戴立慶,林恒青,張 旭,魏孟剛

(1.福建船政交通職業(yè)學(xué)院 機(jī)械與智能制造學(xué)院,福建 福州 350007;2.中電普瑞電力工程有限公司a.研發(fā)中心,b.工程中心,北京 100089)

0 引言

GIS具有占地面積小、結(jié)構(gòu)緊湊、技術(shù)性能高、安裝方便、造型美觀、運(yùn)行可靠性高、檢修周期長(zhǎng)等一系列優(yōu)點(diǎn)[1-2]。然而GIS在制造、運(yùn)輸、安裝及運(yùn)行過(guò)程中,有可能因絕緣劣化而產(chǎn)生局部放電,進(jìn)而引發(fā)設(shè)備故障[3-4]。局部放電是造成絕緣損壞的重要原因,也是絕緣裂化的標(biāo)志[5-6],所以局部放電的檢測(cè)是電力設(shè)備在線狀態(tài)評(píng)估的一種重要手段,為GIS設(shè)備提供了檢修依據(jù)[7]。

因GIS內(nèi)部缺陷不同,所產(chǎn)生的局部放電類型不同,造成絕緣裂化的后果也不同,所以對(duì)GIS內(nèi)部缺陷識(shí)別是對(duì)GIS設(shè)備進(jìn)行在線評(píng)估的一個(gè)重要手段。目前對(duì)GIS內(nèi)部缺陷的局部放電識(shí)別方法眾多,較為流行的有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、仿生模式識(shí)別等[8-11]。但是目前上述算法均需要對(duì)脈沖相位分布模式PRPD特征譜圖進(jìn)行統(tǒng)計(jì)算子提取,模式識(shí)別步驟繁瑣。近幾年,對(duì)于模式識(shí)別研究最流行的是基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)的模式識(shí)別無(wú)需對(duì)PRPD圖譜進(jìn)行特征提取,降低了網(wǎng)絡(luò)復(fù)雜度,而且其獨(dú)有的卷積核能夠提取PRPD圖譜大量的“深層次特征”,可以完全表達(dá)出PRPD圖譜中所蘊(yùn)含的GIS局部放電信息,網(wǎng)絡(luò)具有強(qiáng)魯棒性和容錯(cuò)能力,并且識(shí)別準(zhǔn)確率高,易于訓(xùn)練和優(yōu)化[12-16]。

本文采用了特高頻法對(duì)GIS試驗(yàn)設(shè)備內(nèi)部設(shè)置的典型缺陷進(jìn)行檢測(cè),并提取了PRPD特征圖譜。應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)GIS典型缺陷進(jìn)行模式識(shí)別,與傳統(tǒng)模式識(shí)別方法相比,卷積神經(jīng)網(wǎng)絡(luò)模型不需要特征統(tǒng)計(jì)算子提取,可以直接對(duì)圖像進(jìn)行處理,從而避免了統(tǒng)計(jì)算子不同而帶來(lái)識(shí)別結(jié)果差異的影響,同時(shí)提高了GIS典型缺陷的識(shí)別正確率,并具有較強(qiáng)的泛化能力。

1 試驗(yàn)設(shè)置

為了能夠得到與現(xiàn)場(chǎng)設(shè)備更為相近的局部放電信號(hào),獲取更為真實(shí)的局部放電信號(hào),本文根據(jù)實(shí)際模擬了典型的故障缺陷。

1.1 局部放電試驗(yàn)設(shè)備

試驗(yàn)設(shè)備是基于故障缺陷構(gòu)造的小型模擬GIS本體設(shè)備,內(nèi)部可同時(shí)設(shè)置四種缺陷模型,通過(guò)旋轉(zhuǎn)桿將故障缺陷深入至GIS設(shè)備本體內(nèi)。為模擬現(xiàn)場(chǎng)真實(shí)環(huán)境,在試驗(yàn)時(shí)對(duì)GIS氣室內(nèi)充入0.3 MPa SF6氣體。試驗(yàn)平臺(tái)見(jiàn)圖1.

GIS本體設(shè)備共有3個(gè)間隔氣室,右側(cè)上方為變壓器間隔,左側(cè)下方為為實(shí)驗(yàn)間隔。實(shí)驗(yàn)時(shí),可以通過(guò)旋鈕旋轉(zhuǎn)桿來(lái)調(diào)節(jié)缺陷的位置,從而選擇實(shí)驗(yàn)的缺陷?？蛇x擇一種缺陷,也可選擇多種缺陷。實(shí)驗(yàn)間隔內(nèi)部配有監(jiān)控用可在缺陷設(shè)置時(shí)監(jiān)控類型和缺陷與母線之間的距離,貼合GIS設(shè)備的黑色外綁帶設(shè)備為外置特高頻傳感器。

圖1 GIS本體設(shè)備Fig.1 GIS body equipment

1.2 局部放電檢測(cè)系統(tǒng)

特高頻檢測(cè)系統(tǒng)由傳感器、信號(hào)接收器、A/D轉(zhuǎn)換器、數(shù)字信號(hào)處理器、計(jì)算機(jī)接口、微控制器、計(jì)算機(jī)軟硬件和用戶操作界面等組成。檢測(cè)頻段選取在400～1 600 MHz,電路原理見(jiàn)圖2.

圖2 特高頻檢測(cè)系統(tǒng)Fig.2 UHF detection system

1.3 典型缺陷模型

局部放電缺陷模型共設(shè)置6類,包括自由微粒、絕緣子表面微粒、母線金屬毛刺、外殼金屬毛刺、懸浮電位和絕緣子氣泡,如圖3所示。

1)自由微粒:由5個(gè)直徑3 mm的金屬微粒與25個(gè)直徑1 mm的金屬微粒構(gòu)成,放入半球玻璃罩中,連桿用聚四氟乙烯材料,試驗(yàn)時(shí)深入到母線附近。

2)絕緣子表面微粒:由直徑25 mm、長(zhǎng)70 mm的聚四氟乙烯圓柱表面粘一些金屬微粒,試驗(yàn)時(shí)將絕緣子深入到母線內(nèi)部,接觸高壓。

3)母線金屬毛刺:由聚四氟乙烯連接錐長(zhǎng)10 mm、直徑10 mm的圓錐,試驗(yàn)時(shí)將圓錐底部連接到母線上作為母線毛刺。

4)外殼金屬毛刺:錐長(zhǎng)15 mm的銅錐,試驗(yàn)時(shí)連接GIS設(shè)備外殼。

5)懸浮電位:由厚度8 mm、直徑20 mm的銅質(zhì)材料構(gòu)成,試驗(yàn)時(shí)將絕緣子深入到母線內(nèi)部,與母線形成懸浮電位體。

6)絕緣子氣泡:由環(huán)氧樹(shù)脂構(gòu)成長(zhǎng)60 mm、直徑40 mm圓柱,在內(nèi)部設(shè)有大量微小氣泡,試驗(yàn)時(shí)深入到母線附近,接觸高壓。

圖3 GIS缺陷模型Fig.3 GIS defect model

2 試驗(yàn)結(jié)果

在計(jì)算機(jī)用戶界面可觀察每1 s的放電特征,每1 s的放電特征實(shí)際上是由工頻周期50個(gè)樣本疊加而成,但是單個(gè)1 s的PRPD圖譜特征不明顯,所以本文將50個(gè)工頻周期疊加的樣本再疊加10個(gè),也就是10 s中取1個(gè)樣本,同樣飛行圖也是10 s中取1個(gè)樣本,具體各種缺陷類型的PRPD圖譜和飛行圖譜及其特征見(jiàn)表1.

表1 6種缺陷局部放電的特征Table 1 PD sources characteristics of six types of defects

表1 (續(xù))Table 1 (Continue)

3 基于深度卷積神經(jīng)網(wǎng)絡(luò)GIS局部放電缺陷模式識(shí)別

3.1 卷積神經(jīng)網(wǎng)絡(luò)

深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,DCNN)是一種能夠深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)(CNN)由輸入層、卷積層、池化層、全連接層及輸出層組成[17-18]。

輸入層:數(shù)據(jù)源為圖片的像素值。如果圖片是灰圖,輸入層維度為1,如果圖片是彩圖,輸入層維度為3.

卷積層:是對(duì)輸入的數(shù)據(jù)圖片進(jìn)行特征提取,是卷積神經(jīng)網(wǎng)絡(luò)的核心步驟。卷積核設(shè)置相應(yīng)的步長(zhǎng)遍布整個(gè)圖片，從左到右、從上到下,經(jīng)過(guò)函數(shù)運(yùn)算映射到特征圖譜一個(gè)點(diǎn)上,最后提取圖譜相應(yīng)的特征。

池化層:卷積提取到的圖像特征維數(shù)高,會(huì)導(dǎo)致運(yùn)算量過(guò)大和過(guò)擬合現(xiàn)象,所以池化層是對(duì)數(shù)據(jù)進(jìn)行降維處理。

全連接層:與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)類似,起到數(shù)據(jù)“分類”作用。

輸出層:是一個(gè)執(zhí)行特征圖譜分類任務(wù)的分類器。常用的分類器有基于多項(xiàng)式分布為模型建立的softmax,表達(dá)式為:

(1)

3.2 搭建網(wǎng)絡(luò)模型

深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)能夠廣泛應(yīng)用,離不開(kāi)許多優(yōu)秀的開(kāi)源仿真工具,目前常使用的開(kāi)源仿真工具主要有Caffe、Torch、Theano、Tensor-Flow.Theano、Tensor-Flow編譯過(guò)程較慢,而且導(dǎo)出也要消耗很多時(shí)間;Torch訓(xùn)練速度快,但是卻沒(méi)有Python接口。本文選擇使用Caffe來(lái)搭建網(wǎng)絡(luò)模型。Caffe(convolutional architecture for fast feature embedding)是一個(gè)兼具表達(dá)性、速度和思維模塊化的開(kāi)源深度學(xué)習(xí)框架,使用C++編寫,帶有Python接口,由伯克利人工智能研究小組和伯克利視覺(jué)和學(xué)習(xí)中心開(kāi)發(fā)。相較其他的深度學(xué)習(xí)框架,Caffe具有訓(xùn)練速度快,上手簡(jiǎn)單,模塊化組件無(wú)需編寫復(fù)雜程序等優(yōu)點(diǎn)[19-20]。

針對(duì)典型缺陷局部放電類型模式識(shí)別,目前卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有代表性的主要有AlexNet、VGGNet、GoogLeNet、ResNet等,文中搭建AlexNet卷積神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)PRPD圖譜的模式識(shí)別。AlexNet是在LeNet的基礎(chǔ)上改進(jìn),把CNN的基本原理應(yīng)用到了更深更寬的網(wǎng)絡(luò)中,對(duì)于CNN網(wǎng)絡(luò)結(jié)構(gòu),隨著深度的加深,特征數(shù)目會(huì)越來(lái)越多,網(wǎng)絡(luò)表示的特征空間會(huì)越來(lái)越大,網(wǎng)絡(luò)學(xué)習(xí)能力也會(huì)更強(qiáng)。但是隨之而來(lái)的是會(huì)使網(wǎng)絡(luò)的計(jì)算更復(fù)雜,更易出現(xiàn)過(guò)擬合的現(xiàn)象,而AlexNet不僅網(wǎng)絡(luò)深度深,還能抑制過(guò)擬合問(wèn)題。

AlexNet網(wǎng)絡(luò)總共的層數(shù)為8層,參數(shù)量達(dá)到60×106個(gè)以上,包含5層卷積、3層全連接層,最后一個(gè)全連接層的輸出具有1 000個(gè)輸出的softmax.AlexNet網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖4所示。

圖4 AlexNet網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.4 The basic structure of AlexNet network

第一個(gè)卷積層conv1中,輸入為224×224×3的圖像,卷積核個(gè)數(shù)為96.第二個(gè)卷積層conv2中, 輸入為上一層卷積的feature map,卷積核個(gè)數(shù)為256.第三層卷積層conv3, 輸入為第二層的輸出,卷積核個(gè)數(shù)為384, 卷積核尺寸kernel-size=(3×3×256).第四層卷積層conv4, 輸入為第三層的輸出,卷積核個(gè)數(shù)為384, kernel-size=(3×3).第五層卷積層conv5, 輸入為第四層的輸出,卷積核個(gè)數(shù)為256, kernel-size=(3×3).第6,7,8層是全連接層,每一層的神經(jīng)元的個(gè)數(shù)為4 096,最終輸出softmax為1 000,全連接層中使用了RELU和Dropout.

3.3 網(wǎng)絡(luò)訓(xùn)練與試驗(yàn)結(jié)果

GIS局部放電PRPD圖譜有火焰圖、三維圖及飛行圖,基于卷積神經(jīng)網(wǎng)絡(luò)的局部放電模式識(shí)別算法的輸入需要是二維圖像,使用三維圖會(huì)造成數(shù)據(jù)丟失,使用表1中的火焰圖或者飛行圖更合適。但是相對(duì)于飛行圖的特征,火焰圖譜特征更加明顯,所以本文使用火焰圖作為算法的輸入數(shù)據(jù)。

為了提高分類的正確率,先將PRPD火焰圖譜統(tǒng)一縮放成64×64像素的圖片,PRPD圖譜涵蓋訓(xùn)練集和驗(yàn)證集,每類圖譜中訓(xùn)練500張5類共計(jì)2 500張圖片,驗(yàn)證200張5類共計(jì)1 000張圖片,訓(xùn)練時(shí)采用隨機(jī)梯度下降法(stochastic gradient descent,SGD)對(duì)各個(gè)樣本進(jìn)行訓(xùn)練,每訓(xùn)練1次就將梯度更新1次,直到網(wǎng)絡(luò)收斂。網(wǎng)絡(luò)模型設(shè)置3萬(wàn)次,每5 000次迭代對(duì)數(shù)據(jù)測(cè)試1次。

圖5為PRPD圖譜分類正確率與迭代次數(shù)的關(guān)系,可以觀察到網(wǎng)絡(luò)模型隨著迭代次數(shù)增加而收斂,經(jīng)過(guò)1萬(wàn)次左右迭代后正確率就達(dá)到了0.990,最后經(jīng)過(guò)3萬(wàn)次迭代,最終正確率為0.994.

圖5 測(cè)試正確率與迭代次數(shù)的關(guān)系Fig.5 Relationship between test accuracy and iterations

3.4 不同模式識(shí)別方法效果對(duì)比

為了驗(yàn)證識(shí)別算法的有效性,以相同數(shù)據(jù)源進(jìn)行模式識(shí)別對(duì)比,分別應(yīng)用支持向量機(jī)識(shí)別,粒子群(PSO)、遺傳算法(GA)、網(wǎng)格搜索法(GS)優(yōu)化支持向量機(jī)識(shí)別,仿生模式識(shí)別以及本文的基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別,識(shí)別情況對(duì)比如表2所示。

由表2可以看出,同一數(shù)據(jù)源的識(shí)別率應(yīng)用基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)最優(yōu),此外卷積神經(jīng)網(wǎng)絡(luò)是對(duì)PRPD特征圖譜進(jìn)行圖片識(shí)別,無(wú)需對(duì)PRPD特征圖譜進(jìn)行統(tǒng)計(jì)算子提取,簡(jiǎn)化了識(shí)別的步驟,提高了識(shí)別的效率。

表2 各個(gè)方法識(shí)別率對(duì)比Table 2 Comparison of recognition rates in different methods

4 結(jié)語(yǔ)

本文以搭建的GIS實(shí)驗(yàn)平臺(tái)為對(duì)象,在試驗(yàn)GIS設(shè)備內(nèi)部設(shè)置模擬了6種典型不同的缺陷,應(yīng)用特高頻法對(duì)其產(chǎn)生的局部放電分別進(jìn)行檢測(cè),生成PRPD特征圖譜,利用Caffe構(gòu)建的一種改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)PRPD特征圖譜進(jìn)行模式識(shí)別,網(wǎng)絡(luò)結(jié)構(gòu)采用了AlexNet結(jié)構(gòu),取得了良好的識(shí)別效果。

傳統(tǒng)的GIS典型缺陷模式識(shí)別根據(jù)圖譜上表現(xiàn)不同的特征進(jìn)行特征統(tǒng)計(jì)算子提取,由這些統(tǒng)計(jì)算子進(jìn)行模式識(shí)別。而改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)無(wú)需進(jìn)行放電指紋提取,可對(duì)局部放電所產(chǎn)生的PRPD圖譜直接進(jìn)行圖片識(shí)別,簡(jiǎn)化了模式識(shí)別步驟,同時(shí)提高了缺陷識(shí)別的正確率,展現(xiàn)出更優(yōu)的泛化能力和魯棒性。