姚煜 周玖 谭致远
（中国南方电网广州供电有限公司 广东广州 510620）
摘要：电力设备局放监测对保障电力安全具有重要意义，传统的人工巡检方式由于配电设备覆盖范围极广监测困难，这种巡视监测方法不仅需要耗费巨大的人力成本而且一些潜在的故障也不容易及时发现。本文使用基于深度网路的人工智能技术对配网设备状况实时监测，应用深度卷积神经网络对开关柜的超声波和地电波数据进行分析，达到配网设备智能监测的目的，节约了人力和时间降低了配网设备的维护成本。深度卷积神经网络在经过训练以后可以对配网设备运行时所产生的特定信号进行实时分析与识别，从而对设备的运行状况进行判断。将从传感器采集的数据进行快速傅立叶变换再输入到卷积网络训练测试，在不对信号进行降噪处理的前提下，依然可以准确地给出设备运行的确切状况。
关键词：局部放电; 人工智能; 深度卷积神经网络; 模式识别
1.引言
电力设备在运行过程中受电、热、机械等负荷作用，以及自然因素例如温度、气压、湿度、尘埃等的作用会引起设备的老化、疲劳和磨损导致性能逐渐下降甚至绝缘丧失[1]。 这种缓慢变化导致的设备可靠性下降严重影响供电系统的安全，因此必须对这些设备的运行状态进行监测目的在于及时发现设备的各种劣化进程的变化，在设备可能出现故障前及时维修、更换设备避免发生安全事故[2]。
目前使用超声波和地电波对配电设备带电局放检测已广泛使用，但检测主要依靠工程人员的主观判断进行检查，容易发生误判或漏判。近年国内外在配电设备检测方面做出了各种尝试，比利时的研究人员总结了他们对封闭式 开关柜在线局部放电监测[3]方面的经验。西班牙的研究人员使用电容式传感器对局放脉冲进行了小范围长时间的数据采集和检测[4]。Renforth等人介绍了中高压缆、开关设备、变压器在线局部放电监测技术[5]总结了不同检测设备在各个领域的应用和一些测试技术。Vlase等人提出了连续监测电气绝缘材料、供电电缆和金属封闭开关设备温度和局放的系统[6]。香港的Tai等人通过长期的试验，验证了各种便携式局放检测设备在线监测系统的有效性，认为局部放电检测是早期发现开关设备故障早期阶段的有效方法[7]。Kuo等人介绍了一种超声波局部放电在 线监测技术[8]对SF6开关设备进行监测, 该方法在随机白噪声的情况下对原始超声波信号的特征识别率达到74%，这对早期的故障检测有很大帮助。Yao等人通过高压开关柜局部放电在线监测验证了地电波检 测技术的有效性[9]。 尽管在设备监测领域已经有了上述这些尝试，但是这些实验性质的应用往往准确性低且成本较高。这些传统的方法很难脱离人工的干预而做到自动监测。在这种情况下，结合近些年来机器学习理论的发展[10-15]，尤其是卷积神经网络(Convolutional Neural Network,CNN) [16]方面的巨大进步，提出了一种新颖的自动在线监测方法。不同于以往的任何研究，该方法可以完全不需要技术人员和专家的主观判断，因此可以极大地提高设备维护效率。针对开关柜等配电设备，使用基于卷积神经网络（CNN）的在线监测系统，对传感器监测到的超声波和地电波信号做局放分析并给出设备实际的安全状态。
2.基于深度卷积网络的局放监测处理流程
传统的局部放电监测方法主要是依靠工程人员的主观经验做出判断，充满不确定性存在漏检或错检的可能。随着人工智能理论逐渐发展，特别是以深度学习为代表的技术的不断进步，在模式识别应用方面不断取得突破性成果。因此使用深度学习技术来进行开关柜信号的识别。开关柜局放信号（超声波、地电波等）的振幅、相位、频率等参数具有特定的模式特征，这些特征可以在很大程度上反映出设备的运行状态。然而，这些特征之间的相互关系非常复杂，人工很难做出准确地判断，使用传统的模式识别方法也依然存在准确率不高的状况。而深度学习在特征提取和模式识别方面已经展现了强大的能力，尤其是在面对复杂问题时的识别效果远超其它传统方法。
因此，本文采用深度卷积网络对配网设备的局部放电监测信号进行识别。
不同于传统的时域或频域分析，采用深度卷积网络对波形信号识别首先要将从传感器得到的超声波和地电波的信号转换为图像信号，采用时频变换就可以把波形信号转变为图像信号。然后将该图像信号输入到CNN模型中进行处理和识别，CNN模型会输出一个识别结果，可以把流程表示为图1。
.png)
由于傅立叶变换只能从整体的时域或频域对信号进行分析，无法表现信号频率分量随时间变换的关系。短时傅立叶变换（STFT）通过在时域加窗使其能克服不能同时进行时间、频率分析的缺点。加窗傅立叶变换可表示为：
（2）
.png)
这里g(t)是窗函数，随着的变化由 g(·)所确定的窗口在时间轴上移动因此信号x(t)就按时间轴逐步分析，该变换反映了信号x(t)在时刻、频率 的振幅。通过STFT可以把波形信号转变成时频图像信号，不同于传统方法信号处理需要降噪该方法可以省略这一过程，因而大大降低了运行成本和设备需求。为了方便处理采集到的波形信号首先分割成固定长度，时域波形上的一些低于某一阈值的弱信号可舍去，如图3 (a)所示，
.png)
对该波形信号段进行时频转换，可生成如图3 (b)所示的时频信号图像，信号图像在输入CNN之前需进行归一化处理。
3.2 CNN模型
卷积神经网络是通过模仿生物视觉感受野提出的一种神经网络，它权值共享结构可以大大减少权值数量降低网络的复杂度。该网络用于图像处理可以避免传统识别算法中复杂的特征提取过程[16]，对图像平移、缩放、倾斜等变形保持高度不变性。卷积网络包括卷积层、池化层和全连接层，网络中的卷积层和池化层交替出现。卷积层的输出可以表示为:
.png)
这里的E为代价函数，使用稀疏约束的代价函数可以确保各个特征的系数大部分为0。在CNN中使用BP算法更新权值时为了避免梯度消失问题，使用了ReLu激活函数。这是因为比起一般的sigmoid激活函数，ReLu在梯度下降法中表现出更好的性能。ReLu函数从生物学角度模拟出了脑神经元接受信号更精确的激活模型，如图所示:
图6波形信号的时频图像，abcde分别表示白噪声、脉冲噪声、周期性窄带干扰、标准的超声波信号和地电波信号。显然，地电波信号有着与各种噪声明显不同的特征，因此，CNN模型可以对其做出准确的鉴别。
.png)
4.实验与结果
在实验中使用了4000个信号样本，其中包含1000个局部放电信号样本，经过训练可以求出各个卷积层的参数，图7显示了第一层卷积层的权值图像。CNN模型的训练过程如图8所示，红色曲线表示训练过程中模型所达到的准确率，蓝线代表相应的损耗值（loss），最终的检出率为96.24%，准确率为96.79%。可以看到CNN模型在训练过程中随着迭代次数的增加其准确率会不断升高，相应的损失函数的值也逐渐减小，在2000多次迭代之后曲线基本收敛，准确率达到了96%。
相比传统方法，本方法在监测准确性和抗干扰能力上都显示出了巨大的优越性。具有更高的准确率和时间效率。表1列出了本文所提出的基于CNN的方法的比较。尽管使用单一脉冲电流法也能达到一个较好的监测效果，但是它往往需要大量的检测时间，因此，脉冲电流法一般被用于电力设备的制造环节中。传统的超声波检测法只能检测到表面放电，而不能处理内部放电，所以这个方法在检出率上表现不佳，不过由于它准确率较高且方便现场检测该方法仍然得到了广泛的应用。地电波检测法检出率高于超声波法得到了广泛重视。本文把地电波信号、超声波信号与深度学习方法相结合取得了非常不错的性能。为了更好的比较，本文分别测试仅使用单个信号的监测性能，可以看出尽管使用单个信号可以降低了模型的计算量，减少总运行时间，但是检出率和准确率都有了一定程度的下降。
.png)
5.总结
本文提出了一个基于深度学习的CNN模型，用来解决有噪声存在时的配网设备局放监测问题。该方法克服了传统主观信号分析方法，采用深度学习解决了模式识别问题，该模型可以准确地检测出局部放电所特有的信号模式。模型的训练过程中使用ReLu激活函数来避免梯度消失这一深度学习领域中普遍存在的问题。实验结果显示，使用超声波和地电波信号相结合的CNN模型在配网设备监测方面拥有较好的性能和效率。
参考文献：
[1] Ren M, Dong M, Ren Z, et al. Transient Earth Voltage Measurement in PD Detection of Artificial Defect Models in. Plasma Science, IEEE Transactions on, 2012,40(8):2002-2008.
[2]Liu J, Wang H, Xue T, et al. Application of On-line Detection Technology in Shanghai Power Grid. 2015.
[3]De Witte M, Tits Y, Arens M, et al. Partial discharge monitoring on MV switchgear: Electricity Distribution (CIRED 2013), 22nd International Conference and Exhibition on, 2013[C]. IET.
[4]Mulroy P, Gilbert I, Hurtado A. Continuous online monitoring of PD activity in the medium voltage distribution network: Electricity Distribution (CIRED 2013), 22nd International Conference and Exhibition on, 2013[C]. IET.
[5]Renforth L, Seltzer-Grant M, Mackinlay R, et al. Experiences from over 15 years of on-line partial discharge (OLPD) testing of in-service MV and HV cables, switchgear, transformers and rotating machines: Robotics Symposium, 2011 IEEE IX Latin American and IEEE Colombian Conference on Automatic Control and Industry Applications (LARC), 2011[C]. IEEE.
[6]Vlase S, Duta M, Popescu S, et al. Local monitoring system of the permissible temperature for the medium voltage metal-enclosed switchgear and control gear: Electrical and Electronics Engineering (ISEEE), 2010 3rd International Symposium on, 2010[C]. IEEE.
[7] Tai I S, Wing Y K, Chiu H K. Application of condition monitoring techniques in managing the 11kV switchgear in HK electric: Power and Energy Engineering Conference (APPEEC), 2013 IEEE PES Asia-Pacific, 2013[C]. IEEE.
[8] Kuo C, Chang H. On-line and long-term monitoring and diagnosis system for insulation on switchgear devices by wireless communication technique: Condition Monitoring and Diagnosis (CMD), 2012 International Conference on, 2012[C]. IEEE.
[9]Yao M. The application of temporary earth voltage (TEV) measurement in the online monitoring of the partial discharge of HV switch cabinet: Electricity Distribution (CICED), 2010 China International Conference on, 2010[C]. IEEE.
[10]Hamel P, Eck D. Learning Features from Music Audio with Deep Belief Networks.: ISMIR, 2010[C]. Utrecht, The Netherlands.
[11]Schmidt E M, Kim Y E. Learning emotion-based acoustic features with deep belief networks: Applications of Signal Processing to Audio and Acoustics (WASPAA), 2011 IEEE Workshop on, 2011[C]. IEEE.
[12]Dahl G E, Yu D, Deng L, et al. Large vocabulary continuous speech recognition with context-dependent DBN-HMMs: Acoustics, Speech and Signal Processing (ICASSP), 2011 IEEE International Conference on, 2011[C]. IEEE.
[13]Mohamed A, Sainath T N, Dahl G, et al. Deep belief networks using discriminative features for phone recognition: Acoustics, Speech and Signal Processing (ICASSP), 2011 IEEE International Conference on, 2011[C]. IEEE.
[14]Yu D, Deng L. Deep learning and its applications to signal and information processing [exploratory dsp]. Signal Processing Magazine, IEEE, 2011,28(1):145-154.
作者简介：
姚 煜(1985—)，男，硕士研究生，工程师，研究方向：电力系统及其自动化。
周 玖(1978—)，男，硕士研究生，工程师，研究方向：电力系统及其自动化等。
谭致远(1981—)，男，本科，高级工程师，研究方向：电力营销风险，反窃电。