基于深度稀疏降噪自编码网络的局部放电模式识别

2018-09-20郗晓光何金曹梦陈荣宋晓博李苏雅

电气自动化 2018年4期

郗晓光，何金，曹梦，陈荣，宋晓博，李苏雅

(国网天津市电力公司电力科学研究院，天津 300384)

0 引言

随着电力系统的发展，用电量不断增加，电网逐渐复杂化，电压等级也逐渐升高，电力系统的安全稳定运行面临着更大的挑战。

局部放电(Partial Discharge，PD)是引起高压设备故障的重要原因之一，长时间的PD累积会造成高压设备的一系列物理化学反应，加剧绝缘损坏，从而引起设备故障。PD状态检测是保障高压设备可靠运行的重要手段，而PD模式识别是局放检测的核心环节。近年来，国内外学者对于PD模式识别已经有了较深的研究，如神经网络、支持向量机(Support Vector Machine,SVM)等。神经网络诊断技术通过对故障样本的学习，以神经网络连接权值来表达所学故障诊断知识，具有对故障模糊匹配、相似归纳和联想记忆等能力[1]。SVM是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷方案,以获得最好的推广能力[2]。

然而由于变电站现场的电磁环境非常复杂，PD检测易受各种电磁干扰的影响。电磁干扰在多因素影响下，其特征是动态变化的，从而增大了电磁干扰辨识和抑制的难度，大大降低了传统的基于统计特征的模式识别方法的识别正确率，出现误报漏报的情况[3]。2006年，Hinton等人提出了用深度学习思想用于降噪处理[4]。深度学习其本质是通过构造含有多层隐含层的神经网络，将数据进行特征映射，获取数据深层本质信息，减少了人工特征提取的巨大工作量且提高了特征提取的信息量[5]。自编码器(AutoEncoder, AE)作为深度学习结构的重要组成部分，在无监督学习及非线性特征提取过程中扮演着重要角色，也被应用到多种领域[6]。堆叠多个自动编码器可形成栈式自动编码器(Stacked AutoEncoder, SAE)。栈式自动编码器能够提取目标数据更深层次的特征，挖掘数据本质信息[7]。

本文提出了一种基于深度稀疏降噪自编码器网络的模式识别方法，在自编码器基础上添加稀疏约束条件，从而具有更优的特征学习能力[8]。文献[9]将降噪稀疏自编码器用于指纹的特征提取与识别，证明了该方法的有效性。本文对实验室所检测的典型特征图谱，利用深度稀疏降噪自编码器进行主动染噪学习训练，最后得到可以有效去噪的深度特征提取模型，并利用Softmax分类器输出识别结果，有很好的识别效果。

1 深度稀疏降噪自编码器

1.1 自编码器

(1)

为了防止过拟合情况出现，需要对代价函数添加一个正则化，得到的代价函数为：

(2)

1.2 稀疏自编码器

Bengio于2007年提出了稀疏自编码器(Sparse AutoEncoder，SAE)，在AE基础上添加稀疏约束条件，要求大部分节点为0，从而有更好的鲁棒性和高效性[11]。SAE代价函数为：

(3)

1.3 稀疏降噪自编码器

图1 自编码器结构图

图2 稀疏降噪自编码器结构图

稀疏降噪自编码器(Sparse Denoising AutoEncoder，SDAE)是在SAE基础上，用编码器学习去除输入数据中的噪声，从而提高SAE的泛化能力和模型的鲁棒性[12]。SDAE结构图如图2所示。

(4)

1.4 深度稀疏降噪自编码器

血液中的S1P主要与高密度脂蛋白(high density lipoprotein, HDL)中的载脂蛋白M(apolipoprotein M, ApoM)或与血清白蛋白(serum albumin, SA)结合。已知这3种蛋白在脓毒症患者中都减少且与脓毒症患者的病情严重程度负相关[47-49]。S1P与这3种蛋白的关联提示S1P可能与SA、HDL和ApoM有相似预测患者预后的价值。由于血小板和红细胞与脓毒症急性期S1P下降在功能上相关，所以结合S1P水平、血细胞比容、血小板计数、SA、HDL和ApoM可能将更好地预测脓毒症患者的病情严重程度[20]。

本文采用4层隐含层的深度SDAE网络，其算法流程如图3所示。

图3 算法流程图

2 数据采集和特征提取

本文利用特高频检测法检测实验室的变压器模型PD信号。检测设备由PD检测仪、UHF传感器和示波器等组成。

2.1 试验平台搭建

PD测量在实验室的变压器模型中进行，试验平台和接线如图4所示。其中：设备包括无局放高压试验电源，规格为150 kV/AC；数字局放仪包括PD检测仪、耦合电容，检测阻抗和校准器(50 pC、100 pC)等，该检测仪是符合IEC 60270局放测量标准的宽带检测仪，用于系统性能、灵敏度等测试时局放量的检测和标定；采用Lecroy高速示波器系统(带宽2 GHz、采样率20 GS/s)。

图4 变压器PD实验平台

2.2 局部放电缺陷模型

本文自主研制的4种可置于变压器腔体内部的典型PD模型，包括针尖电晕、悬浮金属、绝缘气隙和沿面放电。在变压器上方手孔处进行缺陷设置，并使缺陷放电部分完全浸没在变压器绝缘油中。

(1)针尖电晕缺陷：高20 mm铝制针尖电极模型，模型一端与变压器A相套管高压端可靠连接，另一端悬垂于绝缘油中，且不与变压器金属柜壁接触。

(2)悬浮金属缺陷：将球形电极完全浸没于绝缘油中，与变压器A相套管高压端可靠连接，使用扎带在球形电极上吊装不同尺寸的螺母，电极与螺母间通过绝缘纸阻断碰触。整个缺陷完全浸没于绝缘油中且不与变压器金属柜壁接触。

(3)油纸气隙缺陷：使用三层油纸叠加制作油纸气隙模型，中间层油纸中心位置制作不同尺寸的孔径空隙，使用局放加压模型固定，一端与变压器A相套管高压端可靠连接，另一端可靠接地，模型不与变压器金属柜壁接触。

(4)油纸沿面缺陷：使用尖端铜片电极部分固定于绝缘纸一面，与变压器A相套管高压端可靠连接，油纸上相距不远处固定另一铜片电极,所用绝缘纸板电气强度>35 kV/mm。使用之前均已加热抽真空处理，滤除水分、气体和纤维颗粒等杂质，并将制作好的模型在试验前放入试验用变压器油中浸泡>36 h。加压试验时整个缺陷完全浸没于绝缘油中且不与变压器金属柜壁接触。

2.3 特征量提取

局放检测单元包括UHF传感器1个，综合调理单元1个和低通滤波器1个。根据图4连接试验装置，安装局放模型。每种放电模型下保存200组局放波形。作出四种缺陷模型下PD以及干扰信号的相位分辨的脉冲序列(PRPS)图谱，如图5所示。

图5 变压器PD三维PRPS图谱

本文求取的PRPS图谱周期维度为50，相位分辨度为5，即相位尺寸为72，即PRPS图谱尺寸为50×72。利用第1节所述的4层深度SDAE网络对含有噪声的PD信号提取特征量，将50×72的PRPS数据尺寸替换为60×60，归一化后作为网络的输入数据。设置隐含层神经元个数为25，从而得到隐含层权值矩阵W可视化效果图，如图6所示。

3 模式识别结果分析

3.1 网络训练和测试

本文代码采用MATLAB实现，配置为酷睿i7处理器3.7 GHz，内存8 GB。本文对于四种典型局放缺陷共采集了800组数据，每种放电类型200组。利用2.3节所示方法提取试验数据的特征量，作为Softmax分类器的输入。随机选取700条数据作为训练样本，余下100条数据作为测试样本，测试本文方法的有效性。

图7 深度SDAE网络提取特征量识别结果混淆矩阵

绘制出测试样本的模式识别结果混淆矩阵，结果如图7所示。其中:浅灰色对角线方块表示预测类别与实际类别相符的样本数，即正确识别的样本数；深灰色方块表示错误识别的样本数；最后一行为精确率(衡量预测系统的查准率，指正确预测的样本数/预测的样本数)；最后一列为召回率(衡量预测系统的查全率，指正确预测的样本数/实际的样本数)；最右下角方块为总的识别正确率。

由图7可以看出,使用Softmax作为分类器时，由深度SDAE网络提取的特征量作为输入时，识别准确率为91%，验证了本文所提出方法能够有效提取染噪PD信号的特征量，得到很好的识别结果。