摘要

南京工程學(xué)院、江蘇省電力有限公司鎮(zhèn)江供電分公司的研究人員王菲菲、阮愛民、魏剛、孫海渤，在2019年第4期《電氣技術(shù)》雜志上撰文（論文標(biāo)題為“基于卷積神經(jīng)網(wǎng)絡(luò)的開關(guān)柜局部放電故障識(shí)別”）指出，目前的局部放電故障的分類算法大多是淺層學(xué)習(xí)算法，人工提取的特征直接影響分類結(jié)果。與淺層學(xué)習(xí)算法相對(duì)，深度學(xué)習(xí)具有更深的架構(gòu)，能夠自動(dòng)從樣本中學(xué)習(xí)特征，卷積神經(jīng)網(wǎng)絡(luò)是典型的深度學(xué)習(xí)算法。

本文旨在研究卷積神經(jīng)網(wǎng)絡(luò)在開關(guān)柜局部放電的應(yīng)用，證明深度學(xué)習(xí)架構(gòu)能夠有效提高識(shí)別率。本實(shí)驗(yàn)共采集正常和故障兩種可聽聲信號(hào)，將以上兩類聲音信號(hào)進(jìn)行提取特征后，分別放入SVM模型和卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的SVM提高了聲音識(shí)別的準(zhǔn)確度。

電力系統(tǒng)中，10kV金屬封閉式開關(guān)柜是直接面向用戶的電力設(shè)備，電力系統(tǒng)的安全運(yùn)行與開關(guān)柜的狀態(tài)息息相關(guān)。根據(jù)相關(guān)資料顯示，絕緣劣化和接觸不良是開關(guān)柜的主要故障。而這些故障發(fā)生之前，會(huì)有局部放電現(xiàn)象。因此，通過對(duì)局部放電信號(hào)的有效監(jiān)測(cè)，可以在開關(guān)柜的絕緣層發(fā)生劣化前采取措施，降低事故發(fā)生率。

目前，高壓開關(guān)柜的故障檢測(cè)方法有電測(cè)法和非電測(cè)法。電測(cè)法主要包括脈沖電流法、特高頻檢測(cè)法、無線電干擾電壓法。非電測(cè)法主要有聲發(fā)射檢測(cè)法、光測(cè)法、紅外檢測(cè)法。非電測(cè)法與電測(cè)法比較，具有更強(qiáng)的抗電磁干擾能力。在非電測(cè)法中，超聲波的使用范圍最廣，但是超聲波衰減速度快，很難穿透設(shè)備的金屬外殼。因此我們檢測(cè)的是聲波信號(hào)的低頻段，即對(duì)可聽聲信號(hào)進(jìn)行故障檢測(cè)?；诼晫W(xué)特征量的診斷技術(shù)，不需要接觸設(shè)備，不會(huì)干擾設(shè)備的正常運(yùn)行，可以隨時(shí)采集信號(hào)，方便安裝。

對(duì)比國(guó)外的研究現(xiàn)狀，我國(guó)的可聽聲在線監(jiān)測(cè)技術(shù)起步較晚，但發(fā)展迅速。文獻(xiàn)[3]提出一種基于語(yǔ)譜特征的開關(guān)柜局部放電檢測(cè)算法，相比基于MFCC特征故障檢測(cè)率提高2.5%，但由于特征選取單一，算法存在一定的認(rèn)假率。文獻(xiàn)[4]通過模糊C均值聚類和分裂層次法來構(gòu)建完全二叉樹，有效解決了傳統(tǒng)一對(duì)一支持向量機(jī)與一對(duì)多支持向量機(jī)所存在的不可分等問題，更好地提高了局部放電診斷的效率。

但是由于支持向量機(jī)依賴人工構(gòu)造特征，在處理環(huán)境特征復(fù)雜的場(chǎng)景（例如語(yǔ)音）時(shí)，錯(cuò)誤率仍然較高。為此，本文提出一種基于多模態(tài)特征和卷積神經(jīng)網(wǎng)絡(luò)的高壓開關(guān)柜的故障識(shí)別系統(tǒng)，并與基于支持向量機(jī)的檢測(cè)系統(tǒng)進(jìn)行對(duì)比。

1局部放電的聲信號(hào)表現(xiàn)及特點(diǎn)

開關(guān)柜在正常運(yùn)行時(shí)存在機(jī)械振動(dòng)，此時(shí)的聲音信號(hào)為“嗡嗡”聲，音量一般較小。而當(dāng)開關(guān)柜開始出現(xiàn)局部放電現(xiàn)象時(shí)，在局部放電區(qū)域會(huì)出現(xiàn)“滋滋”的放電聲，聲音比“嗡嗡”的正常運(yùn)行聲稍大，并且隨著放電程度的加深，最終會(huì)導(dǎo)致開關(guān)柜的絕緣層擊穿。絕緣擊穿時(shí)可以聽到短暫尖銳的“啪嗒”聲。因此，根據(jù)開關(guān)柜聲音信號(hào)的音頻特征變化，可判斷出開關(guān)柜是否出現(xiàn)故障。

圖1和圖2為正常運(yùn)行和故障運(yùn)行時(shí)的時(shí)域波形和語(yǔ)譜圖。在時(shí)域波形圖中，設(shè)備正常運(yùn)行時(shí)，波形平穩(wěn)，發(fā)生局部放電故障時(shí)，幅值較之前增大，但是波形仍然保持平穩(wěn)，而當(dāng)絕緣層擊穿時(shí)，信號(hào)幅值呈現(xiàn)瞬間增大又緩慢下降的趨勢(shì)。

從語(yǔ)譜圖可以看出，正常運(yùn)行時(shí)頻率分布均勻，而發(fā)生故障時(shí)信號(hào)頻率突然增大又變小，此時(shí)語(yǔ)譜圖顏色變淺，也就是說信號(hào)能量有所降低。由以上對(duì)比可知，正常運(yùn)行和故障運(yùn)行差異明顯，因此可根據(jù)信號(hào)分析來判斷設(shè)備的運(yùn)行狀態(tài)。

圖1正常運(yùn)行信號(hào)的時(shí)域波形及語(yǔ)譜圖

圖2放電時(shí)信號(hào)時(shí)域波形及語(yǔ)譜圖

2分類器（略）

目前故障檢測(cè)中的分類大多還是沿用已經(jīng)發(fā)展成熟的淺層學(xué)習(xí)算法，例如SVM。淺層學(xué)習(xí)是隱藏層比較少的神經(jīng)網(wǎng)絡(luò)，算法結(jié)構(gòu)簡(jiǎn)單。在深度學(xué)習(xí)的概念被提出后，各界學(xué)者開始將其應(yīng)用到各個(gè)領(lǐng)域。本文試圖將深度學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到開關(guān)柜局部放電檢測(cè)領(lǐng)域，證明深度學(xué)習(xí)比淺層學(xué)習(xí)算法具有更高的識(shí)別率。相比于淺層學(xué)習(xí)，深度學(xué)習(xí)擁有更深的架構(gòu)，計(jì)算層次也更加復(fù)雜，因此在處理特征方面具有明顯的優(yōu)越性。

圖3卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖

3實(shí)驗(yàn)與分析（略）

結(jié)論

根據(jù)實(shí)驗(yàn)結(jié)果顯示，卷積神經(jīng)網(wǎng)絡(luò)故障識(shí)別率相比于SVM提高了1.81%，具有明顯的優(yōu)越性。同樣的樣本數(shù)據(jù)輸入，而卷積神經(jīng)網(wǎng)絡(luò)具有更高的識(shí)別率，證明在卷積神經(jīng)中提取的特征比SVM提取的特征更有辨識(shí)度，更能有效分類。

本實(shí)驗(yàn)選取的樣本數(shù)較少，卷積神經(jīng)仍然達(dá)到了較高的分辨率，有效證明了深度學(xué)習(xí)架構(gòu)不依賴樣本數(shù)量提取特征。因此可以得出結(jié)論，卷積神經(jīng)網(wǎng)絡(luò)的這樣深度學(xué)習(xí)架構(gòu)在開關(guān)柜局部放電故障檢測(cè)系統(tǒng)存在研究意義。

但以上的故障診斷系統(tǒng)仍然存在一定缺陷，例如局部放電的故障沒有進(jìn)行詳細(xì)分類。未來可以建立實(shí)驗(yàn)平臺(tái)模擬各種故障，采用多種檢測(cè)方法聯(lián)合檢測(cè)，數(shù)據(jù)通過上位機(jī)進(jìn)行特征降維和特征值優(yōu)化，最后由多個(gè)分類器的結(jié)果進(jìn)行信息融合。根據(jù)以上方法可進(jìn)一步提高分類的準(zhǔn)確率。

聲明：本文為轉(zhuǎn)載類文章，如涉及版權(quán)問題，請(qǐng)及時(shí)聯(lián)系我們刪除（QQ: 2737591964），不便之處，敬請(qǐng)諒解！