。解碼網(wǎng)絡(luò)由2層卷積層與2層反卷積層交替構(gòu)成。對編碼網(wǎng)絡(luò)提取的特征進行解碼處理,再利用反卷積層映射并擴大輸出特征圖尺寸,重構(gòu)輸入信號。

(4) 激活函數(shù)。網(wǎng)絡(luò)卷積層與反卷積層之后均采用激活函數(shù)LeakyReLU。LeakyReLU函數(shù)是ReLU函數(shù)的改進版本,解決了訓(xùn)練過程中部分輸入落到硬飽和區(qū)導(dǎo)致對應(yīng)權(quán)重?zé)o法更新的問題。

(5) 全局平均池化層。為了降低編碼網(wǎng)絡(luò)輸出的特征維度,文中在編碼網(wǎng)絡(luò)的輸出后接“卷積層+全局平均池化層”結(jié)構(gòu),通過全局平均池化層將編碼網(wǎng)絡(luò)輸出的特征圖進行圖層面的平均池化。每一張?zhí)卣鲌D對應(yīng)一個特征點,最后這些特征點組合成特征向量,因此對于不同尺寸的輸入信號,網(wǎng)絡(luò)提取的特征維度固定(128維)。

以下對訓(xùn)練流程以及參數(shù)設(shè)置進行介紹?；谧跃幋a網(wǎng)絡(luò)的局部放電模式識別訓(xùn)練過程分為兩階段。第一階段為訓(xùn)練自編碼網(wǎng)絡(luò)階段,即重構(gòu)原始信號,保存網(wǎng)絡(luò)參數(shù)。第二階段為訓(xùn)練分類器網(wǎng)絡(luò)階段,即在訓(xùn)練好的編碼網(wǎng)絡(luò)后接一層卷積層和全局平均池化層,并與分類網(wǎng)絡(luò)相連,再次訓(xùn)練,保持編碼網(wǎng)絡(luò)的參數(shù)不變,只更新新添卷積層與分類網(wǎng)絡(luò)的參數(shù),訓(xùn)練完成后移除分類器。因此最終全局平均池化層的輸出即為自編碼網(wǎng)絡(luò)提取特征量,可以供給各分類器進行分類。訓(xùn)練階段的參數(shù)設(shè)置如表2所示。

表2 訓(xùn)練階段參數(shù)設(shè)置Table 2 Parameter setting during training phase

2 實驗結(jié)果與分析

基于物理仿真數(shù)據(jù),導(dǎo)入自編碼模型,將原始放電信號轉(zhuǎn)換為128維向量作為該信號的辨識特征。同時文中選取11組基于局部放電原始信號提取的人工特征進行比較實驗[13]。表3為2種特征采用SVM以及隨機森林算法分類器的識別準(zhǔn)確率對比。

表3 局部放電識別準(zhǔn)確率對比Table 3 Comparison of partial discharge recognition accuracy %

針對同一分類器,文中方法提取的特征相較人

工特征均獲得了更高的識別準(zhǔn)確率,側(cè)面表明了自編碼網(wǎng)絡(luò)可以提取比人工特征更高辨識度的特征。同時,當(dāng)輸入特征均來源于自編碼網(wǎng)絡(luò)時,2種分類器對于不同局部放電類型的識別水平存在較大差異,SVM對顆粒放電、氣隙放電表現(xiàn)出更為良好的分類性能,而隨機森林則對尖端放電、氣隙放電有著較好的識別能力。但每種分類器無論使用哪種特征,對于懸浮放電的識別準(zhǔn)確率均處于較低水平。相較人工特征,文中方法提取的特征仍有效提升了懸浮放電識別水平。

圖6為人工特征與自編碼網(wǎng)絡(luò)提取特征通過t-SNE聚類可視化的結(jié)果,t-SNE是一種廣泛使用的數(shù)據(jù)降維方法[14]。與主成分分析方法(principal component analysis,PCA)[15]相比, 其保留的數(shù)據(jù)屬性信息更具代表性,可更好地反映樣本之間的差異。

圖6 局部放電可視化特征Fig.6 Visualization features of partial discharges

由圖6可知,基于自編碼網(wǎng)絡(luò)提取的特征聚類效果更佳,該特征具有比人工特征更高的質(zhì)量,可以更好地表征不同類別的局部放電。

3 結(jié)語

針對GIS局部放電原始信號的模式識別問題,文中構(gòu)建了基于自編碼技術(shù)的卷積神經(jīng)網(wǎng)絡(luò),自動提取原始波形信號的辨識特征。相較于傳統(tǒng)方法,文中方法摒棄了繁瑣的人工特征提取工作,特征的提取來源于神經(jīng)網(wǎng)絡(luò)的自動學(xué)習(xí),不依賴專家經(jīng)驗,可以捕捉到數(shù)據(jù)更深層次的本質(zhì)特征,具有更強的表達能力。此外,文中進一步將這些特征作為經(jīng)典分類器的輸入,實現(xiàn)了深度學(xué)習(xí)方法與傳統(tǒng)機器學(xué)習(xí)方法的有效結(jié)合。實驗表明,在使用相同分類器時,文中方法提取的特征可以獲得比人工特征更高的分類準(zhǔn)確率,具有優(yōu)越的局部放電模式識別能力。