江蘇省電力有限公司南京工程學(xué)院、鎮(zhèn)江供電分公司研究員王菲菲、阮?lèi)?ài)民、魏剛、孫海波在2019年第4期《電氣技術(shù)》上撰文指出，目前的局部放電故障分類(lèi)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(lèi)結(jié)果。與淺層學(xué)習(xí)算法相比，深層學(xué)習(xí)具有更深層的結(jié)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)是一種典型的深度學(xué)習(xí)算法。

本文的目的是研究卷積神經(jīng)網(wǎng)絡(luò)在開(kāi)關(guān)柜局部放電中的應(yīng)用，證明深度學(xué)習(xí)結(jié)構(gòu)能有效提高識(shí)別率。在本實(shí)驗(yàn)中，采集了正常和故障聲音信號(hào)，經(jīng)過(guò)特征提取后，將上述兩種聲音信號(hào)分為SVM模型和卷積神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的SVM方法相比，卷積神經(jīng)網(wǎng)絡(luò)提高了語(yǔ)音識(shí)別的準(zhǔn)確性。

在電力系統(tǒng)中，10kV金屬封閉型開(kāi)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(kāi)關(guān)柜狀態(tài)密切相關(guān)。根據(jù)相關(guān)數(shù)據(jù)，絕緣劣化和接觸不良是開(kāi)關(guān)柜的主要故障。在這些故障發(fā)生之前，會(huì)有局部放電。因此，通過(guò)對(duì)局部放電信號(hào)的有效監(jiān)測(cè)，可以在開(kāi)關(guān)柜的絕緣層劣化之前采取措施降低事故率。

目前，高電壓開(kāi)關(guān)柜的故障檢測(cè)方法包括電氣測(cè)量和非電氣測(cè)量。電學(xué)測(cè)量方法主要有脈沖電流法、超高頻檢測(cè)法和無(wú)線電干擾電壓法。非電測(cè)量方法主要包括聲發(fā)射檢測(cè)法、光學(xué)測(cè)量法和紅外檢測(cè)法。與電測(cè)量方法相比，非電測(cè)量方法具有更強(qiáng)的抗電磁干擾能力。在非電測(cè)量方法中，超聲波應(yīng)用范圍最廣，但超聲波衰減速度快，難以穿透設(shè)備的金屬外殼。因此，我們檢測(cè)的是聲音信號(hào)的低頻帶，即聽(tīng)覺(jué)聲音信號(hào)的故障檢測(cè)?；诼晫W(xué)特征量的診斷技術(shù)不需要觸摸設(shè)備，不干擾設(shè)備的正常運(yùn)行，可以隨時(shí)采集信號(hào)，安裝方便。

與國(guó)外目前的研究狀況相比，我國(guó)的音頻在線監(jiān)測(cè)技術(shù)起步較晚，但發(fā)展迅速。文學(xué)

圖1正常工作信號(hào)的時(shí)域波形和頻譜圖

圖2放電過(guò)程中信號(hào)的時(shí)域波形和頻譜圖

2個(gè)分類(lèi)器(略)

目前，故障檢測(cè)中的分類(lèi)主要基于成熟的淺層學(xué)習(xí)算法，如SVM算法。淺層學(xué)習(xí)是一種隱含層較少的神經(jīng)網(wǎng)絡(luò)，算法結(jié)構(gòu)簡(jiǎn)單。深度學(xué)習(xí)的概念提出后，各行各業(yè)的學(xué)者開(kāi)始將其應(yīng)用到各個(gè)領(lǐng)域。本文嘗試將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于深度學(xué)習(xí)算法中的開(kāi)關(guān)柜局部放電檢測(cè)領(lǐng)域，證明深度學(xué)習(xí)比淺學(xué)習(xí)算法具有更高的識(shí)別率。與淺層學(xué)習(xí)相比，深層學(xué)習(xí)具有更深層的結(jié)構(gòu)和更復(fù)雜的計(jì)算層次，因此在處理特征方面具有明顯的優(yōu)勢(shì)。

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

實(shí)驗(yàn)結(jié)果表明，與SVM相比，卷積神經(jīng)網(wǎng)絡(luò)的故障識(shí)別率提高了1.81%，具有明顯的優(yōu)勢(shì)。輸入相同的樣本數(shù)據(jù)，卷積神經(jīng)網(wǎng)絡(luò)具有較高的識(shí)別率，證明了卷積神經(jīng)網(wǎng)絡(luò)提取的特征比SVM提取的特征具有更高的識(shí)別率和更有效的分類(lèi)。

實(shí)驗(yàn)中選取的樣本數(shù)量較少，而卷積神經(jīng)仍然達(dá)到了較高的分辨率，有效地證明了深度學(xué)習(xí)框架不依賴(lài)于樣本數(shù)量來(lái)提取特征。因此，可以得出結(jié)論，這種卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)結(jié)構(gòu)在開(kāi)關(guān)柜 PD故障檢測(cè)系統(tǒng)中具有研究意義。

然而，上述故障診斷系統(tǒng)仍然存在一定的缺陷，例如局部放電故障沒(méi)有詳細(xì)分類(lèi)。將來(lái)，可以建立一個(gè)實(shí)驗(yàn)平臺(tái)來(lái)模擬各種故障，并且可以使用各種檢測(cè)方法來(lái)進(jìn)行聯(lián)合檢測(cè)。通過(guò)上位機(jī)對(duì)數(shù)據(jù)進(jìn)行特征約簡(jiǎn)和特征值優(yōu)化，最后利用多分類(lèi)器的結(jié)果進(jìn)行信息融合。根據(jù)上述方法，可以進(jìn)一步提高分類(lèi)精度。