基于深度残差网络的油纸绝缘老化状态识别策略研究

李涛 王子豪 王庸道 毛麟峰 吴振升 董伟男 范德玲

摘   要：为解决现有油纸绝缘老化识别技术存在的问题，提出一种基于深度残差网络的油纸绝缘老化状态识别方法。首先，基于柱板电极模型开展局部放电试验，获取不同热老化阶段下的油纸绝缘局部放电脉冲相位分布图谱;然后，对试验数据进行样本扩充、图像灰度化等预处理;最后，利用深度残差网络对样品进行模式识别，判断其所属老化阶段，并与SVM和BPNN 2种传统算法进行对比分析。试验结果表明，本文所运用的深度残差网络使油纸绝缘老化状态识别率达到97%，较SVM、BPNN等传统算法分别提升了24%和17%，这得益于深度残差网络对深层特征的自动提取、高训练稳定性和强大的拟合与泛化能力。该方法可以有效地对优质绝缘的不同老化阶段进行识别与分类，为在线识别、评估老化状态等应用奠定了基础。

关键词：深度残差网络;局部放电试验;模式识别;油纸绝缘;热老化检测

中图分类号：TM855;TP391.41            DOI：10.16375/j.cnki.cn45-1395/t.2022.01.007

0 引言

油纸绝缘是油浸式电力变压器内绝缘的主要组成形式，热老化是导致绝缘纸机械性能下降的重要原因。深入研究热老化绝缘机理，为油纸绝缘的老化状态建立可靠的识别与评估方法，对确保变压器安全稳定运行具有重要意义。

文献[1-2]提出了油纸气隙缺陷模型，分别利用遗传算法-反向传播神经网络和列文伯格-马夸尔特法优化的神经网络识别其老化，使用因子分析选取29个统计特征参数中的10个主成分因子作为神经网络输入，以单位圆的半径作为输出，对反向传播神经网络做出了改进，并研究了其模糊聚类[3]。文献[4]提出了气隙缺陷放电模型并进行老化试验，对局部放电信号消噪后，将经验模态分解-奇异值分解特征与随机森林分类器相结合，进行老化阶段识别。文献[5]利用油中溶解气体分析和局部放电的波形进行特征融合，利用粒子群算法对支持向量机进行优化，以提高传统支持向量机的识别效果。

在区分不同类型的局部放电中，算法在早期同样依赖于机器学习和经典神经网络[6-8]。有学者使用经验模态分解和希尔伯特-黄变换进行特征提取，取得了较好的效果[9]。现阶段的老化状态识别研究仍然以人工传统算法为主，而人工算法只能提取局部放电的浅层特征，不能保证分类的准确率。采用新的算法应用于老化阶段的识别对特征量的合理提取、识别准确率的提高具有重要意义。为进一步提高油纸绝缘识别的可靠性，本文提出了一种基于深度残差网络的油纸绝缘老化阶段识别方法。

1    理论

不同老化阶段起始电压的测试结果如图1所示，每个起始电压使用该老化阶段下3组试验的平均值。总体趋势：随着老化时间的延长，起始电压呈现下降趋势，表征油纸绝缘性能的下降，局部放电更容易起始和发展。这是因为在老化过程中，纸的聚合度减小，而介电常数上升[10]，由此引起了电场不均匀程度升高。老化20 d之后，起始电压的变化幅度减小，老化状态对起始电压的影响不显著。

根据不同老化阶段起始电压的测试结果，文章整体思路为：首先，基于柱板电极模型开展局部放电试验，获取不同热老化阶段下的油纸绝缘局部放电脉冲相位分布图谱;然后，对试验数据进行样本扩充、图像灰度化等预处理;最后，利用深度残差网络对样品进行模式识别，判断其所属老化阶段。

2    算法及策略

2.1   数据扩充

在不同老化阶段下，不同电压所进行的试验如表1所示。

为保证每个数据的可比性，每个长时间录制的数据流均选取10 pC以上的60 000个放电点作为一组数据。所得数据中，B组10 d老化阶段的试验数据较少，对B组试验数据使用滑动数据剪裁[11]进行数据扩充，其余阶段皆采取等放电次数（60 000次）进行数据切分。滑动数据剪裁为：从第一个放电点开始，每60 000个放电点为一个数据，下一个数据的起点为上一个数据起点加上15 000个放电点，其示意图如图2所示。除B组外的试验数据均直接以60 000个放电点等间隔对数据进行切分，其示意图如图3所示。

2.2   图像预处理

将得到的每60 000次10 pC以上放电点数据绘制原始数据的[q]-[φ]图像。对每个原始数据的图像均采用当前一组数据的放电量最大值的0.7倍作为图谱的最大值;将原始图像切分为100×100的图像窗格，统计每个窗格中的放电次数，成为[q]-[φ]密度矩阵;得到的图片按照式（1）所示进行对数运算，避免大量次数的小放电掩盖次数较少的大放电。

[xij=log（zij）]，                             （1）

式中：[zij]为统计得到的窗格内放电点数，[xij]为相应窗格的对数运算结果。

對处理结果进行如式（2）所示的归一化，将原来对数运算后的数值矩阵范围转变为0～1，再乘以255，成为标准8位灰度图的矩阵，保存为灰度图，共得到13 817张图片数据集，其中90%用于网络训练，10%用于测试。

[yij=xijmax（x）×255]，                    （2）

式中：[yij]为灰度图中窗格对应像素的灰度值，[x]为上一步得到的整个对数运算后的矩阵。

灰度化前后的效果如图4所示。图4 （a）为油纸在130 ℃热老化40 d后，以20 kV电压测得的原始放电量数据图。图4 （b）的灰度图中，图片下方的黑色区域代表了大量的小放电，上方较暗的点代表了幅值较大、放电次数较少的放电。

2.3   深度残差网络

深度残差网络是卷积神经网络的一种，是训练稳定、性能优良的深层网络。在卷积网络的各层运算中，特征子图的维度不断增加，通过训练迭代实现自动特征提取[12]。

为找到性能较好的网络，对比不同网络深度的影响，本文构建了经过简化的ResNet-18、ResNet-18以及ResNet-34，构建的各个网络的结构参数如  表2所示。

3    试验仿真

3.1   试验平台搭建

试验平台遵循IEC60270局部放电测试标准[13]，采用脉冲电流法构建的试验电路图如图5所示。

试验电路的电源部分采用可编程信号发生器产生信号波形，信号输出的采样率为6.5 MS/s，换算为50 Hz工频周期下，一个周期1.3×105个信号采样点。经过高压功率放大器放大为功率信号，该放大器可以将输入信号以固定增益放大1∶5 000转换为试验的高压功率信号。

依据IEC60270，电荷频域积分中心频率     250 kHz，带宽300 kHz。使用高压探头进行          1 000∶1分压并测量被试品电压。由功率放大器的电压监视5 000∶1分压输出端口，测量放大器的出口电压。局部放电回路升压至电压有效值30 kV，无局部放电发生，测试系统噪声小于10 pC。

采用克拉玛依25号变压器油，无其他任何杂质，放置在真空干燥箱中，于80 ℃、压力小于   10 Pa的环境中真空干燥48 h。采用厚度为1 mm的换流变压器绝缘纸板，将其剪裁后，在105 ℃、压力小于10 Pa的环境中真空干燥48 h。再将油纸样品放置在80 ℃、压力小于10 Pa的环境中真空浸渍48 h。最后在室温下冷却，20 ℃储存。

根据式（3）所示的蒙辛格热老化规则[14]，对试验样品在高温下的老化时间估算为正常运行的等效     时间。

[T=T0e-αθ-θ0]，                         （3）

式中：[θ0]为绝缘材料正常工作时的基准工作温度，[T0]为绝缘材料在此基准工作温度下正常工作的等效工作时间，[θ]为试验样本的热老化温度，[T]为试验样本在热老化条件下的试验时间，[α]为热老化系数，—般取0.115 5。

本文中变压器的基准工作温度为80 ℃，实际工作温度即老化试验温度为130 ℃，共分为5个阶段，每个阶段的间隔为10 d。对不同时间的老化阶段样本进行折算，结果如表3所示。

3.2   网络评价指标

本文网络评价指标包括准确率、精确率、召回率、[F1]值以及算法混淆矩阵。[NTP]为当前老化阶段与网络识别老化阶段相同的样本数，[NFP]为其余老化阶段与网络识别老化阶段相同的样本数，[NFN]为其余老化阶段识别为当前老化阶段的样本数，[NTN]为其余老化阶段识别为其余老化阶段的样本数。

[A]表示准确率（Accuracy），其定义如式（4），即所有识别正确的样本数，占所有样本数的比重。

[A=NTP+NFNNTP+NTN+NFP+NFN] .                     （4）

[P]表示精确率（Precision），其定义如式（5），即所有当前老化阶段与网络识别老化阶段相同的样本数，占所有识别为本老化阶段样本数的比重。

[P=NTPNTP+NFP] .                           （5）

[R]表示召回率（Recall），其定义如式（6），即所有当前老化阶段与网络识别老化阶段相同的样本数，占所有本老化阶段样本数的比重。

[R=NTPNTP+NFN] .                           （6）

[F1]值的定义如式（7），它综合考虑了精确度和召回率，是一个高优参数。

[2F1=1P+1R] .                         （7）

混淆矩阵可以清晰地给出分类结果，其列为真实的老化阶段、行为判断的老化阶段。混淆矩阵对角线上的元素是分类正确的样本数，而其余为分量错误的样本数，主对角线上的数值相较于非对角线上的元素数值越大，网络性能越好。

3.3   识别结果

深度残差网络的训练过程如图6（a）所示。随着迭代次数的增加，各网络识別准确率均逐渐上升。简化的ResNet-18网络由于参数量较少，稳定性较差，在迭代过程中多次出现准确率下降。ResNet-34网络结构较深，约20次迭代后就已经稳定在较高的准确率上。ResNet-18网络的稳定性介于二者之间。据图6（b） ，它们的准确率都可以达到95%以上。最深的ResNet-34网络具有最好的稳定性，迭代的准确率一直稳定在96.2%;ResNet-18网络最高可以达到97.0%的准确率;简化的ResNet-18表现出更大的波动，准确率在95.6%～96.6%。

取效果較好的ResNet-18的最高准确率参数，其分阶段分类报告见表4。由表4可看出，对于老化的各个阶段，深度残差网络均取得了良好的分类效果。对于特征明显的40 d老化样本，可以做到100%的识别，其余各阶段的各项网络评价指标均在90%以上。

从图7所示的混淆矩阵可看出，仅有少量样本分布在非对角线上，误判情况极少，绝大多数的老化阶段得到了正确的匹配。混淆矩阵的结果表明，本文方法可以作为油纸绝缘老化诊断的有效方法。

采用相同算法对支持向量机和反向传播神经网络2种传统算法进行计算，可得到这2种算法的分类报告和混淆矩阵，如表5、表6和图8、图9所示。

深度残差网络识别不同老化阶段的平均准确率可达97%，相较于反向传播神经网络的平均准确率提升17%，相较于支持向量机提升24%。造成这一现象的原因主要是深度残差网络的自动提取特征相对于传统的人工特征提取具有优势，可以发现不易察觉的深层特征，对图像进行更好地描述，以及深度残差网络的短接结构，使得网络的深度可以大大增加。

精确度方面，在传统算法特征较不明显的前几个老化阶段，精确率不高，SVM对30 d样本的识别尤其不佳，精确率仅55%，和同阶段深度残差网络的精确率相差34%;BPNN则对0 d样本识别不足，精确率为70%，与同阶段深度残差网络的精确率相差29%。深度残差网络不仅可以在特征明显的40 d样本中达到高精确率，而且在较低的老化阶段也能够有效识别[7，15]。

在F1值方面，深度残差网络较高的F1值代表了其对精确率和召回率的兼顾。BPNN的30 d样本以及SVM的30 d样本的F1值较精确率均有所降低，代表了其召回率不足，有较多本老化阶段的样本被漏掉。SVM和BPNN的F1值较低，显示出其兼顾精确率和召回率的能力较差。

4    结论

本文提出了一种基于深度残差网络的老化阶段识别方法。制备了5个阶段共计40 d的130 ℃热老化的油纸样品，使用柱板电极作为典型缺陷进行试验，获得了不同老化阶段下的局部放电PRPD图谱;所得数据经过数据扩充、图像灰度化等预处理后，使用基于深度残差网络的算法模型对不同老化阶段进行识别，并与基于人工特征量提取的支持向量机和反向传播神经网络2种算法进行对比，得到如下结论：

1）深度残差网络的识别率可以达到97%，对比传统的支持向量机法和反向传播神经网络法分别提升24%和17%。准确率提升的本质原因是深度残差网络可以对能保留更多信息的PRPD灰度图进行分析，通过自动特征提取能力提取到图中难以察觉的深层特征，对不同老化阶段的放电特征进行了更好的描述。因此，相比于传统人工提取特征量的算法，深度残差网络具有显著的优势。

2）除40 d以外的其余老化阶段下的传统算法效果欠佳，而深度残差网络在各个老化阶段下均能够取得理想的识别效果，各项指标相较于传统算法均有明显优势，有利于识别绝缘劣化的先兆，这对于设备的运行、检修和维护具有重要意义。

3）试验数据在不同电压、局部放电的不同发展阶段、不同加压方式的条件下，深度残差网络仍然取得较好的分类效果，展示出其强大的拟合能力和泛化能力。而数据的复杂性导致了传统算法的识别率低下，不能达到较好的性能。

参考文献

[1]     廖瑞金，汪可，周天春，等. 采用局部放电因子向量评估油纸绝缘热老化状态的一种方法[J]. 电工技术学报，2010，25（9）：28-34.

[2]     周天春，杨丽君，廖瑞金，等. 基于局部放电因子向量和BP神经网络的油纸绝缘老化状况诊断[J]. 电工技术学报，2010，25（10）：18-23.

[3]     LI  J， LIAO R  J，GRZYBOWSKI  S，et al. Oil-paper aging evaluation by fuzzy clustering and factor analysis to statistical parameters of partial discharges[J]. IEEE Transactions on Dielectrics and Electrical Insulation，2010，17（3）：756-763.

[4]     张建文，王曼，解浩，等. 基于随机森林的油纸绝缘老化阶段评估[J]. 电测与仪表，2018，55（9）：121-125，130.

[5]     王曼. 电力变压器油纸绝缘老化状态评估方法研究[D].徐州：中国矿业大学，2018.

[6]     姜磊，朱德恒，李福祺，等. 基于人工神经网络的变压器绝缘模型放电模式识别的研究[J]. 中国电机工程学报，2001（1）：22-25.

[7]     李向阳，曾文波. 基于BP神经网络矩形微带天线谐振频率预测[J]. 广西科技大学学报， 2014， 25（3）： 26-31.

[8]     王国利，郑毅，沈嵩，等. AGA-BP神经网络用于变压器超高频局部放电模式识别[J]. 电工电能新技术，2003（2）：6-9，55.

[9]     朱永利，贾亚飞，王刘旺，等. 基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类[J]. 电工技术学报，2017，32（9）：221-235.

[10]   SUN P T，SIMA W X，YANG M，et al. Influence of thermal aging on the breakdown characteristics of transformer oil impregnated paper[J]. IEEE Transactions on Dielectrics and Electrical Insulation，2016，23（6）：3373-3381.

[11]   万晓琪，宋辉，罗林根，等. 卷积神经网络在局部放电图像模式识别中的应用[J]. 电网技术，2019， 43（6）：2219-2226.

[12]   高欣，纪维佳，赵兵，等. 不平衡数据集下基于CVAE-CNN模型的智能电表故障多分类方法[J]. 电网技术，2021，45（8）：3052-3060.

[13]   The International Electrotechnical Commission （IEC）. High-voltage test techniques-partial discharge measurements： IEC 60270-2015[S/OL].2015[2021-08-01].https：//www.doc88.com/p-6983841680314.html.

[14]   謝军. 变压器油纸绝缘局部放电劣化规律及诊断方法[D]. 北京：华北电力大学，2016.

[15]   谭光兴， 孙才茗， 王俊辉. 基于HOG特征与SVM的视频车辆检测系统设计[J]. 广西科技大学学报， 2021，32（1）：19-23，30.

Research on identification strategy of oil-paper insulation aging state based on deep residual network

LI Tao1， WANG Zihao1， WANG Yongdao1， MAO Linfeng1， WU Zhensheng*2，

DONG Weinan3， FAN Deling2

（1. Yuxi Power Supply Bureau， Yunnan Power Grid Co.， Ltd.， Yuxi 653100， China; 2. School of Electrical

Engineering， Beijing Jiaotong University， Beijing 100044， China; 3. Langfang Power Supply Co.， Ltd.， State Grid Northern Hebei Power Supply Co.， Ltd.， Langfang 065000， China）

Abstract： A method for identifying the aging state of oil-paper insulation is proposed based on a deep residual network aimed at the problems of the existing oil-paper insulation aging identification         technology. Firstly， partial discharge tests are conducted based on the cylindrical electrode model to  obtain the oil-paper insulated partial discharge pulse phase distribution maps under different thermal aging stages. Secondly， samples on the test data are expanded and image gray scale is preprocessed. Finally， deep residual network is used for pattern recognition of the sample to determine its aging stage， and it is compared with SVM and BPNN algorithms. The results of the experiment show that the deep residual network used in this paper enables the oil-paper insulation aging recognition rate to reach 97%， which is 24% and 17% higher than SVM and BPNN algorithms respectively. This method can effectively identify and classify the different aging stages of high-quality insulation with its automatic extraction， high training stability， and strong fitting and generalization capabilities， laying a foundation for online identification and aging state assessment.

Key words： deep residual network; partial discharge test; pattern recognition; oil-paper insulation; thermal aging detection

（责任编辑：黎   娅）