基于深度卷积神经网络的GIS缺陷局部放电识别

戴立庆,林恒青,张 旭,魏孟刚

(1.福建船政交通职业学院 机械与智能制造学院,福建 福州 350007;2.中电普瑞电力工程有限公司a.研发中心,b.工程中心,北京 100089)

0 引言

GIS具有占地面积小、结构紧凑、技术性能高、安装方便、造型美观、运行可靠性高、检修周期长等一系列优点[1-2]。然而GIS在制造、运输、安装及运行过程中,有可能因绝缘劣化而产生局部放电,进而引发设备故障[3-4]。局部放电是造成绝缘损坏的重要原因,也是绝缘裂化的标志[5-6],所以局部放电的检测是电力设备在线状态评估的一种重要手段,为GIS设备提供了检修依据[7]。

因GIS内部缺陷不同,所产生的局部放电类型不同,造成绝缘裂化的后果也不同,所以对GIS内部缺陷识别是对GIS设备进行在线评估的一个重要手段。目前对GIS内部缺陷的局部放电识别方法众多,较为流行的有人工神经网络、支持向量机、仿生模式识别等[8-11]。但是目前上述算法均需要对脉冲相位分布模式PRPD特征谱图进行统计算子提取,模式识别步骤繁琐。近几年,对于模式识别研究最流行的是基于深度学习的卷积神经网络,卷积神经网络的模式识别无需对PRPD图谱进行特征提取,降低了网络复杂度,而且其独有的卷积核能够提取PRPD图谱大量的“深层次特征”,可以完全表达出PRPD图谱中所蕴含的GIS局部放电信息,网络具有强鲁棒性和容错能力,并且识别准确率高,易于训练和优化[12-16]。

本文采用了特高频法对GIS试验设备内部设置的典型缺陷进行检测,并提取了PRPD特征图谱。应用深度卷积神经网络对GIS典型缺陷进行模式识别,与传统模式识别方法相比,卷积神经网络模型不需要特征统计算子提取,可以直接对图像进行处理,从而避免了统计算子不同而带来识别结果差异的影响,同时提高了GIS典型缺陷的识别正确率,并具有较强的泛化能力。

1 试验设置

为了能够得到与现场设备更为相近的局部放电信号,获取更为真实的局部放电信号,本文根据实际模拟了典型的故障缺陷。

1.1 局部放电试验设备

试验设备是基于故障缺陷构造的小型模拟GIS本体设备,内部可同时设置四种缺陷模型,通过旋转杆将故障缺陷深入至GIS设备本体内。为模拟现场真实环境,在试验时对GIS气室内充入0.3 MPa SF6气体。试验平台见图1.

GIS本体设备共有3个间隔气室,右侧上方为变压器间隔,左侧下方为为实验间隔。实验时,可以通过旋钮旋转杆来调节缺陷的位置,从而选择实验的缺陷。可选择一种缺陷,也可选择多种缺陷。实验间隔内部配有监控用可在缺陷设置时监控类型和缺陷与母线之间的距离,贴合GIS设备的黑色外绑带设备为外置特高频传感器。

图1 GIS本体设备Fig.1 GIS body equipment

1.2 局部放电检测系统

特高频检测系统由传感器、信号接收器、A/D转换器、数字信号处理器、计算机接口、微控制器、计算机软硬件和用户操作界面等组成。检测频段选取在400～1 600 MHz,电路原理见图2.

图2 特高频检测系统Fig.2 UHF detection system

1.3 典型缺陷模型

局部放电缺陷模型共设置6类,包括自由微粒、绝缘子表面微粒、母线金属毛刺、外壳金属毛刺、悬浮电位和绝缘子气泡,如图3所示。

1)自由微粒:由5个直径3 mm的金属微粒与25个直径1 mm的金属微粒构成,放入半球玻璃罩中,连杆用聚四氟乙烯材料,试验时深入到母线附近。

2)绝缘子表面微粒:由直径25 mm、长70 mm的聚四氟乙烯圆柱表面粘一些金属微粒,试验时将绝缘子深入到母线内部,接触高压。

3)母线金属毛刺:由聚四氟乙烯连接锥长10 mm、直径10 mm的圆锥,试验时将圆锥底部连接到母线上作为母线毛刺。

4)外壳金属毛刺:锥长15 mm的铜锥,试验时连接GIS设备外壳。

5)悬浮电位:由厚度8 mm、直径20 mm的铜质材料构成,试验时将绝缘子深入到母线内部,与母线形成悬浮电位体。

6)绝缘子气泡:由环氧树脂构成长60 mm、直径40 mm圆柱,在内部设有大量微小气泡,试验时深入到母线附近,接触高压。

图3 GIS缺陷模型Fig.3 GIS defect model

2 试验结果

在计算机用户界面可观察每1 s的放电特征,每1 s的放电特征实际上是由工频周期50个样本叠加而成,但是单个1 s的PRPD图谱特征不明显,所以本文将50个工频周期叠加的样本再叠加10个,也就是10 s中取1个样本,同样飞行图也是10 s中取1个样本,具体各种缺陷类型的PRPD图谱和飞行图谱及其特征见表1.

表1 6种缺陷局部放电的特征Table 1 PD sources characteristics of six types of defects

表1 (续)Table 1 (Continue)

3 基于深度卷积神经网络GIS局部放电缺陷模式识别

3.1 卷积神经网络

深度卷积神经网络(deep convolutional neural network,DCNN)是一种能够深度学习的人工神经网络,卷积神经网络(CNN)由输入层、卷积层、池化层、全连接层及输出层组成[17-18]。

输入层:数据源为图片的像素值。如果图片是灰图,输入层维度为1,如果图片是彩图,输入层维度为3.

卷积层:是对输入的数据图片进行特征提取,是卷积神经网络的核心步骤。卷积核设置相应的步长遍布整个图片，从左到右、从上到下,经过函数运算映射到特征图谱一个点上,最后提取图谱相应的特征。

池化层:卷积提取到的图像特征维数高,会导致运算量过大和过拟合现象,所以池化层是对数据进行降维处理。

全连接层:与传统人工神经网络类似,起到数据“分类”作用。

输出层:是一个执行特征图谱分类任务的分类器。常用的分类器有基于多项式分布为模型建立的softmax,表达式为:

(1)

3.2 搭建网络模型

深度学习的卷积神经网络能够广泛应用,离不开许多优秀的开源仿真工具,目前常使用的开源仿真工具主要有Caffe、Torch、Theano、Tensor-Flow.Theano、Tensor-Flow编译过程较慢,而且导出也要消耗很多时间;Torch训练速度快,但是却没有Python接口。本文选择使用Caffe来搭建网络模型。Caffe(convolutional architecture for fast feature embedding)是一个兼具表达性、速度和思维模块化的开源深度学习框架,使用C++编写,带有Python接口,由伯克利人工智能研究小组和伯克利视觉和学习中心开发。相较其他的深度学习框架,Caffe具有训练速度快,上手简单,模块化组件无需编写复杂程序等优点[19-20]。

针对典型缺陷局部放电类型模式识别,目前卷积神经网络结构具有代表性的主要有AlexNet、VGGNet、GoogLeNet、ResNet等,文中搭建AlexNet卷积神经网络来实现PRPD图谱的模式识别。AlexNet是在LeNet的基础上改进,把CNN的基本原理应用到了更深更宽的网络中,对于CNN网络结构,随着深度的加深,特征数目会越来越多,网络表示的特征空间会越来越大,网络学习能力也会更强。但是随之而来的是会使网络的计算更复杂,更易出现过拟合的现象,而AlexNet不仅网络深度深,还能抑制过拟合问题。

AlexNet网络总共的层数为8层,参数量达到60×106个以上,包含5层卷积、3层全连接层,最后一个全连接层的输出具有1 000个输出的softmax.AlexNet网络的基本结构如图4所示。

图4 AlexNet网络的基本结构Fig.4 The basic structure of AlexNet network

第一个卷积层conv1中,输入为224×224×3的图像,卷积核个数为96.第二个卷积层conv2中, 输入为上一层卷积的feature map,卷积核个数为256.第三层卷积层conv3, 输入为第二层的输出,卷积核个数为384, 卷积核尺寸kernel-size=(3×3×256).第四层卷积层conv4, 输入为第三层的输出,卷积核个数为384, kernel-size=(3×3).第五层卷积层conv5, 输入为第四层的输出,卷积核个数为256, kernel-size=(3×3).第6,7,8层是全连接层,每一层的神经元的个数为4 096,最终输出softmax为1 000,全连接层中使用了RELU和Dropout.

3.3 网络训练与试验结果

GIS局部放电PRPD图谱有火焰图、三维图及飞行图,基于卷积神经网络的局部放电模式识别算法的输入需要是二维图像,使用三维图会造成数据丢失,使用表1中的火焰图或者飞行图更合适。但是相对于飞行图的特征,火焰图谱特征更加明显,所以本文使用火焰图作为算法的输入数据。

为了提高分类的正确率,先将PRPD火焰图谱统一缩放成64×64像素的图片,PRPD图谱涵盖训练集和验证集,每类图谱中训练500张5类共计2 500张图片,验证200张5类共计1 000张图片,训练时采用随机梯度下降法(stochastic gradient descent,SGD)对各个样本进行训练,每训练1次就将梯度更新1次,直到网络收敛。网络模型设置3万次,每5 000次迭代对数据测试1次。

图5为PRPD图谱分类正确率与迭代次数的关系,可以观察到网络模型随着迭代次数增加而收敛,经过1万次左右迭代后正确率就达到了0.990,最后经过3万次迭代,最终正确率为0.994.

图5 测试正确率与迭代次数的关系Fig.5 Relationship between test accuracy and iterations

3.4 不同模式识别方法效果对比

为了验证识别算法的有效性,以相同数据源进行模式识别对比,分别应用支持向量机识别,粒子群(PSO)、遗传算法(GA)、网格搜索法(GS)优化支持向量机识别,仿生模式识别以及本文的基于深度学习的卷积神经网络识别,识别情况对比如表2所示。

由表2可以看出,同一数据源的识别率应用基于深度学习的卷积神经网络最优,此外卷积神经网络是对PRPD特征图谱进行图片识别,无需对PRPD特征图谱进行统计算子提取,简化了识别的步骤,提高了识别的效率。

表2 各个方法识别率对比Table 2 Comparison of recognition rates in different methods

4 结语

本文以搭建的GIS实验平台为对象,在试验GIS设备内部设置模拟了6种典型不同的缺陷,应用特高频法对其产生的局部放电分别进行检测,生成PRPD特征图谱,利用Caffe构建的一种改进深度卷积神经网络结构对PRPD特征图谱进行模式识别,网络结构采用了AlexNet结构,取得了良好的识别效果。

传统的GIS典型缺陷模式识别根据图谱上表现不同的特征进行特征统计算子提取,由这些统计算子进行模式识别。而改进的深度卷积神经网络无需进行放电指纹提取,可对局部放电所产生的PRPD图谱直接进行图片识别,简化了模式识别步骤,同时提高了缺陷识别的正确率,展现出更优的泛化能力和鲁棒性。