劉洪笑，向 勉，周丙濤，朱 黎，段亞窮，張曉艷

（湖北民族大學(xué) 智能科學(xué)與工程學(xué)院，湖北 恩施 445000）

0 引 言

配電網(wǎng)架空線路的局部放電現(xiàn)象一般是由線路電氣設(shè)備絕緣體內(nèi)部或表面局部電場(chǎng)集中造成，雖然在早期的局部放電狀態(tài)下不會(huì)引起絕緣擊穿，但一定會(huì)損傷絕緣材料。如果局部放電現(xiàn)象得不到控制，可能會(huì)導(dǎo)致絕緣劣化或擊穿，進(jìn)而引起線路跳閘和起火，對(duì)人們的生命和財(cái)產(chǎn)安全造成嚴(yán)重威脅。

目前對(duì)于大部分局部放電的研究主要為提取特征參數(shù)，然后使用算法進(jìn)行分類或者使用深度學(xué)習(xí)的方法將數(shù)據(jù)導(dǎo)入深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練，利用深度學(xué)習(xí)網(wǎng)絡(luò)提取信號(hào)的特征加以分類[1-6]。由于受到放電模式的影響，局部放電具有隨機(jī)性，因此使用一種自適應(yīng)能力較強(qiáng)的模型來檢測(cè)局部放電現(xiàn)象顯得尤為重要。

隨著圖像識(shí)別技術(shù)的發(fā)展，受文獻(xiàn)[7]的啟發(fā)，本文將局部放電的脈沖電壓信號(hào)數(shù)據(jù)轉(zhuǎn)為二維圖像，并基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）重新設(shè)計(jì)了絕緣架空導(dǎo)線局部放電的網(wǎng)絡(luò)結(jié)構(gòu)，可以對(duì)局部放電現(xiàn)象進(jìn)行較高準(zhǔn)確度的檢測(cè)。由于CNN處理二維數(shù)據(jù)的能力更強(qiáng)，并且預(yù)訓(xùn)練CNN網(wǎng)絡(luò)的圖像數(shù)據(jù)集均為二維圖像，因此采用將一維的局部放電數(shù)據(jù)變換為二維圖片的信號(hào)處理方法。文獻(xiàn)[8]為了減少弓網(wǎng)損壞，提出了格拉姆角場(chǎng)（Gramian Angular Field，GAF）-CNN的方法來識(shí)別弓網(wǎng)電弧。文獻(xiàn)[9]使用GAF將光伏逆變器故障數(shù)據(jù)轉(zhuǎn)化為圖片，使用長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）對(duì)圖片信息進(jìn)行提取。此外，還有采用連續(xù)小波變換（Continuous Wavelet Transform，CWT）的方式將一維數(shù)據(jù)轉(zhuǎn)換為二維圖片后再通過分類網(wǎng)絡(luò)分類[10-12]。由于CWT轉(zhuǎn)化的時(shí)間較長(zhǎng)，因此本文采用GAF轉(zhuǎn)化的方式。

1 數(shù)據(jù)集與數(shù)據(jù)處理

配電網(wǎng)局部放電數(shù)據(jù)由VSB ENET中心發(fā)布，為現(xiàn)場(chǎng)測(cè)量獲得的配電網(wǎng)架空線局部放電的真實(shí)數(shù)據(jù)。使用高頻電流電磁耦合法采集的配電網(wǎng)架空線路三相高頻電壓信號(hào)，該數(shù)據(jù)集的每一個(gè)原始電壓信號(hào)都有人工標(biāo)定的標(biāo)簽與之對(duì)應(yīng)。對(duì)于采集的脈沖電壓信號(hào)，其中包含8 187個(gè)正常信號(hào)和525個(gè)局部放電信號(hào)。部分人工標(biāo)定的數(shù)據(jù)集如表1所示。

表1 部分人工標(biāo)定數(shù)據(jù)集

在局部放電脈沖電壓信號(hào)采集過程中，采集的信號(hào)會(huì)受到電暈放電噪聲的影響，同時(shí)也可能會(huì)受到絕緣體噪聲、風(fēng)成噪聲、離散頻譜干擾、環(huán)境噪聲或放大器自身因素的干擾。局部放電信號(hào)集中存在于高頻區(qū)域，濾波去除1 000 Hz以下的頻率，然后使用離散小波對(duì)信號(hào)進(jìn)行降噪[13]。圖1為配電網(wǎng)架空導(dǎo)線脈沖電壓的原始信號(hào)，圖2為通過濾波降噪后的架空導(dǎo)線脈沖電壓信號(hào)。

2 數(shù)據(jù)的維度變換

GAF作為一種原理相對(duì)簡(jiǎn)單、計(jì)算方便的二維映射算法，既能夠生成二維圖像，保留完整的信號(hào)信息，又能維持信號(hào)對(duì)于時(shí)間的依賴性[14]。格拉姆角場(chǎng)可以將絕緣架空導(dǎo)線局部放電單變量時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為圖像數(shù)據(jù)，絕緣架空導(dǎo)線脈沖電壓信號(hào)在笛卡爾坐標(biāo)系中為一維時(shí)間序列，而格拉姆角場(chǎng)是通過極坐標(biāo)系代替笛卡爾坐標(biāo)系來表示數(shù)據(jù)。

假設(shè)一個(gè)絕緣架空導(dǎo)線脈沖電壓信號(hào)的時(shí)間序列是X={x1,x2,…,xn}，長(zhǎng)度為n，先將脈沖電壓信號(hào)的時(shí)間序列歸一化為[-1,1]，計(jì)算公式為

式中：max(X)和min(X)是絕緣架空電路中脈沖電壓信號(hào)的最大值和最小值。

將縮放后的脈沖電壓信號(hào)時(shí)間序列在極坐標(biāo)上進(jìn)行編碼，公式為

式中：Φi為角余弦；ri為對(duì)應(yīng)時(shí)間戳ti編碼的半徑。時(shí)間序列會(huì)隨著時(shí)間在極坐標(biāo)系中編碼形成不同的圖像，相應(yīng)的值會(huì)在跨越圓上的不同角度點(diǎn)之間扭曲，最終圖線會(huì)呈現(xiàn)螺旋發(fā)射式分布。經(jīng)過上面的公式變換，將脈沖電壓時(shí)序信號(hào)數(shù)據(jù)轉(zhuǎn)換為沿對(duì)角線對(duì)稱的特征圖，使用特征圖對(duì)時(shí)間序列進(jìn)行重構(gòu)。GAF時(shí)間序列轉(zhuǎn)換圖像特征如圖3所示。

3 GAF-CNN模型

CNN是深度學(xué)習(xí)領(lǐng)域應(yīng)用較為普遍的算法，常用于故障的診斷，其中LeNet5、VGG、Xception均為常見的算法模型，在圖片分類領(lǐng)域發(fā)揮著重要作用[15]。CNN結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層以及輸出層。GAF-CNN模型中，輸入層為脈沖電壓信號(hào)經(jīng)過GAF轉(zhuǎn)換得到的圖片，經(jīng)過卷積池化的處理將輸入的圖片數(shù)據(jù)轉(zhuǎn)變?yōu)樘卣鲌D，作為全連接層的輸入，最后通過輸出圖像的特征實(shí)現(xiàn)圖片的分類。經(jīng)過GAF變換后的圖片均為圖片像素大小為52×52的圖片，CNN的輸入也為52×52。在CNN網(wǎng)絡(luò)中，前2層卷積的卷積核大小都為3×3，步長(zhǎng)為1，經(jīng)過池化層為2×2的感受域，后連接2個(gè)全連接層，最終輸出圖片類型。GAF-CNN的配電網(wǎng)局部放電故障檢測(cè)過程如圖4所示。

4 分類實(shí)驗(yàn)與分析

采用GAF-CNN模型對(duì)配電網(wǎng)局部放電現(xiàn)象檢測(cè)，先對(duì)脈沖電壓信號(hào)進(jìn)行濾波降噪處理，將處理過的數(shù)據(jù)轉(zhuǎn)換為GAF圖，然后輸入CNN進(jìn)行分類。在網(wǎng)絡(luò)訓(xùn)練中，將數(shù)據(jù)劃分為訓(xùn)練集、測(cè)試集、驗(yàn)證集，訓(xùn)練集、測(cè)試集、驗(yàn)證集的比例為6∶2∶2。批量大小為128，使用Adam優(yōu)化器迭代100次。完成訓(xùn)練和驗(yàn)證后得到訓(xùn)練集和測(cè)試集的精度和損失值如圖5、圖6所示，在測(cè)試集上的精度達(dá)到99.77%。

5 結(jié) 論

基于GAF的特征提取與融合方法可以有效地提高實(shí)驗(yàn)效果，將GAF與深度學(xué)習(xí)中的CNN結(jié)合，構(gòu)建GAF-CNN配電網(wǎng)局部放電模型，在配電網(wǎng)局部放電數(shù)據(jù)集上的識(shí)別率可以達(dá)到99.77%，具有一定的可行性。