基于深度学习与特征信号感知的局部放电故障检测算法设计

王亮，辛伟，南锐娟

（1.国网铜川供电公司，陕西铜川 727031；2.西安卫光科技有限公司，陕西西安 710065）

智能配电网建设的发展，对电力设备的平稳运行提出了更高的要求。开关柜作为配电网中的关键电气设备，被广泛应用于各类变电站、开闭所等场景。该设备安全、稳定地运行，对保障电力系统的供电可靠性具有重要意义[1-3]。开关柜为非封闭式结构且内部空间紧凑，由于其长期运行于复杂的环境中，容易因为绝缘层的老化或缺陷等因素而出现局部放电现象，最终导致设备绝缘击穿与闪络，进而造成局部甚至大范围的停电事故[4-5]。因此，对开关柜局部放电的检测愈发受到重视。目前的检测方法主要为暂态地电压（Transient Earth Voltages，TEV）法和超声波法。然而单一的检测方法准确率有限，一旦开关柜发生局部放电，便无法保障检修维护工作的及时开展[6-9]。

针对此，文中利用多源检测信号并结合卷积神经网络（Convolutional Neural Networks，CNN）、长短期记忆（Long Short Term Memory，LSTM）网络和注意力机 制（Attention Mechanism）等深度学习（Deep Learning，DL）算法，实现了开关柜局部放电故障的精准检测，进而为配电网的故障维修提供技术支撑。

1 局部放电信号感知与特征提取

1.1 暂态地电压信号

1）TEV 的时域特征

暂态地电压是指开关柜等电力设备发生局部放电故障时，受电磁波影响而在其表面产生的微弱暂态脉冲电流所带来的电势差，其大小与局部放电故障的特征直接相关[10-11]。暂态地电压可通过专门的TEV 传感器获取，经过放大、降噪等电路处理后，能够用于局部放电故障的分析及诊断。文中通过提取TEV 的时域和频域特征参数，并利用该参数来对开关柜的局部放电故障进行检测与识别。时域特征参数的组成如图1 所示。各时域特征参数的计算示意图，如图2 所示。

图1 TEV的时域特征参数组成

图2 TEV的时域特征参数计算示意图

其中，最大电压幅值Umax为TEV 信号曲线电压幅值的最大值：

式中，Ut为t时刻TEV 信号幅值。

平均电压幅值μ为所有数据点电压幅值的平均值，其离散形式为：

式中，T为TEV 曲线数据点的总数。上升时间用tr表示，其为电压幅值峰值从10%上升至90%的耗时，即为：

而下降时间td为电压幅值的峰值从90%下降到10%的时间，则有：

上升陡度rr为TEV 曲线电压幅值的峰值与信号从0 上升到50%电压幅值峰值的时间之比：

下降陡度rd为TEV 曲线电压幅值的峰值与信号电压峰值从最大下降至50%的时间之比：

10%、50%峰值脉冲宽度Tw1和Tw2分别为TEV信号在10%和50%以上电压幅值的峰值持续时间，即为：

TEV 曲线方差σ的计算公式如下：

TEV 曲线面积S的计算公式为：

2）TEV 的频域特征

将TEV 信号转化至频域，对其频谱图像进行分析。TEV 频域特征参数的组成如图3 所示。其中，峰值个数为频谱信号峰值超过最大峰值50%的谱峰个数。

图3 TEV频域特征参数组成

1.2 超声波信号

当开关柜等电力设备发生局部放电故障时，放电区域由于分子内部的剧烈撞击或介质的发热而产生振动冲击波。利用超声波传感器将声波信号转化为电信号，可以对局部放电特征加以分析[12]。

1）超声波的时域特征

文中选择了常用的短时平均能量、短时平均幅值、短时过零率与短时自相关系数作为超声波时域特征参数。通常将超声波信号进行加窗分帧处理，窗口长度为N，则n时刻的短时平均能量En为：

式中，x为原始超声波信号值；w为窗口权值，文中选用汉明（Hanmming）窗，其表达式如下：

则n时刻的短时平均幅值vn为：

短时过零率Zn为：

式中，sgn(·)为符号函数，其可表征为：

短时自相关系数Rn(b)的计算方式如下：

其中，b为时间间隔。

2）超声波的频域特征

文中提取的频域特征参数包括梅尔频率倒普系数（Mel-Frequency Cepstrum Coefficient，MFCC）[13]和翻转梅尔倒频谱系数（Inverse Mel-Frequency Cepstrum Coefficient，IMFCC）。MFCC 特征参数的提取流程如图4 所示。

图4 MFCC特征参数提取流程

首先，利用快速傅里叶变换（Fast Fourier Transform，FFT）将经过加窗分帧处理后的时域信号转化为频域信号：

然后计算每帧信号频谱的模平方，得到功率谱Pi(k)：

进一步将功率谱输入梅尔滤波器中，并对该滤波器的第d个三角滤波器能量值求取对数，得到对数梅尔频谱Si(d)：

梅尔滤波器第d个滤波器的传递函数如下：

式中，x(d)为中心频率。

最后将对数梅尔频谱Si(d)进行离散余弦变换，则输出第n阶MFCC 系数为：

由于梅尔滤波器为低通滤波器，其对低频信号特征提取效果较优，但开关柜局部放电的超声波信号以高频为主，因此为保留超声波信号的高频特征，文中还引入了IMFCC 参数。该参数的计算过程与MFCC 相同，区别在于其将MFCC 的高低频部分结构进行了翻转，从而对高频信号具有更为理想的提取能力。二者的传递函数关系为：

2 局部放电故障检测算法设计

综上所述，文中提出基于CNN-LSTM-Attention模型的电力设备局部放电故障检测算法。该算法结构如图5 所示。首先，将TEV 和超声波等多源信号作为输入数据；然后，分别提取这两种信号的时域及频域特征参数，并将其作为模型的输入；最终，获得局部放电的检测结果。

图5 局部放电检测算法结构

CNN-LSTM-Attention 模型结构如图6 所示。该模型通过CNN 来提取输入数据的高维特征；并利用LSTM 网络解决输入的时序数据与局部放电检测结果的关联问题，且避免出现梯度爆炸或消失的现象；同时还引入Attention 机制强化模型对于不同输入数据关注度的差异性，从而提高模型的整体识别准确率。

图6 CNN-LSTM-Attention模型结构

其中，CNN[14]层主要由两层卷积层和一层池化层构成，其可完成对输入数据特征的模糊化与高维提取。LSTM[15]是一种特殊的循环神经网络（Recurrent Neural Network，RNN），由遗忘门、输入门和输出门组成。其循环单元的神经结构如图7 所示。

图7 LSTM单元结构

遗忘门、输入门和输出门的表达式为：

式中，ft、it、ot分别为遗忘门、输入门与输出门的输出；xt为输入数据；Wf和bf、Wi和bi、Wo和bo分别为遗忘门、输入门、输出门的权重及偏置。

由图7 可知，t时刻LSTM 单元的状态和输出分别为：

Attention[16]层的本质是利用神经网络得到不同输入数据的注意力权值，该层的最终输出为：

式中，βi为第i个输入xi的权重值，其可通过Attention 层计算得到，则有：

式中，U、V与W均为Attention 层的神经网络参数。

3 算例分析

仿真实验的硬件环境为处理器Intel(R)Core(TM)i7-8550U，内存16 GB。某省电网公司提供的9 580 条开关柜TEV 与超声波监测数据作为样本，并按照7∶3 的比例划分为训练集和测试集。

3.1 不同算法的性能分析

将相同数据集作为CNN、CNN-LSTM 和文中所提算法的输入，分析对比不同算法在开关柜局部放电检测准确率上的差异，所得结果如表1 所示。

表1 不同算法局部放电检测准确率

由表1 可知，该文算法对于电晕放电、沿面放电和悬浮放电具有良好的检测效果，且识别准确率均大于95%。而对于气隙放电检测的效果一般，识别准确率低于90%。但与CNN、CNN-LSTM 算法相比，该文算法针对不同局部放电类型的识别准确率均具有明显优势。从总体检测效果而言，该文算法的平均识别准确率可达95.1%，而对比算法仅为83.0%和78.5%。

由此可见，该文算法通过采用Attention 机制与LSTM 层，能够显著提升局部放电的检测准确率。

3.2 实际应用效果分析

将实际的200 组开关柜故障数据输入至该算法的模型框架中，该数据内包含电缆故障、支持绝缘子故障、电流互感器故障以及断路器故障共4 种故障类型。实际检测效果如图8 所示。从图中可看出，在电缆故障中100%识别为电晕放电；在支持绝缘子故障中，63%的概率识别为沿面放电；而在电流互感器故障中，有96%被识别为气隙放电；在断路器故障中则有75%的概率为悬浮放电。由此表明，在实际应用故障检测中，通过文中算法能够得到不同故障类型的占比，进而为开关柜的检修维护提供辅助。

图8 实际局部放电故障的检测结果占比

4 结束语

文中将深度学习算法应用于开关柜局部放电的检测识别中，通过仿真分析表明，算法的平均识别准确率高达95.1%，且相较于CNN 和CNN-LSTM 算法分别提升了约17%及12%。在实际应用中，该文算法能够为开关柜提供不同故障类型的分布概率，进而为配电网的智能化运维提供数据支撑。但该文算法仅能完成对局部放电故障的识别分类，而未能实现精准的故障定位，这将在下一步研究中开展。