國(guó)網(wǎng)棗莊供電公司 陳培陽(yáng) 張 賽 馬運(yùn)保

近年來(lái)，人工智能的發(fā)展為電纜早期狀態(tài)的辨識(shí)提供了新的方法[1-2]?；谌斯ぶ悄芩枷氲碾娎|狀態(tài)辨識(shí)的研究，都是先獲取統(tǒng)計(jì)特征作為輸入，然后通過(guò)深度學(xué)習(xí)框架實(shí)現(xiàn)辨識(shí)工作[3]。本文不使用統(tǒng)計(jì)特征，而是直接對(duì)首端護(hù)層電流進(jìn)行經(jīng)驗(yàn)小波變換[4]，利用信號(hào)分解的多分量曲線構(gòu)建早期特征狀態(tài)組合圖表達(dá)；然后依據(jù)組合圖特點(diǎn)構(gòu)建7層深度卷積神經(jīng)網(wǎng)絡(luò)（CNN），再通過(guò)自適應(yīng)學(xué)習(xí)率的優(yōu)化算法（Adam）進(jìn)行有監(jiān)督學(xué)習(xí)下的模型訓(xùn)練，得到電纜早期狀態(tài)辨識(shí)模型；最后進(jìn)行了電纜4種狀態(tài)類(lèi)型的仿真獲取大量樣本數(shù)據(jù)，利用所提方法進(jìn)行電纜早期狀態(tài)的辨識(shí)。

1 組合圖辨識(shí)矩陣構(gòu)建

1.1 經(jīng)驗(yàn)小波變換

1.1.1 經(jīng)驗(yàn)小波基

假設(shè)信號(hào)由N 個(gè)AM-FM 單分量成分組成，即將單分量成分全部提取出來(lái)需把Fourier 頻譜范圍[0,∞]劃分為N 個(gè)區(qū)間，所需邊界數(shù)為N+1。除去頻譜自身邊界0和∞，有N-1個(gè)邊界待確定。定義為區(qū)間邊界，取信號(hào)傅里葉譜相鄰兩個(gè)極大值點(diǎn)之間的中點(diǎn)，則有如下關(guān)系：

經(jīng)驗(yàn)小波為定義在區(qū)間上的帶通濾波器，根據(jù)Meyer 小波的構(gòu)造思想，經(jīng)驗(yàn)尺度函數(shù)和經(jīng)驗(yàn)小波函數(shù)分別如下所示：

其中，為在[0,1]區(qū)間滿(mǎn)足K 階導(dǎo)任意函數(shù)，為一參數(shù)。和可表示為：

1.1.2 經(jīng)驗(yàn)小波變換AM-FM 分量

經(jīng)驗(yàn)小波變換的細(xì)節(jié)系數(shù)和近似系數(shù)由內(nèi)積計(jì)算得到，如下式所示：

其中，和分別為和的Fourier 變換函數(shù)，和分別為和的復(fù)共軛函數(shù)，＜ , ＞為內(nèi)積計(jì)算。

信號(hào)的重構(gòu)表達(dá)式可表示為：

信號(hào)經(jīng)EWT 分解得到的AM-FM 單分量成分為（j=0,k; k=1,2,3,）

1.2 組合圖辨識(shí)矩陣

本文研究對(duì)象為采用雙端接地方式的10kV 電纜，會(huì)有電纜護(hù)層環(huán)流的產(chǎn)生。護(hù)層電流的變化能夠反映電纜狀態(tài)的變化，且護(hù)層電流幅值的數(shù)量級(jí)比較小，更容易獲取到狀態(tài)特征。于是本文選取首端護(hù)層電流作為研究信號(hào)。利用1.1節(jié)的經(jīng)驗(yàn)小波變換對(duì)首端護(hù)層電流進(jìn)行分解，獲得多個(gè)AM-FM 分量，然后將這些分量曲線按照的順序，由上至下組合在一起形成二維圖，以此作為電纜狀態(tài)辨識(shí)的原始輸入。其中，m 為信號(hào)EWT分解的AM-FM 分量個(gè)數(shù)。圖1給出了電纜護(hù)層電流暫態(tài)原始信號(hào)和EWT 分解的6分量組合圖。

圖1 護(hù)層電流原始信號(hào)與EWT 分解信號(hào)組合圖

根據(jù)護(hù)層電流EWT 分解信號(hào)的組合圖，電纜狀態(tài)辨識(shí)矩陣可表示如下式所示：

其中，n 為時(shí)間窗口內(nèi)信號(hào)長(zhǎng)度，m 為EWT分解信號(hào)數(shù)量，為第m 個(gè)信號(hào)分量的第n 個(gè)采樣點(diǎn)的幅值。

2 深度卷積神經(jīng)網(wǎng)絡(luò)

依據(jù)構(gòu)建狀態(tài)辨識(shí)特征矩陣的尺寸特點(diǎn)，本節(jié)構(gòu)建7層深度卷積神經(jīng)網(wǎng)絡(luò)框架，其中包括輸入層、2對(duì)卷積池化層、全連接層和輸出層，其結(jié)構(gòu)如圖2所示。

圖2 7層深度卷積神經(jīng)網(wǎng)絡(luò)框架

其中，輸入為的狀態(tài)辨識(shí)特征矩陣，輸出為類(lèi)電纜狀態(tài)。輸入層到卷積層1用的是9個(gè)尺寸為的濾波器（卷積核），卷積層1到池化層，采用最大池化方式，濾波器尺寸為。池化層1到卷積層2采用18個(gè)尺寸為的濾波器，卷積層2到池化層2的最大池化濾波器為。激活函數(shù)采用的是修正線性單元ReLU：

為了防止深度卷積神經(jīng)網(wǎng)絡(luò)過(guò)擬合，模型訓(xùn)練階段，全連接層采用dropout 方式，dropout 取值為0.25。

3 電纜狀態(tài)辨識(shí)方法

表1 辨識(shí)試驗(yàn)結(jié)果

首先獲得首端護(hù)層電流，選擇合適時(shí)間窗口截取首端護(hù)層電流暫態(tài)信號(hào)；然后利用EWT 對(duì)截取的暫態(tài)信號(hào)進(jìn)行分解，得到多個(gè)AM-FM 分量，再將這些分量曲線依序組合形成二維圖，依據(jù)組合圖構(gòu)建得到電纜早期狀態(tài)識(shí)別特征矩陣X。將全部狀態(tài)識(shí)別特征做歸一化處理，使其處于[0,1]之間。采用熱編碼的方法給每個(gè)樣本增加狀態(tài)標(biāo)簽，將所有樣本分成4類(lèi)：1000，0100，0010，0001。然后把樣本分成訓(xùn)練樣本與測(cè)試樣本，訓(xùn)練樣本占總樣本的80%，測(cè)試樣本占20%。然后將訓(xùn)練樣本放入構(gòu)建好的7層深度卷積神經(jīng)網(wǎng)絡(luò)中，利用自適應(yīng)學(xué)習(xí)率的優(yōu)化算法（Adam）進(jìn)行有監(jiān)督學(xué)習(xí)下的模型訓(xùn)練。模型訓(xùn)練完成后，再把測(cè)試樣本放入訓(xùn)練好的模型中進(jìn)行狀態(tài)分類(lèi)，統(tǒng)計(jì)辨識(shí)結(jié)果的正確率，完成電纜早期狀態(tài)辨識(shí)。

4 案例分析

4.1 仿真實(shí)驗(yàn)與數(shù)據(jù)構(gòu)造

4.1.1 仿真實(shí)驗(yàn)

在PSCAD/EMTDC 仿真軟件中搭建10kV 無(wú)支路電纜系統(tǒng)模型，通過(guò)該模型進(jìn)行電纜早期不同類(lèi)型狀態(tài)的試驗(yàn)，從而獲取樣本數(shù)據(jù)，模型如圖3所示。電纜長(zhǎng)度為1km，接地方式為兩端接地，仿真實(shí)驗(yàn)的采樣頻率設(shè)為100kHz。

圖3 10kV 無(wú)支路電纜系統(tǒng)模型圖

該模型對(duì)以下情況進(jìn)行了仿真實(shí)驗(yàn)：電纜絕緣包皮因機(jī)械應(yīng)力或受熱受潮后，某處破損造成的護(hù)層接地；電纜某一點(diǎn)絕緣發(fā)生劣化，護(hù)層與導(dǎo)芯之間絕緣水平降低；情況繼續(xù)發(fā)展，護(hù)層發(fā)生接地；負(fù)荷變化的擾動(dòng)。

4.1.2 樣本數(shù)據(jù)構(gòu)造

本文利用的是電纜首端護(hù)層電流的突變信號(hào)信息來(lái)對(duì)電纜不同狀態(tài)進(jìn)行辨識(shí)，根據(jù)計(jì)算，負(fù)荷突變的暫態(tài)時(shí)間約為3ms，護(hù)層接地的突變暫態(tài)過(guò)程是2ms，電纜某一點(diǎn)絕緣發(fā)生劣化的突變暫態(tài)過(guò)程為2ms，絕緣水平降低后護(hù)層接地的突變暫態(tài)過(guò)程是3ms，所以本文時(shí)間窗的選擇為突變時(shí)刻前1ms 與突變時(shí)刻后3ms，4ms 的持續(xù)時(shí)間，共計(jì)401個(gè)樣本點(diǎn)。

應(yīng)用1.1節(jié)中的經(jīng)驗(yàn)小波變換對(duì)截取的4種暫態(tài)信號(hào)進(jìn)行6分量分解，利用6分量曲線形成組合圖構(gòu)建數(shù)據(jù)樣本，共獲得7037個(gè)樣本，其中80%的數(shù)據(jù)作為訓(xùn)練樣本，20%的數(shù)據(jù)作為測(cè)試樣本。

4.2 試驗(yàn)結(jié)果分析

改變迭代次數(shù)，每一迭代次數(shù)下進(jìn)行8次試驗(yàn)，記錄每次試驗(yàn)的識(shí)別準(zhǔn)確率，給出不同迭代次數(shù)下的每次模型完成狀態(tài)辨識(shí)的平均識(shí)別準(zhǔn)確率，結(jié)果見(jiàn)表2。

在迭代次數(shù)達(dá)到3000時(shí)，每次辨識(shí)試驗(yàn)的辨識(shí)準(zhǔn)確率基本趨于穩(wěn)定，模型的平均辨識(shí)準(zhǔn)確率可達(dá)99.5400%，與2000次迭代的辨識(shí)準(zhǔn)確率相比，提高了0.12%。繼續(xù)增加迭代次數(shù)至5000次，平均辨識(shí)準(zhǔn)確率為99.5413%，僅增加了0.0013%，說(shuō)明模型辨識(shí)準(zhǔn)確率不會(huì)繼續(xù)隨著迭代次數(shù)的增加而提高，其已經(jīng)達(dá)到一個(gè)穩(wěn)定值。

5 結(jié)論

本文提出了一種基于組合圖的10kV 電纜早期狀態(tài)CNN 識(shí)別方法，利用經(jīng)驗(yàn)小波變換對(duì)電纜首端護(hù)層電流進(jìn)行分解，利用得到的多個(gè)AM-FM 分量組合形成二維圖作為原始輸入，而不使用統(tǒng)計(jì)特征，避免了因統(tǒng)計(jì)特征選擇不恰當(dāng)而造成辨識(shí)準(zhǔn)確率不高的問(wèn)題。通過(guò)構(gòu)建的7層深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)電纜狀態(tài)進(jìn)行有效辨識(shí)，辨識(shí)試驗(yàn)表明，所提方法有很高的辨識(shí)準(zhǔn)確率，可達(dá)99.54%。