基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究

李振华，李浩，黄景光，张磊，吴琳

(1.三峡大学，湖北 宜昌443002；2.国网湖北省电力有限公司技术培训中心，湖北武汉430014)

0 引言

高压输电线路绝缘子污闪会发生大面积停电，严重影响电网安全稳定运行。在大气环境下，空气中的污秽会附着在绝缘子表面并受潮，发生污闪事故[1－3]，从而严重影响电网安全平稳运行并造成严重经济损失。绝缘子污秽放电伴随着声信号的产生，其声信号强弱随着放电程度的改变能够较好地表征当前运行状态下绝缘子的外绝缘状态[4－7]。因此，实际工程中可以通过对不同污秽状态下绝缘子放电的声信号进行信号分析处理，实现对绝缘子外绝缘状态的评估[8－9]。

国内外学者在运行状态下污秽绝缘子放电声信号的采集、去噪、特征的选择、提取以及绝缘子污秽度在线诊断预测模型的建立方面进行了大量的探索[5－9]。文献[10]认为绝缘子污秽放电由三个阶段组成，分别是电晕放电、局部放电和电弧放电，且伴随放电产生的声发射信号的特征存在明显差异。文献[11]提出将复杂的声发射信号进行经验模态分解，把原始声信号自适应分解为不同频段的若干分量即本征模态分量，利用灰色相似关联度将实验样本与标准放电情况下的能量分布进行比较识别。文献[12]通过研究在不同污秽度下声信号的时频特性，发现声信号的时域平均值和频域的频谱特性两方面含有4个特征量，并利用声信号时域的均值、最大值、标准差及FFT实部幅值这4个特征量对绝缘子污秽放电的发展过程进行相关性分析。文献[13]在人工模拟不同可溶污秽附着密度和灰密对玻璃绝缘子声发射信号的影响后，以信号振幅平均值和最大工频半周包络线面积作为主要输入特征量，建立基于广义回归神经网络的绝缘子危险度预测模型，并取得了较为精确的预测结果。

本文考虑引用深度学习(Deep learning)技术来实现放电声信号的准确识别。近些年，很多学者将深度学习应用到故障诊断领域并取得了很好的效果。其中循环神经网络(RNN)和卷积神经网络(CNN)被广泛应用，卷积神经网络由于其对二维图像强大的处理能力被不少学者用于故障信号时频谱图的特征处理并以此为基础建立故障诊断模型[14－15]。因此，提出基于一维卷积神经网络(1D－CNN)的污秽绝缘子放电模式识别算法，该算法不需要复杂费时的人工特征提取，只是将不经预处理的时频放电信号作为输入，模型利用CNN强大的特征学习能力直接将输入信号作为学习样本进行训练，并结合全连接层完成自适应特征学习，实现模型对绝缘子污秽度监测的需求，经过实验验证得到了很好的效果。

1 卷积神经网络运算

CNN通常包括输入层、卷积层、池化层、全连接层和输出层[15]，常用于处理信号时频图的二维卷积神经网络(2D－CNN)模型结构如图1所示。其中，卷积层与相邻层之间采用局部链接和权值共享的方式进行运算，同时池化层也可以在很大程度上缩减输入的维度，防止训练时模型过拟合，提高了模型的泛化能力。模型通过卷积层和池化层的交替使用来对输入的数据进行特征提取，并且CNN的学习能力可靠随着网络层数的增加而变强。卷积运算过程[16]为:

图1 典型的2D－CNN信号图像处理模型结构

式中，Kli和bli为第l层中第i个卷积核的权重和偏差；Xil(j)为第l层中第i个局部区域；yli＋1(j)为第l＋1层第i个卷积核运算结果中第j个神经元的输入。

激活函数设置于卷积层之后，当数据经过特征提取后，激活函数可以增加其非线性因素。本文采用LeakyReLU函数[17]，LeakyReLU函数给所有输入负值一个大于0的斜率，从而解决了神经元死亡问题。LeakyReLU的原理如下:

式中，yli＋1(j)表示卷积运算的输出值；而ali＋1(j)表示yl＋1i(j)的激活值。

池化层通常作用于卷积层之后，用来降低特征维度，防止过拟合。池化层由最大池化和平均池化两种池化方式组成，其中最大池化公式如下:式中，qli(t)表示第l层出第i个特征中的第t个神经元的值，t∈[(j－1)W＋1，jW]；W表示池化区域的宽度；(j)表示第l＋1层第i个特征中的第j个神经元的值。

Softmax分类器在输出层的输出分类运算中应用最为广泛[18]。其过程就是将卷积层得到的logits值输出为概率分布，然后进行模式识别，Softmax函数的运算过程如下:

式中，j为k中的某个分类；zj为该分类的值。

2 1D－CNN绝缘子监测模型

2.1 1D－CNN模型概括

基于1D－CNN的污秽绝缘子放电模式监测算法的CNN模型构架如图2所示。该模型由卷积层和输出层组成，其中卷积层实现对放电信号数据的自适应特征提取操作，经过卷积操作得到矩阵宽度逐渐减小的非线性鲁棒特征。不同于2D－CNN处理图像数据，池化层对于卷积后数据的压缩效果并不理想。因此不使用池化层，而是由卷积层中合适步数的跨步卷积(strided convolution)代替池化层进行压缩操作。输出层由全连接层组成，每两个连接层之间通过有限个神经元连接，且节点个数与放电类型数目相同。

图2 1D－CNN模型结构

在模型的训练过程中使用交叉熵损失函数，并采用收敛速度较快且收敛过程稳定的Adam优化器[20]对模型进行基于梯度下降的优化。同时模型使用Softmax函数输出声发射信号类型概率分布与污秽绝缘子放电类型概率分布之间的交叉熵作为代价函数。交叉熵计算公式为:

式中，p(x)为不同放电模式概率分布；q(x)为模型输出预测结果的概率分布。

2.2 数据预处理

数据预处理过程主要包括:对原始声信号数据采用数据窗滑动取数的方式进行数据增强，生成训练和测试样本集，对放电类型进行标签标记，并引入1/3倍频程概念将不同放电模式信号的高频段或低频段差异特征放大。

深度学习中网络训练的过程需要有足够的数据样本，本文使用的实验数据有限，为了在保留同一放电信号相邻时序信号间相关性的前提下扩充样本数量，提出滑动窗口取数的方法对小样本数据划分实现数据样本数量的增强，滑动方法如图3所示。

2.3 1D－CNN智能监测流程

1D－CNN污秽绝缘子放电模式监测流程如图4所示。将实验收集到的原始数据信号通过滑动窗口法对数据进行样本数量增强并划分训练集和测试集；在Pytorch上建立1D－CNN模型，输入训练集样本数据后利用mini batch做梯度下降训练模型，其中batch size的超参数为64；在模型完成训练后记录训练集与测试集的准确率与损失函数曲线，并输出预测的信号放电模式。

图4 污秽绝缘子放电模式监测流程

3 污秽绝缘子放电模式监测实验

实验收集不同污秽程度的2片瓷质污秽绝缘子在10 m范围内不同位置放电的声音信号，图5为预涂好不同浓度盐密、灰密的玻璃绝缘子试品。

图5 不同污秽度的玻璃绝缘子试品

实验中采用等值附盐密度来衡量绝缘子的污秽程度。每份绝缘子试品涂抹的是氯化钠和硅藻土，在经过计算称量后，加上适量蒸馏水，并将其在瓷碗中进行充分混合，如需增加附着度可以添加适量糊精，最后用刷子均匀地涂抹在绝缘子表面。

实际运行绝缘子的灰密与盐密之比变化较大，结合本地的实际积污情况，本次试验灰盐比取为5∶1。在该灰盐比下，不同附盐密度下整个绝缘子表面所需涂刷的盐、灰的质量见表1。选取上述涂污瓷绝缘子2片作为一组，施加工频电压，幅值为绝缘子串额定电压，记录工频电压实验结果，然后采用降压法，频率2 min/次，确定闪络电压，记录放电声音。

表1 附盐密度及盐、灰质量

实验所收集到采样频率为131 072 Hz的不同附盐密度的污秽绝缘子起晕、表面放电、电弧三种放电状态的声发射信号，如图6所示。其中起晕状态和表面放电状态的声发射信号数据包括655 360个数据点，电弧放电状态的声发射信号数据包括1 048 000个数据点。每条数据通过滑动窗口取数的方法以1 024个数据点为一个样本，50个数据点为步长实现样本集扩容，并对每种绝缘子污秽放电模式随机选择80%的数据集用于训练，20%的数据集用于测试。所以稀疏取样并扩容后的数据集包括4 930个训练样本和1 266个测试样本，并设定类别标签分别为0、1、2。每次模型卷积层的输入为一个样本的时域信号加上经傅里叶变换的频域信号拼接矩阵(2×1 024)。

图6 污秽绝缘子放电模式时域图

对1D－CNN算法的准确率随迭代次数的变化进行分析。随着迭代次数的增加，模型输出的测试集准确率逐渐升高，损失函数值逐渐降低。经过迭代后，测试集准确率到达了99.84%并与训练集结果相近，不存在过拟合现象，输出的损失函数值为0.002，验证了模型的训练效果。

为了比较本研究算法与人工提取特征加机器学习分类算法及其他深度学习算法的分类效果，通过实验选取了XGBoost、反向传播神经网络(BPNN)和1D－CNN算法进行比较。XGBoost和BP分别是机器学习和深度学习中的常用算法，其中XGBoost算法是对放电信号的时频域统计特征进行分类，都属于常用的分类算法。最终通过实验对比3种放电模式识别算法所得到的准确率为:人工特征＋XGBoost的准确率为87.50%，FFT＋一维CNN的准确率为96.82%。

4 结语

针对污秽绝缘子放电噪声数据识别问题，提出一种基于声信号和1D－CNN的污秽绝缘子放电模式识别算法。并设计实验收集到不同模式下污秽绝缘子放电的声发射信号数据，以此为样本仿真验证本模型的实用性和准确性。为解决以往需要人工制作特征的复杂性，并提出一种新型的一维卷积神经网络结构基于声信号和1D－CNN的绝缘子污秽度检测模型，使得模型可以自适应地对时频信号数据进行特征提取和分类，并得到很高的识别准确率，可有效应用于污秽绝缘子污闪的预警。