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，深度學(xué)習(xí)具有更深的架構(gòu)，能夠自動從樣本中學(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)能夠有效提高識別率。本實驗共采集正常和故障兩種可聽聲信號，將以上兩類聲音信號進行提取特征后，分別放入SVM模型和卷積神經(jīng)網(wǎng)絡(luò)中進行分類。實驗結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的SVM提高了聲音識別的準確度。

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，會有局部放電現(xiàn)象。因此，通過對局部放電信號的有效監(jiān)測，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)柜的故障檢測方法有電測法和非電測法。電測法主要包括脈沖電流法、特高頻檢測法、無線電干擾電壓法。非電測法主要有聲發(fā)射檢測法、光測法、紅外檢測法。非電測法與電測法比較，具有更強的抗電磁干擾能力。在非電測法中，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。因此我們檢測的是聲波信號的低頻段，即對可聽聲信號進行故障檢測?；诼晫W(xué)特征量的診斷技術(shù)，不需要接觸設(shè)備，不會干擾設(shè)備的正常運行，可以隨時采集信號，方便安裝。

對比國外的研究現(xiàn)狀，我國的可聽聲在線監(jiān)測技術(shù)起步較晚，但發(fā)展迅速。文獻[3]提出一種基于語譜特征的開關(guān)柜局部放電檢測算法，相比基于MFCC特征故障檢測率提高2.5%，但由于特征選取單一，算法存在一定的認假率。文獻[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)一對一支持向量機與一對多支持向量機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依賴人工構(gòu)造特征，在處理環(huán)境特征復(fù)雜的場景（例如語音）時，錯誤率仍然較高。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)柜的故障識別系統(tǒng)，并與基于支持向量機的檢測系統(tǒng)進行對比。

1局部放電的聲信號表現(xiàn)及特點

開關(guān)柜在正常運行時存在機械振動，此時的聲音信號為“嗡嗡”聲，音量一般較小。而當開關(guān)柜開始出現(xiàn)局部放電現(xiàn)象時，在局部放電區(qū)域會出現(xiàn)“滋滋”的放電聲，聲音比“嗡嗡”的正常運行聲稍大，并且隨著放電程度的加深，最終會導(dǎo)致開關(guān)柜的絕緣層擊穿。絕緣擊穿時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為正常運行和故障運行時的時域波形和語譜圖。在時域波形圖中，設(shè)備正常運行時，波形平穩(wěn)，發(fā)生局部放電故障時，幅值較之前增大，但是波形仍然保持平穩(wěn)，而當絕緣層擊穿時，信號幅值呈現(xiàn)瞬間增大又緩慢下降的趨勢。

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

圖1正常運行信號的時域波形及語譜圖

圖2放電時信號時域波形及語譜圖

2分類器（略）

目前故障檢測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實驗與分析（略）

結(jié)論

根據(jù)實驗結(jié)果顯示，卷積神經(jīng)網(wǎng)絡(luò)故障識別率相比于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度，更能有效分類。

本實驗選取的樣本數(shù)較少，卷積神經(jīng)仍然達到了較高的分辨率，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行詳細分類。未來可以建立實驗平臺模擬各種故障，采用多種檢測方法聯(lián)合檢測，數(shù)據(jù)通過上位機進行特征降維和特征值優(yōu)化，最后由多個分類器的結(jié)果進行信息融合。根據(jù)以上方法可進一步提高分類的準確率。

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