基于边缘计算的局部放电模式识别*

宋佳骏，刘守豹，熊中浩

(大唐水电科学技术研究院有限公司，四川 成都 610074)

0 引言

电厂中高压电气设备在长期运行的情况下不可避免会出现各种各样的劣化或者故障，对高压电气设备的实时监测和故障预警不仅能保证设备的稳定运行，也能极大程度上提高供电可靠性[1]。随着信息技术的发展，采用数字信号处理局部放电信号的技术愈发成熟，目前针对局部放电类型识别研究主要目的是提高缺陷识别精度，复杂的神经网络会占用大量计算资源，不符合工业运作的实际需求响应。在实际的监测系统中，必须考虑计算机软硬件资源环境的复杂程度以及识别算法的时延特性等问题[2-3]。

在万物互联的大背景下，传统云计算处理海量数据的能力显得尤为不足，存在实时性不够、带宽不足、能耗较大以及数据安全性低等问题[4-5]。边缘计算的出现使得上述问题得到有效的解决，针对局部放电数据采样频率高、数据处理复杂等特点，本文提出了一种基于边缘计算的局部放电模式识别方法，该方法将模式识别算法合理分配在边缘计算框架中，有效地降低了云端计算压力，在保证识别准确性的情况下提高了数据处理的实时性。

1 基于边缘计算的局部放电模式识别系统

1.1 边缘计算简介

边缘计算是指在靠近数据源头边缘执行计算处理的一种新型计算模式，边缘计算的下行数据链接云端计算服务，上行数据链接万物互联、万物感知服务，而边缘是指从数据源到云端计算中心路径之间的任意计算和网络资源[6]。边缘计算的业务过程是对云计算的动态扩展，将独立分散的资源进行统一处理，以达到降低系统能耗，减少系统延迟的目的。在设备端数据冗余时，通过筛选、处理、建模等方式减少需要传输到云端的数据量[7]。

随着我国制造业2025 的进一步发展规划，工业互联网已经开始逐步上升为国家战略，工业互联网需要广泛采集多源异构数据，基于工业分析原理以及人工智能方法实现海量数据的深度分析。根据工业互联网领域技术特性,采用了边云协同的联合式结构，实现终端层、边缘层、云层的层内通信，其标准架构如图1 所示[8]。

图1 边缘计算标准架构

1.2 系统架构

为了充分利用边云协同模式的优势，将局部放电模式识别方法高效、实用地应用于工业互联网，本文提出一种基于边缘计算的局部放电模式识别系统，其系统架构如图2 所示。

图2 基于边缘计算的局部放电模式识别系统示意图

(1)终端层：现场终端层主要功能是采集回路中产生的脉冲电流波形信号，再将原始局部放电波形数据进行滤波处理、特征提取后上传至边缘层。主要完成原始数据收集、数据处理和上传等任务,并完成了终端底层和边缘层之间的信息、数据互联。

(2)边缘层：边缘层是系统架构的核心，提供一定的计算及存储能力，可以完成数据筛选、图形绘制、模式识别等任务。边缘层为系统提供可视化功能服务，其中搭载的神经网络模型能够迅速识别放电类型。经过处理的数据从边缘节点汇集到中心云，减小了中心云节点压力，增强了系统实时处理能力。

(3)云层：云层集成有多台高性能服务器，具有强大的数据计算、数据处理、数据存储、模块迭代更新等功能。云层需要作为全局数据分析的支撑，其数据库保存了大量历史信息，用于大数据分析挖掘、数据共享，同时需要完成算法模块的训练与升级，而更新后的算法推送至边缘层，实现整个计算分析模块的自主学习闭环。

2 局部放电信号特征提取

2.1 局部放电相位分布谱图构造

本文通过实验模拟了电晕放电、悬浮放电、气隙放电3 种局部放电缺陷模型，采用脉冲电流法采集局部放电模型产生的局部放电数据，将滤波后的信号用于进一步分析研究。基于所测得的局部放电信号，构造放电次数-放电量-放电相位(n-q-φ)三维谱图，空间三维谱图反映的是放电量q、相位φ、放电次数n 三者之间的关系，通过分析三者关系可以充分挖掘放电类型隐含的信息，进而诊断不同的故障类型[9-10]。将代表相位和放电量的坐标划分为256 份，整个XY 轴被分割为256×256个网格，统计分割区域的放电次数n(φi、qj)。三维谱图在边缘端进行绘制并展示，如图3～图5 所示。

图3 电晕放电三维谱图

图4 悬浮放电三维谱图

图5 气隙放电三维谱图

2.2 特征提取

为了有效挖掘不同类型局部放电的潜在信息，本文提取了平均值、均方差、陡峭度、偏斜度、互相关系数、放电因素、相位不对称度7 种统计特征量。3 种放电模型的特征参数提取由设备层完成。

平均值：

其中，W 为半周期相窗数，xi为第i 个相窗的相位，pi为放电概率。

方差：

偏斜度：

其中，△x 为相窗宽度。

放电因数：

相位不对称度：

概率：

其中，yi为谱图的幅值。

3 基于粒子群优化广义回归神经网络(PSO-GRNN)的识别分析

3.1 广义回归神经网络

GRNN 是径向基神经网络的一种，具有很强的非线性映射能力，其网络拓扑结构可被大致分为输入层(input layer)、模式层(pattern layer)、求和层(summation layer)、输出层(output layer)4 层，如图6 所示[11-12]。

图6 GRNN 结构示意图

GRNN 的网络输出为：

式中，X为网络输入，Xi、Yi为样本观测值；Y^(X)为网络输出；δ为高斯函数的宽度系数，也叫作光滑因子。

GRNN 能够通过输入样本逼近网络隐含关系，且GRNN 网络结构具有极好的非线性映射能力以及很强的鲁棒性。且GRNN 的训练非常简单，当训练样本输入隐含层时，网络训练随机完成。它的训练不需要迭代，因此更适用于在线数据的实时处理。GRNN 只有光滑因子一个自由参数，整个算法在云层优化和升级后再搭载至边缘层。

3.2 粒子群优化理论

粒子群算法基于生物群体和进化的原理，通过个体相对群体的适应度调整个体最优解。粒子群算法根据个体最优位置和群体最优位置修正粒子自身位置，向整体最优目标函数改进优化[13]。算法首先通过初始化随机种群，个体粒子经过多次迭代，寻找个体最优解，比较群体历史最优位置，寻找全局最优解，由此根据式(10)和式(11)更新自身状态[14]。

式中，xid(t)为第i 个粒子t 次迭代在d 维上的位置；vid(t)为第i 个粒子t 次迭代在d 维上的速度；pid(t)为第i 个粒子t 次迭代中经过的最优位置；pgd(t)为所有粒子t 次迭代中经过的最优位置；w1为初始惯性权值；η1、η2为加速常数，通常取2；r1、r2为0～1 之间的随机数。

在GRNN 识别模型中，将训练样本的输出值与实际值的均方差作为适应度函数寻找最优光滑因子。

3.3 分类识别结果分析

本文选择广义回归神经网络和BP 神经网络两种方法对3 种局部放电进行分类识别实验，网络输入即为2.2 节提取的7 种统计特征参量，从样本数据集中选择120 组作为训练学习样本，30 组作为识别算法的测试样本。分类结果及运行时间如表1 所示。

表1 不同识别方法放电类型识别结果

BP 神经网络是当前应用最广泛的人工神经网络算法，由于BP 神经网络训练参数多、拓扑结构复杂、训练时间长等因素，使得其在工业互联网难以大规模落地应用[15]。相比之下GRNN 网络结构简单，训练速度快，由于云端存储有大量历史数据以及故障样本，使得平滑因子的寻优效果更好。因此，本文提出基于边缘计算的局部放电模式识别方法能够更好地服务于工业互联网系统。

4 结论

本文充分整合了云计算和边缘计算协同服务架构的优势，提出了一种边云协同的局部放电模式识别方法，将平滑因子的优化及神经网络模型更新部署在云端，而将训练好的广义回归神经网络模型部署在边缘层，解决了系统资源分配问题，提高了系统响应速度。文中提取了局部放电波形信号的放电量、放电相位及放电次数来绘制PRPD 图谱，计算并选取了PRPD 图谱的7 种特征参量，利用PSO-GRNN 方法对电晕放电、悬浮放电、气隙放电3 种放电类型进行了识别。实验结果表明，所提模式识别方法正确识别率较高、识别速率快，适合嵌入到边缘计算框架中。这种计算模式能够在一定程度上满足人工智能在云体系架构中对计算和存储资源的需求，能够灵活应用于工业互联网的各种场景。