張金水 蔣 偉 薛乃凡

(上海電力大學(xué)電子與信息工程學(xué)院 上海 200090)

0 引 言

電氣設(shè)備的可靠性與電網(wǎng)的安全運(yùn)行密切相關(guān)。局部放電是造成電氣設(shè)備絕緣劣化的主要原因，也是絕緣劣化的重要征兆和表現(xiàn)形式[1]。由于電氣設(shè)備內(nèi)部產(chǎn)生局部放電現(xiàn)象的原因有多種，其對外表現(xiàn)的形式也存在一定的差異[2]，常見的局部放電類型有電暈放電、沿面放電、懸浮放電和氣隙放電等[3]。局部放電狀態(tài)檢測是保障高壓設(shè)備可靠運(yùn)行的重要手段，而局部放電模式識別是局放檢測的核心環(huán)節(jié)[4]。因此，對局部放電信號進(jìn)行準(zhǔn)確分類，現(xiàn)已成為電氣設(shè)備故障診斷中的重要部分。

國內(nèi)外學(xué)者對局部放電模式識別的深入研究已經(jīng)取得了一定的成果。陳新美等[5]提出了一種基于樸素貝葉斯的局部放電診斷模型，樸素貝葉斯分類器要求數(shù)據(jù)有完全的獨(dú)立性，這一點(diǎn)在很多情況下都難以滿足。宋輝等[6]提出了一種大數(shù)據(jù)背景下通過匹配數(shù)據(jù)庫的方法，構(gòu)建出適用于放電數(shù)據(jù)的變分貝葉斯自編碼器的網(wǎng)絡(luò)模型，取得了較好的效果，但對于變分模態(tài)分解的重要影響參數(shù)值的選擇并未作出說明。龍嘉川等[7]引入新的頻域窗寬度計(jì)算公式，對標(biāo)準(zhǔn)S變換做改進(jìn)后再提取特征進(jìn)行分類，在未去噪的情況下，仍具有良好的魯棒性，但改進(jìn)的S變換只適用于超高頻局部放電信號，對放電信號有一定的約束。高佳程等[8]提出了一種基于二維變分模態(tài)分解和Hilbert的特征提取方法，并將三層BP神經(jīng)網(wǎng)絡(luò)作為分類器，但BP神經(jīng)網(wǎng)絡(luò)屬于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，需要大量的樣本訓(xùn)練，而且容易出現(xiàn)過擬合等問題。賈勇勇等[9]針對傳統(tǒng)特征提取主觀性過強(qiáng)、準(zhǔn)確性和魯棒性較差等問題，提出了基于深度殘差網(wǎng)絡(luò)的模式識別方法，該方法能夠自適應(yīng)提取特征，且有較高的準(zhǔn)確率和魯棒性，但仍存在PRPD數(shù)據(jù)無法體現(xiàn)氣隙放電特征導(dǎo)致的氣隙放電信號的識別效果較差的問題。

集合經(jīng)驗(yàn)?zāi)B(tài)分解EEMD是由Wu等[10]提出的一種完全自適應(yīng)信號的時頻分析方法，相比小波變換等算法，EEMD不需要預(yù)先設(shè)定基函數(shù)，且對局部放電該非線性非平穩(wěn)信號有獨(dú)特優(yōu)勢。若將EEMD與樣本熵SE相結(jié)合可以有效解決EEMD分解后產(chǎn)生的高維特征數(shù)據(jù)問題，同時保留原始數(shù)據(jù)的時頻特性。因此，本文將EEMD和SE結(jié)合，提出一種應(yīng)用于局部放電模式識別信號特征提取的新方法，并利用棧式降噪自編碼器SDAE對局部放電信號進(jìn)行分類識別。同時，本文對局部放電信號分別進(jìn)行EMD-SE、SE和EEMD-AE時頻分析，對比分析了結(jié)果。此外，本文還與傳統(tǒng)分類器，如反向傳播BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)SVM等進(jìn)行了對比分析。實(shí)驗(yàn)結(jié)果表明，本文方法具有較高的可行性與有效性。

1 EEMD-SE基本原理

1.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解

EEMD是一種噪聲輔助數(shù)據(jù)分析方法，具有自適應(yīng)性和完備性，而且有效克服了經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)中由間歇性高頻分量等因素造成的模態(tài)混疊等問題[11]。其原理是利用高斯白噪聲頻譜均勻分布的統(tǒng)計(jì)特性，在原始信號中加入不同的白噪聲，使得信號在不同尺度上具有連續(xù)性[12]，再對信號進(jìn)行EMD分解，從而消除模態(tài)混疊。EEMD實(shí)現(xiàn)過程如下：

(1) 將高斯白噪聲ni(t)加入到原始信號x(t)中，得到信號Xi(t)；(2) 對信號Xi(t)進(jìn)行EMD分解，得到N個固有模態(tài)函數(shù)(Intrinsic Mode Function,IMF)和一個殘余分量ri(t)；(3) 重復(fù)步驟(1)和步驟(2)，但每次步驟(1)中加入的高斯白噪聲幅值都不相同，重復(fù)M次；(4) 將M次得到的IMFi(t)和ri(t)分別做集成平均處理后得到最終的IMF(t)。

1.2 樣本熵

樣本熵是基于近似熵提出的一種新的度量時間序列復(fù)雜度的方法[13]，具有抗噪聲、抗干擾力強(qiáng)和一致性好等特點(diǎn)[14]。其計(jì)算步驟如下：

(1) 給定維數(shù)m和相容極限r(nóng)等參數(shù)，并由原始數(shù)據(jù){x(n)}={x(1),x(2),…,x(N)}重構(gòu)m維向量{X(n)}={X(1),X(2),…,X(N-m+1)}，其中:

X(i)=[x(i),x(i+1),…,x(i+m-1)]

(1)

(2) 計(jì)算Xm(i)與Xm(j)的距離，即：

d=Max(|x(i+k)-x(j+k)|)k=0,1,…,m-1

(2)

(3) 對給定的Xm(i)，統(tǒng)計(jì)Xm(j)的數(shù)目Bi，且滿足Xm(i)與Xm(j)的距離d≤r。

(3)

(5) 同樣計(jì)算當(dāng)維數(shù)為m+1時的A(m)(r)。

(6) 得出樣本熵：

(4)

根據(jù)Pincus[15]的研究，同時為了使樣本熵具有更好的統(tǒng)計(jì)特性，本文取m=2，r=0.2×std，其中std為原始數(shù)據(jù)的標(biāo)準(zhǔn)差。

2 自編碼器

2.1 降噪自編碼器

自編碼器(Autoencoder,AE)以無監(jiān)督算法逐層訓(xùn)練和優(yōu)化系統(tǒng)參數(shù)，從無標(biāo)簽的原始數(shù)據(jù)中提取高維復(fù)雜輸入數(shù)據(jù)的分層特征[16]。為了確保AE提取特征的有效性，在該基礎(chǔ)上Vincent等[17]提出了降噪自編碼器(Denoising Autoencoder,DAE)，讓DAE學(xué)習(xí)加入噪聲后“破壞數(shù)據(jù)”之間的深層關(guān)系，再恢復(fù)出原始輸入數(shù)據(jù)，確保了網(wǎng)絡(luò)的良好魯棒性。DAE的原理如圖1所示。

圖1 DAE原理結(jié)構(gòu)圖

對輸入數(shù)據(jù)x進(jìn)行加噪“破壞”，或是加入噪聲或是丟棄數(shù)據(jù)得到數(shù)據(jù)x′，經(jīng)過函數(shù)F編碼為y，再由函數(shù)G解碼為z，z即數(shù)據(jù)x的重構(gòu)，最后計(jì)算輸入數(shù)據(jù)x和重構(gòu)數(shù)據(jù)z的重構(gòu)誤差。

2.2 棧式降噪自編碼器

SDAE是Vincent等[18]提出的，多個降噪自編碼器構(gòu)成的一種深度學(xué)習(xí)網(wǎng)絡(luò)，每一個DAE的輸出作為下一個DAE的輸入，直至連至輸出分類層。SDAE前向訓(xùn)練各層參數(shù)時屬于無監(jiān)督學(xué)習(xí)，當(dāng)前向訓(xùn)練結(jié)束后，采用傳統(tǒng)的BP算法進(jìn)行有監(jiān)督的訓(xùn)練[19]，對整個網(wǎng)絡(luò)系統(tǒng)進(jìn)行微調(diào)，進(jìn)而提取更深層次、更具有表征力的數(shù)據(jù)特征。SDAE結(jié)構(gòu)圖如圖2所示。

圖2 SDAE原理結(jié)構(gòu)圖

3 方法設(shè)計(jì)

針對局部放電信號微弱性、復(fù)雜性及非平穩(wěn)性的特點(diǎn)，本文首次提出了一種應(yīng)用于局部放電模式識別的基于EEMD-SE和棧式降噪自編碼器的方法。首先將局部放電信號經(jīng)EEMD分解成多個IMF，分別對分解出的IMF求取樣本熵，構(gòu)造出每個放電類型的特征向量，將放電類型的特征向量輸入SDAE進(jìn)行訓(xùn)練，最后將測試樣本送入訓(xùn)練好的SDAE模型，完成局部放電信號的模式識別。其模式識別流程如圖3所示。

圖3 局部放電模式識別流程

模式識別具體算法實(shí)現(xiàn)步驟如下：

步驟1給定添加的高斯白噪聲的標(biāo)準(zhǔn)差Nstd和添加次數(shù)NE，對信號進(jìn)行EEMD分解。由文獻(xiàn)[10]可知，當(dāng)Nstd=0.2，NE=100時，EEMD對信號分解有較好效果。

步驟2給定m=2，r=0.2×std，對步驟1分解得到的IMF分量求取樣本熵，并作為每個放電類型的特征向量。

步驟3搭建SDAE網(wǎng)絡(luò)。本文中搭建了一個結(jié)構(gòu)為100-50-20-4的SDAE網(wǎng)絡(luò)，即三個DAE堆疊而成。采用KFold交叉驗(yàn)證，步驟2求取的樣本熵作為輸入，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。

4 實(shí) 驗(yàn)

4.1 數(shù)據(jù)采集

本文實(shí)驗(yàn)以脈沖電流法，構(gòu)造了氣隙放電、沿面放電、電暈放電和懸浮放電四類放電缺陷類型。采集每種放電類型100個樣本共400個樣本，各類放電信號波形如圖4所示。

(a) 沿面放電信號波形圖

(b) 氣隙放電信號波形圖

(c) 電暈放電信號波形圖

(d) 懸浮放電信號波形圖

4.2 特征提取

對放電樣本進(jìn)行EEMD-SE分析處理，即首先利用EEMD對樣本信號分解，然后計(jì)算各IMF相應(yīng)的樣本熵，構(gòu)造出局部放電缺陷類型的特征向量。其中沿面放電信號的EEMD分解如圖5所示。部分訓(xùn)練集的樣本熵如表1所示，表中的標(biāo)簽1-標(biāo)簽4分別表示沿面放電、氣隙放電、電暈放電和懸浮放電。

圖5 沿面放電信號的EEMD分解圖

表1 訓(xùn)練集樣本熵

由圖5沿面放電信號的EEMD分解可以看出，該放電信號分解為了9個IMF，即9個IMF疊加后可以完全恢復(fù)出原始沿面放電信號。對分解得到的IMF分量進(jìn)行主成分分析，其中IMF1的貢獻(xiàn)率高達(dá)96.469 0%，IMF2貢獻(xiàn)率為2.333 4%，IMF3貢獻(xiàn)率為1.050 2%，IMF4貢獻(xiàn)率為0.097 5%，IMF5貢獻(xiàn)率為0.047 7%，即前5個IMF分量已足以表征原始放電信號的特征，又考慮到太多IMF會影響網(wǎng)絡(luò)模型訓(xùn)練的速度，同時也為了減少實(shí)驗(yàn)計(jì)算的復(fù)雜度，所以本實(shí)驗(yàn)中選取前5個IMF的樣本熵作為輸入。

4.3 模式識別與分類

作為深度學(xué)習(xí)的一種，棧式降噪自編碼器具有很強(qiáng)的特征提取能力，且有良好的魯棒性。實(shí)驗(yàn)中隨機(jī)選取340個樣本作為訓(xùn)練集，60個樣本作為測試集，且訓(xùn)練集與測試集數(shù)據(jù)不重疊。部分測試集的樣本熵如表2所示，測試結(jié)果如圖6所示。

表2 測試集樣本熵

續(xù)表2

圖6 局部放電測試集識別分類結(jié)果

可以看出，60個測試樣本中只有1個樣本判別出錯，識別準(zhǔn)確率為98.33%，充分驗(yàn)證了本文方法能夠有效提取局部放電信號的特征量，并取得良好的識別效果。

為進(jìn)一步驗(yàn)證EEMD-SE算法在局部放電模式識別中的可行性與優(yōu)越性，分別以EEMD-SE、EMD-SE、EEMD-AE和信號本身SE四種方法提取局部放電信號的特征，并對SDAE進(jìn)行訓(xùn)練和分類測試，對比結(jié)果如表3所示。

表3 不同特征提取方法識別準(zhǔn)確率比較

由表3可知，基于EEMD-SE的特征提取方法得到局部放電模式識別準(zhǔn)確率最高。由于EMD采用遞歸式分解，而且每次分解會將包絡(luò)線估計(jì)誤差傳遞給下次分解，且放電信號中或有噪聲或有間歇信號，導(dǎo)致出現(xiàn)模態(tài)混疊，影響了識別的準(zhǔn)確率[20]。同時，EEMD-SE方法得到的識別準(zhǔn)確率高于EEMD-AE，因?yàn)镾E相比AE有更強(qiáng)抗噪聲能力，有更好的魯棒性，故有更高的識別率。

同時為進(jìn)一步說明SDAE在處理高維大容量數(shù)據(jù)的特征提取和模式識別上的優(yōu)勢，以EEMD-SE方法提取的放電信號特征作為特征向量，分別送入BP神經(jīng)網(wǎng)絡(luò)(BPNN)、SVM、DAE和SDAE四種分類器，其對比結(jié)果如表4所示。

表4 不同分類器放電信號識別準(zhǔn)確率比較

可以看出，SDAE網(wǎng)絡(luò)具有最好的識別效果。BPNN識別效果最差，這是因?yàn)锽PNN作為傳統(tǒng)的淺層網(wǎng)絡(luò)其自身在處理高維大容量數(shù)據(jù)時極易產(chǎn)生不收斂、過擬合等問題[21]。SVM本身作為一個二分類器，其在處理多分類時較為復(fù)雜，耗時久，效果表現(xiàn)一般。相較于DAE,SDAE仍有較高的識別準(zhǔn)確率，體現(xiàn)了SDAE深度神經(jīng)網(wǎng)絡(luò)提取更深層特征的優(yōu)秀能力。

綜合分析上述結(jié)果，相比于其他時頻特征提取算法和傳統(tǒng)分類器，基于EEMD-SE和SDAE的方法在局部放電模式識別中有較高的識別準(zhǔn)確率和較強(qiáng)的魯棒性，充分驗(yàn)證了該方法的可靠性和有效性。

5 結(jié) 語

通過分析實(shí)驗(yàn)條件下的局部放電信號，本文首次將EEMD-SE算法和棧式降噪自編碼器運(yùn)用到局部放電模式識別中，以EEMD-SE提取的放電信號特征作為輸入，以棧式降噪自編碼網(wǎng)絡(luò)作為分類器，實(shí)現(xiàn)了四類局部放電信號的分類識別，并得到以下結(jié)論：

(1) 首次將EEMD和樣本熵相結(jié)合的方法應(yīng)用于局部放電模式識別，相較于信號本身的SE和基于EMD-SE、EEMD-AE的方法，本文方法能更有效地提取出放電信號的特征向量，且具有更高的放電類型識別準(zhǔn)確率。

(2) 在放電信號樣本訓(xùn)練及識別過程中，相同網(wǎng)絡(luò)結(jié)構(gòu)下，棧式降噪自編碼網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)和SVM具有更強(qiáng)的泛化能力和更高的正確識別率。且相比單層的DAE，深層SADE網(wǎng)絡(luò)具有更好的放電信號特征提取能力。

(3) 實(shí)驗(yàn)結(jié)果表明，本文方法能有效地提取局部放電信號的特征并快速正確地進(jìn)行模式識別分類，且獲得較好的分類精度，為局部放電模式識別技術(shù)提供較為實(shí)用的解決方案。