張金水， 蔣偉， 潘偉杰

(1.上海電力大學(xué) 電子與信息工程學(xué)院，上海 201306；2.國(guó)網(wǎng)上海奉賢供電公司，上海 201400)

0 概 述

氣體絕緣開關(guān)柜(GIS)設(shè)備是電力系統(tǒng)的重要組成部分，其絕緣性能的優(yōu)劣關(guān)系著整個(gè)電網(wǎng)的安全性和穩(wěn)定性[1]。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[2]。局部放電發(fā)生的同時(shí)會(huì)產(chǎn)生脈沖電流，并因此激發(fā)高頻電磁波。特高頻檢測(cè)法就是應(yīng)用特高頻傳感器收集電磁波信號(hào)，通過信號(hào)處理檢測(cè)出GIS絕緣缺陷類型，完成對(duì)局部放電信號(hào)的識(shí)別分類[3]。對(duì)局部放電信號(hào)準(zhǔn)確分類，已成為電氣設(shè)備故障診斷中的重要部分。

現(xiàn)有方法中，局部放電相位分布(PRPD)譜圖是目前較為成熟且應(yīng)用最為廣泛的局部放電模式識(shí)別技術(shù)[4]。文獻(xiàn)[5]基于局部放電PRPD譜圖提取出偏斜度、陡峭度和相關(guān)系數(shù)等多個(gè)統(tǒng)計(jì)算子并作為特征向量進(jìn)行缺陷類型識(shí)別。文獻(xiàn)[6]通過主成分分析和因子分析將提取出的多個(gè)統(tǒng)計(jì)算子從高維空間降至低維空間，減小了分類器的負(fù)擔(dān)，取得了較好的識(shí)別效果。文獻(xiàn)[7]認(rèn)為放電脈沖幅值符合雙參數(shù)Weibull分布，將Weibull分布的形狀參數(shù)作為區(qū)分不同放電類型的特征向量。文獻(xiàn)[8]從分形理論的角度思考，利用盒維數(shù)法對(duì)放電信號(hào)進(jìn)行特征提取。另外，還有學(xué)者將混沌特征[9]、矩特征[10]和小波特征[11]等運(yùn)用到局部放電特征提取中。但是這些人工特征都存在主觀性強(qiáng)、不確定性大、依賴專家經(jīng)驗(yàn)和識(shí)別效果不佳等缺點(diǎn)。為了更高效率地識(shí)別GIS絕緣缺陷類別，不摻雜人為干擾因素，本文采用了深度學(xué)習(xí)的方法，提出基于棧式降噪自編碼(SDAE)網(wǎng)絡(luò)的GIS絕緣缺陷識(shí)別技術(shù)，能夠有效提取缺陷特征，識(shí)別絕緣缺陷，并具有良好的魯棒性。

本文選取了針尖電暈放電、懸浮電極放電、氣體絕緣缺陷放電和自由金屬顆粒放電等四種GIS設(shè)備中常見的局部放電類型。通過SDAE網(wǎng)絡(luò)提取PRPD譜圖中的特征，并訓(xùn)練該網(wǎng)絡(luò)，完成搭建GIS絕緣缺陷識(shí)別的模型后，即可實(shí)現(xiàn)對(duì)未知局部放電信號(hào)的分類識(shí)別。結(jié)果表明，本文所提方法具有較高的可行性與有效性。

1 棧式降噪自編碼器

1.1 降噪自編碼器

自編碼器(AE)能夠高效地學(xué)習(xí)輸入數(shù)據(jù)，并在輸出端完整輸出。為了防止AE只是簡(jiǎn)單的復(fù)制輸入而輸出，降噪自編碼器(DAE)在原始數(shù)據(jù)中加入了破壞噪聲，然后再由自編碼器學(xué)習(xí)及恢復(fù)出無噪聲的原始數(shù)據(jù)，保證了提取特征的有效性。DAE原理框圖如圖1所示。

圖1 DAE原理框圖

設(shè)原始數(shù)據(jù)為x，加入噪聲后為x′，經(jīng)過函數(shù)F編碼為y，可用式(1)表示。

y=F(x′)=σ(Wx′+b)

(1)

式中：σ為激活函數(shù);W為網(wǎng)絡(luò)編碼權(quán)值；b為網(wǎng)絡(luò)編碼偏置向量。

經(jīng)網(wǎng)絡(luò)編碼后的y由函數(shù)G解碼為z，如式(2)所示。

z=G(y)=σ(W′y+b′)

(2)

式中：W′為網(wǎng)絡(luò)解碼權(quán)值;b′為網(wǎng)絡(luò)解碼偏置向量；σ為激活函數(shù)。

記輸入數(shù)據(jù)x與輸出數(shù)據(jù)z之間的誤差為重構(gòu)誤差，即式(3)所示。

(3)

重構(gòu)誤差LR(x,z)越小，說明該網(wǎng)絡(luò)恢復(fù)出原始數(shù)據(jù)的性能越好，所得結(jié)果也更為準(zhǔn)確。

1.2 棧式降噪自編碼器

棧式降噪自編碼器是由多個(gè)DAE級(jí)聯(lián)而成的一種深度神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)的訓(xùn)練包括兩步：預(yù)訓(xùn)練和微調(diào)。前向預(yù)訓(xùn)練屬于無監(jiān)督訓(xùn)練，該訓(xùn)練過程是逐層進(jìn)行的，每層的訓(xùn)練目標(biāo)是使重構(gòu)誤差最小。完成后進(jìn)行網(wǎng)絡(luò)微調(diào)，該過程屬于有監(jiān)督訓(xùn)練，利用BP算法對(duì)整個(gè)SDAE網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)，使預(yù)測(cè)誤差最小化，進(jìn)而提取出輸入數(shù)據(jù)間更有效的特征，使輸出層的結(jié)果更加精確。圖2所示的是由兩個(gè)DAE組合成的SDAE網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖2 SDAE網(wǎng)絡(luò)結(jié)構(gòu)圖

2 基于棧式降噪自編碼器的GIS絕緣缺陷識(shí)別

本文算法是基于MATLAB實(shí)現(xiàn)的，主要SDAE算法實(shí)現(xiàn)如下：

(1)設(shè)定網(wǎng)絡(luò)層數(shù)L，訓(xùn)練周期N，網(wǎng)絡(luò)編解碼權(quán)值W和W′，網(wǎng)絡(luò)編解碼偏置b和b′，權(quán)值衰減系數(shù)λ，學(xué)習(xí)率α，以及所加噪聲等參數(shù)。

(2)網(wǎng)絡(luò)預(yù)訓(xùn)練

Fori=1 toN

Forj=1 toL

yj=F(x′)=σ(Wjx′+bj)

x′=yj

End

End

Fori=1 toN

計(jì)算輸出層L的殘差

Fori=L-1 to 1

計(jì)算輸出前各層的殘差

Ei=F′(x′)⊙{(Wi+1)T[yi-(Wix′+bi)]}

End

Fori=1 toL

更新各層網(wǎng)絡(luò)的參數(shù)

End

End

3 試驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)采集

試驗(yàn)共設(shè)計(jì)了針尖電暈放電、懸浮電極放電、氣體絕緣缺陷放電和自由金屬顆粒放電等四種GIS絕緣缺陷類型。用特高頻傳感器收集400個(gè)放電樣本信號(hào)，每類放電信號(hào)100個(gè)樣本，各放電類型的PRPD譜圖如圖3所示。

3.2 GIS絕緣缺陷識(shí)別與分類

試驗(yàn)從400個(gè)GIS缺陷樣本信號(hào)中隨機(jī)抽取340個(gè)樣本作為訓(xùn)練集，60個(gè)樣本作為測(cè)試集。將訓(xùn)練集送入SDAE網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，訓(xùn)練完成后將測(cè)試集送入該網(wǎng)絡(luò)進(jìn)行放電類型的模式識(shí)別。圖4是SDAE網(wǎng)絡(luò)在測(cè)試集上的識(shí)別結(jié)果。

試驗(yàn)得出：棧式降噪自編碼網(wǎng)絡(luò)在GIS絕緣缺陷訓(xùn)練集上的分類準(zhǔn)確率高達(dá)99.71%，即340個(gè)訓(xùn)練樣本中只有1個(gè)樣本信號(hào)識(shí)別出錯(cuò)。同樣，在測(cè)試集SDAE也有著較高的識(shí)別準(zhǔn)確率，達(dá)到91.67%，證明了SDAE能有效地提取局部放電信號(hào)PRPD譜圖中的特征，并在對(duì)未知信號(hào)分類時(shí)有強(qiáng)大的泛化能力。

混淆矩陣是分類問題中常用的誤差矩陣，可以清楚地反映預(yù)測(cè)類別和真實(shí)類別之間的關(guān)系。圖5是在GIS缺陷測(cè)試集上的混淆矩陣，可以看出隨機(jī)抽取的60個(gè)測(cè)試樣本中：類型2針尖電暈放電18個(gè)樣本中有一個(gè)被誤識(shí)別為了類型3，有兩個(gè)被誤識(shí)別為了類型4；類型3針尖電暈放電16個(gè)樣本中有一個(gè)樣本被誤識(shí)別為類型4；類型4自由金屬顆粒放電10個(gè)樣本中有一個(gè)樣本被誤識(shí)別為了類型3；類型1懸浮電極放電16個(gè)樣本都被正確識(shí)別，即該類GIS缺陷放電有著更高的識(shí)別準(zhǔn)確度。

為了進(jìn)一步說明SDAE在處理高維度且大量數(shù)據(jù)中強(qiáng)大的特征提取和識(shí)別分類能力，分別將局部放電樣本信號(hào)送入BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)、DAE和SDAE，識(shí)別結(jié)果如表1所示。

圖3 各類放電類型的PRPD譜圖

圖4 GIS缺陷測(cè)試集分類結(jié)果

圖5 GIS測(cè)試集混淆矩陣

表1 不同分類器下的識(shí)別準(zhǔn)確率

由表1可以看出，在四種分類器中SDAE的識(shí)別準(zhǔn)確率最高。BP神經(jīng)網(wǎng)絡(luò)表現(xiàn)力最差，這是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)作為傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有容易陷入局部極小點(diǎn)等問題。DAE作為SDAE的單個(gè)單元，不能有效地提取數(shù)據(jù)更深層的特征，識(shí)別效果不如深層SDAE網(wǎng)絡(luò)。

綜合分析，用棧式降噪自編碼器對(duì)GIS絕緣缺陷進(jìn)行模式識(shí)別，識(shí)別準(zhǔn)確率更高，魯棒性更強(qiáng)，性能也更加優(yōu)異，試驗(yàn)充分證明了該方法的可行性和可靠性。

4 結(jié)束語(yǔ)

本文介紹了一種基于棧式降噪自編碼器的GIS絕緣缺陷識(shí)別方法，即通過特高頻傳感器采集局部放電信號(hào)，用SDAE神經(jīng)網(wǎng)絡(luò)提取特征向量并進(jìn)行識(shí)別分類。以針尖電暈放電、懸浮電極放電、氣體絕緣缺陷放電和自由金屬顆粒放電等四種GIS絕緣缺陷為例進(jìn)行試驗(yàn)。

試驗(yàn)結(jié)果表明，與淺層神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)分類器相比，該SDAE深層網(wǎng)絡(luò)能夠有效地提取局部放電信號(hào)PRPD譜圖的特征，且具有更強(qiáng)的泛化能力，能更準(zhǔn)確地完成不同絕緣缺陷類型的模式識(shí)別，為GIS絕緣缺陷識(shí)別術(shù)提供較為實(shí)用的解決方案。