池明赫， 夏若淳， 羅青林， 張潮海， 曹津銘， 關(guān)毅， 陳慶國(guó)

(1. 哈爾濱理工大學(xué) 工程電介質(zhì)及其應(yīng)用教育部重點(diǎn)試驗(yàn)室，黑龍江 哈爾濱 150080；2.特變電工股份有限公司，新疆 昌吉 750306；3. 哈爾濱工業(yè)大學(xué) 電氣工程及自動(dòng)化學(xué)院，黑龍江 哈爾濱 150006)

0 引 言

油浸式變壓器因其具有良好的電氣與機(jī)械的性能，作為關(guān)鍵設(shè)備被廣泛應(yīng)用于高壓電網(wǎng)[1-2]。油浸變壓器內(nèi)絕緣主要是油紙組合絕緣，變壓器紙質(zhì)絕緣件在制造、裝配或運(yùn)行過(guò)程中可能出現(xiàn)氣隙、金屬顆粒等缺陷。各類(lèi)缺陷使得絕緣內(nèi)部的電場(chǎng)分布出現(xiàn)畸變，引發(fā)局部放電，進(jìn)而對(duì)變壓器絕緣造成損傷，對(duì)變壓器的運(yùn)行壽命產(chǎn)生影響[3-5]。有研究資料表明，變壓器安全事故中很大部分是因絕緣缺陷造成的[6-7]。因此，應(yīng)對(duì)變壓器進(jìn)行有效的局部放電檢測(cè)，在事故發(fā)生以前及時(shí)發(fā)現(xiàn)故障并進(jìn)行排除[8-10]。

目前因國(guó)內(nèi)外學(xué)者在局部放電的研究對(duì)象與測(cè)量方式的不同，其分析與識(shí)別局部放電信號(hào)的方法也不盡相同。目前采用的機(jī)器學(xué)習(xí)的方法主要有K-鄰近法(K-nearest neighbors,KNN)[11-12]、決策樹(shù)與隨機(jī)森林(decision tree and random forest,DT&RF)[13]、K均值聚類(lèi)分析法(K-means)[14]與支持向量機(jī)(support vector machine,SVM)[15]等。目前較為常見(jiàn)的方式是對(duì)局部放電圖譜包含的各類(lèi)特征統(tǒng)計(jì)參量進(jìn)行特征提取再運(yùn)用機(jī)器學(xué)習(xí)的對(duì)局部放電信號(hào)進(jìn)行分析[16]。浙江大學(xué)的杜浩等人研究了直流電壓下的交聯(lián)聚乙烯電纜的三種典型缺陷模型的局部放電特性，并通過(guò)局部放電參數(shù)的時(shí)域圖譜，提出四類(lèi)統(tǒng)計(jì)特征圖譜以進(jìn)行表征[17]。X.Peng等人提出了一種可用于電纜檢測(cè)系統(tǒng)的方法，該方法基于K-means方法且無(wú)需相位參考信息即可識(shí)別局部放電的模式[18]。朱永利等人以SVM回歸代替基于變量預(yù)測(cè)模型的模式識(shí)別方法(variable predictive model based class discriminate,VPMCD)中原有的多項(xiàng)式回歸，以樣本之間預(yù)測(cè)最小誤差平方和最小為依據(jù)進(jìn)行放電模式識(shí)別，解決了原有方法對(duì)高維度小樣本數(shù)據(jù)預(yù)測(cè)精度差的問(wèn)題，結(jié)果表明其較傳統(tǒng)的SVM與VPMCD方法的更為優(yōu)秀[19]。N.Pattanadech與Y.Zang等人運(yùn)用主成分分析與KNN相結(jié)合的方法對(duì)局部放電類(lèi)型進(jìn)行識(shí)別，并研究了不同訓(xùn)練集與測(cè)試集比例下的識(shí)別精度[20-21]。秦雪等人運(yùn)用二維Littlewood-Paley經(jīng)驗(yàn)小波變換的特征提取方法，分解四種電纜絕緣缺陷的φ-q-n局部放電圖譜，得到小波系數(shù)子圖并對(duì)其特征值進(jìn)行提取，得到了相較傳統(tǒng)方法的更高精度的識(shí)別效果[22]。

以上常用的局部放電識(shí)別算法均屬于傳統(tǒng)機(jī)器學(xué)習(xí)范疇的算法。傳統(tǒng)的機(jī)器學(xué)習(xí)方法因其結(jié)構(gòu)上過(guò)于簡(jiǎn)單而需要提取更有效的特征量來(lái)解決實(shí)際問(wèn)題[23]，同時(shí)也無(wú)法通過(guò)對(duì)訓(xùn)練數(shù)據(jù)集的增加來(lái)對(duì)其進(jìn)行持續(xù)改進(jìn)[24]。因此其在運(yùn)用層面已經(jīng)落后于當(dāng)前主流的深度學(xué)習(xí)，深度學(xué)習(xí)因需求少、功能性?xún)?yōu)化且能借助大數(shù)據(jù)以及算法和硬件的革命以實(shí)現(xiàn)更高的性能而受到了越來(lái)越多的關(guān)注[24]。深層神經(jīng)網(wǎng)絡(luò)(deep neural networks，DNN)是深度學(xué)習(xí)中基礎(chǔ)的網(wǎng)絡(luò)結(jié)構(gòu)形式，其被廣泛應(yīng)用于其他各領(lǐng)域，它是從傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)中的反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural networks，BPNN)演變而來(lái)的。因不同研究對(duì)象及不同類(lèi)型的局部放電性狀不同，基于DNN的識(shí)別效果也不同，但是卻少有基于上述情形而對(duì)DNN參數(shù)與結(jié)構(gòu)的研究，尤其是針對(duì)變壓器油紙絕緣的局部放電類(lèi)型識(shí)別問(wèn)題上的優(yōu)化。

為此，本文提出一種基于局部放電信號(hào)及深層神經(jīng)網(wǎng)絡(luò)的油紙絕緣缺陷分類(lèi)方法，以不同缺陷試樣在任意局部放電階段下的局部放電信號(hào)的特征算子作為模式識(shí)別的特征參量，利用DNN網(wǎng)絡(luò)實(shí)現(xiàn)油紙絕緣缺陷的類(lèi)型識(shí)別。同時(shí)，本文探究DNN參數(shù)對(duì)于識(shí)別效果的影響，得到最適合于變壓器紙質(zhì)絕緣件內(nèi)部局部放電識(shí)別的DNN模型并與傳統(tǒng)及其學(xué)習(xí)方法對(duì)比了識(shí)別效果，驗(yàn)證所提方法有效性。

1 試驗(yàn)方法

1.1 試驗(yàn)平臺(tái)及電極

本試驗(yàn)在局部放電屏蔽室內(nèi)進(jìn)行，按照?qǐng)D1所示搭建局部放電測(cè)試系統(tǒng)。該局部放電測(cè)試系統(tǒng)主要包括調(diào)壓器T0，無(wú)局放試驗(yàn)變壓器T1，保護(hù)電阻R1，分壓器R2C1、R3C2，耦合電容器Ck以及檢測(cè)阻抗Zm和采集系統(tǒng)X1。

圖1 試驗(yàn)電路圖Fig.1 Diagram of test circuit

根據(jù)測(cè)量標(biāo)準(zhǔn)IEC60243-1:1998，本次試驗(yàn)使用柱板電極，其中柱電極直徑為25 mm，附帶半徑為3 mm的邊緣倒角，板電極為直徑80 mm的圓盤(pán)，電極尺寸圖與實(shí)物圖如圖2所示。

圖2 柱板電極示意圖Fig.2 Schematic diagram of column-plate electrodes

1.2 缺陷模型的制作及加壓方式

本試驗(yàn)依照實(shí)際工程運(yùn)行條件下出現(xiàn)的缺陷類(lèi)型制備了無(wú)缺陷紙板、含氣隙缺陷紙板和含金屬雜質(zhì)紙板進(jìn)行局部放電測(cè)試，分別對(duì)應(yīng)模擬紙質(zhì)絕緣件內(nèi)無(wú)缺陷但設(shè)計(jì)或制造不合理導(dǎo)致的油中放電、絕緣件內(nèi)含氣隙以及含金屬雜質(zhì)導(dǎo)致的絕緣件內(nèi)部放電。仿照目前工程上制備電氣絕緣紙板的方式，以電工級(jí)的未漂針葉木材硫酸鹽紙漿為原材料，經(jīng)紙漿打漿、疏解、稱(chēng)取、瀝水操作后，在紙板未干燥時(shí)把紙板分成兩份，將聚酯膜置于兩張濕紙板之間，進(jìn)行壓榨和烘干，抽去聚酯膜制成含氣隙缺陷紙板試樣；制作含金屬雜質(zhì)紙板時(shí)將上述過(guò)程中的聚酯膜替換為金屬薄片，且壓制烘干后將金屬片留在紙板中，試樣尺寸如圖3所示。

圖3 缺陷尺寸圖Fig.3 Diagram of defect size

升壓方式上采用恒壓法與階梯升壓法結(jié)合的升壓方式[25-26]。首先，以每次2 kV的步長(zhǎng)開(kāi)始升壓，每次進(jìn)行一次升壓操作后維持該電壓5 min，以觀察局部放電信號(hào)是否出現(xiàn)(選取3 pC作為起始局放量)。記錄下首次出現(xiàn)局部放電信號(hào)時(shí)的電壓值，然后再以每次2 kV的速率升壓至上述電壓的1.5倍數(shù)值附近后獲取較為穩(wěn)定的局部放電信號(hào)。

1.3 局部放電信號(hào)采集與處理

選取尺寸相同的3種試樣模型進(jìn)行局部放電試驗(yàn)，并從放電起始時(shí)刻至臨近擊穿時(shí)刻隨機(jī)采集數(shù)據(jù)，總共1 200組放電信號(hào)數(shù)據(jù)。按著上述試驗(yàn)方式采集到的無(wú)缺陷紙板、含氣隙紙板和含金屬雜質(zhì)缺陷紙板各自在不同階段的局部放電二維圖譜如圖4所示。從圖4的局部放電圖譜可以看出，這3種局部放電信號(hào)圖譜具有一定的相似性，難以通過(guò)直觀識(shí)圖判斷是何種缺陷導(dǎo)致的放電，應(yīng)用智能識(shí)別算法是解決該問(wèn)題的有效途徑。

圖4 試樣局部放電特性圖Fig.4 PD characteristic diagram of sample

隨著統(tǒng)計(jì)學(xué)在高壓與絕緣領(lǐng)域上的應(yīng)用，基于放電統(tǒng)計(jì)圖譜的局部放電類(lèi)型識(shí)別成為了當(dāng)前研究的熱點(diǎn)，通過(guò)對(duì)局部放電的各類(lèi)圖譜進(jìn)行統(tǒng)計(jì)特征提取，得到能夠定量描述圖譜形態(tài)及其變化情況的特征參數(shù)，能夠很大程度上提升對(duì)局部放電的模式識(shí)別的效果[27-28]。常用的統(tǒng)計(jì)參數(shù)有偏斜度Sk、峭度Ku、不對(duì)稱(chēng)度Asy、互相關(guān)系數(shù)CC以及Weibull參數(shù)α、β。偏斜度與峭度分別代表圖譜的偏斜程度和圖譜分布特性，不對(duì)稱(chēng)度代表放電量相對(duì)于相位的不對(duì)稱(chēng)度；互相關(guān)系數(shù)用以表征不同類(lèi)型圖譜在正負(fù)半周上的形狀分布相似程度，Weibull參數(shù)α為圖像的尺度參數(shù)、β為圖像的形狀參數(shù)。以上參數(shù)的計(jì)算公式如表1所示，所提取到的統(tǒng)計(jì)參數(shù)如表2所示。

表1 統(tǒng)計(jì)特征量參數(shù)

表2 用于局部放電識(shí)別的特征量

提取的部分特征參數(shù)如圖5所示，通過(guò)對(duì)3種試樣的部分特征參量的比較可以看出，它們的特征量在整體分布上沒(méi)有明確的規(guī)律，同時(shí)其分散性不佳，因此不能直接用其進(jìn)行局部放電類(lèi)型的識(shí)別。鑒于神經(jīng)網(wǎng)絡(luò)方法在分類(lèi)與聚類(lèi)問(wèn)題已有一定規(guī)模的運(yùn)用，其效果遠(yuǎn)高于人工識(shí)別分類(lèi)。將局部放電圖譜統(tǒng)計(jì)參數(shù)與深層神經(jīng)網(wǎng)絡(luò)結(jié)合，對(duì)不同缺陷局部放電進(jìn)行識(shí)別。

圖5 不同試樣的部分統(tǒng)計(jì)特征量比較Fig.5 Comparison of partial statistical features of different samples

2局部放電模式識(shí)別

2.1 深層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與運(yùn)行

深層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、隱含層以及輸出層。深層神經(jīng)網(wǎng)絡(luò)相比于BP神經(jīng)網(wǎng)絡(luò)具有更多的隱含層，使得深層神經(jīng)網(wǎng)絡(luò)具有更優(yōu)異的非線性模擬能力與特征學(xué)習(xí)能力[29]。在FAN Fenglei等人[30]的啟發(fā)下采用了一種三階神經(jīng)元的深層神經(jīng)網(wǎng)絡(luò)，其較單階神經(jīng)元具備更優(yōu)異的非線性模擬能力，同時(shí)不像更高階神經(jīng)元那樣引起過(guò)擬合，其結(jié)構(gòu)如圖6所示。

圖6 深層神經(jīng)網(wǎng)絡(luò)與三階神經(jīng)元Fig.6 Structures of DNN and the three-order neuron

深層神經(jīng)網(wǎng)絡(luò)的前向運(yùn)算為輸入值向量x與權(quán)值矩陣W以及偏差向量b進(jìn)入神經(jīng)元后通過(guò)激活函數(shù)F(x)的運(yùn)算獲得激活值的過(guò)程。從輸入層開(kāi)始逐層運(yùn)算，上一層的輸出值作為下一層的輸入，在神經(jīng)元中進(jìn)行運(yùn)算并產(chǎn)生新的輸出矩陣Z，依此層層運(yùn)算至輸出層并得到輸出為止。表達(dá)式為

Zi=F(Wi·xi-1+bi)。

(1)

式中：Zi表示第i層的輸出向量；Wi表示上一層連接第i層的權(quán)值矩陣；xi-1表示來(lái)自第i-1層的輸出向量；bi表示第i層的偏差向量；F(x)表示激活函數(shù)，由于Tanh函數(shù)具有較好的非線性擬合特性，神經(jīng)元內(nèi)處理目的是讓神經(jīng)元具有更強(qiáng)的非線性擬合能力，因此在此采用Tanh函數(shù)。

在上述基礎(chǔ)上使用三階神經(jīng)元，其使神經(jīng)元內(nèi)每個(gè)預(yù)激活值被分別激活三次，以獲得更好的非線性模擬能力，其表達(dá)式為：

(2)

2.2 深層神經(jīng)網(wǎng)絡(luò)的參數(shù)尋優(yōu)

神經(jīng)網(wǎng)絡(luò)的誤差優(yōu)化算法、學(xué)習(xí)率以及隱含層層數(shù)會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)運(yùn)行的迭代速度與誤差下降速率產(chǎn)生影響，進(jìn)而影響識(shí)別過(guò)程中的識(shí)別效率。因此對(duì)影響神經(jīng)網(wǎng)絡(luò)分類(lèi)的因素進(jìn)行對(duì)比，從而尋找變壓器紙質(zhì)成型件的局部放電類(lèi)型識(shí)別的最適合神經(jīng)網(wǎng)絡(luò)模型。將總共采集到1 200組數(shù)據(jù)以8∶2劃分為訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集，以圖7所示的流程運(yùn)行神經(jīng)網(wǎng)絡(luò)。

圖7 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練測(cè)試流程圖Fig.7 Flow chart of neural network training and testing

適合的優(yōu)化算法會(huì)使神經(jīng)網(wǎng)絡(luò)在運(yùn)行過(guò)程中損失函數(shù)做到快速減少，達(dá)到較高的識(shí)別精度。為對(duì)比優(yōu)化算法對(duì)運(yùn)行效果影響，在使用64-32-32-16(數(shù)字代表每層隱含層的神經(jīng)元數(shù)量)的4層結(jié)構(gòu)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(經(jīng)初步測(cè)試該結(jié)構(gòu)的擬合度較高、不易出現(xiàn)欠擬合或過(guò)擬合)、控制神經(jīng)網(wǎng)絡(luò)其他參數(shù)不變、暫定學(xué)習(xí)率為0.01的情況下，對(duì)神經(jīng)網(wǎng)絡(luò)在使用梯度下降法、RMSProp算法與Adam算法情況下?lián)p失函數(shù)的下降情況和訓(xùn)練集識(shí)別精度進(jìn)行了對(duì)比，不同優(yōu)化算法下?lián)p失函數(shù)曲線如圖8所示。可以看出，相比于梯度下降法，Adam算法收斂效果較好，且不像梯度下降法那樣易走向局部最優(yōu)。同時(shí)Adam算法的收斂表現(xiàn)也不像RMSProp算法那樣表現(xiàn)出較大程度的振蕩并最終難以收斂。運(yùn)用Adam算法后損失函數(shù)在大約750次迭代后趨于穩(wěn)定。不同優(yōu)化算法的訓(xùn)練集精度隨迭代次數(shù)的變化曲線如圖9所示。可以看出Adam算法具備高識(shí)別精度的優(yōu)勢(shì)，且不像RMSProp算法那樣隨著迭代次數(shù)增加而精度出現(xiàn)振蕩現(xiàn)象，Adam算法不僅收斂速度快而且在收斂過(guò)程中精度一直處于穩(wěn)定的狀態(tài)。

圖8 3種優(yōu)化算法的損失函數(shù)變化Fig.8 Changes in the loss function of the three optimization algorithms

圖9 3種優(yōu)化算法下訓(xùn)練集精度變化曲線Fig.9 Variation curve of training set accuracy under different optimization algorithms

學(xué)習(xí)率會(huì)影響神經(jīng)網(wǎng)絡(luò)的誤差優(yōu)化算法的表現(xiàn)，因此這里對(duì)不同神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率進(jìn)行參數(shù)尋優(yōu)，對(duì)比在學(xué)習(xí)率為0.1、0.01、0.001、0.000 1的情況下優(yōu)化算法的表現(xiàn)，以使神經(jīng)網(wǎng)絡(luò)獲取更好的訓(xùn)練集的學(xué)習(xí)和測(cè)試集的識(shí)別效果?？刂粕窠?jīng)網(wǎng)絡(luò)其他參數(shù)不變，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用64-32-32-16的4層結(jié)構(gòu)的，優(yōu)化算法采用上述已優(yōu)選的Adam算法，不同學(xué)習(xí)率的損失函數(shù)變化曲線如圖10所示?？梢钥闯觯?dāng)學(xué)習(xí)率為0.1時(shí)，損失函數(shù)幾乎不變，而當(dāng)學(xué)習(xí)率為0.000 1時(shí)，損失函數(shù)曲線則是一條下降的曲線，直到1 000次迭代后仍是發(fā)散狀態(tài)。這說(shuō)明學(xué)習(xí)率過(guò)高，步長(zhǎng)過(guò)大，使得函數(shù)無(wú)法做到收斂；學(xué)習(xí)率過(guò)低，步長(zhǎng)過(guò)小，使得計(jì)算量極大，損失函數(shù)收斂速度極慢，由此說(shuō)明應(yīng)設(shè)定一個(gè)適中的學(xué)習(xí)率以兼顧收斂性與收斂速度，對(duì)比學(xué)習(xí)率為0.01與0.001時(shí)的收斂性與收斂速度，可以看出后者的收斂性與收斂速度更優(yōu)，因此最終將學(xué)習(xí)率設(shè)定為0.001。

圖10 3種學(xué)習(xí)率的損失函數(shù)變化Fig.10 Changes in the loss function of the three learning rates

神經(jīng)網(wǎng)絡(luò)的深度是神經(jīng)網(wǎng)絡(luò)參數(shù)中一個(gè)很重要的參數(shù)，神經(jīng)網(wǎng)絡(luò)的深度由隱含層的層數(shù)來(lái)表征，其在很大程度上影響該神經(jīng)網(wǎng)絡(luò)的非線性模擬能力與特征學(xué)習(xí)能力?？刂粕窠?jīng)網(wǎng)絡(luò)其他參數(shù)不變，選擇前文已優(yōu)選的Adam算法和0.001為損失函數(shù)的優(yōu)化算法與學(xué)習(xí)率，以此選取合適的深度。共對(duì)比3種隱含層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，如表3所示，其中64-32-32-16表示共有4個(gè)隱含層，其神經(jīng)元數(shù)量依次為64、32、32、16，其他結(jié)構(gòu)同理。

表3 用于對(duì)比的隱含層結(jié)構(gòu)

這3種隱含層結(jié)構(gòu)之所以選擇64、32、16的組合是因?yàn)檩斎氲奶卣髁繛?6個(gè)，在此基礎(chǔ)上成倍數(shù)選擇神經(jīng)元。經(jīng)過(guò)初步測(cè)試后，在表3所示的這3種隱含層結(jié)構(gòu)的擬合度最高，未出現(xiàn)欠擬合或者過(guò)擬合，由此選擇這3種結(jié)構(gòu)進(jìn)行比較。不同隱含層數(shù)下的損失函數(shù)曲線如圖11所示?？梢钥闯鯣roup 2為相對(duì)最優(yōu)選擇，其既不使損失函數(shù)下降速率相對(duì)過(guò)慢，且在達(dá)到相似效果的前提下(Group 2與Group 3曲線高度重合)具有較Group 3更為簡(jiǎn)單的結(jié)構(gòu)，網(wǎng)絡(luò)的結(jié)構(gòu)過(guò)深、過(guò)復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)會(huì)使網(wǎng)絡(luò)的運(yùn)行陷入梯度消失現(xiàn)象或梯度爆炸現(xiàn)象，由此采用Group 2的結(jié)構(gòu)作為神經(jīng)網(wǎng)絡(luò)的隱含層結(jié)構(gòu)。

圖11 3種隱含層的損失函數(shù)變化Fig.11 Changes in the loss function of the three type of hidden layers

根據(jù)上述結(jié)果建立了被優(yōu)化的深層神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元為三階神經(jīng)元；隱含層結(jié)構(gòu)為Group 2：64-32-32-32-16；損失函數(shù)優(yōu)化方案選擇為Adam算法+0.001的學(xué)習(xí)率。依據(jù)圖7所述的流程對(duì)優(yōu)化的深層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試，并與相同條件下的使用KNN、SVM和BP神經(jīng)網(wǎng)絡(luò)的結(jié)果進(jìn)行對(duì)比，其結(jié)果以混淆矩陣的形式呈現(xiàn)，如圖12所示。可以看出，優(yōu)化后的深層神經(jīng)網(wǎng)絡(luò)的表現(xiàn)優(yōu)于其他三者的表現(xiàn)，前者的整體正確識(shí)別率已超過(guò)90%。

圖12 不同方法的識(shí)別結(jié)果的混淆矩陣Fig.12 Confusion matrix of classification results with different methods

以上結(jié)果可以看出，采用深層神經(jīng)網(wǎng)絡(luò)+三階神經(jīng)元的結(jié)構(gòu)處理局放特征量的方式，對(duì)無(wú)缺陷、含氣隙缺陷以及含金屬雜質(zhì)缺陷的絕緣紙?jiān)嚇幼R(shí)別率可以達(dá)到91.6%以上，能夠有效識(shí)別紙質(zhì)絕緣件含缺陷導(dǎo)致的故障。在實(shí)際運(yùn)用中，含氣隙缺陷和金屬雜質(zhì)缺陷為主要的缺陷類(lèi)型，因此該方法便于對(duì)變壓器紙質(zhì)絕緣件缺陷導(dǎo)致故障的快速處理。當(dāng)局放超標(biāo)，對(duì)局放特征分析結(jié)果為絕緣件含氣隙或金屬雜質(zhì)時(shí)，可將篩查目標(biāo)首先定位為紙質(zhì)絕緣件，采用X光重點(diǎn)檢查；分類(lèi)結(jié)果為無(wú)缺陷時(shí)，應(yīng)檢查絕緣件是否有變形或安裝不到位導(dǎo)致的油中放電。

3 結(jié) 論

1)運(yùn)用Adam算法使損失函數(shù)能迅速下降并收斂，識(shí)別準(zhǔn)確率相對(duì)最佳;當(dāng)學(xué)習(xí)率設(shè)置為0.001時(shí),使用Adam損失函數(shù)能迅速下降并收斂；當(dāng)深層神經(jīng)網(wǎng)絡(luò)隱含層結(jié)構(gòu)為64-32-32-32-16時(shí)，神經(jīng)網(wǎng)絡(luò)性能達(dá)到最優(yōu)且未出現(xiàn)過(guò)擬合。

2)采用深層神經(jīng)網(wǎng)絡(luò)+三階神經(jīng)元的結(jié)構(gòu)處理局放特征量的方式，對(duì)無(wú)缺陷、含氣隙缺陷以及含金屬雜質(zhì)缺陷的絕緣紙?jiān)嚇幼R(shí)別率可以達(dá)到91.6%，優(yōu)于傳統(tǒng)KNN、SVM和BP神經(jīng)網(wǎng)絡(luò)的表現(xiàn)，進(jìn)而能夠有效識(shí)別紙質(zhì)絕緣件含缺陷導(dǎo)致的故障，便于對(duì)變壓器紙質(zhì)絕緣件缺陷導(dǎo)致故障的快速處理。