基于组合图的10kV电缆弱故障CNN识别方法

国网枣庄供电公司 陈培阳 张 赛 马运保

近年来，人工智能的发展为电缆早期状态的辨识提供了新的方法[1-2]。基于人工智能思想的电缆状态辨识的研究，都是先获取统计特征作为输入，然后通过深度学习框架实现辨识工作[3]。本文不使用统计特征，而是直接对首端护层电流进行经验小波变换[4]，利用信号分解的多分量曲线构建早期特征状态组合图表达；然后依据组合图特点构建7层深度卷积神经网络（CNN），再通过自适应学习率的优化算法（Adam）进行有监督学习下的模型训练，得到电缆早期状态辨识模型；最后进行了电缆4种状态类型的仿真获取大量样本数据，利用所提方法进行电缆早期状态的辨识。

1 组合图辨识矩阵构建

1.1 经验小波变换

1.1.1 经验小波基

假设信号由N 个AM-FM 单分量成分组成，即将单分量成分全部提取出来需把Fourier 频谱范围[0,∞]划分为N 个区间，所需边界数为N+1。除去频谱自身边界0和∞，有N-1个边界待确定。定义为区间边界，取信号傅里叶谱相邻两个极大值点之间的中点，则有如下关系：

经验小波为定义在区间上的带通滤波器，根据Meyer 小波的构造思想，经验尺度函数和经验小波函数分别如下所示：

其中，为在[0,1]区间满足K 阶导任意函数，为一参数。和可表示为：

1.1.2 经验小波变换AM-FM 分量

经验小波变换的细节系数和近似系数由内积计算得到，如下式所示：

其中，和分别为和的Fourier 变换函数，和分别为和的复共轭函数，＜ , ＞为内积计算。

信号的重构表达式可表示为：

信号经EWT 分解得到的AM-FM 单分量成分为（j=0,k; k=1,2,3,）

1.2 组合图辨识矩阵

本文研究对象为采用双端接地方式的10kV 电缆，会有电缆护层环流的产生。护层电流的变化能够反映电缆状态的变化，且护层电流幅值的数量级比较小，更容易获取到状态特征。于是本文选取首端护层电流作为研究信号。利用1.1节的经验小波变换对首端护层电流进行分解，获得多个AM-FM 分量，然后将这些分量曲线按照的顺序，由上至下组合在一起形成二维图，以此作为电缆状态辨识的原始输入。其中，m 为信号EWT分解的AM-FM 分量个数。图1给出了电缆护层电流暂态原始信号和EWT 分解的6分量组合图。

图1 护层电流原始信号与EWT 分解信号组合图

根据护层电流EWT 分解信号的组合图，电缆状态辨识矩阵可表示如下式所示：

其中，n 为时间窗口内信号长度，m 为EWT分解信号数量，为第m 个信号分量的第n 个采样点的幅值。

2 深度卷积神经网络

依据构建状态辨识特征矩阵的尺寸特点，本节构建7层深度卷积神经网络框架，其中包括输入层、2对卷积池化层、全连接层和输出层，其结构如图2所示。

图2 7层深度卷积神经网络框架

其中，输入为的状态辨识特征矩阵，输出为类电缆状态。输入层到卷积层1用的是9个尺寸为的滤波器（卷积核），卷积层1到池化层，采用最大池化方式，滤波器尺寸为。池化层1到卷积层2采用18个尺寸为的滤波器，卷积层2到池化层2的最大池化滤波器为。激活函数采用的是修正线性单元ReLU：

为了防止深度卷积神经网络过拟合，模型训练阶段，全连接层采用dropout 方式，dropout 取值为0.25。

3 电缆状态辨识方法

表1 辨识试验结果

首先获得首端护层电流，选择合适时间窗口截取首端护层电流暂态信号；然后利用EWT 对截取的暂态信号进行分解，得到多个AM-FM 分量，再将这些分量曲线依序组合形成二维图，依据组合图构建得到电缆早期状态识别特征矩阵X。将全部状态识别特征做归一化处理，使其处于[0,1]之间。采用热编码的方法给每个样本增加状态标签，将所有样本分成4类：1000，0100，0010，0001。然后把样本分成训练样本与测试样本，训练样本占总样本的80%，测试样本占20%。然后将训练样本放入构建好的7层深度卷积神经网络中，利用自适应学习率的优化算法（Adam）进行有监督学习下的模型训练。模型训练完成后，再把测试样本放入训练好的模型中进行状态分类，统计辨识结果的正确率，完成电缆早期状态辨识。

4 案例分析

4.1 仿真实验与数据构造

4.1.1 仿真实验

在PSCAD/EMTDC 仿真软件中搭建10kV 无支路电缆系统模型，通过该模型进行电缆早期不同类型状态的试验，从而获取样本数据，模型如图3所示。电缆长度为1km，接地方式为两端接地，仿真实验的采样频率设为100kHz。

图3 10kV 无支路电缆系统模型图

该模型对以下情况进行了仿真实验：电缆绝缘包皮因机械应力或受热受潮后，某处破损造成的护层接地；电缆某一点绝缘发生劣化，护层与导芯之间绝缘水平降低；情况继续发展，护层发生接地；负荷变化的扰动。

4.1.2 样本数据构造

本文利用的是电缆首端护层电流的突变信号信息来对电缆不同状态进行辨识，根据计算，负荷突变的暂态时间约为3ms，护层接地的突变暂态过程是2ms，电缆某一点绝缘发生劣化的突变暂态过程为2ms，绝缘水平降低后护层接地的突变暂态过程是3ms，所以本文时间窗的选择为突变时刻前1ms 与突变时刻后3ms，4ms 的持续时间，共计401个样本点。

应用1.1节中的经验小波变换对截取的4种暂态信号进行6分量分解，利用6分量曲线形成组合图构建数据样本，共获得7037个样本，其中80%的数据作为训练样本，20%的数据作为测试样本。

4.2 试验结果分析

改变迭代次数，每一迭代次数下进行8次试验，记录每次试验的识别准确率，给出不同迭代次数下的每次模型完成状态辨识的平均识别准确率，结果见表2。

在迭代次数达到3000时，每次辨识试验的辨识准确率基本趋于稳定，模型的平均辨识准确率可达99.5400%，与2000次迭代的辨识准确率相比，提高了0.12%。继续增加迭代次数至5000次，平均辨识准确率为99.5413%，仅增加了0.0013%，说明模型辨识准确率不会继续随着迭代次数的增加而提高，其已经达到一个稳定值。

5 结论

本文提出了一种基于组合图的10kV 电缆早期状态CNN 识别方法，利用经验小波变换对电缆首端护层电流进行分解，利用得到的多个AM-FM 分量组合形成二维图作为原始输入，而不使用统计特征，避免了因统计特征选择不恰当而造成辨识准确率不高的问题。通过构建的7层深度卷积神经网络对电缆状态进行有效辨识，辨识试验表明，所提方法有很高的辨识准确率，可达99.54%。