高 鵬，劉嘉良，欒軍，沈道義，鄒華菁

（1.青島海檢智能科技有限公司，山東青島 266237；2.上海格魯布科技有限公司，上海 201210；3.上海電力大學(xué)電子與信息工程學(xué)院，上海 201306）

局部放電帶電檢測被認(rèn)為是檢測電纜絕緣缺陷最有效的手段[1]，近年來取得了很多進(jìn)展，檢測儀器不斷小型化、智能化，但是相關(guān)技術(shù)仍存在一些不足[2]。采用傳統(tǒng)方法進(jìn)行局部放電模式的識別具有很大局限性[3]，計算量大、存儲量大且識別準(zhǔn)確率不高。此外，傳統(tǒng)識別方法的一個顯著問題是當(dāng)圖譜發(fā)生相位平移時識別效果不佳。而采用深度學(xué)習(xí)模式的識別方法準(zhǔn)確率較高[4]，且對于相位平移后的圖譜具有良好的模型泛化能力。雖然這種識別模式的訓(xùn)練計算量大[5]，但是推理過程中計算復(fù)雜度并不高，同時它可以較為精確地進(jìn)行分類[6]，擁有較好的橫向處理能力、分布式存儲能力并且穩(wěn)定性較好[7]，故適用于該文場景下的局放識別。

因此，該文提出了一種基于MobileNet 的電纜局部放電模式識別方法，識別準(zhǔn)確率可達(dá)96.4%，利用MobileNet 模型優(yōu)化了訓(xùn)練過程[8]，減少了卷積的時間復(fù)雜度和空間復(fù)雜度，有效地加快了收斂速度，提高了分類網(wǎng)絡(luò)的泛化能力[9]?；谠撍惴ㄑ兄频闹悄芫植糠烹妿щ姍z測儀器，在實際應(yīng)用場景下，實現(xiàn)了電纜局部放電類型的自動識別，且識別準(zhǔn)確率在95%以上。

1 算法概述

該文提出的基于MobileNet 的電纜局部放電模式識別方法的整體框圖如圖1 所示。首先，對電纜高頻局部放電帶電檢測儀器采集到各類局部放電相位分布(Phase Resolve Partial Discharge,PRPD)圖譜進(jìn)行數(shù)據(jù)預(yù)處理與數(shù)據(jù)增強，再將ImageNet 數(shù)據(jù)集上預(yù)先訓(xùn)練好的MobileNetV1 模型遷移到電纜局部放電的場景下，構(gòu)建出新的識別模型并訓(xùn)練新模型，以實現(xiàn)對各種類型PRPD 圖譜放電類型的識別，從而更好地掌握電纜內(nèi)部缺陷的類型性質(zhì)和缺陷特征。

圖1 算法整體框圖

2 算法設(shè)計

2.1 局部放電數(shù)據(jù)采集

電力電纜局部放電帶電檢測的原理如圖2 所示，通過高頻電流傳感器檢測局部放電的高頻脈沖電流信號，結(jié)合被測設(shè)備電壓的相位信息，生成局部放電圖譜PRPD 數(shù)據(jù)[10]。通過對大量現(xiàn)場檢測圖譜按不同的局放類型進(jìn)行分類標(biāo)注，構(gòu)建電纜絕緣缺陷的局部放電PRPD 圖譜數(shù)據(jù)集，用于有監(jiān)督的機器學(xué)習(xí)。

圖2 電力電纜局部放電帶電檢測原理圖

局部放電相位分布PRPD 圖譜也被稱作φ-q-n模式，用來描述局部放電脈沖所對應(yīng)的工頻相位φ、脈沖幅值q和放電次數(shù)n之間的關(guān)系[11]。該文使用實際現(xiàn)場局部放電帶電檢測中采集到的4 500 張PRPD 圖譜作為原始數(shù)據(jù)集，包括兩類典型的局部放電和外部干擾，如圖3所示。其中，內(nèi)部放電1 500張、浮動電極放電1 500張、外部干擾1 500 張。

圖3 典型局部放電和外部干擾PRPD圖譜

通過以上PRPD 圖譜可以清晰地看出三類圖譜存在差異[12]，利用PRPD 圖譜進(jìn)行模式識別的方案是可行的。

2.2 局部放電數(shù)據(jù)預(yù)處理

在實際現(xiàn)場的環(huán)境下，對電纜的局部放電檢測，通常采用高頻電流傳感器來獲取不同類別的電纜局部放電故障的相位分辨局部放電PRPD 圖譜，先對圖像作灰度化和歸一化處理，再對圖像進(jìn)行預(yù)處理。

圖像的灰度化是指按不同的權(quán)值對RGB 三個分量進(jìn)行加權(quán)平均，根據(jù)式（1）[13]，可以獲得效果較好的灰度圖像。

對圖像作歸一化處理具體是指原始的PRPD 圖譜一般為917×510 像素，尺寸較大，需要將圖像的尺寸統(tǒng)一調(diào)整為224×224 像素的輸入圖像，便于模型的訓(xùn)練。

對于圖像的預(yù)處理方法有圖像分割與數(shù)據(jù)增強[14]。圖像分割的方法是指將原始的PRPD 圖譜進(jìn)行裁剪，把標(biāo)注出來的具有較明顯特征的局部放電信號用于模型的訓(xùn)練。從已獲取的每個PRPD 圖譜中分別提取具有明顯局部放電特征的圖像，再以電壓正弦波為基準(zhǔn)，通過循環(huán)平移30°相位至360°為止的方式對已提取的具有明顯局部放電特征的圖像進(jìn)行數(shù)據(jù)增強處理，由此得到循環(huán)平移30°、60°、90°、120°、150°、180°、210°、240°、270°、300°、330°的11 個不同的圖像作為數(shù)據(jù)集的補充。平移后的圖像可以提供各個相位局部放電信號的特征，使算法不受現(xiàn)場測試時因變壓器一二次相位差導(dǎo)致的PRPD 圖譜平移的影響，從而進(jìn)一步提高模型的泛化能力。

2.3 模型訓(xùn)練與測試

局部放電模式識別算法訓(xùn)練與測試的流程如圖4 所示，具體步驟如下：

圖4 基于MobileNet的局部放電識別流程

1）調(diào)用已訓(xùn)練好的MobileNetV1 網(wǎng)絡(luò)模型作為預(yù)訓(xùn)練模型，然后放入訓(xùn)練集來訓(xùn)練局部放電模式識別模型；

2）當(dāng)?shù)谝淮芜M(jìn)行前向傳播時，若預(yù)訓(xùn)練模型與局部放電模式識別網(wǎng)絡(luò)結(jié)構(gòu)中某一層的名稱相同，則可以對預(yù)訓(xùn)練模型的參數(shù)進(jìn)行直接調(diào)用；若不同，則利用隨機高斯分布對該層的參數(shù)進(jìn)行初始化處理；

3）當(dāng)數(shù)據(jù)傳播到最后一層時，由softmax loss 函數(shù)可以計算出網(wǎng)絡(luò)的損失率，再采用隨機梯度下降法，并利用驗證集對局部放電模式識別模型中的網(wǎng)絡(luò)參數(shù)進(jìn)行不斷優(yōu)化；

4）訓(xùn)練的模型逐漸收斂，當(dāng)訓(xùn)練的模型識別準(zhǔn)確率不再提升，且損失率不再減小時，便得到了最優(yōu)的識別模型；

5）將訓(xùn)練得到的最優(yōu)識別模型作為測試模型，對測試集中的PRPD 圖譜進(jìn)行測試，得到電纜局部放電的各種故障類型的識別率和平均識別率。

3 實驗結(jié)果及分析

該文基于MobileNet 的深度可分離卷積網(wǎng)絡(luò)結(jié)構(gòu)，利用Tensorflow 和Keras 深度學(xué)習(xí)框架、Python 語言、Anaconda 和Pycharm 集成開發(fā)環(huán)境，構(gòu)建了電纜局部放電模式識別模型，并借助GeForce RTX 2060 8GB 對模型進(jìn)行訓(xùn)練和測試，識別目標(biāo)為內(nèi)部放電、浮動電極放電和外部干擾三種局部放電類型。

首先，對預(yù)處理后的局部放電PRPD 圖譜按不同的放電類別進(jìn)行分類，并整理成數(shù)據(jù)集，再按照一定的權(quán)重將其劃分為訓(xùn)練集、驗證集和測試集，劃分的比例為數(shù)據(jù)集中70%的圖像作為訓(xùn)練集，10%的圖像作為驗證集，20%的圖像作為測試集。然后輸入樣本數(shù)據(jù)，利用預(yù)先訓(xùn)練好的MobileNet模型中的權(quán)重，再結(jié)合新任務(wù)對模型進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重的微調(diào)，最后對新模型進(jìn)行模式識別的訓(xùn)練和測試。

采用MobileNetV1 模型對PRPD 圖譜進(jìn)行識別分類，迭代次數(shù)設(shè)為300 次，初始的學(xué)習(xí)速率設(shè)為0.001，網(wǎng)絡(luò)單次訓(xùn)練的樣本數(shù)設(shè)為100，當(dāng)訓(xùn)練到291 次時，識別準(zhǔn)確率達(dá)到96.61%，損失函數(shù)值降至0.002 8，訓(xùn)練基本結(jié)束。將訓(xùn)練得到的最優(yōu)Mobile-NetV1 識別模型作為測試模型，對測試集中待識別的PRPD 圖譜進(jìn)行測試，最終平均識別準(zhǔn)確率為96.4%。

為了對電纜局部放電模式識別分類的方法有更深入的研究，利用該文采集到的數(shù)據(jù)集，將AlexNet、InceptionV3、Xception、VGG16、ResNet18 和Mobile-NetV1 模型應(yīng)用于電纜局部放電模式的識別分類，并將在ImageNet 數(shù)據(jù)集中訓(xùn)練好的模型參數(shù)遷移到新任務(wù)中，再對新模型進(jìn)行參數(shù)的調(diào)整與更新以加快訓(xùn)練的收斂速度。在訓(xùn)練的過程中采用早停法，即當(dāng)模型的損失函數(shù)值loss 不再出現(xiàn)明顯的減小時，就停止訓(xùn)練，從而節(jié)省訓(xùn)練的時間，并有效地解決了過擬合的問題，各種深度學(xué)習(xí)模型的訓(xùn)練和測試時間如圖5 所示[15]。從圖中可以看出，每個模型的測試時間并沒有明顯的差異，但訓(xùn)練時間的差異性較大，其中，MobileNetV1 模型的訓(xùn)練時間最短，從模型的更新能力角度來看，MobileNetV1 模型表現(xiàn)出的性能最好。

圖5 各種模型的訓(xùn)練和測試時間

為了驗證各種模型的識別準(zhǔn)確率，分別利用各種模型對內(nèi)部放電、浮動電極放電和外部干擾三類局部放電故障進(jìn)行模式識別，結(jié)果如表1 所示。

表1 各種模型模式識別準(zhǔn)確率

由表1 可以看出，與其他模型進(jìn)行對比分析，從平均識別準(zhǔn)確率的角度來看，MobileNetV1 網(wǎng)絡(luò)模型明顯表現(xiàn)更優(yōu)，其對浮動電極放電和外部干擾的識別率可達(dá)98%以上，且對于各種不同的局部放電類型，MobileNetV1 模型的識別準(zhǔn)確率均最高，因此，由識別結(jié)果更進(jìn)一步地驗證了MobileNetV1 模型具有更高的識別準(zhǔn)確率。

基于該算法研制的智能局部放電帶電檢測儀如圖6 所示，具備電纜高頻局部放電PRPD 圖譜展示與類型識別功能[16]。其中，類型識別模塊在安卓手機端完成。

圖6 智能局部放電帶電檢測儀

對于電力電纜的帶電檢測，采用了在電纜終端接頭接地線安裝高頻局部放電傳感器，并在電纜單相本體上安裝相位信息傳感器，再將智能巡檢儀與兩傳感器相連，現(xiàn)場檢測如圖7 所示。儀器根據(jù)檢測到的高頻信號脈沖，生成PRPD 圖譜，并實時計算圖譜的識別結(jié)果。

圖7 現(xiàn)場檢測

將該算法應(yīng)用于基于安卓設(shè)備的智能局部放電巡檢儀，在實際場景下，能夠?qū)崿F(xiàn)局部放電缺陷類型的快速識別。如圖8 所示，檢測到的PRPD 圖譜被實時識別為浮動電極放電。在現(xiàn)場測試中，對各種局部放電類型進(jìn)行檢測，識別準(zhǔn)確率均達(dá)到95%以上，滿足電纜局部放電識別準(zhǔn)確度的要求。

圖8 現(xiàn)場測試圖譜及識別結(jié)果

4 結(jié)論

該文提出的基于MobileNet 的電纜局部放電模式識別方法，采用遷移學(xué)習(xí)的訓(xùn)練方式，對模型架構(gòu)的權(quán)重參數(shù)進(jìn)行改進(jìn)。將采集到的各種類型的PRPD 圖譜輸入到預(yù)訓(xùn)練的MobileNet 網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到了新的網(wǎng)絡(luò)模型，再進(jìn)一步地通過模型的迭代訓(xùn)練計算出驗證集各種局部放電故障類型的分類識別準(zhǔn)確率，對準(zhǔn)確率不高的故障類型進(jìn)行參數(shù)調(diào)整，從而在下一次迭代訓(xùn)練時使用更多的樣本，對這些樣本進(jìn)行更多次的特征學(xué)習(xí)，以解決由于特征提取深度不斷加深所帶來的梯度消失問題，使網(wǎng)絡(luò)具備更好的學(xué)習(xí)能力。該文采用小尺寸的卷積核（3×3），ReLU6 激活函數(shù)，最大值池化方式以及隨機梯度下降算法，對于電力電纜局部放電PRPD 圖譜具有更高的識別率和更快的訓(xùn)練速度，識別準(zhǔn)確率可達(dá)96.4%。基于該算法研制的智能巡檢儀，不僅可以在移動端實現(xiàn)快速自動局部放電類型識別，而且擁有較高的準(zhǔn)確度，對電力電纜的狀態(tài)檢修工作具有非常實際的應(yīng)用價值。