朱慶東，朱孟兆，王學(xué)磊，顧朝亮，高志新

（國網(wǎng)山東省電力公司電力科學(xué)研究院，山東 濟(jì)南 250003）

0 引言

電力變壓器是電力系統(tǒng)中的核心設(shè)備，其安全運(yùn)行對(duì)于維護(hù)電網(wǎng)安全有著重要意義。油紙絕緣作為油浸式變壓器中的主要絕緣形式，其絕緣性能的劣化是造成變壓器故障的主要原因［1-2］。局部放電作為內(nèi)部絕緣故障的重要征兆，對(duì)其類型進(jìn)行有效辨識(shí)可以為變壓器狀態(tài)的診斷評(píng)估提供參考［3-4］。

超聲法是通過測(cè)量局部放電產(chǎn)生的超聲信號(hào)進(jìn)行局部放電檢測(cè)的方法，具有傳感器安裝方便、抗電磁干擾能力強(qiáng)等優(yōu)點(diǎn)，在變壓器局部放電檢測(cè)上得到了廣泛的應(yīng)用［5-6］。目前，針對(duì)超聲信號(hào)的分析主要圍繞在利用其時(shí)間信息對(duì)局部放電進(jìn)行定位上［7-8］，但同時(shí)超聲信號(hào)中也包含著大量的放電信息，能夠有效提取超聲信號(hào)中的關(guān)鍵信息，對(duì)局部放電類型進(jìn)行識(shí)別，可以有效提高局部放電的檢測(cè)效率。目前，局部放電信號(hào)的特征提取主要是從時(shí)域、頻域和時(shí)頻域等方面進(jìn)行。文獻(xiàn)［9］基于超聲信號(hào)的時(shí)域、頻域特征和時(shí)域壓縮波形數(shù)據(jù)等特征提取方法，采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別，獲得了較好的效果。文獻(xiàn)［10］運(yùn)用小波包變換對(duì)局部放電超聲信號(hào)進(jìn)行分解，以小波包分解系數(shù)的統(tǒng)計(jì)量作為特征參量進(jìn)行識(shí)別，但小波變換的效果依賴于小波基的選取，泛用性不強(qiáng)。文獻(xiàn)［11］提出一種基于集合模態(tài)分解能量矩的特征提取方法，但是模態(tài)分解的分解級(jí)數(shù)通常是未知的，難以實(shí)際應(yīng)用。

近些年，由于計(jì)算機(jī)技術(shù)的快速發(fā)展，深度學(xué)習(xí)方法在圖像識(shí)別、語音識(shí)別、文本處理等方向取得了巨大的進(jìn)步［12］。其中，卷積神經(jīng)網(wǎng)絡(luò)因其能夠?qū)颖局械奶卣鬟M(jìn)行自動(dòng)提取，避免復(fù)雜的特征工程，在放電識(shí)別和故障診斷領(lǐng)域得到廣泛的應(yīng)用。文獻(xiàn)［13］使用深度殘差網(wǎng)絡(luò)對(duì)局部放電信號(hào)的邊際譜圖像進(jìn)行直接識(shí)別，獲得更高的正確率和更優(yōu)的泛化性能。文獻(xiàn)［14］首先采用盲源分離對(duì)原始超聲波信號(hào)進(jìn)行處理，然后選用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提高局部放電類型識(shí)別的準(zhǔn)確性。

基于上述情況，提出一種基于廣義S 變換（generalized S-transform，GST）和二維卷積神經(jīng)網(wǎng)絡(luò)（2-dimension convolutional neural network，2D-CNN）相結(jié)合的局部放電超聲信號(hào)識(shí)別方法。GST 是一種高效的自適應(yīng)時(shí)頻分析方法，適合用于非平穩(wěn)信號(hào)的處理上。基于GST 對(duì)超聲數(shù)據(jù)進(jìn)行處理，獲得不同放電類型樣本的時(shí)頻特征圖像，構(gòu)建2D-CNN，自主提取時(shí)頻圖中的特征信息，實(shí)現(xiàn)局部放電超聲信號(hào)的智能識(shí)別，并通過與其他方法進(jìn)行對(duì)比，驗(yàn)證所提方法的準(zhǔn)確性和有效性。

1 局部放電試驗(yàn)

1.1 試驗(yàn)平臺(tái)

為采集油紙絕緣局部放電的超聲信號(hào)，搭建局部放電試驗(yàn)平臺(tái)，如圖1 所示，主要包括高壓測(cè)試回路、試驗(yàn)罐體和信號(hào)測(cè)量系統(tǒng)3 個(gè)部分。高壓測(cè)試回路由調(diào)壓器、100 kV/20 MVA 試驗(yàn)變壓器、保護(hù)電阻和變比為2 000∶1 的阻容式分壓器組成。試驗(yàn)罐體整體由有機(jī)玻璃制成，內(nèi)部設(shè)有可更換電極，可以模擬不同類型下的局部放電。信號(hào)測(cè)量系統(tǒng)主要包括高頻電流傳感器（high frequency current transformer，HFCT）、超聲傳感器以及對(duì)應(yīng)的采集裝置。高頻電流信號(hào)和超聲信號(hào)通過同軸屏蔽電纜連接到采集卡上，最后由上位機(jī)進(jìn)行數(shù)據(jù)處理。其中，超聲傳感器采用壓電式聲發(fā)射傳感器，其諧振頻率為75 kHz，可測(cè)量頻率范圍為15～150 kHz，后接信號(hào)放大裝置，其濾波范圍設(shè)置為20～120 kHz，該頻段在變壓器放電測(cè)量中具有一定的代表性［2］。

圖1 局部放電試驗(yàn)平臺(tái)Fig.1 Experiment platform of partial discharge

1.2 試驗(yàn)方法

為模擬變壓器內(nèi)部不同類型的局部放電情況，設(shè)計(jì)針板放電模型、柱板放電模型和球板放電模型，3 種缺陷模型的電極均為黃銅制作，絕緣紙板的厚度為1 mm，下電極均為半徑75 mm、厚度為15 mm 的圓板電極，上電極分別為針狀電極、柱狀電極和球狀電極。在進(jìn)行試驗(yàn)前，對(duì)油紙樣品進(jìn)行預(yù)處理，使其水分含量滿足標(biāo)準(zhǔn)［15］。

在正式試驗(yàn)前需要進(jìn)行預(yù)試驗(yàn)，確定每種放電類型的局部放電起始電壓（partial discharge inception voltage，PDIV）和擊穿電壓（breakdown voltage，BDV），然后在PDIV 和BDV 之間、不同電壓等級(jí)下均進(jìn)行數(shù)據(jù)采集，獲得不同放電劇烈程度下的超聲數(shù)據(jù)，采樣頻率為2.5 MHz。此外，為考慮傳感器布設(shè)位置對(duì)信號(hào)的影響，對(duì)于每種放電類型，采集傳感器在不同位置上獲得的數(shù)據(jù)。對(duì)于采集到的超聲信號(hào)，對(duì)其進(jìn)行數(shù)據(jù)裁剪，以每一個(gè)工頻周期（20 ms）內(nèi)的超聲信號(hào)為一組數(shù)據(jù)，進(jìn)行后續(xù)的處理。

2 基本原理

2.1 廣義S變換

S 變換是由Stockwell 等人［16］提出的一種時(shí)頻分析方法，同時(shí)具有小波變換和短時(shí)傅里葉變換的優(yōu)點(diǎn)。S 變換通過引入高斯窗函數(shù)，在保持相位信息的同時(shí)，使其具有可變的時(shí)頻分辨率，在低頻部分具有較高的頻率分辨率，在高頻部分具有較高的時(shí)間分辨率。進(jìn)一步地，GST 通過給定調(diào)節(jié)因子，控制高斯窗函數(shù)寬度的變化，能夠獲得更好的時(shí)頻分辨率，適用于非平穩(wěn)信號(hào)的分析［17-18］。

對(duì)于任意一個(gè)平方可積的信號(hào)x（t），其GST 為

式中：f為頻率；τ 為高斯窗函數(shù)的時(shí)移參數(shù)；λ為調(diào)節(jié)因子，當(dāng)λ=1 時(shí)即為S 變換。

實(shí)際使用時(shí)，需要用到其離散形式，對(duì)于一個(gè)長度為N的離散時(shí)間序列x［a］，令a=jT（j=0，1，2，…，N-1），f=n/（NT），則其對(duì)應(yīng)的離散GST 為

式中：T為其采樣周期；X［f］為序列x［a］的離散傅里葉變換；m為累加符號(hào)的計(jì)數(shù)單位；n為離散頻率值的序號(hào)數(shù)。

通過GST 可以將一個(gè)一維的時(shí)間序列變換到二維的時(shí)頻域中，其橫坐標(biāo)為時(shí)間，縱坐標(biāo)為頻率，可以反映信號(hào)在對(duì)應(yīng)時(shí)刻和頻率的能量分布細(xì)節(jié)。

2.2 二維卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是深度學(xué)習(xí)最典型的算法之一，其通過引入卷積和池化運(yùn)算，增強(qiáng)對(duì)局部相關(guān)性特征的提取能力，能夠自主地對(duì)輸入信號(hào)進(jìn)行特征提取。卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層、池化層和全連接層組成，輸入經(jīng)過多個(gè)卷積層和池化層自主提取特征，然后通過全連接層進(jìn)行分類［19-20］。

卷積層是CNN 的核心，對(duì)輸入和卷積核進(jìn)行卷積運(yùn)算，然后添加偏置并通過激活函數(shù)生成特征圖。在訓(xùn)練過程中，卷積核的參數(shù)不斷更新，可以強(qiáng)化卷積核的特征提取能力，對(duì)特征進(jìn)行自主學(xué)習(xí)。對(duì)于2D-CNN，采用二維卷積核對(duì)二維輸入圖像中的二維分布特征進(jìn)行提取。

池化層通過池化操作對(duì)卷積層獲得的特征圖進(jìn)行降采樣，一方面減少了計(jì)算的參數(shù)，一方面增強(qiáng)了網(wǎng)絡(luò)的泛化性能。全連接層對(duì)經(jīng)卷積層和池化層提取的特征圖進(jìn)行展開，最后結(jié)合分類器進(jìn)行分類。

2.3 GST 與2D-CNN 相結(jié)合的局部放電超聲信號(hào)識(shí)別方法

提出一種GST 與2D-CNN 相結(jié)合的局部放電超聲信號(hào)識(shí)別方法，通過GST 構(gòu)建超聲信號(hào)的時(shí)頻表達(dá)圖譜，并使用2D-CNN 對(duì)圖譜信息進(jìn)行提取，進(jìn)而對(duì)局部放電類型進(jìn)行識(shí)別。該方法流程如圖2所示。

圖2 方法流程Fig.2 The method flowchart

具體步驟如下：

1）對(duì)獲得的超聲數(shù)據(jù)進(jìn)行周期劃分并篩選出有效數(shù)據(jù)，以一個(gè)工頻周期內(nèi)的數(shù)據(jù)為一組數(shù)據(jù)；

2）對(duì)信號(hào)進(jìn)行GST，獲得其時(shí)頻圖像，并將其進(jìn)行灰度化處理，對(duì)數(shù)據(jù)進(jìn)行歸一化，增強(qiáng)模型的泛化能力；

3）生成局部放電超聲信號(hào)時(shí)頻圖像樣本集，并按比例劃分為訓(xùn)練集和測(cè)試集；

4）構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，并在訓(xùn)練集上進(jìn)行模型訓(xùn)練，訓(xùn)練過程中不斷調(diào)整網(wǎng)絡(luò)模型以得到最優(yōu)網(wǎng)絡(luò)模型；

5）模型進(jìn)行訓(xùn)練后，在測(cè)試集上對(duì)模型進(jìn)行測(cè)試，獲得模型對(duì)于各種局部放電類型的識(shí)別效果。

3 效果和分析

3.1 信號(hào)處理

對(duì)采集到的超聲信號(hào)進(jìn)行周期劃分后得到針板放電數(shù)據(jù)2 270 條，柱板放電數(shù)據(jù)1 855 條，球板放電數(shù)據(jù)1 530 條，對(duì)其進(jìn)行幅值篩選，最終得到有效數(shù)據(jù)共1 208 條，以7∶3 的比例劃分訓(xùn)練集和測(cè)試集，各個(gè)放電類型的數(shù)據(jù)分布如表1 所示。

表1 有效數(shù)據(jù)樣本分布Table 1 Distribution of valid data samples 單位：條

為減少數(shù)據(jù)量和處理時(shí)間，在進(jìn)行GST 前，對(duì)信號(hào)進(jìn)行降采樣，將信號(hào)采樣率降至500 kHz，則每組數(shù)據(jù)的長度為10 000。GST 的調(diào)節(jié)因子λ可以對(duì)時(shí)頻圖像的時(shí)頻分辨率進(jìn)行調(diào)整，本文選取λ=0.4，以獲得最優(yōu)的時(shí)頻分辨率。在進(jìn)行GST 時(shí)，僅對(duì)20～120 kHz 進(jìn)行分析，得到不同放電類型的局部放電超聲信號(hào)的變換結(jié)果如圖3 所示。

圖3 不同放電類型超聲信號(hào)的時(shí)頻分布Fig.3 Time frequency distribution of ultrasound signals with different discharge types

由圖3 可以看出，不同放電類型經(jīng)GST 后的時(shí)頻分布存在明顯區(qū)別，時(shí)頻圖像中包含著豐富的細(xì)節(jié)信息，后續(xù)通過卷積神經(jīng)網(wǎng)絡(luò)可以有效地提取關(guān)鍵特征并進(jìn)行放電類型的識(shí)別。

3.2 模型結(jié)構(gòu)與參數(shù)設(shè)置

網(wǎng)絡(luò)模型結(jié)構(gòu)如表2 所示。

表2 模型結(jié)構(gòu)參數(shù)Table 2 Parameters of model structure

首先將輸入尺寸壓縮到200×100 像素，以減少后續(xù)的計(jì)算量。然后輸入連續(xù)通過3 個(gè)卷積池化單元，首先通過大小為5×5 的卷積核提取初級(jí)特征，然后通過兩組大小為3×3 的卷積核進(jìn)一步提取深層特征。在經(jīng)過卷積池化后，特征圖的尺寸不斷降低，通道數(shù)目不斷增加，最后通過兩層全連接層將其展開成一維向量，并通過softmax 函數(shù)進(jìn)行分類。為減小過擬合，在全連接層之后加入dropout 層，丟棄概率設(shè)置為0.2。

除以上超參數(shù)，對(duì)損失函數(shù)、學(xué)習(xí)率和優(yōu)化算法進(jìn)行多次測(cè)試，最終選用損失函數(shù)為交叉熵函數(shù)，學(xué)習(xí)率設(shè)置為0.01，優(yōu)化算法為小批量隨機(jī)梯度下降算法。

3.3 識(shí)別效果分析

本文算法的實(shí)現(xiàn)依靠python 實(shí)現(xiàn)，深度學(xué)習(xí)框架為pytorch，驗(yàn)證本文方法的平臺(tái)為RTX 3090 顯卡。訓(xùn)練過程中損失和準(zhǔn)確率隨迭代次數(shù)的收斂曲線如圖4 所示，可以看出，隨迭代次數(shù)的增加，模型的損失值不斷減小，識(shí)別準(zhǔn)確率不斷上升。在50次迭代后模型已經(jīng)趨于穩(wěn)定，可以達(dá)到較好的效果，在經(jīng)過200 次迭代后，模型基本收斂，損失值降低到0.04 左右，在訓(xùn)練集上的準(zhǔn)確率達(dá)到98%左右。

圖4 訓(xùn)練過程中損失和準(zhǔn)確率的變化曲線Fig.4 The variations of loss and accuracy during training

為進(jìn)一步說明模型在測(cè)試集上的表現(xiàn)，列出測(cè)試集上識(shí)別結(jié)果的混淆矩陣，如表3 所示。

表3 識(shí)別結(jié)果的混淆矩陣Table 3 Confusion matrix of recognition results

由表3 可以看出，測(cè)試集整體的識(shí)別準(zhǔn)確率可以達(dá)到97.8%，其中對(duì)于針板放電的樣本全部識(shí)別正確，對(duì)于柱板放電有2 個(gè)樣本被錯(cuò)誤識(shí)別為球板放電，球板放電的識(shí)別準(zhǔn)確率較低，有1 個(gè)樣本被識(shí)別為針板放電，5 個(gè)樣本被識(shí)別為球板柱板放電?？梢钥闯?，本文方法對(duì)于局部放電類型識(shí)別整體上具有較高的準(zhǔn)確率，能夠有效區(qū)分幾種相似的缺陷類型。

3.4 與其他方法對(duì)比

將本文方法與其他3 種方法進(jìn)行對(duì)比，以驗(yàn)證其在局部放電超聲信號(hào)識(shí)別上的優(yōu)勢(shì)。用于對(duì)比的方法所采用的訓(xùn)練集和測(cè)試集與本文方法一致，以總體識(shí)別準(zhǔn)確率為指標(biāo)評(píng)價(jià)不同方法的效果，識(shí)別準(zhǔn)確率為識(shí)別準(zhǔn)確的樣本數(shù)和總樣本數(shù)的比值，各方法的識(shí)別效果如表4 所示。

表4 不同方法的識(shí)別效果對(duì)比Table 4 Comparison of recognition effects among various methods 單位：%

方法1：對(duì)超聲信號(hào)進(jìn)行小波包變換，提取能量最大的節(jié)點(diǎn)的統(tǒng)計(jì)量作為特征參量［7］，然后采用支持向量機(jī)進(jìn)行識(shí)別。

方法2：對(duì)超聲信號(hào)進(jìn)行GST，對(duì)獲得的時(shí)頻圖像進(jìn)行特征降維，然后采用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別。

方法3：特征圖像生成方法選用短時(shí)傅里葉變換，采用CNN 進(jìn)行圖像識(shí)別［11］。

從表4 中可以看出，本文方法比其他方法具有更高的識(shí)別準(zhǔn)確率，能更有效地利用超聲信號(hào)的內(nèi)在信息對(duì)放電進(jìn)行識(shí)別。方法1 和方法2 分別基于小波包變換和GST 對(duì)超聲信號(hào)進(jìn)行處理，然后用分類器對(duì)提取的特征量進(jìn)行分類識(shí)別，在特征提取步驟會(huì)丟失大量的有效信息，造成識(shí)別準(zhǔn)確率不高，顯著低于深度學(xué)習(xí)方法。方法3 采用短時(shí)傅里葉變換進(jìn)行特征圖的生成，采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，能夠達(dá)到94.8%的準(zhǔn)確率。本文方法采用GST進(jìn)行時(shí)頻變換，具有更高的時(shí)頻分辨率，可以使故障特征在時(shí)頻域中更加突出，識(shí)別準(zhǔn)確率更高。

4 結(jié)論

提出一種GST 和2D-CNN 相結(jié)合的局部放電超聲信號(hào)識(shí)別方法，通過分析和研究，得到以下結(jié)論：

1）采用GST 對(duì)超聲信號(hào)進(jìn)行處理，可以獲得具有高時(shí)頻分辨率的時(shí)頻圖像，能夠很好地區(qū)分不同放電類型，為下一步放電識(shí)別提供優(yōu)秀的樣本。

2）采用2D-CNN 對(duì)獲得的時(shí)頻圖像進(jìn)行處理，能夠更有效地提取局部放電超聲信號(hào)中的有效信息，對(duì)放電類型進(jìn)行準(zhǔn)確識(shí)別，平均識(shí)別準(zhǔn)確率可以達(dá)到97.8%。

3）提出方法相比于機(jī)器學(xué)習(xí)分類方法和其他時(shí)頻圖像生成方法具有更高的識(shí)別準(zhǔn)確率，驗(yàn)證了所提方法在局部放電超聲信號(hào)識(shí)別上的有效性。