少样本条件下的电缆局部放电模式识别_岳云飞.pdf

第 22卷 第 2期2023年 2月Vol.22 No.2Feb.2023软 件 导 刊Software Guide少样本条件下的电缆局部放电模式识别岳云飞1，孙抗1，2（1.河南理工大学 电气工程与自动化学院；2.河南省煤矿装备智能检测与控制重点实验室，河南 焦作 454003）摘要：针对电缆局部放电灰度图数目过少，难以训练基于大规模数据集的深度残差网络模型的问题，从数据增广与模型简化两方面入手，提出一种基于少样本的电缆局部放电模式识别方法。选择深度卷积生成对抗网络（DCGAN）对局部放电灰度图进行扩充，构造基于盒维数的生成样本评价指标以验证生成样本的有效性；对比分析残差模块、网络深度对深度残差网络（ResNet）分类性能的影响，在此基础上提出一种简化的残差网络模型来匹配小规模局部放电数据集。经实验测试，简化后的残差网络模型平均迭代时间为7.3s，识别准确率达98.5%。与直接使用少量样本训练深度残差网络的方法相比，所提方法具有较快的模型训练速度与较高的识别精度。关键词：生成对抗网络；残差网络；局部放电；模式识别；深度学习DOI：10.11907/rjdk.221354开 放 科 学（资 源 服 务）标 识 码（OSID）：中图分类号：TP391.4 文献标识码：A文章编号：1672-7800（2023）002-0060-07Partial Discharge Pattern Recognition for Cables Under Few Samples ConditionYUE Yun-fei1，SUN Kang1，2（1.School of Electrical Engineering and Automation，Henan Polytechnic University；2.Henan Key Laboratory of Intelligent Detection and Control of Coal Mine Equipment，Jiaozuo 454003，China）Abstract：Aiming at the problem that the number of partial discharge gray-scale images for power cables is small，and it is difficult to train deep residual network model based on large-scale data sets.A method of partial discharge pattern recognition for cables under few samples condition is proposed.The method uses the idea of combining expanded samples with simplified model.A data augmentation method based on deep convolutional generative adversarial network is proposed for the partial discharge grayscale image.In order to verify the effectiveness of the generated samples，an evaluation index of the generated samples based on the box dimension is proposed.The effects of residual modules and network depth on the classification performance of residual networks are compared.A simplified residual network model is proposed to match the small-scale partial discharge data set.The simplified residual network model is tested by experiments.The average iteration time of the network model is 7.3s，and the recognition accuracy rate reaches 98.5%.Compared with the method of directly using few samples to train the deep residual network，the proposed method has faster model training speed and higher recognition accuracy.Key Words：generative adversarial network；residual network；partial discharge；pattern recognition；deep learning0 引言电缆是配电网及大规模清洁能源接入的关键基础设备，其可靠性关系到电力系统的安全稳定运行。我国日益增长的对更清洁、更低碳的绿色电网的需求使电缆在电力系统中扮演着愈发重要的角色。局部放电是电缆绝缘劣化的重要表征，对于不同类型的绝缘缺陷，其局部放电的表征也有所区别1。通过识别局部放电模式，获知电缆绝缘缺陷类型，可为评估电缆绝缘缺陷风险，逐步实现状态检修提供可靠依据2。随着电力大数据时代的到来，深度学习将在电力行业具有广阔的应用前景3。由于电缆运行时故障发生频率较低，且故障案例与异常样本信息存在缺失、不完善等问题，现有有效标注的样本规模较小，严重影响了深度神经网络分类器的识别效果。业内学者针对少样本条件下的收稿日期：2022-04-01基金项目：河南省科技攻关项目（202102210092）；河南省高等学校青年骨干教师培养计划项目（2021GGJS056）作者简介：岳云飞（1997-），男，河南理工大学电气工程与自动化学院硕士研究生，研究方向为深度学习、模式识别；孙抗（1982-），男，博士，河南理工大学电气工程与自动化学院、河南省煤矿装备智能检测与控制重点实验室副教授、硕士生导师，研究方向为图像处理、设备在线监测。第 2 期岳云飞，孙抗：少样本条件下的电缆局部放电模式识别局部放电模式识别进行了大量研究，总体上可分为基于数据增广的学习方法与基于模型简化的学习方法两大类。基于数据增广的少样本学习方法多借助先验知识扩大样本规模或平衡样本类别，如随机过采样算法（Random Oversampling，ROS）、合成少数类过采样方法（Synthetic Minority Oversampling Technique，SMOTE）等。刘云鹏等4采用一种基于梯度惩罚优化的条件式Wasserstein生成对抗网络模型，有效增广了少数类样本。随着Alex-Net、VGG-Net、GoogLeNet以及ResNet等深度卷积网络模型逐步应用于局部放电模式识别，局放样本不足的问题愈加突出。刘文浩等5提出一种基于可变噪音的局部放电样本扩充方法，缓解了局部放电样本数目不足的问题。史晋涛等6则利用图像合成技术扩充样本数目，提高了深度卷积网络模型的识别效果。基于模型简化的方法一般通过减少分类模型的训练参数，提高分类模型的搜索效率。苑津莎等7通过降低特征参数的维数与简化概率神经网络分类器结构的方法，提高了分类器在少样本情况下的识别率。Liu等8采用迁移学习的方法，缓解了深度卷积网络模型在少样本条件下的梯度消失问题，在提高网络模型识别精度的同时，减轻了模型计算和存储的压力。Liu等9在少样本条件下，设计了一种只有3 000多个参数的超微卷积神经网络，显著降低了网络模型的复杂度。对于少样本条件下的电缆局部放电模式识别，本文从数据增广与模型简化两方面入手，针对局部放电相位分布模式（Phase-Resolved Partial Discharge，PRPD）灰度图提出一种基于深度卷积生成对抗网络（Deep Convolution Generative Adversarial Network，DCGAN）的数据增广方法，并构造了基于盒维数的评价指标衡量生成样本的有效性。在模型简化方面，以深度残差网络为基础，分别从残差模块、网络深度两个方面简化深度残差网络（Deep Residual Network，ResNet）结构，使其匹配小规模局部放电数据集。1 基于DCGAN的数据增广1.1DCGAN原理DCGAN主要由生成模型与判别模型组成。生成模型可将输入的随机变量变成与真实样本类似的生成样本，判别模型则通过学习真实样本的特征来鉴别生成样本是否真实10。两个模型经过零和博弈，最终达到纳什均衡11。DCGAN博弈目标函数如式（1）所示：minGmaxDV(D，G)=ExPr(x)log(D(x)+EzPg(z)log(1-D(G(z)（1）式中，x表示真实样本，Pr(x)是x的概率分布，z表示噪声输入，Pg(z)表示z的概率分布，G(z)表示生成模型产生的生成样本，D()表示判别模型判定该样本为真实样本的概率。对于生成模型G，希望其能生成与真实样本相同的样本G(z)，即数学模型D(G(z)=1，1-D(G(z)=0，从而最小化模型G。损失函数如式（2）所示：minGV(D，G)=EzPg(z)log(1-D(G(z)（2）对于判别模型D，希望其能准确地判断输入的样本为真实样本还是生成样本。输入真实样本 x 时，数学模型D(x)=1，输入生成样本G(z)时，数学模型D(G(z)=0，即最大化模型D，损失函数如式（3）所示：maxDV(D，G)=ExPr(x)log(D(x)+EzPg(z)log(1-D(G(z)（3）DCGAN生成模型利用反卷积的方法将随机变量生成一组PRPD灰度图，生成灰度图与真实灰度图将由判别模型来判定，判别模型的判别结果反向传播，并进一步优化生成模型与判别模型，最终生成模型产生使判别模型无法准确判定的PRPD灰度图。DCGAN作为一种由GAN发展而来的一种新模型，其特点是利用步长卷积代替上采样层，充分发挥卷积层能提取样本深层次特征的优势12。1.2基于盒维数的生成样本质量评价利用评价指标衡量生成样本的质量，是判断数据增广技术是否有效的重要方法。在图像识别领域，常选择Laplacian梯度13、灰度方差函数等指标，这些指标通过评价生成样本的清晰度来判定生成样本的质量，指标数值越大，表明生成样本的清晰度越高。对于电缆PRPD灰度图，其真实样本的清晰度偏低，所以生成样本的清晰度也偏低，导致这些指标对灰度图生成样本质量的评价效果一般。因此，文中提出一种基于盒维数的生成样本评价指标，通过衡量生成样本与真实样本的特征相似性，判断生成样本的质量。盒维数作为一种分形特征，因具有易于经验估计、程序化计算等优点而常被应用于灰度图像的特征提取14。针对同一类型的PRPD灰度图，分别提取其真实样本与生成样本的盒维数，对比其数值。盒维数的数值差越小，生成样本的特征与真实样本的特征越相似，即生成样本的质量越好。盒维数的计算方法如下：将PRPD灰度图用曲面z=f(x，y)表示，其中，z表示图像像素的灰度值，x和y表示图像各像素的位置。将整个x-y图像平面分成大小为r r的网格，每个网格对应于三维空间中一叠大小为r r r的盒子，设在(i，j)的格子中，PRPD灰度图的灰度最大值位于第l个盒子内，最小值位于第k个盒子内，则在第(i，j)个网格中，覆盖灰度图曲面的盒子数为：nr(i，j)=l-k+1（4）所有网格中的盒子总数为：Nr=i，jnr(i，j)（5）式中，r为盒子尺度，在不同盒子尺度r下，可计算得到不同的盒子总数Nr，从而得到序列(r(i)，Nr(i)。将序列(r(i