李濤 王子豪 王庸道 毛麟峰 吳振升 董偉男 范德玲

摘? ?要：為解決現(xiàn)有油紙絕緣老化識(shí)別技術(shù)存在的問題，提出一種基于深度殘差網(wǎng)絡(luò)的油紙絕緣老化狀態(tài)識(shí)別方法。首先，基于柱板電極模型開展局部放電試驗(yàn)，獲取不同熱老化階段下的油紙絕緣局部放電脈沖相位分布圖譜;然后，對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行樣本擴(kuò)充、圖像灰度化等預(yù)處理;最后，利用深度殘差網(wǎng)絡(luò)對(duì)樣品進(jìn)行模式識(shí)別，判斷其所屬老化階段，并與SVM和BPNN 2種傳統(tǒng)算法進(jìn)行對(duì)比分析。試驗(yàn)結(jié)果表明，本文所運(yùn)用的深度殘差網(wǎng)絡(luò)使油紙絕緣老化狀態(tài)識(shí)別率達(dá)到97%，較SVM、BPNN等傳統(tǒng)算法分別提升了24%和17%，這得益于深度殘差網(wǎng)絡(luò)對(duì)深層特征的自動(dòng)提取、高訓(xùn)練穩(wěn)定性和強(qiáng)大的擬合與泛化能力。該方法可以有效地對(duì)優(yōu)質(zhì)絕緣的不同老化階段進(jìn)行識(shí)別與分類，為在線識(shí)別、評(píng)估老化狀態(tài)等應(yīng)用奠定了基礎(chǔ)。

關(guān)鍵詞：深度殘差網(wǎng)絡(luò);局部放電試驗(yàn);模式識(shí)別;油紙絕緣;熱老化檢測(cè)

中圖分類號(hào)：TM855;TP391.41? ? ? ? ? ? DOI：10.16375/j.cnki.cn45-1395/t.2022.01.007

0 引言

油紙絕緣是油浸式電力變壓器內(nèi)絕緣的主要組成形式，熱老化是導(dǎo)致絕緣紙機(jī)械性能下降的重要原因。深入研究熱老化絕緣機(jī)理，為油紙絕緣的老化狀態(tài)建立可靠的識(shí)別與評(píng)估方法，對(duì)確保變壓器安全穩(wěn)定運(yùn)行具有重要意義。

文獻(xiàn)[1-2]提出了油紙氣隙缺陷模型，分別利用遺傳算法-反向傳播神經(jīng)網(wǎng)絡(luò)和列文伯格-馬夸爾特法優(yōu)化的神經(jīng)網(wǎng)絡(luò)識(shí)別其老化，使用因子分析選取29個(gè)統(tǒng)計(jì)特征參數(shù)中的10個(gè)主成分因子作為神經(jīng)網(wǎng)絡(luò)輸入，以單位圓的半徑作為輸出，對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)做出了改進(jìn)，并研究了其模糊聚類[3]。文獻(xiàn)[4]提出了氣隙缺陷放電模型并進(jìn)行老化試驗(yàn)，對(duì)局部放電信號(hào)消噪后，將經(jīng)驗(yàn)?zāi)B(tài)分解-奇異值分解特征與隨機(jī)森林分類器相結(jié)合，進(jìn)行老化階段識(shí)別。文獻(xiàn)[5]利用油中溶解氣體分析和局部放電的波形進(jìn)行特征融合，利用粒子群算法對(duì)支持向量機(jī)進(jìn)行優(yōu)化，以提高傳統(tǒng)支持向量機(jī)的識(shí)別效果。

在區(qū)分不同類型的局部放電中，算法在早期同樣依賴于機(jī)器學(xué)習(xí)和經(jīng)典神經(jīng)網(wǎng)絡(luò)[6-8]。有學(xué)者使用經(jīng)驗(yàn)?zāi)B(tài)分解和希爾伯特-黃變換進(jìn)行特征提取，取得了較好的效果[9]。現(xiàn)階段的老化狀態(tài)識(shí)別研究仍然以人工傳統(tǒng)算法為主，而人工算法只能提取局部放電的淺層特征，不能保證分類的準(zhǔn)確率。采用新的算法應(yīng)用于老化階段的識(shí)別對(duì)特征量的合理提取、識(shí)別準(zhǔn)確率的提高具有重要意義。為進(jìn)一步提高油紙絕緣識(shí)別的可靠性，本文提出了一種基于深度殘差網(wǎng)絡(luò)的油紙絕緣老化階段識(shí)別方法。

1? ? 理論

不同老化階段起始電壓的測(cè)試結(jié)果如圖1所示，每個(gè)起始電壓使用該老化階段下3組試驗(yàn)的平均值?？傮w趨勢(shì)：隨著老化時(shí)間的延長(zhǎng)，起始電壓呈現(xiàn)下降趨勢(shì)，表征油紙絕緣性能的下降，局部放電更容易起始和發(fā)展。這是因?yàn)樵诶匣^程中，紙的聚合度減小，而介電常數(shù)上升[10]，由此引起了電場(chǎng)不均勻程度升高。老化20 d之后，起始電壓的變化幅度減小，老化狀態(tài)對(duì)起始電壓的影響不顯著。

根據(jù)不同老化階段起始電壓的測(cè)試結(jié)果，文章整體思路為：首先，基于柱板電極模型開展局部放電試驗(yàn)，獲取不同熱老化階段下的油紙絕緣局部放電脈沖相位分布圖譜;然后，對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行樣本擴(kuò)充、圖像灰度化等預(yù)處理;最后，利用深度殘差網(wǎng)絡(luò)對(duì)樣品進(jìn)行模式識(shí)別，判斷其所屬老化階段。

2? ? 算法及策略

2.1?  數(shù)據(jù)擴(kuò)充

在不同老化階段下，不同電壓所進(jìn)行的試驗(yàn)如表1所示。

為保證每個(gè)數(shù)據(jù)的可比性，每個(gè)長(zhǎng)時(shí)間錄制的數(shù)據(jù)流均選取10 pC以上的60 000個(gè)放電點(diǎn)作為一組數(shù)據(jù)。所得數(shù)據(jù)中，B組10 d老化階段的試驗(yàn)數(shù)據(jù)較少，對(duì)B組試驗(yàn)數(shù)據(jù)使用滑動(dòng)數(shù)據(jù)剪裁[11]進(jìn)行數(shù)據(jù)擴(kuò)充，其余階段皆采取等放電次數(shù)（60 000次）進(jìn)行數(shù)據(jù)切分?；瑒?dòng)數(shù)據(jù)剪裁為：從第一個(gè)放電點(diǎn)開始，每60 000個(gè)放電點(diǎn)為一個(gè)數(shù)據(jù)，下一個(gè)數(shù)據(jù)的起點(diǎn)為上一個(gè)數(shù)據(jù)起點(diǎn)加上15 000個(gè)放電點(diǎn)，其示意圖如圖2所示。除B組外的試驗(yàn)數(shù)據(jù)均直接以60 000個(gè)放電點(diǎn)等間隔對(duì)數(shù)據(jù)進(jìn)行切分，其示意圖如圖3所示。

2.2? ?圖像預(yù)處理

將得到的每60 000次10 pC以上放電點(diǎn)數(shù)據(jù)繪制原始數(shù)據(jù)的[q]-[φ]圖像。對(duì)每個(gè)原始數(shù)據(jù)的圖像均采用當(dāng)前一組數(shù)據(jù)的放電量最大值的0.7倍作為圖譜的最大值;將原始圖像切分為100×100的圖像窗格，統(tǒng)計(jì)每個(gè)窗格中的放電次數(shù)，成為[q]-[φ]密度矩陣;得到的圖片按照式（1）所示進(jìn)行對(duì)數(shù)運(yùn)算，避免大量次數(shù)的小放電掩蓋次數(shù)較少的大放電。

[xij=log（zij）]，? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

式中：[zij]為統(tǒng)計(jì)得到的窗格內(nèi)放電點(diǎn)數(shù)，[xij]為相應(yīng)窗格的對(duì)數(shù)運(yùn)算結(jié)果。

對(duì)處理結(jié)果進(jìn)行如式（2）所示的歸一化，將原來對(duì)數(shù)運(yùn)算后的數(shù)值矩陣范圍轉(zhuǎn)變?yōu)?～1，再乘以255，成為標(biāo)準(zhǔn)8位灰度圖的矩陣，保存為灰度圖，共得到13 817張圖片數(shù)據(jù)集，其中90%用于網(wǎng)絡(luò)訓(xùn)練，10%用于測(cè)試。

[yij=xijmax（x）×255]，? ? ? ? ? ? ? ? ? ? （2）

式中：[yij]為灰度圖中窗格對(duì)應(yīng)像素的灰度值，[x]為上一步得到的整個(gè)對(duì)數(shù)運(yùn)算后的矩陣。

灰度化前后的效果如圖4所示。圖4 （a）為油紙?jiān)?30 ℃熱老化40 d后，以20 kV電壓測(cè)得的原始放電量數(shù)據(jù)圖。圖4 （b）的灰度圖中，圖片下方的黑色區(qū)域代表了大量的小放電，上方較暗的點(diǎn)代表了幅值較大、放電次數(shù)較少的放電。

2.3? ?深度殘差網(wǎng)絡(luò)

深度殘差網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)的一種，是訓(xùn)練穩(wěn)定、性能優(yōu)良的深層網(wǎng)絡(luò)。在卷積網(wǎng)絡(luò)的各層運(yùn)算中，特征子圖的維度不斷增加，通過訓(xùn)練迭代實(shí)現(xiàn)自動(dòng)特征提取[12]。

為找到性能較好的網(wǎng)絡(luò)，對(duì)比不同網(wǎng)絡(luò)深度的影響，本文構(gòu)建了經(jīng)過簡(jiǎn)化的ResNet-18、ResNet-18以及ResNet-34，構(gòu)建的各個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)如? 表2所示。

3? ? 試驗(yàn)仿真

3.1? ?試驗(yàn)平臺(tái)搭建

試驗(yàn)平臺(tái)遵循IEC60270局部放電測(cè)試標(biāo)準(zhǔn)[13]，采用脈沖電流法構(gòu)建的試驗(yàn)電路圖如圖5所示。

試驗(yàn)電路的電源部分采用可編程信號(hào)發(fā)生器產(chǎn)生信號(hào)波形，信號(hào)輸出的采樣率為6.5 MS/s，換算為50 Hz工頻周期下，一個(gè)周期1.3×105個(gè)信號(hào)采樣點(diǎn)。經(jīng)過高壓功率放大器放大為功率信號(hào)，該放大器可以將輸入信號(hào)以固定增益放大1∶5 000轉(zhuǎn)換為試驗(yàn)的高壓功率信號(hào)。

依據(jù)IEC60270，電荷頻域積分中心頻率? ? ?250 kHz，帶寬300 kHz。使用高壓探頭進(jìn)行? ? ? ? ? 1 000∶1分壓并測(cè)量被試品電壓。由功率放大器的電壓監(jiān)視5 000∶1分壓輸出端口，測(cè)量放大器的出口電壓。局部放電回路升壓至電壓有效值30 kV，無局部放電發(fā)生，測(cè)試系統(tǒng)噪聲小于10 pC。

采用克拉瑪依25號(hào)變壓器油，無其他任何雜質(zhì)，放置在真空干燥箱中，于80 ℃、壓力小于? ?10 Pa的環(huán)境中真空干燥48 h。采用厚度為1 mm的換流變壓器絕緣紙板，將其剪裁后，在105 ℃、壓力小于10 Pa的環(huán)境中真空干燥48 h。再將油紙樣品放置在80 ℃、壓力小于10 Pa的環(huán)境中真空浸漬48 h。最后在室溫下冷卻，20 ℃儲(chǔ)存。

根據(jù)式（3）所示的蒙辛格熱老化規(guī)則[14]，對(duì)試驗(yàn)樣品在高溫下的老化時(shí)間估算為正常運(yùn)行的等效? ? ?時(shí)間。

[T=T0e-αθ-θ0]，? ? ? ? ? ? ? ? ? ? ? ? ?（3）

式中：[θ0]為絕緣材料正常工作時(shí)的基準(zhǔn)工作溫度，[T0]為絕緣材料在此基準(zhǔn)工作溫度下正常工作的等效工作時(shí)間，[θ]為試驗(yàn)樣本的熱老化溫度，[T]為試驗(yàn)樣本在熱老化條件下的試驗(yàn)時(shí)間，[α]為熱老化系數(shù)，—般取0.115 5。

本文中變壓器的基準(zhǔn)工作溫度為80 ℃，實(shí)際工作溫度即老化試驗(yàn)溫度為130 ℃，共分為5個(gè)階段，每個(gè)階段的間隔為10 d。對(duì)不同時(shí)間的老化階段樣本進(jìn)行折算，結(jié)果如表3所示。

3.2? ?網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)

本文網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)包括準(zhǔn)確率、精確率、召回率、[F1]值以及算法混淆矩陣。[NTP]為當(dāng)前老化階段與網(wǎng)絡(luò)識(shí)別老化階段相同的樣本數(shù)，[NFP]為其余老化階段與網(wǎng)絡(luò)識(shí)別老化階段相同的樣本數(shù)，[NFN]為其余老化階段識(shí)別為當(dāng)前老化階段的樣本數(shù)，[NTN]為其余老化階段識(shí)別為其余老化階段的樣本數(shù)。

[A]表示準(zhǔn)確率（Accuracy），其定義如式（4），即所有識(shí)別正確的樣本數(shù)，占所有樣本數(shù)的比重。

[A=NTP+NFNNTP+NTN+NFP+NFN] .? ? ? ? ? ? ? ? ? ? ?（4）

[P]表示精確率（Precision），其定義如式（5），即所有當(dāng)前老化階段與網(wǎng)絡(luò)識(shí)別老化階段相同的樣本數(shù)，占所有識(shí)別為本老化階段樣本數(shù)的比重。

[P=NTPNTP+NFP] .? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）

[R]表示召回率（Recall），其定義如式（6），即所有當(dāng)前老化階段與網(wǎng)絡(luò)識(shí)別老化階段相同的樣本數(shù)，占所有本老化階段樣本數(shù)的比重。

[R=NTPNTP+NFN] .? ? ? ? ? ? ? ? ? ? ? ? ? ?（6）

[F1]值的定義如式（7），它綜合考慮了精確度和召回率，是一個(gè)高優(yōu)參數(shù)。

[2F1=1P+1R] .? ? ? ? ? ? ? ? ? ? ? ? ?（7）

混淆矩陣可以清晰地給出分類結(jié)果，其列為真實(shí)的老化階段、行為判斷的老化階段?；煜仃噷?duì)角線上的元素是分類正確的樣本數(shù)，而其余為分量錯(cuò)誤的樣本數(shù)，主對(duì)角線上的數(shù)值相較于非對(duì)角線上的元素?cái)?shù)值越大，網(wǎng)絡(luò)性能越好。

3.3? ?識(shí)別結(jié)果

深度殘差網(wǎng)絡(luò)的訓(xùn)練過程如圖6（a）所示。隨著迭代次數(shù)的增加，各網(wǎng)絡(luò)識(shí)別準(zhǔn)確率均逐漸上升。簡(jiǎn)化的ResNet-18網(wǎng)絡(luò)由于參數(shù)量較少，穩(wěn)定性較差，在迭代過程中多次出現(xiàn)準(zhǔn)確率下降。ResNet-34網(wǎng)絡(luò)結(jié)構(gòu)較深，約20次迭代后就已經(jīng)穩(wěn)定在較高的準(zhǔn)確率上。ResNet-18網(wǎng)絡(luò)的穩(wěn)定性介于二者之間。據(jù)圖6（b） ，它們的準(zhǔn)確率都可以達(dá)到95%以上。最深的ResNet-34網(wǎng)絡(luò)具有最好的穩(wěn)定性，迭代的準(zhǔn)確率一直穩(wěn)定在96.2%;ResNet-18網(wǎng)絡(luò)最高可以達(dá)到97.0%的準(zhǔn)確率;簡(jiǎn)化的ResNet-18表現(xiàn)出更大的波動(dòng)，準(zhǔn)確率在95.6%～96.6%。

取效果較好的ResNet-18的最高準(zhǔn)確率參數(shù)，其分階段分類報(bào)告見表4。由表4可看出，對(duì)于老化的各個(gè)階段，深度殘差網(wǎng)絡(luò)均取得了良好的分類效果。對(duì)于特征明顯的40 d老化樣本，可以做到100%的識(shí)別，其余各階段的各項(xiàng)網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)均在90%以上。

從圖7所示的混淆矩陣可看出，僅有少量樣本分布在非對(duì)角線上，誤判情況極少，絕大多數(shù)的老化階段得到了正確的匹配。混淆矩陣的結(jié)果表明，本文方法可以作為油紙絕緣老化診斷的有效方法。

采用相同算法對(duì)支持向量機(jī)和反向傳播神經(jīng)網(wǎng)絡(luò)2種傳統(tǒng)算法進(jìn)行計(jì)算，可得到這2種算法的分類報(bào)告和混淆矩陣，如表5、表6和圖8、圖9所示。

深度殘差網(wǎng)絡(luò)識(shí)別不同老化階段的平均準(zhǔn)確率可達(dá)97%，相較于反向傳播神經(jīng)網(wǎng)絡(luò)的平均準(zhǔn)確率提升17%，相較于支持向量機(jī)提升24%。造成這一現(xiàn)象的原因主要是深度殘差網(wǎng)絡(luò)的自動(dòng)提取特征相對(duì)于傳統(tǒng)的人工特征提取具有優(yōu)勢(shì)，可以發(fā)現(xiàn)不易察覺的深層特征，對(duì)圖像進(jìn)行更好地描述，以及深度殘差網(wǎng)絡(luò)的短接結(jié)構(gòu)，使得網(wǎng)絡(luò)的深度可以大大增加。

精確度方面，在傳統(tǒng)算法特征較不明顯的前幾個(gè)老化階段，精確率不高，SVM對(duì)30 d樣本的識(shí)別尤其不佳，精確率僅55%，和同階段深度殘差網(wǎng)絡(luò)的精確率相差34%;BPNN則對(duì)0 d樣本識(shí)別不足，精確率為70%，與同階段深度殘差網(wǎng)絡(luò)的精確率相差29%。深度殘差網(wǎng)絡(luò)不僅可以在特征明顯的40 d樣本中達(dá)到高精確率，而且在較低的老化階段也能夠有效識(shí)別[7，15]。

在F1值方面，深度殘差網(wǎng)絡(luò)較高的F1值代表了其對(duì)精確率和召回率的兼顧。BPNN的30 d樣本以及SVM的30 d樣本的F1值較精確率均有所降低，代表了其召回率不足，有較多本老化階段的樣本被漏掉。SVM和BPNN的F1值較低，顯示出其兼顧精確率和召回率的能力較差。

4? ? 結(jié)論

本文提出了一種基于深度殘差網(wǎng)絡(luò)的老化階段識(shí)別方法。制備了5個(gè)階段共計(jì)40 d的130 ℃熱老化的油紙樣品，使用柱板電極作為典型缺陷進(jìn)行試驗(yàn)，獲得了不同老化階段下的局部放電PRPD圖譜;所得數(shù)據(jù)經(jīng)過數(shù)據(jù)擴(kuò)充、圖像灰度化等預(yù)處理后，使用基于深度殘差網(wǎng)絡(luò)的算法模型對(duì)不同老化階段進(jìn)行識(shí)別，并與基于人工特征量提取的支持向量機(jī)和反向傳播神經(jīng)網(wǎng)絡(luò)2種算法進(jìn)行對(duì)比，得到如下結(jié)論：

1）深度殘差網(wǎng)絡(luò)的識(shí)別率可以達(dá)到97%，對(duì)比傳統(tǒng)的支持向量機(jī)法和反向傳播神經(jīng)網(wǎng)絡(luò)法分別提升24%和17%。準(zhǔn)確率提升的本質(zhì)原因是深度殘差網(wǎng)絡(luò)可以對(duì)能保留更多信息的PRPD灰度圖進(jìn)行分析，通過自動(dòng)特征提取能力提取到圖中難以察覺的深層特征，對(duì)不同老化階段的放電特征進(jìn)行了更好的描述。因此，相比于傳統(tǒng)人工提取特征量的算法，深度殘差網(wǎng)絡(luò)具有顯著的優(yōu)勢(shì)。

2）除40 d以外的其余老化階段下的傳統(tǒng)算法效果欠佳，而深度殘差網(wǎng)絡(luò)在各個(gè)老化階段下均能夠取得理想的識(shí)別效果，各項(xiàng)指標(biāo)相較于傳統(tǒng)算法均有明顯優(yōu)勢(shì)，有利于識(shí)別絕緣劣化的先兆，這對(duì)于設(shè)備的運(yùn)行、檢修和維護(hù)具有重要意義。

3）試驗(yàn)數(shù)據(jù)在不同電壓、局部放電的不同發(fā)展階段、不同加壓方式的條件下，深度殘差網(wǎng)絡(luò)仍然取得較好的分類效果，展示出其強(qiáng)大的擬合能力和泛化能力。而數(shù)據(jù)的復(fù)雜性導(dǎo)致了傳統(tǒng)算法的識(shí)別率低下，不能達(dá)到較好的性能。

參考文獻(xiàn)

[1]? ? ?廖瑞金，汪可，周天春，等. 采用局部放電因子向量評(píng)估油紙絕緣熱老化狀態(tài)的一種方法[J]. 電工技術(shù)學(xué)報(bào)，2010，25（9）：28-34.

[2]? ? ?周天春，楊麗君，廖瑞金，等. 基于局部放電因子向量和BP神經(jīng)網(wǎng)絡(luò)的油紙絕緣老化狀況診斷[J]. 電工技術(shù)學(xué)報(bào)，2010，25（10）：18-23.

[3]? ? ?LI? J， LIAO R? J，GRZYBOWSKI? S，et al. Oil-paper aging evaluation by fuzzy clustering and factor analysis to statistical parameters of partial discharges[J]. IEEE Transactions on Dielectrics and Electrical Insulation，2010，17（3）：756-763.

[4]? ? ?張建文，王曼，解浩，等. 基于隨機(jī)森林的油紙絕緣老化階段評(píng)估[J]. 電測(cè)與儀表，2018，55（9）：121-125，130.

[5]? ? ?王曼. 電力變壓器油紙絕緣老化狀態(tài)評(píng)估方法研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2018.

[6]? ? ?姜磊，朱德恒，李福祺，等. 基于人工神經(jīng)網(wǎng)絡(luò)的變壓器絕緣模型放電模式識(shí)別的研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2001（1）：22-25.

[7]? ? ?李向陽，曾文波. 基于BP神經(jīng)網(wǎng)絡(luò)矩形微帶天線諧振頻率預(yù)測(cè)[J]. 廣西科技大學(xué)學(xué)報(bào)， 2014， 25（3）： 26-31.

[8]? ? ?王國(guó)利，鄭毅，沈嵩，等. AGA-BP神經(jīng)網(wǎng)絡(luò)用于變壓器超高頻局部放電模式識(shí)別[J]. 電工電能新技術(shù)，2003（2）：6-9，55.

[9]? ? ?朱永利，賈亞飛，王劉旺，等. 基于改進(jìn)變分模態(tài)分解和Hilbert變換的變壓器局部放電信號(hào)特征提取及分類[J]. 電工技術(shù)學(xué)報(bào)，2017，32（9）：221-235.

[10]? ?SUN P T，SIMA W X，YANG M，et al. Influence of thermal aging on the breakdown characteristics of transformer oil impregnated paper[J]. IEEE Transactions on Dielectrics and Electrical Insulation，2016，23（6）：3373-3381.

[11]? ?萬曉琪，宋輝，羅林根，等. 卷積神經(jīng)網(wǎng)絡(luò)在局部放電圖像模式識(shí)別中的應(yīng)用[J]. 電網(wǎng)技術(shù)，2019， 43（6）：2219-2226.

[12]? ?高欣，紀(jì)維佳，趙兵，等. 不平衡數(shù)據(jù)集下基于CVAE-CNN模型的智能電表故障多分類方法[J]. 電網(wǎng)技術(shù)，2021，45（8）：3052-3060.

[13]? ?The International Electrotechnical Commission （IEC）. High-voltage test techniques-partial discharge measurements： IEC 60270-2015[S/OL].2015[2021-08-01].https：//www.doc88.com/p-6983841680314.html.

[14]? ?謝軍. 變壓器油紙絕緣局部放電劣化規(guī)律及診斷方法[D]. 北京：華北電力大學(xué)，2016.

[15]? ?譚光興， 孫才茗， 王俊輝. 基于HOG特征與SVM的視頻車輛檢測(cè)系統(tǒng)設(shè)計(jì)[J]. 廣西科技大學(xué)學(xué)報(bào)， 2021，32（1）：19-23，30.

Research on identification strategy of oil-paper insulation aging state based on deep residual network

LI Tao1， WANG Zihao1， WANG Yongdao1， MAO Linfeng1， WU Zhensheng*2，

DONG Weinan3， FAN Deling2

（1. Yuxi Power Supply Bureau， Yunnan Power Grid Co.， Ltd.， Yuxi 653100， China; 2. School of Electrical

Engineering， Beijing Jiaotong University， Beijing 100044， China; 3. Langfang Power Supply Co.， Ltd.， State Grid Northern Hebei Power Supply Co.， Ltd.， Langfang 065000， China）

Abstract： A method for identifying the aging state of oil-paper insulation is proposed based on a deep residual network aimed at the problems of the existing oil-paper insulation aging identification? ? ? ? ?technology. Firstly， partial discharge tests are conducted based on the cylindrical electrode model to? obtain the oil-paper insulated partial discharge pulse phase distribution maps under different thermal aging stages. Secondly， samples on the test data are expanded and image gray scale is preprocessed. Finally， deep residual network is used for pattern recognition of the sample to determine its aging stage， and it is compared with SVM and BPNN algorithms. The results of the experiment show that the deep residual network used in this paper enables the oil-paper insulation aging recognition rate to reach 97%， which is 24% and 17% higher than SVM and BPNN algorithms respectively. This method can effectively identify and classify the different aging stages of high-quality insulation with its automatic extraction， high training stability， and strong fitting and generalization capabilities， laying a foundation for online identification and aging state assessment.

Key words： deep residual network; partial discharge test; pattern recognition; oil-paper insulation; thermal aging detection

（責(zé)任編輯：黎? ?婭）