周遠翔， 李永印， 陳健寧， 白 正

（1.新疆大學 電氣工程學院 電力系統(tǒng)及大型發(fā)電設(shè)備安全控制和仿真國家重點實驗室風光儲分室，新疆 烏魯木齊 830047；2.清華大學 電機工程與應(yīng)用電子技術(shù)系電力系統(tǒng)及發(fā)電設(shè)備控制和仿真國家重點實驗室，北京 100084）

0 引 言

隨著深遠海風電的持續(xù)開發(fā)，海上換流站面臨氣候惡劣、巡檢不便的問題，對變壓器等電力設(shè)備的安全可靠運行提出了新的挑戰(zhàn)。沿面放電因其發(fā)展速度快、絕緣損傷大，被認為是造成高壓設(shè)備損壞的重要原因之一[1]。不同類型的沿面缺陷劣化機理不同，其對應(yīng)的局部放電特性也不相同，開展變壓器局部放電模式識別對其絕緣狀態(tài)評估及海上風電安全可靠送出具有重要意義[2-3]。

目前國內(nèi)外學者已對單一信息源的局部放電相位（phase-resolved partial discharge，PRPD）圖譜模式識別開展了廣泛的研究，主要包括兩類方法：一類是支持向量機（support vector machine，SVM）和概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）等傳統(tǒng)機器學習方法[4]，此類模式識別方法需要依賴領(lǐng)域內(nèi)的專家經(jīng)驗設(shè)計、處理、提取、組合某一方面或幾方面的統(tǒng)計特征，存在一定的主觀性，無法反映局部放電的全部特征，泛化性能較差，因此難以得到令人滿意的分類效果[5]；另一類是深度學習算法[6-7]和網(wǎng)絡(luò)遷移學習方法[8-9]，該類方法優(yōu)于傳統(tǒng)的參數(shù)統(tǒng)計方法，但由于模型的層數(shù)較深，訓練所需數(shù)據(jù)量較大，一方面容易出現(xiàn)過擬合，另一方面對數(shù)據(jù)存儲要求高，為邊緣側(cè)計算帶來了挑戰(zhàn)。

近年來，隨著人工智能和傳感技術(shù)的發(fā)展，采用信息融合的方法對高壓設(shè)備絕緣缺陷進行模式識別成為未來電力系統(tǒng)智能化運維的發(fā)展趨勢。王滌等[10]和黃亮等[11]分別提取了局部放電不同特征信息并輸入到神經(jīng)網(wǎng)絡(luò)中進行識別，再利用Dempster-Shafer（D-S）證據(jù)理論融合不同分類器的分類結(jié)果，結(jié)果表明融合后的識別準確率高于只提取單類特征分類器的準確率，但其本質(zhì)上還是對同一信息源的利用；艾嘉偉等[12]、耿伊雯等[13]和王磊等[14]等利用不同傳感器進行聯(lián)合診斷，充分綜合了傳統(tǒng)特高頻（ultra-high frequency，UHF）、光電等測量方法的優(yōu)勢，結(jié)果表明多信息融合有利于提高電氣設(shè)備局部放電模式識別的準確率。以上研究選取的缺陷類型主要有氣隙、沿面、懸浮等，而不同類型缺陷的PRPD 圖譜特征具有顯著差異，通過傳統(tǒng)的統(tǒng)計參數(shù)提取方法和簡單的機器學習方法即可達到較高的分類準確率，但是其對同一類型缺陷的細分程度不足，在實際工程中難以根據(jù)測量與分類結(jié)果為缺陷尺寸識別、分級評估及故障定位提供有效指導，且需在現(xiàn)有的在線監(jiān)測系統(tǒng)中部署額外的傳感器。而油中溶解氣體分析（dissolved gas analysis，DGA）作為油紙絕緣局部放電常用的化學檢測法，不受電磁環(huán)境噪聲的影響，利用電檢測法與化學檢測法對缺陷進行融合識別的研究鮮有報道。

本文綜合局部放電常用的電檢測法和化學檢測法的優(yōu)點，引入脈沖電流法和氣相色譜法兩種方法進行融合判別，提出了基于PRPD 圖譜和DGA 數(shù)據(jù)信息融合的油紙絕緣缺陷識別方法。首先搭建局部放電及油中溶解氣體分析試驗平臺，設(shè)計6 種電極模型，模擬變壓器中不同電場不均勻系數(shù)的沿面局部放電典型缺陷，并采集PRPD 圖譜和DGA 數(shù)據(jù)；然后分別使用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）及反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）將兩類信息源的數(shù)據(jù)進行分類；最后利用D-S證據(jù)理論將識別結(jié)果融合，得到最終的缺陷類別，并與PRPD、DGA單一判據(jù)模型及視覺幾何群網(wǎng)絡(luò)（Vgg）、殘差網(wǎng)絡(luò)（ResNet）、密集連接卷積網(wǎng)絡(luò)（DenseNet）等深度卷積融合模型的識別結(jié)果進行對比，驗證本文所提的信息融合模型的有效性。

1 試 驗

1.1 樣品制備

試驗絕緣油樣品選用克拉瑪依KI25X 型絕緣油，其處理流程為：將變壓器油抽入40℃真空濾油機中進行過濾、干燥和除氣，充分去除油中顆粒物、水分等雜質(zhì)，過濾后的變壓器油滿足DL/T 1096—2018 中的相關(guān)規(guī)定，隨后將其裝入經(jīng)無水乙醇、去離子水充分洗凈的干燥燒杯中，并放入真空干燥箱中干燥48 h 以上，采用SF-5 型微量水分測定儀測量水分，確保油中微水含量符合GB/T 7595—2017 的要求。試驗絕緣紙板選用厚度為1 mm 的魏德曼紙板，油浸紙板的制作流程如下：首先將絕緣紙板統(tǒng)一放在溫度為105℃、壓強為100 Pa 的真空干燥箱中干燥48 h；然后在80℃環(huán)境下對絕緣紙板進行真空浸油，充分浸漬后自然冷卻至室溫；最后再轉(zhuǎn)入真空干燥箱中干燥48 h 以上。在進行正式試驗前，對油浸紙板進行理化測試，結(jié)果滿足IEC 60641.2:2004的各項指標要求。

1.2 試驗電極設(shè)計

本文設(shè)計并制作了6 種電極模型，對變壓器中不同電場分布的沿面局部放電缺陷進行模擬，6 種缺陷模型及其電場分布仿真如圖1所示。其中缺陷1為IEC 60243.1:2013推薦的柱板電極放電模型，柱電極的高度和直徑均為25 mm；缺陷2 為球板電極放電模型，球電極直徑為25 mm，其曲率半徑等于球的半徑，即12.5 mm；缺陷1、2對應(yīng)變壓器繞組之間、繞組對鐵心或外殼等稍不均勻電場環(huán)境下的沿面爬電，電場不均勻系數(shù)分別為2.45、2.20；缺陷3、4是曲率半徑分別為4 mm、0.7 mm 的電極模型，對應(yīng)變壓器中的金屬尖端缺陷，電場不均勻系數(shù)分別為2.42、3.72；缺陷5、6 是曲率半徑分別為0.1 mm、0.005 mm 的電極模型，對應(yīng)變壓器繞組塑性形變后產(chǎn)生的鋒利金屬突出物缺陷，電場不均勻系數(shù)分別為9.17、33.2[15-17]。6 種缺陷模型的高壓電極與地電極之間為1 mm 厚的方形油浸紙板，在強垂直電場的作用下，既存在油紙界面上平行分量產(chǎn)生的沿面流注放電，又存在沿電極邊緣垂直分量引起的油隙放電，6 類缺陷電場最大處均位于高壓電極、油浸紙板和油的結(jié)合處。

圖1 6種缺陷模型及其電場分布Fig.1 Six defect models and their electric field distribution

1.3 試驗平臺搭建

1.3.1 局部放電試驗平臺

為獲取6 種缺陷下油紙絕緣局部放電的PRPD圖譜，搭建試驗平臺如圖2 所示，該試驗平臺滿足IEC 60270:2015 的局部放電測試標準[18]。試驗電路包括三部分：電源、試樣回路和信號采集。電源主要包括AFG 3011C 型可編程信號發(fā)生器和Trek model（50 kV/12 mA）型高壓功率放大器，可編程信號發(fā)生器負責產(chǎn)生電壓波形，高壓功率放大器將產(chǎn)生信號按照固定增益1∶5 000 放大后加到樣品上。試樣回路中待測樣品與耦合電容、測量阻抗直接并聯(lián)，測量阻抗與耦合電容串聯(lián)將脈沖電流信號轉(zhuǎn)為電壓信號。信號采集通過MPD600型局部放電測試儀從測量阻抗中采集局部放電信號，并將其傳輸至PC 端進行數(shù)據(jù)分析與處理。數(shù)字示波器用來監(jiān)視高壓功率放大器的出口電壓。試驗回路中所有設(shè)備引線端口做平滑處理，并清空周圍金屬器件。

在每次調(diào)整電路或更換缺陷模型后，需要對空載電路進行工頻升壓測試，保證回路升壓至35 kV時無放電發(fā)生，且測試系統(tǒng)噪聲小于8 pC。在正式試驗前，需要進行預試驗測量6 類缺陷的局部放電起始電壓與擊穿電壓，最后確定6 類缺陷交流試驗電壓有效值分別為：缺陷1：19 kV±0.5 kV；缺陷2：20 kV±0.5 kV；缺陷3：18 kV±0.5 kV；缺陷4：17 kV±0.5 kV；缺陷5：16 kV±0.5 kV；缺陷6：15 kV±0.5 kV。

1.3.2 油中溶解氣體分析試驗平臺

為獲取6類缺陷下油紙絕緣在局部放電過程中的DGA 數(shù)據(jù)，使用GC 2002型氣相色譜儀對油中溶解氣體進行測量，該儀器的靈敏度能充分滿足對油中≤1 μL/L 的H2和≤0.1 μL/L 的C2H2等烴類氣體的檢測需求。每次采集完P(guān)RPD 圖譜后，將試樣靜置20 min[19]，保證產(chǎn)生的氣體充分溶解于變壓器油中，取樣及脫氣方法參照GB/T 7252—2001 的規(guī)定，取油樣的部位在油盒的中部。

2 數(shù)據(jù)預處理

2.1 PRPD圖譜處理

2.1.1 PRPD圖譜樣本擴充

油紙絕緣局部放電是一個間歇性的過程，在試驗過程中，放電較為劇烈時，10 pC 以上放電量的放電頻次可達每秒幾萬次，而放電較為輕微時，放電僅為每秒幾十次。為擴充PRPD 圖譜樣本，使用滑動窗口法[20]對原始數(shù)據(jù)進行剪裁，其過程為：假設(shè)某次試驗共錄制放電數(shù)據(jù)點數(shù)為100N，每張PRPD 圖譜數(shù)據(jù)量為N，需要生成n張圖譜（n＞100）。滑動數(shù)據(jù)剪裁從第一個放電點開始，每N個放電點為一張圖譜，下一張圖譜的起點為上一個數(shù)據(jù)起點加上[99/(n-1)]N個放電點。例如，第一組數(shù)據(jù)為0～N個放電點，第二組數(shù)據(jù)為[99/(n-1)]N～[99/(n-1)+1]N個放電點，以此類推。

2.1.2 圖譜灰度化

將圖譜灰度化一方面是為了降低數(shù)據(jù)量，另一方面是相比于原始PRPD 圖譜，灰度圖具有信息集中、特征更為直觀的優(yōu)點?；叶然蟮腜RPD 圖譜更標準、規(guī)范，便于卷積神經(jīng)網(wǎng)絡(luò)對其進行特征提取。根據(jù)2.1.1 得到的數(shù)據(jù)繪制不同放電次數(shù)的PRPD 灰度圖。由于放電幅值、試驗電壓以及放電間歇性等方面的差異，不同缺陷局部放電的數(shù)據(jù)差距較大。為提高輸入圖譜的規(guī)范性，使模型對不同放電量級的數(shù)據(jù)均進行有效地識別，繪制同一缺陷不同放電次數(shù)的PRPD 圖譜時均以統(tǒng)一值作為圖譜的縱坐標最大值。

按照文獻[21]的方法得到帶參考電壓波形的6類缺陷的PRPD 灰度圖，部分圖譜如圖3 所示。由圖3 可知，圖譜具有典型的相位分布，工頻相位正、負半周上放電幅值都在工頻電壓幅值附近?？傮w上，隨著缺陷電場不均勻系數(shù)的增大，局部放電的幅值逐漸減小，放電也越集中。其中，柱板電極下放電圖譜形狀為兔耳型，且其最大放電量要略高于曲率半徑為12.5 mm 的缺陷模型。5 種不同曲率半徑的缺陷模型圖譜大致為三角形，以電壓峰值為中心展開分布。電極曲率半徑的減小意味著與紙板垂直的縱向電場分量將得到加強，放電更加劇烈，油浸紙板的劣化將更加嚴重，甚至會導致絕緣紙板碳化并擊穿。但是，不同電極結(jié)構(gòu)下局部放電的放電量-相位分布特征相似度較高，圖譜均為對稱山丘狀，在實際工程中難以利用其統(tǒng)計參數(shù)對不同電場不均勻系數(shù)的缺陷進行準確識別和有效預警。

圖3 6種缺陷類型的PRPD灰度圖Fig.3 PRPD grayscale maps of six defect types

2.1.3 噪聲模擬

實際工程中，變壓器所處的電磁環(huán)境復雜，噪聲來源多[22]。變電站常見的噪聲包括設(shè)備剛啟動時的電磁噪聲、變壓器冷卻風機和油泵等運行時引起的機械噪聲等。為使圖譜數(shù)據(jù)符合實際工況，進而提高模型的泛化性能，在數(shù)據(jù)集中間等概率地對PRPD 圖譜人工添加相位固定型噪聲、區(qū)間型噪聲和白噪聲[23]，添加不同噪聲后缺陷2的PRPD灰度圖如圖4所示。

圖4 添加不同噪聲后缺陷2的PRPD灰度圖Fig.4 PRPD grayscale map of defect 2 with different noise

2.2 DGA數(shù)據(jù)處理

2.2.1 DGA數(shù)據(jù)分析

變壓器油中含有約3 000 種化學成分，這些化合物按照其結(jié)構(gòu)可分為環(huán)烷烴、鏈烷烴和芳香烴3類[24]，這些烴類化合物在電、熱條件下會發(fā)生分解。對于油中溶解氣體的分析，國內(nèi)外學者建立了Doernenberg比值、IEC 比值、Rogers比值等氣體比值故障診斷方法[25]，這些傳統(tǒng)方法使用不同的氣體比值作為診斷依據(jù)，在實際工程中得到廣泛應(yīng)用，但目前只能區(qū)分高能放電、低能放電、過熱等故障，對缺陷的類型及故障嚴重程度無法準確評估。

不同氣體比值豐富了缺陷特征的篩選范圍，但也增加了特征之間的冗余性[26]，所以本文選擇5 種差異性較大的氣體比值作為樣本特征，6 種缺陷放電后其中一次采樣的數(shù)據(jù)如表1 所示，其中總烴（TCH）為CH4、C2H2、C2H4、C2H6含量之和，D 為CH4、C2H2、C2H4含量之和。

表1 6種缺陷模型的一組氣體比值Tab.1 A set of gases ratio of six defect models

由表1 可知，除柱板電極（缺陷1）外，隨著缺陷曲率半徑的減小，5 種缺陷的氣體比值都呈單調(diào)變化；曲率半徑的減小意味著垂直紙板方向的放電加強，沿油紙界面上的流注放電將減弱，電場畸變更加嚴重，會加劇C-C 鍵、C-H 鍵斷裂，促進變壓器油分解為H2、CH4、C2H2等小分子，分解速度與分子量成反比，故C2H2/H2、C2H4/CH4的比值逐漸減小，而H2/TCH、CH4/TCH、CH4/D 的比值逐漸增大。柱板電極缺陷的產(chǎn)氣特點與5種不同曲率半徑的缺陷模型略有差別，特征氣體為H2和C2H2。綜上，不同電場不均勻系數(shù)的缺陷在放電時產(chǎn)氣特性具有一定差異，可作為電檢測法的補充，提高缺陷模式識別的準確率。

2.2.2 DGA數(shù)據(jù)樣本擴充

為使不同缺陷下測得的DGA 樣本量與PRPD圖譜相匹配，提高樣本的多樣性，避免模型過擬合，需要對DGA 數(shù)據(jù)進行樣本擴充。本文采用合成少數(shù)類過采樣技術(shù)（synthetic minority over-sampling technique，SMOTE）[27]將DGA 樣 本 量 擴 充 到 與PRPD 圖譜一致。合成少數(shù)類過采樣技術(shù)是在鄰近的少數(shù)類樣本之間進行隨機線性插值合成新的少數(shù)類樣本，從而實現(xiàn)不平衡數(shù)據(jù)集的均衡化。設(shè)樣本集中少數(shù)類樣本的集合為X={x1，x2，…，xn}，其中xn表示第n個少數(shù)類樣本的特征向量。具體步驟如下：

（1）對于DGA 數(shù)據(jù)中的每一個樣本xn，以歐氏距離為標準計算它到同一類數(shù)據(jù)所有樣本的距離，得到其k個近鄰樣本。

（2）隨機選取這k個近鄰樣本中的l個樣本（l＜k），l的大小由采樣比例決定。

（3）對于每一個隨機選出的近鄰樣本xm，分別與原數(shù)據(jù)按照式（1）中隨機線性插值的方法合成新樣本。

式（1）中：xnew為新的少數(shù)類樣本；δ為一個處于0～1之間的隨機數(shù)。

3 模型搭建

3.1 神經(jīng)網(wǎng)絡(luò)搭建

本文采用二維卷積神經(jīng)網(wǎng)絡(luò)[28]對PRPD 圖譜進行模式識別，其基本結(jié)構(gòu)包括：輸入層、卷積層、池化層、全連接層和輸出層。卷積層將灰度化后的PRPD 圖譜進行特征信息提取并形成新的特征子圖，其卷積核本質(zhì)是一種過濾器，用于獲取圖片的紋理、邊沿等特征。池化層又被稱為下采樣層，作用是降低輸出參數(shù)量，用更高層次的特征表示圖像。全連接層作為分類器，接收經(jīng)卷積及池化后提取的特征，通過參數(shù)學習將其映射到樣本標記空間，最后經(jīng)Softmax層將輸出映射為6類缺陷的概率分布。本文搭建的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示，其中包含1 個輸入層，2 個卷積池化層、3 個全連接層和1個輸出層。

圖5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 The structure of convolutional neural network

使用反向傳播神經(jīng)網(wǎng)絡(luò)[29]對DGA 數(shù)據(jù)進行模式識別，該網(wǎng)絡(luò)主要由輸入層、隱含層、輸出層構(gòu)成，輸入層輸入的是2.2節(jié)得到的5種氣體比值構(gòu)成的特征向量，隱含層用于學習輸入特征至輸出向量的非線性映射關(guān)系，輸出層經(jīng)Softmax 激活函數(shù)將輸出向量映射成6類缺陷的概率分布。

3.2 D-S證據(jù)理論

D-S 證據(jù)理論最早應(yīng)用于專家系統(tǒng)中，是一種處理不確定信息的理論，主要由概率分配函數(shù)、置信函數(shù)、似然函數(shù)等構(gòu)成[30]。本文利用D-S 證據(jù)理論將PRPD 圖譜和DGA 數(shù)據(jù)的識別結(jié)果進行融合，結(jié)合多種測量手段聯(lián)合識別的優(yōu)勢，從而實現(xiàn)比單一信息源更為準確的分類效果。具體融合步驟如下：

（1）建立辨識框架

D-S 證據(jù)理論中，由多個互斥命題組成的全部集合稱為辨識框架。對于本文的模式識別問題，識別框架Ф為6 種缺陷類型，分別用A1、A2、A3、A4、A5、A6表示，如式（2）所示，不確定度為θ。

（2）設(shè)置基本概率分配（BPA）

識別框架Ф的冪集構(gòu)成命題集合Ψ=2Ф={?（空集）,{A1},{A2},…,{A6},{A1∪A2},…,Ф}，?A?Ψ，若函數(shù)m滿足式（3）條件，則m被稱為基本概率分配（basic probability assignment，BPA），則m(A)是命題A的基本概率數(shù)，即支持A發(fā)生的概率。

本文以脈沖電流法和氣相色譜法測得的數(shù)據(jù)經(jīng)模式識別后的輸出值作為2 個獨立的證據(jù)，將其轉(zhuǎn)換為滿足D-S證據(jù)理論的BPA。識別框架上不同檢測方法的識別結(jié)果BPA 計算過程如式（4）～（5）所示。

式（4）～（5）中：mi(Aj)為第i個證據(jù)中第j個類別的BPA；μij表示第i個證據(jù)輸出第j類缺陷的隸屬度，在本文中為第i個信息源分類模型經(jīng)Softmax 輸出的概率值；αi為第i個證據(jù)源的可靠系數(shù)，在本文中為第i個信息源分類模型的識別準確率；mi(θ)表示第i個證據(jù)不確定度的BPA的大小。

（3）證據(jù)合成

證據(jù)合成實際上是多個證據(jù)作正交運算，對于PRPD 圖譜及DGA 數(shù)據(jù)的BPA 合成計算方法如式（6）所示。

式（6）中，K為歸一化因子。通過式（6）合成PRPD圖譜及DGA 數(shù)據(jù)的BPA，輸出結(jié)果即為PRPD 圖譜和DGA數(shù)據(jù)信息融合得到的結(jié)論。

（4）決策

由步驟（3）計算D-S 證據(jù)融合后的所有BPA值，通過以下3個規(guī)則判斷其缺陷類型：

為其輸出BPA 的最大值，即規(guī)則I 將最大值的BPA作為輸出。

規(guī) 則II：m(Amax1)＞m(θ)，規(guī) 則II 說 明 最 大 的BPA值需大于不確定度θ的BPA值。

規(guī)則III：m(Amax1)-m(Amax2)＞ε，m(Amax2)為融合后BPA 的次大值，ε為閾值，本文取ε=0.4。規(guī)則III 說明只有兩類識別方法融合后的BPA 差異足夠大時才將其輸出。

為避免D-S證據(jù)組合規(guī)則在處理高度沖突或完全沖突的證據(jù)時產(chǎn)生與常理相悖的結(jié)果，若出現(xiàn)不能同時滿足規(guī)則I、II、III 的情況時，仍將PRPD 圖譜的BPA 作為輸出，具體基于信息融合的局部放電模式識別算法流程如圖6所示。

圖6 PRPD和DGA信息融合流程圖Fig.6 The flow chart for information fusion of PRPD and DGA

3.3 網(wǎng)絡(luò)訓練

由試驗獲取6類缺陷的PRPD圖譜和DGA數(shù)據(jù)經(jīng)預處理后，每類缺陷得到2 700 張PRPD 圖譜和2 700條DGA數(shù)據(jù)，其中80%數(shù)據(jù)用于訓練，20%數(shù)據(jù)用于測試。

在服務(wù)器中搭建相應(yīng)的神經(jīng)網(wǎng)絡(luò)進行模型訓練和測試。在卷積神經(jīng)網(wǎng)絡(luò)訓練過程中，使用交叉熵作為損失函數(shù)評估訓練誤差，采用隨機梯度下降法對參數(shù)進行更新，訓練次數(shù)為240 次。每次迭代遍歷訓練集中所有圖片，每個訓練周期進行60次迭代，共進行4 個周期。初始學習率設(shè)置為0.001，每經(jīng)過一個周期下降50%。在反向傳播神經(jīng)網(wǎng)絡(luò)訓練過程中，中間隱含層的神經(jīng)元激活函數(shù)設(shè)置為tanh，學習步長為0.001，迭代次數(shù)也為240次。本文采用的深度學習框架為Pytorch，編程語言為Python3.9。

4 結(jié)果與討論

4.1 基于單一信息源的缺陷識別

4.1.1 基于PRPD圖譜的缺陷識別

對于PRPD 圖譜單一信息源的缺陷識別，為提高模型性能，需要對卷積池化層數(shù)、全連接層數(shù)和輸入維度等參數(shù)進行尋優(yōu)。

首先，分別建立卷積池化層數(shù)為1、2、3、4，全連接層數(shù)固定為1 的卷積神經(jīng)網(wǎng)絡(luò)，研究不同卷積池化層數(shù)對卷積神經(jīng)網(wǎng)絡(luò)識別準確率的影響，結(jié)果如圖7 所示。由圖7 可知，隨著卷積池化層數(shù)的增加，模型的識別準確率呈現(xiàn)先上升后下降的趨勢；其中，以2 層的卷積神經(jīng)網(wǎng)絡(luò)表現(xiàn)最佳。當卷積池化僅有1 層時，網(wǎng)絡(luò)參數(shù)規(guī)模較小，難以擬合PRPD 圖譜的深層特征；當卷積池化層數(shù)高于2層時，模型識別的過程中出現(xiàn)了過擬合現(xiàn)象，識別準確率出現(xiàn)下降的趨勢。

圖7 不同卷積池化層數(shù)對卷積神經(jīng)網(wǎng)絡(luò)識別準確率的影響Fig.7 Effect of different of convolution pooling layers on the recognition accuracy of convolutional neural network

保持2 層卷積池化層不變，建立全連接層數(shù)分別為1、2、3、4 的卷積神經(jīng)網(wǎng)絡(luò)，研究不同全連接層數(shù)對卷積神經(jīng)網(wǎng)絡(luò)識別準確率的影響，結(jié)果如圖8所示。由圖8 可知，全連接層為3 時，卷積神經(jīng)網(wǎng)絡(luò)的識別準確率最高。隨著全連接層數(shù)的增加，訓練后期的識別準確率趨于穩(wěn)定。因此，后文統(tǒng)一采用卷積池化層為2 層、全連接層為3 層的卷積神經(jīng)網(wǎng)絡(luò)作為PRPD 圖譜的分類模型。其中，第1 個卷積層共有4個卷積核，第2個卷積層共有16個卷積核，卷積核大小均為3×3；2 個池化層均采用最大值池化；3個全連接層的單元數(shù)分別為96、24、6。

選取輸入分辨率分別為8×8、16×16、32×32、64×64 的PRPD 圖譜對卷積神經(jīng)網(wǎng)絡(luò)進行訓練與測試，得到不同輸入維度下識別準確率隨迭代次數(shù)的變化如圖9所示。由圖9可知，輸入維度為32×32、64×64時，PRPD 圖譜信息得到較好的保留，識別準確率達到98.2%以上。當輸入維度為8×8時，PRPD 圖譜在壓縮過程中信息損失較大，模型難以對圖譜進行準確的特征提取。隨著圖譜分辨率增加，識別準確率有一定提升，但同時模型訓練與測試所需的存儲設(shè)備和計算資源要求也會成平方級地增加。因此，提高局部放電模式識別準確率、降低PRPD 圖譜存儲分辨率對提高電力系統(tǒng)的運行可靠性、降低運維成本具有重要意義。

圖9 不同輸入維度對卷積神經(jīng)網(wǎng)絡(luò)識別準確率的影響Fig.9 Effect of different input dimensions on the recognition accuracy of convolutional neural network

4.1.2 基于DGA特征向量的缺陷識別

分別建立隱含層為1、2、3 的反向傳播神經(jīng)網(wǎng)絡(luò)，研究隱含層數(shù)對DGA 數(shù)據(jù)識別準確率的影響，網(wǎng)絡(luò)各層神經(jīng)元數(shù)量如表2 所示，識別結(jié)果如圖10所示。

表2 不同隱含層數(shù)的反向傳播神經(jīng)網(wǎng)絡(luò)參數(shù)配置Tab.2 Parameter configuration of BPNN with different hidden layers

圖10 不同隱含層數(shù)對反向傳播神經(jīng)網(wǎng)絡(luò)識別準確率的影響Fig.10 Effect of different hidden layers on the recognition accuracy of BPNN

由圖10 可知，三個網(wǎng)絡(luò)的識別準確率介于82.35%～83.33%之間，其中N2 網(wǎng)絡(luò)表現(xiàn)最優(yōu)。由于N1 的隱含層數(shù)只有1 層，神經(jīng)元個數(shù)少，模型非線性程度低，無法對樣本空間中不同缺陷類別數(shù)據(jù)進行有效區(qū)分，因此經(jīng)過240 次迭代后其識別準確率波動仍然較為明顯；而N3 網(wǎng)絡(luò)參數(shù)規(guī)模較大，在本數(shù)據(jù)集中時較N2 更易出現(xiàn)過擬合，模型識別準確率較低。因此，后文統(tǒng)一采用隱含層數(shù)為2 層的反向傳播神經(jīng)網(wǎng)絡(luò)作為DGA特征向量的分類模型。

4.2 基于PRPD-DGA信息融合的缺陷識別

由上文可知，在低輸入維度下，基于PRPD 圖譜或DGA特征向量單一信息源的缺陷識別誤診率高，難以滿足人工智能與傳感技術(shù)日益發(fā)展的背景下電力系統(tǒng)對設(shè)備運行可靠性的要求，因此本文提出一種基于PRPD 圖譜和DGA 數(shù)據(jù)信息融合的CNNBPNN 模型，兩種模式識別方法融合可實現(xiàn)油紙絕緣沿面放電典型缺陷的電檢測法與化學檢測法的優(yōu)勢互補。

4.2.1 基于PRPD-DGA融合模型的糾錯機制

在PRPD 圖譜輸入維度為32×32 并融合DGA特征向量的條件下，選擇一組缺陷2 的D-S 證據(jù)融合前后的BPA 來說明所構(gòu)建模型的糾錯機制。通過D-S 證據(jù)理論融合前后的概率計算結(jié)果如表3 所示。由表3 可知，根據(jù)DGA 單一判據(jù)的分類結(jié)果是正確的，而根據(jù)PRPD 圖譜單一判據(jù)的分類結(jié)果出現(xiàn)錯誤。根據(jù)PRPD 圖譜單一判據(jù)模型被判為缺陷3 的概率最大，為0.445 0，且判為缺陷2 的概率也較大，為0.379 5。而根據(jù)DGA 單一判據(jù)模型的識別結(jié)果判為缺陷2 的概率最大，此時兩種分類模型識別結(jié)果出現(xiàn)了分歧。通過D-S 證據(jù)融合后，判為缺陷2 的概率最大，為0.714 1，判為缺陷3 的概率為0.190 6，輸出結(jié)果滿足決策的3個判決規(guī)則，同時不確定度降低至0.010 3。由此可知，當PRPD 圖譜單一判據(jù)模型在缺陷識別中出現(xiàn)誤判時，加入DGA數(shù)據(jù)進行聯(lián)合診斷能糾正基于PRPD 圖譜單一判據(jù)模型的錯誤，同時提高了信息融合模型的識別準確率和識別結(jié)果的置信程度。

表3 一組缺陷2的D-S證據(jù)融合前后的BPATab.3 A set of BPA of defect 2 before and after D-S evidence fusion

4.2.2 不同PRPD圖譜輸入維度的影響

為對比本文的信息融合方法在PRPD 圖譜不同輸入維度下6 類缺陷識別準確率的提升效果，將PRPD 圖譜在不同輸入維度下的識別結(jié)果分別與DGA 識別結(jié)果融合，不同PRPD 圖譜輸入維度下三種基于不同判據(jù)的模型識別準確率如圖11 所示。由圖11 可知，D-S 證據(jù)理論較好地融合了PRPD 判據(jù)和DGA 判據(jù)的優(yōu)勢，在不同PRPD 圖譜輸入維度下，6 類缺陷的識別準確率均有不同程度的提升。當PRPD 圖譜輸入維度分別為8×8、16×16、32×32時，融入DGA 特征向量的CNN-BPNN 模型識別準確率為93.21%、97.53%、99.17%，較PRPD 圖譜單一判據(jù)的模型識別準確率分別提升了4.81%、2.78%、0.84%，同時節(jié)約了計算資源和存儲空間，有利于在實際工程中應(yīng)用。

圖11 不同PRPD圖譜輸入維度下三種不同判據(jù)模型的識別準確率對比Fig.11 Comparison on recognition accuracy of three different criterion models under different input dimensions of PRPD spectrum

4.2.3 不同神經(jīng)網(wǎng)絡(luò)融合模型的影響

為驗證本文所提CNN-BPNN模型的優(yōu)越性，將Vgg16、ResNet18、DenseNet121 等深度卷積神經(jīng)網(wǎng)絡(luò)對PRPD 圖譜分類后，與DGA 特征向量識別結(jié)果進行D-S 證據(jù)融合，不同神經(jīng)網(wǎng)絡(luò)融合模型的識別準確率及模型大小如表4 所示。由表4 可知，CNNBPNN 模型的識別準確率較Vgg16-BPNN、ResNet18-BPNN、Dense Net121-BPNN 等深度卷積神經(jīng)網(wǎng)絡(luò)融合模型分別提高了0.16%、0.87%、0.99%。由于6 種缺陷的二維PRPD 圖譜具有一定規(guī)律性，特征較為顯著，參數(shù)過多、結(jié)構(gòu)復雜的深度卷積神經(jīng)網(wǎng)絡(luò)在訓練過程中易出現(xiàn)過擬合，Vgg16-BPNN 等深度卷積網(wǎng)絡(luò)融合模型表現(xiàn)略遜于參數(shù)較少的CNN-BPNN 模型。此外，CNN-BPNN 模型更輕量，文件大小僅為0.69 MB，較深度卷積融合模型至少節(jié)約40倍的內(nèi)存空間。

表4 不同神經(jīng)網(wǎng)絡(luò)融合模型的識別準確率Tab.4 The recognition accuracy of different neural network fusion models

5 結(jié) 論

（1）當PRPD 圖譜或DGA 特征向量的單一判據(jù)模型識別結(jié)果出現(xiàn)誤判時，基于D-S 證據(jù)理論的PRPD-DGA 信息融合方法可有效糾正錯誤輸出，降低分類結(jié)果的不確定度，進而增強了缺陷識別結(jié)果的置信程度。

（2）CNN-BPNN 模型可有效融合局部放電的電氣物理信息和化學產(chǎn)物信息，當PRPD 圖譜輸入維度為8×8、16×16、32×32時，融入DGA特征向量的模型識別準確率分別為93.21%、97.53%、99.17%，較基于PRPD 圖譜單一判據(jù)的模型識別準確率分別提升了4.81%、2.78%、0.84%，既提高了缺陷識別準確率，又降低了數(shù)據(jù)存儲要求。

（3）CNN-BPNN 模型較Vgg16-BPNN、ResNet 18-BPNN、DenseNet121-BPNN 等深度卷積神經(jīng)網(wǎng)絡(luò)融合模型識別準確率分別提高了0.16%、0.87%、0.99%，且網(wǎng)絡(luò)參數(shù)大幅減少，抑制了模型的過擬合，并降低了模型的存儲占用空間，更利于在電力系統(tǒng)智能化運維中應(yīng)用。