姜曉東 王磊磊 孫鵬 楊光 耿俊琪 王家文 黃勝 渠帥 王晨 尚盈

摘要：實(shí)際應(yīng)用中電力變壓器故障數(shù)據(jù)獲取困難，導(dǎo)致在處理變壓器故障數(shù)據(jù)時(shí)會(huì)由于存在不平衡數(shù)據(jù)對(duì)深入分析結(jié)果產(chǎn)生很大的影響。為了解決上述問(wèn)題，結(jié)合對(duì)抗神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)對(duì)不平衡數(shù)據(jù)進(jìn)行處理與判斷，利用基于超弱光纖布拉格光柵的分布式聲波傳感技術(shù)對(duì)實(shí)驗(yàn)室搭建的變壓器的模擬現(xiàn)場(chǎng)進(jìn)行數(shù)據(jù)采集與分析，并在采集到的變壓器故障模擬數(shù)據(jù)的檢測(cè)上取得很好的效果。這種方法對(duì)基于對(duì)抗生成網(wǎng)絡(luò)的有載變壓器小樣本故障識(shí)別系統(tǒng)具有重要的借鑒意義。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；點(diǎn)式傳感器；有載變壓器；故障檢測(cè)；模式識(shí)別；對(duì)抗生成網(wǎng)絡(luò)；數(shù)據(jù)增強(qiáng)

中圖分類號(hào)：TN247?? 文獻(xiàn)標(biāo)志碼：A?? 文章編號(hào)：1002-4026（2023）06-0068-06

Fault detection of an on-load tap changer based

on generative adversarial network

JIANG Xiaodong1，WANG Leilei1，? SUN Peng1，YANG Guang1 ， GENG Junqi1 ，WANG Jiawen2 ，

HUANG Sheng2， QU Shuai2*， WANG Chen2， SHANG Ying2

（1.State Grid Shandong Electric Power Company Zibo Power Supply Company，Zibo 255000， China;

2. Laser Research Institute， Qilu University of Technology（Shandong Academy of sciences），Jinan 250014，China）

Abstract∶The probability of power transformer failure is extremely low， which leads to a great impact on further in-depth analysis results due to unbalanced data when processing transformer fault data. To solve these problems， this study processes and judges the unbalanced data using an confrontation neural network combined with an artificial neural network， uses the distributed acoustic wave sensing technology based on ultraweak fiber Bragg gratings to collect and analyze the data of the simulation site of the transformer built in a laboratory， and achieves good results on the collected transformer fault simulation data. This method has an important referential significance for developing the small sample fault identification system of the on-load transformer using confrontation generation network.

Key words∶artificial neural network; point sensor; on-load transformer; fault detection; pattern recognition; generative adversarial networks ; data enhancement

傳統(tǒng)調(diào)壓開(kāi)關(guān)在調(diào)壓時(shí)必須使負(fù)載斷電，而有載調(diào)壓開(kāi)關(guān)（on-load tap-changer，OLTC）的出現(xiàn)很好地解決了這一弊端，其可以在有載的條件下改變電壓，為電力行業(yè)綠色發(fā)展提供了重要的技術(shù)支持［1］。但由于有載調(diào)壓開(kāi)關(guān)有載運(yùn)行的特點(diǎn)，對(duì)其故障檢測(cè)就要求在斷電的情況下進(jìn)行設(shè)備排查，給人民生產(chǎn)生活帶來(lái)不便［2］。同時(shí)由于變壓器發(fā)生故障的概率極低，因此在面臨少量故障樣本的條件下，如何根據(jù)現(xiàn)有數(shù)據(jù)快速、準(zhǔn)確得出變壓器的運(yùn)行狀態(tài)成為當(dāng)今制約有載變壓器發(fā)展的一大難題［3-5］。

對(duì)于小概率發(fā)生事件，如關(guān)鍵設(shè)備故障事件，其發(fā)生故障的后果嚴(yán)重，且發(fā)生的概率較低，缺乏數(shù)據(jù)信息將會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)欠擬合，針對(duì)此類事件，可以通過(guò)人工數(shù)據(jù)增強(qiáng)、改善網(wǎng)絡(luò)結(jié)構(gòu)等方案進(jìn)行解決。Georgios等［6］提出了一種簡(jiǎn)單有效的基于k均值聚類和SMOTE（synthetic minority oversampling technique，合成少數(shù)過(guò)采樣技術(shù)）的超采樣方法，避免了噪聲的產(chǎn)生，有效地克服了類間和類內(nèi)的不平衡，但缺乏可視化環(huán)節(jié)，所得的樣本無(wú)法人工辨別其生成樣本的真實(shí)性。Wu等［7］提出了一種以一維卷積神經(jīng)網(wǎng)絡(luò)為時(shí)域信號(hào)特征提取器，支持向量機(jī)為分類器的識(shí)別方法，使得自動(dòng)提取特征的結(jié)果優(yōu)于人工選擇特征，同時(shí)在入侵識(shí)別率上高于二維卷積神經(jīng)網(wǎng)絡(luò)，但對(duì)于類別不平衡的樣本集應(yīng)用效果較差。Shi等［8］將時(shí)空數(shù)據(jù)矩陣塑造成偽RGB（red，green，blue）圖片作為CNN（convolutional neural network）網(wǎng)絡(luò)的輸入，提出了輕量級(jí)CNN網(wǎng)絡(luò)，在不均衡樣本數(shù)據(jù)集上有良好的表現(xiàn)，但將其應(yīng)用到故障判別時(shí)效果未達(dá)到預(yù)期結(jié)果。Shi等［9］使用不同訓(xùn)練數(shù)據(jù)樣本規(guī)模的訓(xùn)練集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)果表明，當(dāng)訓(xùn)練數(shù)據(jù)樣本規(guī)模下降時(shí)，網(wǎng)絡(luò)的分類準(zhǔn)確率會(huì)下降。由此，可以通過(guò)擴(kuò)充樣本集的方法來(lái)提高故障識(shí)別率。Jiang等［10］將mel頻率倒譜系數(shù)與CNN結(jié)合，對(duì)5類事件的準(zhǔn)確率達(dá)到97%，但對(duì)于不平衡的樣本集表現(xiàn)效果較差。所有這些機(jī)器學(xué)習(xí)分類器都是數(shù)據(jù)驅(qū)動(dòng)的，需要大量的訓(xùn)練數(shù)據(jù)樣本，同時(shí)對(duì)于頻域判別效果優(yōu)于時(shí)域判別效果，基于此，本文提出采用對(duì)抗生成網(wǎng)絡(luò)擴(kuò)充樣本集，并通過(guò)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別。

山 東 科 學(xué)2023年

第6期

姜曉東，等：基于生成對(duì)抗網(wǎng)絡(luò)的有載調(diào)壓開(kāi)關(guān)故障檢測(cè)研究

為了提高對(duì)于小概率事件識(shí)別的準(zhǔn)確性，本文應(yīng)用生成對(duì)抗網(wǎng)絡(luò)（generative adversarial networks，GAN）的故障識(shí)別方案。首先，通過(guò)光纖傳感器采集到傳感信號(hào)，隨后將采集的傳感信號(hào)轉(zhuǎn)換為二維圖像，所得的二維圖像利用GAN將小概率事件的樣本集進(jìn)行擴(kuò)充，將小概率發(fā)生事件的樣本數(shù)擴(kuò)充到和正常樣本數(shù)的事件。再將擴(kuò)充后的樣本與正常樣本同時(shí)送入神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行故障判別［9］。最后，通過(guò)對(duì)有載分接開(kāi)關(guān)現(xiàn)場(chǎng)故障模擬實(shí)驗(yàn)，驗(yàn)證了該方法對(duì)基于光纖傳感系統(tǒng)的有載分接開(kāi)關(guān)故障判別準(zhǔn)確率有顯著的提高。

1 實(shí)驗(yàn)原理與實(shí)驗(yàn)設(shè)備

1.1 光纖傳感系統(tǒng)

本文采用基于超弱光纖布拉格光柵的分布式聲波傳感技術(shù)，如圖1所示，利用分布光纖傳感系統(tǒng)進(jìn)行數(shù)據(jù)采集［11］。

1.2 有載分接開(kāi)關(guān)的運(yùn)行狀態(tài)類型

關(guān)于有載分接開(kāi)關(guān)，其運(yùn)行狀態(tài)有正常運(yùn)行狀態(tài)和危險(xiǎn)狀態(tài)。其中，正常狀態(tài)是指變壓器在運(yùn)行過(guò)程中，各項(xiàng)指標(biāo)都在正常范圍內(nèi)，變壓器可以正常運(yùn)行。危險(xiǎn)狀態(tài)則是指變壓器的運(yùn)行過(guò)程中，主要的性能指標(biāo)超出了正常范圍，變壓器繼續(xù)運(yùn)行可能會(huì)導(dǎo)致變壓器燒毀等情況的發(fā)生，因此，合理檢出變壓器的危險(xiǎn)狀態(tài)是當(dāng)前任務(wù)的重中之重。在此，我們通過(guò)光纖傳感器檢測(cè)變壓器在運(yùn)行過(guò)程產(chǎn)生的振動(dòng)或聲波信號(hào)來(lái)判別變壓器的運(yùn)行狀態(tài)。

1.3 數(shù)據(jù)采集過(guò)程

將光纖傳感器鋪設(shè)到OLTC設(shè)備上面之后，分別采集OLTC正常運(yùn)行時(shí)的運(yùn)行狀態(tài)、異常狀態(tài)以及發(fā)生故障后運(yùn)行狀態(tài)的信息。但由于OLTC的異常狀態(tài)和發(fā)生故障的概率比較低，我們收集到的此類信息較少，故本論文采用生成對(duì)抗網(wǎng)絡(luò)來(lái)擴(kuò)充小概率的數(shù)據(jù)。由于有載變壓器的故障信號(hào)為短時(shí)沖擊信號(hào)，因此我們采用短時(shí)沖擊信號(hào)來(lái)模擬故障信號(hào)。選擇實(shí)驗(yàn)室的水缸作為實(shí)驗(yàn)設(shè)備，將水缸放滿水，將點(diǎn)式傳感器的傳感設(shè)備光纖用鐵管固定在水下，正常狀態(tài)為無(wú)外界影響的狀態(tài)，故障狀態(tài)則敲擊管壁，分別采集故障信號(hào)2次，每次時(shí)間長(zhǎng)達(dá)0.5 s，而正常運(yùn)行狀態(tài)為500次，每次時(shí)間為0.5 s。

2 數(shù)據(jù)增強(qiáng)與故障識(shí)別

2.1 信號(hào)轉(zhuǎn)換為圖像

本文應(yīng)用光纖傳感器采集實(shí)驗(yàn)數(shù)據(jù)，每個(gè)樣本數(shù)據(jù)矩陣由1 s內(nèi)按順序收集的行數(shù)據(jù)組成。傳統(tǒng)的方法都是通過(guò)人工進(jìn)行特征提取，由于數(shù)據(jù)量過(guò)大，采用人工特征提取方式所用時(shí)間過(guò)長(zhǎng)，并且所得結(jié)果不可靠，因此，我們需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理再進(jìn)行故障識(shí)別。將采集到的每個(gè)位置信息進(jìn)行二維短時(shí)傅里葉變換，得到關(guān)于頻域信號(hào)的RGB圖像。同時(shí)，由于OLTC發(fā)生故障的概率較低，導(dǎo)致其故障樣本數(shù)量少，而神經(jīng)網(wǎng)絡(luò)要求大量的數(shù)據(jù)集，進(jìn)行數(shù)據(jù)增強(qiáng)是必需的步驟。傳統(tǒng)的數(shù)據(jù)增強(qiáng)方法包括對(duì)圖像進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、顏色變換、裁剪等，但該類方法只能簡(jiǎn)單地增多樣本的數(shù)量，卻不能增強(qiáng)數(shù)據(jù)的多樣性［12］。因此，本文引入了生成對(duì)抗網(wǎng)絡(luò)進(jìn)行圖像的生成，將時(shí)域RGB輸入信息經(jīng)GAN擴(kuò)充后的圖像送入神經(jīng)網(wǎng)絡(luò)，進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。通過(guò)現(xiàn)場(chǎng)采集的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行測(cè)試，故障的平均識(shí)別率可以達(dá)到90%以上。

2.2 基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)

生成對(duì)抗網(wǎng)絡(luò)主要有兩個(gè)網(wǎng)絡(luò)模型的搭建，分別為生成器模型和判別器模型。其中隨機(jī)噪聲經(jīng)過(guò)生成器模型后，產(chǎn)生和真實(shí)樣本集類似的虛假樣本，而判別器模型則是將生成器模型產(chǎn)生的虛假樣本與真實(shí)樣本進(jìn)行比對(duì)，通過(guò)虛假樣本與真實(shí)樣本之間的差距進(jìn)而不斷地調(diào)整生成器的參數(shù)進(jìn)行優(yōu)化，從而使生成的數(shù)據(jù)更加貼近真實(shí) ［13］。生成器模型經(jīng)過(guò)反卷積運(yùn)行后，生成一個(gè)256×256的生成樣本；隨后送入判別器中，對(duì)生成樣本和真實(shí)樣本進(jìn)行判別，得出生成圖片的真或假；得出結(jié)果若為真，則生成，判別結(jié)果若為假，則調(diào)整生成器模型的參數(shù)，再不斷進(jìn)行生成樣本，最終得出與原始樣本類似的圖片結(jié)果。生成器和判別器網(wǎng)絡(luò)模型架構(gòu)如圖2所示。

2.3 故障判斷神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)模型，是一種模擬人的神經(jīng)系統(tǒng)構(gòu)造的網(wǎng)絡(luò)，由一系列的神經(jīng)元構(gòu)成，其中每個(gè)神經(jīng)元都是獨(dú)立的個(gè)體，由輸入、輸出、激活函數(shù)和權(quán)重構(gòu)成，多個(gè)神經(jīng)元相連接構(gòu)成人工神經(jīng)網(wǎng)絡(luò)，上一個(gè)神經(jīng)元的輸出是下一個(gè)神經(jīng)元的輸入，每個(gè)神經(jīng)元的輸出都要經(jīng)過(guò)激活函數(shù)，使得每一個(gè)神經(jīng)元的輸出都是非線性關(guān)系，從而保證輸出的準(zhǔn)確性，可以更好地?cái)M合訓(xùn)練數(shù)據(jù)的關(guān)系［14］。

本文人工神經(jīng)網(wǎng)絡(luò)中優(yōu)化器采用Adam算法，是一種學(xué)習(xí)率自適應(yīng)算法，激活函數(shù)選用Relu，最大迭代次數(shù)選取為500次，在故障樣本數(shù)只有2次的情況下，故障識(shí)別最終可達(dá)到90%以上的準(zhǔn)確率。

3 實(shí)驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)采集

針對(duì)數(shù)據(jù)集，本文使用實(shí)驗(yàn)室模擬有載變壓器的運(yùn)行狀態(tài)，通過(guò)水箱模擬有載變壓器，正常數(shù)據(jù)為無(wú)外界環(huán)境影響下采集500次，每次0.5 s，故障數(shù)據(jù)則是對(duì)水箱壁進(jìn)行敲擊，共2次，每次0.5 s。

3.2 數(shù)據(jù)處理

對(duì)于采集到的數(shù)據(jù)，首先進(jìn)行短時(shí)傅里葉變換，將一維信息轉(zhuǎn)換為二維圖像信息。將實(shí)驗(yàn)采集的正常狀態(tài)的500次數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換，將500組正常數(shù)據(jù)切片為2 718張圖像，將2組故障數(shù)據(jù)切片為6張圖像。

為了保證采集到的數(shù)據(jù)真實(shí)可靠，我們分別采集了系統(tǒng)正常運(yùn)行后的第5、10、15、20 min的信息，從而保證采集到的數(shù)據(jù)是在系統(tǒng)平穩(wěn)運(yùn)行之后的數(shù)據(jù)，隨后對(duì)采集到的數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換，結(jié)果如圖3所示。可以看出系統(tǒng)開(kāi)機(jī)后的5～20 min采集到的信息相差很小，且能量均在低頻區(qū)域，與系統(tǒng)正常運(yùn)行時(shí)的短時(shí)傅里葉變換圖的能量也應(yīng)均在低頻區(qū)域這一情況相一致，從而確保了數(shù)據(jù)的真實(shí)可靠性。

在故障運(yùn)行時(shí)，我們分別采集了系統(tǒng)正常運(yùn)行后的第5、10、15、20 min的信息，與正常運(yùn)行時(shí)采集數(shù)據(jù)的相同位置進(jìn)行數(shù)據(jù)采集，隨后進(jìn)行短時(shí)傅里葉變換，得到如圖4所示的故障狀態(tài)圖。采集的信息在經(jīng)過(guò)短時(shí)傅里葉變換后能量不僅存在低頻區(qū)域，在中高頻區(qū)域也存在，與在故障運(yùn)行狀態(tài)時(shí)施加短時(shí)沖擊信號(hào)這一條件相符合?？梢悦黠@看出，正常運(yùn)行狀態(tài)與故障運(yùn)行狀態(tài)的短時(shí)傅里葉變換圖像形成鮮明對(duì)比。

在二維圖像信息圖中，圖像中間代表中頻信息，圖像上下兩部分分別代表高頻信息和低頻信息，可以看出，在正常運(yùn)行狀態(tài)下，幾乎沒(méi)有高頻和低頻信息的影響，而在故障狀態(tài)下，高頻信息與低頻信息的影響很大，因此可以通過(guò)是否有高頻或低頻信息來(lái)判斷設(shè)備的運(yùn)行狀態(tài)。

3.3 數(shù)據(jù)增強(qiáng)

由于故障數(shù)據(jù)為小樣本事件，因此本文對(duì)小樣本數(shù)據(jù)即故障樣本數(shù)據(jù)進(jìn)行了基于對(duì)抗神經(jīng)網(wǎng)絡(luò)圖像生成，如圖5為對(duì)抗生成網(wǎng)絡(luò)的運(yùn)行結(jié)果。可以看出，經(jīng)過(guò)對(duì)抗生成網(wǎng)絡(luò)生成的圖片保留了原始故障數(shù)據(jù)的信息。在進(jìn)行圖像生成后，正常數(shù)據(jù)圖有2 718張圖像，故障數(shù)據(jù)經(jīng)過(guò)對(duì)抗生成網(wǎng)絡(luò)后可以達(dá)到2 733張圖像。隨后把擴(kuò)充后的數(shù)據(jù)集送入到神經(jīng)網(wǎng)絡(luò)中，得到故障判別準(zhǔn)確率。

3.4 模式識(shí)別

本文采取混淆矩陣作為實(shí)驗(yàn)的判斷依據(jù)，并將沒(méi)有經(jīng)過(guò)對(duì)抗生成網(wǎng)絡(luò)的數(shù)據(jù)集和經(jīng)過(guò)對(duì)抗生成網(wǎng)絡(luò)的擴(kuò)充的數(shù)據(jù)集進(jìn)行對(duì)比，如圖6為混淆矩陣的對(duì)比實(shí)驗(yàn)圖。

本文將發(fā)生故障事件設(shè)為1，正常運(yùn)行事件設(shè)為0，可以看出經(jīng)過(guò)擴(kuò)充后的數(shù)據(jù)集在人工神經(jīng)網(wǎng)絡(luò)的表現(xiàn)更好，將故障識(shí)別率從50%提升到了90%以上。從圖6（b）可以得出實(shí)際為正常狀態(tài)，神經(jīng)網(wǎng)絡(luò)判斷也為正常狀態(tài)的共有2 687個(gè)。實(shí)際為正常狀態(tài)，而判斷為故障狀態(tài)的共有31個(gè)。實(shí)際為故障狀態(tài)，而判斷為正常運(yùn)行狀態(tài)的有0個(gè)。實(shí)際為故障狀態(tài)，判斷為故障狀態(tài)的有2 733個(gè)，可以使得故障識(shí)別準(zhǔn)確率達(dá)到90%以上，可以很好地實(shí)現(xiàn)故障檢測(cè)功能。

4 結(jié)論

由于有載變壓器系統(tǒng)具有發(fā)生故障的頻率低，一旦故障，對(duì)于生產(chǎn)生活產(chǎn)生極大損失等特點(diǎn)，所以如何擴(kuò)充故障樣本集一直是深度學(xué)習(xí)面臨不均衡樣本集的難點(diǎn)問(wèn)題。本文通過(guò)對(duì)抗生成網(wǎng)絡(luò)方法擴(kuò)充了樣本集，在二維圖像上進(jìn)行了數(shù)據(jù)量擴(kuò)充，對(duì)于實(shí)驗(yàn)數(shù)據(jù)量過(guò)大的問(wèn)題采用了人工神經(jīng)網(wǎng)絡(luò)的處理方法，對(duì)于故障狀態(tài)的識(shí)別可以達(dá)到90%以上，驗(yàn)證了對(duì)抗生成網(wǎng)絡(luò)在有載變壓器故障檢測(cè)應(yīng)用的可行性。為對(duì)抗生成網(wǎng)絡(luò)在有載變壓器上應(yīng)用提供了理論基礎(chǔ)，為將來(lái)電網(wǎng)實(shí)現(xiàn)智能化提供了技術(shù)支持，在變壓器的發(fā)展上具有很大的潛在應(yīng)用空間。

參考文獻(xiàn)：

［1］林明霞. 一種實(shí)現(xiàn)φ-OTDR系統(tǒng)長(zhǎng)距離監(jiān)測(cè)的方法及系統(tǒng)： CN104457808A［P］. 2015-03-25.

［2］張知先， 陳偉根， 湯思蕊， 等. 基于互補(bǔ)集總經(jīng)驗(yàn)?zāi)B(tài)分解和局部異常因子的有載分接開(kāi)關(guān)狀態(tài)特征提取及異常狀態(tài)診斷［J］. 電工技術(shù)學(xué)報(bào)， 2019， 34（21）： 4508-4518. DOI： 10.19595/j.cnki.1000-6753.tces.181320.

［3］聶鵬. 淺談電力變壓器故障分析及其診斷方法［J］. 科技創(chuàng)新與應(yīng)用， 2014（12）： 121.

［4］趙彤. 有載分接開(kāi)關(guān)機(jī)械狀態(tài)的在線監(jiān)測(cè)與故障診斷技術(shù)研究［D］. 濟(jì)南： 山東大學(xué)， 2008.

［5］鐘龍申， 高學(xué)軍， 王振友. 一種新的基于K-means改進(jìn)SMOTE算法在不平衡數(shù)據(jù)集分類中的應(yīng)用［J］. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)， 2015， 45（19）： 198-206.

［6］DOUZAS G， BACAO F， LAST F. Improving imbalanced learning through a heuristic oversampling method based on K-means and SMOTE［J］. Information Sciences， 2018， 465： 1-20. DOI： 10.1016/j.ins.2018.06.056.

［7］WU H J， CHEN J P， LIU X R， et al. One-dimensional CNN-based intelligent recognition of vibrations in pipeline monitoring with DAS［J］. Journal of Lightwave Technology， 2019， 37（17）： 4359-4366. DOI： 10.1109/JLT.2019.2923839.

［8］SHI Y， WANG YY， WANG L Y， et al. Multi-event classification for Φ-OTDR distributed optical fiber sensing system using deep learning and support vector machine［J］. Optik， 2020， 221： 165373. DOI： 10.1016/j.ijleo.2020.165373.

［9］SHI Y， LI Y H， ZHANG Y C， et al. An easy access method for event recognition of Φ-OTDR sensing system based on transfer learning［J］. Journal of Lightwave Technology， 2021， 39（13）： 4548-4555. DOI： 10.1109/JLT.2021.3070583.

［10］JIANG F， LI H L， ZHANG Z H， et al. An event recognition method for fiber distributed acoustic sensing systems based on the combination of MFCC and CNN［C］∥2017 International Conference on Optical Instruments and Technology： Advanced Optical Sensors and Applications. Beijing， China： SPIE， 2018， 10618： 15-21. DOI：10.1117/12.2286220.

［11］董貫雷， 姜曉東， 孫鵬， 等. 基于分布式光纖傳感系統(tǒng)的有載變壓器故障檢測(cè)技術(shù)研究［J］. 山東科學(xué)， 2023， 36（5）： 52-59. DOI：10.3976/j.issn.1002-4026.2023.05.007.

［12］陳先昌. 基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究［D］. 杭州： 浙江工商大學(xué)， 2014.

［13］劉剛坤， 李寶福. 基于光纖布拉格光柵的多點(diǎn)壓力測(cè)量［J］. 計(jì)量與測(cè)試技術(shù)， 2022， 49（8）： 57-60. DOI： 10.15988/j.cnki.1004-6941.2022.8.016.

［14］張躍， 劉偉， 胡波，等. 一種基于GAN網(wǎng)絡(luò)的樣本數(shù)據(jù)增強(qiáng)方法及系統(tǒng)： CN113962360A［P］. 2022-01-21.