变压器典型局部放电信号辨识研究_马波.pdf

：文章编号：（）变压器典型局部放电信号辨识研究马波，李林，李奇超（国网宁夏电力有限公司电力科学研究院，宁夏 银川 ；国网电力科学研究院武汉南瑞有限责任公司，湖北 武汉 ）摘要：为深入研究变压器典型局部放电的类型，提出了一种相关系数矩阵（，）和深度学习相结合的特征识别方法。首先，对原始数据进行降维，保留关键特征；然后，引入深度学习框架，搭建 的残差结构，开展局部放电特征的识别。结果表明：相对于核主元分析（，），相关系数矩阵降维效果更为显著；图片尺寸为 时，识别性能最好；学 习 率 为 时，损 失 函 数 值 最 小。本 文 方 法 识 别 准 确 率 高，明 显 优 于 卷 积 神 经 网 络（，）和支持向量机（，）。引入小波变换，可增强本文方法的鲁棒性。关键词：局部放电；相关系数矩阵；深度学习；特征辨识；学习率；鲁棒性中图分类号：文献标识码：开放科学（资源服务）标识码（）：o o o o o o，o（，；，）：，；，（），（）（）o ：；引言配电变压器具有高、低压转化的作用，为居民用电提供可能，一旦其发生故障时，会严重影响居民的生活。局部放电是变压器产生绝缘故障的前兆，不同的放电类型对设备的危害程度不一致，因此，及时有效地监测和识别显得尤为重要，对变压器稳定可靠运行具有重要的意义。传统的局部放电识别方法主要有统计参数法、聚类分析法、机器学习法等。边际谱图像和深度残差网络的方法可较好地实现变压器局部放电的模式识别。文献 针对变压器典型缺陷，提出了特征提取的方法，并进行了试验验证。文献基于马氏距离算法对不同局部放电信号的能量谱收稿日期：；修订日期：；通信联系人，：基金项目：国家电网公司总部科技项目（）作者简介：马波（），男，宁夏银川人，高级工程师，主要从事电气设备试验检测研究。信阳师范学院学报（自然科学版）第 卷第期 年月 进行了特征提取，可基本达到类型辨识的效果。文献 通过归纳分析局部放电的历史数据，建立了典型局部放电的缺陷模型，对放电信号的相关参量进行统计分析，总结了局部放电的特征规律。这些方法智能化水平较低，需要借助人工手段解读，多为局部放电的浅层表征，适用性较低。深度学习具有自主学习的特征，在超材料智能设计 和烟雾实时检测 等应用场景中效果较好，目前已逐步应用于电力设备局部放电识别中。分形图像处理技术 和自编码网络技术 已初步应用于局部放电信号特征提取中，但不具备普适应。深度学习已应用于变电站压板状态、劣化绝缘子片 和输电杆塔智能识别研究，取得了良好的识别效果。概率卷积神经网络 具有多特征融合诊断的优势，可作为快速判断模型使用。文献 提出了一种新型的深度学习算法，相对于传统的识别方法具有明显的优势。文献 结合局部放电时域和频域的双重信息，通过特征区域间的拓扑关联，具有较高的识别准确率。深度学习关于局部放电的研究相对较少，尽管效率较高，但对样本的依赖性较强，普适性较差，为此本文提出了一种相 关 系 数 矩 阵（，）和深度学习相结合的特征识别方法，可保留样本数据的关键特征，不受样本自身影响的前提下，开展不同局部放电类型的准确率研究。识别原理变压器局部放电的特征识别流程主要包括压缩数据、数据训练、深度学习模型建立和特征提取等过程，如图所示。首先，采用相关系数矩阵的方法进行数据压缩，保留关键信息，降低计算量；然后，建立深度学习模型框架，对训练集和测试集进行卷积计算；最后，输出特征识别结果。图特征识别流程 o o o o 相关系数矩阵局部放电信号原始矩阵为（），对其按列进行归一化处理 （：）（：）（：）。（）式中：（：）和 （：）分别为第列的最大值和最小值。计算新的矩阵（）的相关系数矩阵（）。（）（）（）。（）遍历上三角中的所有元素，若元素值大于，则由其坐标确定对应位置的两个特征参量相关性较强，留下列号较小的那一列，删除列号较大的那一列，否则保持不变。深度学习深度学习网络种类较多，为提高识别的准确率和效率，采用 模型，区别于传统网络结构，这里多一个区域提取网络（，），形成候选区域，可加快运算速度，如图所示。图深度学习网络 o o 卷积层对特征信息进行提取，形成新的特征图，卷积核本质是一种过滤器，读取数据的边沿、幅值变化等特征，输出特征图和输入特征图 之间的递推过程见式（）：马波，李林，李奇超 变压器典型局部放电信号辨识研究（），（）式中：为输出特征图对应的层数，为神经元对应的卷积滤波器，为偏置量，表示卷积核。全链接层整合输出特征，这里采用 函数，可输出局部放电类型的概率，计算公式为。（）在本模型中，局部放电有种模型，故最大值取。深度学习模型一般采用级联式 结构，联合损失函数 计算如下：。（）式中：一部分损失函数为 ，另一部分损失函数为 。（），（）（）.，.，（）式中：为候选区域的坐标，为真实区域的坐标，为平滑函数。（）（），（）式中：、分别为权重、置信度，表示预测概率。模型建立采用 框架，语言搭建深度学习网络模型，平台的软硬件配置见表。对采集到的局部放电波形，通过脉冲分割得到种不同类型的单次脉冲波形，如图所示。总的样本数为 种，每种类型各 个样本，并按照的比例划分训练集和测试集。表深度学习平台的软硬件配置 o o o o o 软硬件名称型号操作系统 数据库 内存 硬盘为了提高局部放电类型辨识的准确率，一般采用较高的网络深度，这里采用 ，可以减少梯度消失或者退化的问题，并引入残差结构，如图所示。首先，总体结构为 的卷积；然后，经过 个块，每个块包含层，即 层；最后，有个用于分类的层。所以，共有 层。图脉冲图像 图 典型结构 o 第 卷第期信阳师范学院学报（自然科学版）：年月数据分析降维测试效果对比降维测试效果采用可分性参数衡量，可用类内类间距离进行计算：设原始数据（），按行求取中心点，（）则类内距离计算公式为：（），（）类间距离计算公式为：（）（），（）可分性参数计算公式为：（）（）（）。（）可分性参数数值越大，表征降维后特征空间的可分性越好，特征识别的效果越好。增量百分比的计算公式为：（），（）式中：为降维后可分性参数平均值，为原始特征空间两种特征的平均值。局部放电的特征空间主要为统计特征和波形特征，其中统计特征是指局部放电信号的分布特征，例如正、负半周偏斜度，正、负半周陡峭度，互相关系数，不对称系数等。波形特征包括时域特征、频域特征、时频联合特征以及形状参数。与核主元分析 方 法（，）对比后，依据公式（）（），各个特征空间可分性参数见表。表不同方法的可分性参数值 o o 方法统计特征波形特征平均平均增量百分比原始数据 由 表 可 知，对 于 统 计 特 征，和 增长幅度均较低，对于波形特征，增长幅度明显优于 ，的平均增量百分比为，优于 的，说明经过 的降维方法之后，可分性更好，更有助于提高局部放电类型的准确率。图像尺寸的影响图像尺寸对局部放电识别准确度有一定的影响，这里分别标注 、像素的图片，当改变迭代次数时，依据公式（）（），计算本文方法的联合损失值，统计相关数据，绘制曲线如图所示。图不同图片尺寸和迭代次数的准确率 o o o o 由图可知：当图像尺寸为 和 时，识别准确率在准确度较小的情况下，上升幅度较大，然后慢慢趋于稳定，整体准确率相对较小，这是由于图片过小，特征关键信息丢失，增大了联合损失值；当图像尺寸为 和 时，图片表征信息完整，局部放电类型识别准确率高达，当迭代次数达到 后，准确率基本达到稳定状态，同时 和 的结果基本相近，为减少存储器和 资源，本文图像标注尺寸为 。优化算法和学习率的影响采用级联式 的策略，可减少深度学习方法在运行过程中的损失值，为此，对比传统梯度下降法以及 算法，绘制损失值曲线，见图。图不同优化算法和迭代次数的损失函数 o o o o o o o o 梯度下降法的收敛效果最差，算法次之，却有一定程度的振荡，本文级联式 方法马波，李林，李奇超 变压器典型局部放电信号辨识研究收敛效果最好，当迭代次数大于 后，损失值接近。图为不同的学习率对损失函数的影响。当学习率为 时，损失函数整体呈现下降的趋势，但会有较大的振荡，收敛性并不稳定；而当学习率为 时，学习率过低，损失函数基本呈下降趋势，但损失值较大，可能是因为计算量极大，造成了收敛效果降低。所以，应设定一个合适的学习率，既保证收敛性，又提高收敛速度，最终将学习率设定为 。图不同学习率和迭代次数的损失函数 o o o o o 不同方法的测试效果对比传统的模式识别方法一般为卷积神经网络（，）和支持向量机（，），为了验证本文方法的优越性，统计不同方法和放电模型下的局部放电识别准确率，见表。表不同方法的测试效果 o o 识别模型不同放电类型准确率尖端悬浮匝间平均准确率 本文方法 总体来看，局部放电识别准确率从高到低依次为本文方法、和，这是因为本文方法中的 提高了局部放电特征图谱的可分性，属于更深层次的学习方法，而 方法核参数的确定较困难，属于浅层学习方法。鲁棒性研究对提取的尖端放电信号，引入高斯白噪声，如图所示，以研究本文算法的鲁棒性，其他类型放电信号也加入同等比例的噪声信号。为提高染噪信号的识别率，本文算法在训练网络模型前，引入小波变换（小波），滤除样本中的噪声，并改变样本的数量，最后对染噪和去噪后的放电信号识别率对比分析，如图所示。加入高斯噪声后，不同类型局部放电的识别率受到明显影响，平均识别率不足。引入小波去噪算法后，不同类型局部放电的识别率有明显的改善，平均识别率高达，与染噪前水平相差不大。结果表明，受到干扰后，本文方法的准确率会有一定程度的下降，但通过小波变换的滤波方法，可基本恢复原来的识别效果。图尖端放电染澡后的信号波形 o o o 图不同样本数量的识别率对比 o o o o o 进一步可知，随着样本数量的增加，未去噪和去噪的识别率均逐渐增大。当样本数量较小时，未去噪的方法识别率受到较大影响，而去噪后，当样本数量仅为 时，识别率仍高达，具有一定的实际意义，因为实际运行中变压器局部放电数据有限。当样本数量较大时，本文算法会造成较大的计算消耗，运行时间也会增加，因此，需合理选择样本规模，兼顾识别的准确率和效率，这里选择样本数量为 ，可保证 的平均准确率。结论基于 和深度学习技术，开展了不同局部放电类型的特征识别，其可分性和准确率优于传统方法，且不受环境噪声的影响，解决了样本依赖性高的问题，具有一定的工程应用价值。第 卷第期信阳师范学院学报（自然科学版）：年月参考文献：张晓娜，吴晓霞，胡孟谦 基于变压器在线监测技术检测研究 变压器，（）：，（）：，（）：尚海昆，李宇才，林伟基于 的变压器局部放电特征提取电力系统保护与控制，（）：，（）：李正明，钱露先，李加彬基于统计特征与概率神经网络的变压器局部放电类型识别电力系统保护与控制，（）：，（）：钟理鹏，汲胜昌，崔彦捷，等 变压器典型缺陷局放特性及其带电检测技术研究 高压电器，（）：，（）：李剑局部放电灰度图象识别特征提取与分形压缩方法的研究重庆：重庆大学，：，陈攀，姚陈果，廖瑞金，等分频段能量谱及马氏聚类算法在开关柜局部放电模式识别中的应用高电压技术，（）：，（）：李学渊，张起，范玮，等基于 算法的环网柜故障检测方法工业安全与环保，（）：，（）：王静油浸式绝缘局部放电模型的模式识别统计参数法研究重庆：重庆大学，：，刘文俭，熊家军，范亚，等机器学习在超材料智能设计中的研究现状信阳师范学院学报（自然科学版），（）：，（），（）：刘丽娟，陈松楠 一种基于改进 的烟雾实时检测模型 信阳师范学院学报（自然科学版），（）：，（），（）：李玉杰，田阳普，赵科，等 基于自编码网络的局部放电信号特征提取与识别 电力工程技术，（）：，（）：王伟，张彦龙，翟登辉，等基于 深度学习模型的变电站压板状态智能识别电测与仪表，（）：，马波，李林，李奇超 变压器典型局部放电信号辨识研究 ，（）：刘云鹏，张喆，裴少通，等 基于深度学习的红外图像中劣化绝缘子片的分割方法 电测与仪表，（）：，（）：，杨知，欧文浩，费香泽，等基于高分辨率 影像和深度学习的输电杆塔智能识别研究电测与仪表，（）：，（）：，（），：，：王涤，马爱军，归