基于卷积神经网络的开关柜局部放电监测

2017-05-24朱正国何斌斌

电网与清洁能源 2017年3期

关键词：电波开关柜超声波

朱正国，何斌斌，胡冉，秦哲

（1.南方电网深圳供电局电力技术研究中心，广东深圳 518000；2.广州安电测控技术有限公司，广东广州 510000）

基于卷积神经网络的开关柜局部放电监测

朱正国1，何斌斌1，胡冉1，秦哲2

（1.南方电网深圳供电局电力技术研究中心，广东深圳 518000；2.广州安电测控技术有限公司，广东广州 510000）

提出了一种通过人工智能和机器学习理论来实现配网设备运行状况监测的方法，并展示了一套基于卷积神经网络使用超声波和地电波数据的开关柜自动局部放电现象的监测系统。设计了具体的卷积神经网络模型，使其在经过离线训练之后，可以对开关柜实际运行时所产生的信号进行实时的分析与辨别，进而判断设备的运行状况。实验结果表明，在错误信号进行降噪处理的前提下，该系统依然可以准确地给出设备运行的确切状况，这充分证明了提出方法的有效性。

局部放电；开关柜；卷积神经网络；智能电网

由于电力设备在运行中会受到电、热、机械等负荷作用，以及一些自然因素的影响，长期工作会引起电力设备的老化、疲劳和磨损，以致性能逐渐下降[1-2]。

配电设备在线监测在国内还处于起步阶段，尽管在线监测技术在主网已有了较为成熟的应用，但是在配电网方面，由于成本经济性、设备关注度等原因，在线监测技术仍然只有一些局域性、试点性的研究，尚未得到全面的研究与应用。目前，国内配网监测技术应用，主要集中在3个方面：一是配网自动化，对于配电设备的自动化控制，配电架空线路加装故障指示器，但配电架空线路加装故障指示器的工作也没有全面的完成，国内还没有切实有效的在线监测手段；二是对配电设备进行带电检测，目前开关柜超声波、地电波局放带电检测技术，已在国内进行了普及和推广，每年国家电网、南方电网等公司都会采购大量的检测设备，但由于检测过程主要靠人的主观判断，应用情况平平，没有相关的应用案例证明其检测的实用程度；三是10 kV电缆振荡波局放检测技术，该项技术应用情况最好。目前，振荡波检测已经成为电缆投运前的检测标准，但该项技术是离线检测方式。

由此可见，对国外配电网先进技术研究是非常必要的。我们主要对其中的第二个应用领域进行了研究，并进行了实验性质的应用。针对开关柜等配电设备，我们设计了一个基于卷积神经网络（CNN）的在线监测系统，使用相关传感器产生的超声波和地电波信号，检测其局部放电缺陷，判断实际的运行状态和安全性。本文介绍了这个方法的主要原理以及具体的实现方式。

1 概况

国内外在配电检测方面做了许多不同的尝试。比利时的一些技术人员介绍了其关于在线局部放电监测方面的经验，以及对封闭式中压开关柜进行状态评估的方法[3]。M De Witte等人对开关柜设备加装了局放检测装置、温湿度传感器，在2010年至2012年间，对其运行状态进行了持续监测。监测数据表明，局部放电检测结果容易受环境影响，超声波传感器的测量数据会受到电网的干扰，因此有必要选择多个测量点来保证结论的相关性。该方法对于设备的评价很有帮助，但是成本昂贵不适合广泛使用。西班牙的研究人员[4]则使用了另外一种方法，介绍了一个具备连续校准的局放在线系统。系统组件包括在线校准脉冲注入器、电容式传感器（高频局放脉冲检测和数据采集）和数据通信组件等。该系统进行了小范围、较长时间的试用，结果证明，连续监测比周期性离线检测有很多优势，对实际的配电网有更好的监测能力。Renforth等人介绍了英国在这个领域的经验[5]，包括在中压、高压缆、开关设备、变压器和旋转电机等方面的在线局部放电监测。文中总结了不同检测设备在各个领域的应用，提出了一些测试技术及相关的在线传感技术。Vlase等人在美国做出了另外一种尝试[6]，他们提出了一种温度监测系统，用于监测接触的电气绝缘材料、供电电缆和金属封闭开关设备和控制装置套管，以消除过高温度所导致的故障，保障供电安全。但是，这种监测有以下缺点：成本高；无法测量到金属套管内元件的温度；监测不是连续永久的。

香港的Tai等人[7]总结了香港的实际工作经验，认为各类状态监测技术是从传统检修迁移到以可靠性为中心的预防性维护的辅助手段，局部放电检测手段是发现开关设备故障早期阶段的有效方法。他们通过长期的试验，评估连续局部放电监测系统的有效性和准确性，实测数据验证了各种便携式局放检测设备，包括地电波数据和超声波数据在连续在线监测系统的一致性。Kuo等人[8]介绍了一种应用于台湾地区的监测手段，使用一种基于无线传输技术的超声波局部放电在线监测技术，来进行SF6开关设备的监测。该方法通过对原始超声信号特征的提取，进行数字化评估和识别，并达到了非常不错的效果。该方法对随机白噪声有很好的承受能力，可以保证74%的局放识别率，这对早期的故障检测有很大帮助。我国内地也有了一些监测技术的应用。Yao等人[9]通过高压开关柜局部放电在线监测的真实案例，验证了地电波检测技术的有效性。上海电力公司与新加坡能源电力公司合作，应用英国EA公司检测产品，在35 kV变电站、10 kV开关柜进行了大量的局放检测工作，并积累了经验。实践证明，通过局放监测可有效地发现开关设备内的绝缘缺陷，是封闭开关设备检测的有效手段。

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不高，并需要消耗大量的资源。这些传统的方法很难脱离人类的干预，不能做到真正的自动监测与运行状况判断。在这种情况下，我们结合近些年来机器学习理论的发展[10-16]，尤其是CNN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极大地提高设备维护效率。

2 局部放电检测

脉冲电流（LC传输回路）法检测原理高压开关柜进线电缆的导线和金属屏蔽之间由绝缘材料隔开形成分布电容，高频的局放信号由分布电容对接地引线构成回路传输，在电缆接头屏蔽接地线上安装宽频带电流互感器（HFCT）可检测到放电脉冲信号，该方法的原理与离线试验的方法类似，因此能够确定局部放电的量值。利用超声法可以结合电信号（如脉冲电流、TEV等信号）根据声电时差的原理对放电故障点进行定位。对地瞬变电压（TEV）法检测原理在开关柜内部一旦发生局部放电，就会产生高频电磁波，通过感应在开关柜的柜壁和隔板处产生高频电势。所以，在电缆室隔板处放置TEV、超声波复合传感器，可以检测到TEV信号。由于超高频法的检测带宽为300～1500 MHz，远离干扰频带，因此该方法具有极强的抗干扰能力和较高的灵敏度，可以有效地提取超高频局部放电信号。

传统的局部放电监测方法主要是依靠技术人员的经验来做出主观判断，这个过程充满不确定性，有这很大漏检或错检的可能。近些年来，以深度学习为代表的人工智能理论逐渐发展了起来，应用在越来越多的模式识别问题上，并取得了非常不错的效果。由于开关柜的局部放电信号（超声波、地电波等）也有某些特定的模式，比如波形的振幅、相位、频率等，这些特征往往能够在很大程度上反映出设备的运行状态。然而，这些特征有时候会非常复杂，人类很难做出准确的判断，传统的模式识别方法也很难处理。而深度学习方法的强项正在于特征提取和模式识别的能力，尤其是在面对复杂问题的时候，一般能达到远超其他方法的识别效果。因此，我们将局部放电监测问题转化为了基于深度学习的模式识别问题。

首先，将传感器得到的超声波和地电波的信号数据转换为时频图的形式，然后将其输入到CNN模型中进行处理和识别，之后模型会输出最终的识别结果，流程图如图1所示。

图1 信号处理与检测流程Fig.1 Flow of the signal processing and detection

原始信号是由装置在开关柜周围的传感器采集而来，如图2所示。超声波脉冲是通过电柜的缝隙传输出来的，因此把DA-9000移动式综合在线监测系统的4个超声波局放检测探头分别装在4个环网柜电缆室的缝隙处；地电波检测部位主要是母排、断路器，CT、PT、电缆等设备所对应到开关柜柜壁的位置。将DA-9000的地电波传感器安装在开关柜前面板的中部和后面板的中部。

图2 开关柜地电波局部放电监测接线示意图Fig.2 Schematic wiring diagram of the ground wave partial discharge monitoring of the switch cabinet

与其他研究不同，该方法不需要对这些信号进行降噪处理，这也大大降低了运行成本和设备需求。这些信号会先分割成一些固定长度的信号段，其中一些低于某一阈值的弱信号会被过滤掉，如图3（a）所示。

然后，对信号进行时频转换，生成如图3（b）所示的时频图。为了方便图像显示并减少计算量，在这些图片输入CNN之前，需要事先设置一个标准图片尺寸，并对所有图片进行归一化处理。

图3 信号预处理Fig.3 Signal pre-processing

CNN模型如图4所示，该模型中总共有8层，前5层分为了两个部分，其中一个部分用来进行超声波信号底层特征的提取，另外一个部分则用来提取地电波信号的底层特征。然后将其合并起来，综合考虑两个子部分所抽象出来的特征组合，继续提取更高级别的特征。全连接层有4 096个神经元，为了避免梯度消失问题，该模型使用了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。第一个卷积层的权值见图5。

图4 CNN模型Fig.4 CNN model

图5 第一卷积层的权值Fig.5 Weights of the first convolution layer

我们使用了Softmax分类器来进行输出最终结果，根据当前的超声波和地电波信号来判断设备当前的运行状态。

3 实验结果

我们设计了一些实验来验证本方法的可行性。在这些实验中，许多信号样本被转换成时频图，并被导入到CNN深度学习模型中，模型会依据这些样本判断设备是否出现局部放电现象。图6展示了一些时频图，图6（a）（b）（c）（d）分别表示白噪声、脉冲噪声、周期性窄带干扰和标准的地电波信号。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。

图6 不同信号样本被转换成的时频图Fig.6 Time-frequency graph of different signal samples converted

在实验中使用了3 000个信号样本，其中包含500个局部放电信号样本。最终的检出率为95.73%，准确率为95.58%。图7展示了CNN模型的训练过程，其中红线表示训练过程中CNN模型所达到的准确率，蓝线代表相应的损耗值（loss）。与他它深度学习应用类似，这个CNN模型在训练过程中随着迭代次数的增加，其准确率不断升高，相应的损耗值也迅速减小。最终在2 000次迭代之后，准确率达到了95%。

图7 CNN模型训练过程Fig.7 CNN model training process

与传统方法相比，本方法在监测性能和运行时间上都显示出了巨大的优势。如表1所示，本文所提出的基于CNN的方法比脉冲电流法、传统超声波法和传统地电波法有着更高的检出率和准确率，同时消耗的时间也更少。尽管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是一个比较古老的方法，已经使用了多年。因为这个方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，由于它较高的准确率和方便的现场检测过程，该方法仍然得到了广泛的应用。近些年来，地电波检测法因为良好的检出率和准确率，成为了局部放电检测的主流方法。但是传统的地电波检测法尚有相当大的改进空间，因此，我们把地电波信号、超声波信号与最新的深度学习方法相结合，设计了本文的CNN模型，并达到了非常不错的性能。为了进一步测试该模型混合两种信号的优势，我们分别测试了仅适用单个信号的CNN模型的监测性能。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。因此我们认为，同时使用两种信号更具优势。

表1 各种方法的比较Tab.1 Comparison of different methods

4 结语

本文提出了一个基于时频分析的CNN模型，用来解决有噪声存在时的局部放电监测问题。该方法将传统主观信号分析问题转换为有深度学习驱动的模式识别问题。由于CNN优秀的特征提取和模式识别能力，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了ReLu激活函数来避免梯度消失这一深度学习领域中的棘手问题。我们设计了一些实验来验证我们的方法，结果显示，结合了超声波和地电波信号的CNN模型拥有较好的监测性能和运行效率。

[1]REN M，DONG M，REN Z，et al.Transient earth voltage measurement in PD detection of artificial defect models in SF6[J].IEEE Transactions on Plasma Science，2012，40（8）：2002-2008.

[2]LIUJ，WANGH，XUET，etal.Applicationofon-linedetection technology in shanghai power crid[C]//International Industrial Informatics&Computer Engineering Conference.Atlantis Press，2015：4.

[3]马辉，王玉华，刘朋朋，等.基于小波神经网络的单相三电平逆变器谐波检测[J].节能技术，2012，30（6）：516-520.MA Hui，WANG Yuhua，LIU Pengpeng，et al.Wavelet neural network for single phase three level inverter harmonic detection[J].Energy Conservation Technology，2012，30（6）：516-520.

[4]MULROY P，GILDERT I，HURTADO A.Continuous online monitoring of PD activity in the medium voltage distribution network[C]//Electricity Distribution（CIRED 2013）22nd International Conference and Exhibition on.IET，2013.

[5]赵明，孙平.基于Elman神经网络空预器积灰监测的研究[J].节能技术，2016，34（2）：165-168.ZHAO Ming，SUN Ping.Research on air pre-heater fouling monitoring based on the Elman neural network[J].EnergyConservation Technology，2016，34（2）：165-168.

[6]VLASE S，DRTA M，POPESCU S，et al.Local monitoring system of the permissible temperature for the medium voltage metal-enclosed switchgear and control gear[C]//2010 3rd International Symposium on Electricaland Electronics Engineering（ISEEE），IEEE，2010.

[7]TAI I S，WING Y K，CHIU H K.Application of condition monitoring techniques in managing the 11 kV switchgear in HK electric[C]//Power and Energy Engineering Conference（APPEEC），2013 IEEE PES Asia-Pacific，IEEE，2013.

[8]KUO C，CHANG H.On-line and long-term monitoring and diagnosis system for insulation on switchgear devices by wireless communication technique[C]//2012 International Conference on， Condition Monitoring and Diagnosis（CMD），IEEE，2012.

[9]YAO M.The application of temporary earth voltage（TEV）measurement in the online monitoring of the partial discharge of HV switch cabinet[C]//2010 China International Conference on，IEEEE lectricity Distribution（CICED），2010.

[10]于波，李新成，白亚为.高压中置式开关柜内定相安全挡板工器具的研制[J].陕西电力，2012，40（12）：94-97.YU Bo，LI Xincheng，BAIYawei.Developmentof phasing baffle tools for builtin high voltage switchgear[J]Shaanxi Electric Power，2012，40（12）：94-97.

[11]SCHMIDT E M，KIM Y E.Learning emotion-based acoustic features with deep belief networks[C]//2011 IEEE Workshop onApplications of Signal Processing to Audio and Acoustics（WASPAA），IEEE，2011.

[12]DAHL G E，YU D，DENG L，et al.Large vocabulary continuousspeechrecognitionwithcontext-dependentDBNHMMs [C]//2011 IEEE InternationalConferenceon，Acoustics，Speech and SignalProcessing（ICASSP），IEEE，2011.

[13]牛博，吴经锋，杨博，等.基于UHF的GIS局部放电源定位研究[J].陕西电力，2016，44（2）：48-52.NIU Bo，WU Jingfeng，YANG Bo，et al.Positioning research of GIS partial discharge source based on UHF[J].Shaanxi Electric Power，2016，44（2）：48-52.

[14]DAHL G E，YU D，DENG L，et al.Large vocabulary continuous speech recognition with context-dependent DBN-HMMs[C]//2011 IEEE International Conference on，Acoustics，Speech and SignalProcessing（ICASSP），IEEE，2011.

[15]黄超，万锶锦，郭镥.基于PLS——SVM的开关柜局部放电检测方法[J].电网与清洁能源，2016，32（9）：62-66.HUANG Chao，WAN Sijin，GUO Lu.Switchgear partial discharge detection method based on PLS-SVM[J].Power System and Clean Energy，2016，32（9）：62-66.

[16]郑建康，郑雷，孙浩杰，等.内置式开关柜绝缘状态监测智能装置的研究[J].陕西电力，2016，44（4）：46-50.ZHENG Jiankang，ZHENG Lei，SUN Haojie，et al.Study on buildin smart device for insulation condition monitoring of metalclad switchgear[J].Shaanxi Electric Power，2016，44（4）：46-50.

[17]肖永山，王维庆，霍晓萍.基于神经网络的风电场风速时间序列预测研究[J].节能技术，2007，25（2）：106-108.XIAO Yongshan，WANG Weiqing，HUO Xiaoping.Study on the time-series wind speed forecasting of the wind farm based on neuralnetworks[J].Energy Conservation Technology，2007，25（2）：106-108.

（编辑徐花荣）

Switch-GearPartialDischargeDetectionBasedonConvolutionalNeuralNetwork

ZHU ZhengGuo1，HE Binbin1，HU Ran1，QIN Zhe2
（1.China Southern Power Grid Electric Power Shenzhen Power Supply Bureau Electric Power Research Center，Shenzhen 518000，Guangdong，China；2.Guangzhou Andian Measurement&Control Technology Co.，Ltd.，Guangzhou 510000，Guangdong，China）

This paper presents a method based on artificial intelligence and machine learning theory to realize the monitoring the operation status of distribution network equipment，and it also displays a system which uses the ultrasonic and ground wave data and is based on convolutional neural network to monitor the partial discharge of the switch cabinet.A concrete convolutional neural network model is designed in the paper，which after the off-line training，can be used to analyze and identify some of the real-time signal generated by the switch cabinet in actual operation，and further judge the running status of equipment.The experimental results show that in the premise of noise reduction of the error signal，the system can accurately indicates the exact situation of equipment operation，which fully demonstrates the effectiveness of the proposed method.

partial discharge；switchgear；convolutional neural network；smart grid