基于栈式降噪自编码器的GIS绝缘缺陷识别研究

2021-09-23张金水蒋伟潘伟杰

电气自动化 2021年4期

张金水，蒋伟，潘伟杰

(1.上海电力大学电子与信息工程学院，上海 201306；2.国网上海奉贤供电公司，上海 201400)

0 概述

气体绝缘开关柜(GIS)设备是电力系统的重要组成部分，其绝缘性能的优劣关系着整个电网的安全性和稳定性[1]。局部放电是造成电气设备绝缘劣化的主要原因，也是绝缘劣化的重要征兆和表现形式[2]。局部放电发生的同时会产生脉冲电流，并因此激发高频电磁波。特高频检测法就是应用特高频传感器收集电磁波信号，通过信号处理检测出GIS绝缘缺陷类型，完成对局部放电信号的识别分类[3]。对局部放电信号准确分类，已成为电气设备故障诊断中的重要部分。

现有方法中，局部放电相位分布(PRPD)谱图是目前较为成熟且应用最为广泛的局部放电模式识别技术[4]。文献[5]基于局部放电PRPD谱图提取出偏斜度、陡峭度和相关系数等多个统计算子并作为特征向量进行缺陷类型识别。文献[6]通过主成分分析和因子分析将提取出的多个统计算子从高维空间降至低维空间，减小了分类器的负担，取得了较好的识别效果。文献[7]认为放电脉冲幅值符合双参数Weibull分布，将Weibull分布的形状参数作为区分不同放电类型的特征向量。文献[8]从分形理论的角度思考，利用盒维数法对放电信号进行特征提取。另外，还有学者将混沌特征[9]、矩特征[10]和小波特征[11]等运用到局部放电特征提取中。但是这些人工特征都存在主观性强、不确定性大、依赖专家经验和识别效果不佳等缺点。为了更高效率地识别GIS绝缘缺陷类别，不掺杂人为干扰因素，本文采用了深度学习的方法，提出基于栈式降噪自编码(SDAE)网络的GIS绝缘缺陷识别技术，能够有效提取缺陷特征，识别绝缘缺陷，并具有良好的鲁棒性。

本文选取了针尖电晕放电、悬浮电极放电、气体绝缘缺陷放电和自由金属颗粒放电等四种GIS设备中常见的局部放电类型。通过SDAE网络提取PRPD谱图中的特征，并训练该网络，完成搭建GIS绝缘缺陷识别的模型后，即可实现对未知局部放电信号的分类识别。结果表明，本文所提方法具有较高的可行性与有效性。

1 栈式降噪自编码器

1.1 降噪自编码器

自编码器(AE)能够高效地学习输入数据，并在输出端完整输出。为了防止AE只是简单的复制输入而输出，降噪自编码器(DAE)在原始数据中加入了破坏噪声，然后再由自编码器学习及恢复出无噪声的原始数据，保证了提取特征的有效性。DAE原理框图如图1所示。

图1 DAE原理框图

设原始数据为x，加入噪声后为x′，经过函数F编码为y，可用式(1)表示。

y=F(x′)=σ(Wx′+b)

(1)

式中：σ为激活函数;W为网络编码权值；b为网络编码偏置向量。

经网络编码后的y由函数G解码为z，如式(2)所示。

z=G(y)=σ(W′y+b′)

(2)

式中：W′为网络解码权值;b′为网络解码偏置向量；σ为激活函数。

记输入数据x与输出数据z之间的误差为重构误差，即式(3)所示。

(3)

重构误差LR(x,z)越小，说明该网络恢复出原始数据的性能越好，所得结果也更为准确。

1.2 栈式降噪自编码器

栈式降噪自编码器是由多个DAE级联而成的一种深度神经网络，其网络的训练包括两步：预训练和微调。前向预训练属于无监督训练，该训练过程是逐层进行的，每层的训练目标是使重构误差最小。完成后进行网络微调，该过程属于有监督训练，利用BP算法对整个SDAE网络进行调优，使预测误差最小化，进而提取出输入数据间更有效的特征，使输出层的结果更加精确。图2所示的是由两个DAE组合成的SDAE网络结构图。

图2 SDAE网络结构图

2 基于栈式降噪自编码器的GIS绝缘缺陷识别

本文算法是基于MATLAB实现的，主要SDAE算法实现如下：

(1)设定网络层数L，训练周期N，网络编解码权值W和W′，网络编解码偏置b和b′，权值衰减系数λ，学习率α，以及所加噪声等参数。

(2)网络预训练

Fori=1 toN

Forj=1 toL

yj=F(x′)=σ(Wjx′+bj)

x′=yj

End

Fori=1 toN

计算输出层L的残差

Fori=L-1 to 1

计算输出前各层的残差

Ei=F′(x′)⊙{(Wi+1)T[yi-(Wix′+bi)]}

End

Fori=1 toL

更新各层网络的参数

End

3 试验及结果分析

3.1 数据采集

试验共设计了针尖电晕放电、悬浮电极放电、气体绝缘缺陷放电和自由金属颗粒放电等四种GIS绝缘缺陷类型。用特高频传感器收集400个放电样本信号，每类放电信号100个样本，各放电类型的PRPD谱图如图3所示。

3.2 GIS绝缘缺陷识别与分类

试验从400个GIS缺陷样本信号中随机抽取340个样本作为训练集，60个样本作为测试集。将训练集送入SDAE网络进行学习，训练完成后将测试集送入该网络进行放电类型的模式识别。图4是SDAE网络在测试集上的识别结果。

试验得出：栈式降噪自编码网络在GIS绝缘缺陷训练集上的分类准确率高达99.71%，即340个训练样本中只有1个样本信号识别出错。同样，在测试集SDAE也有着较高的识别准确率，达到91.67%，证明了SDAE能有效地提取局部放电信号PRPD谱图中的特征，并在对未知信号分类时有强大的泛化能力。

混淆矩阵是分类问题中常用的误差矩阵，可以清楚地反映预测类别和真实类别之间的关系。图5是在GIS缺陷测试集上的混淆矩阵，可以看出随机抽取的60个测试样本中：类型2针尖电晕放电18个样本中有一个被误识别为了类型3，有两个被误识别为了类型4；类型3针尖电晕放电16个样本中有一个样本被误识别为类型4；类型4自由金属颗粒放电10个样本中有一个样本被误识别为了类型3；类型1悬浮电极放电16个样本都被正确识别，即该类GIS缺陷放电有着更高的识别准确度。

为了进一步说明SDAE在处理高维度且大量数据中强大的特征提取和识别分类能力，分别将局部放电样本信号送入BP神经网络、支持向量机(SVM)、DAE和SDAE，识别结果如表1所示。