基于GAF-CNN的配电网局部放电检测

2022-12-02刘洪笑周丙涛段亚穷张晓艳

通信电源技术 2022年14期

刘洪笑，向勉，周丙涛，朱黎，段亚穷，张晓艳

（湖北民族大学智能科学与工程学院，湖北恩施 445000）

0 引言

配电网架空线路的局部放电现象一般是由线路电气设备绝缘体内部或表面局部电场集中造成，虽然在早期的局部放电状态下不会引起绝缘击穿，但一定会损伤绝缘材料。如果局部放电现象得不到控制，可能会导致绝缘劣化或击穿，进而引起线路跳闸和起火，对人们的生命和财产安全造成严重威胁。

目前对于大部分局部放电的研究主要为提取特征参数，然后使用算法进行分类或者使用深度学习的方法将数据导入深度学习网络训练，利用深度学习网络提取信号的特征加以分类[1-6]。由于受到放电模式的影响，局部放电具有随机性，因此使用一种自适应能力较强的模型来检测局部放电现象显得尤为重要。

随着图像识别技术的发展，受文献[7]的启发，本文将局部放电的脉冲电压信号数据转为二维图像，并基于卷积神经网络（Convolutional Neural Networks，CNN）重新设计了绝缘架空导线局部放电的网络结构，可以对局部放电现象进行较高准确度的检测。由于CNN处理二维数据的能力更强，并且预训练CNN网络的图像数据集均为二维图像，因此采用将一维的局部放电数据变换为二维图片的信号处理方法。文献[8]为了减少弓网损坏，提出了格拉姆角场（Gramian Angular Field，GAF）-CNN的方法来识别弓网电弧。文献[9]使用GAF将光伏逆变器故障数据转化为图片，使用长短期记忆网络（Long Short-Term Memory，LSTM）对图片信息进行提取。此外，还有采用连续小波变换（Continuous Wavelet Transform，CWT）的方式将一维数据转换为二维图片后再通过分类网络分类[10-12]。由于CWT转化的时间较长，因此本文采用GAF转化的方式。

1 数据集与数据处理

配电网局部放电数据由VSB ENET中心发布，为现场测量获得的配电网架空线局部放电的真实数据。使用高频电流电磁耦合法采集的配电网架空线路三相高频电压信号，该数据集的每一个原始电压信号都有人工标定的标签与之对应。对于采集的脉冲电压信号，其中包含8 187个正常信号和525个局部放电信号。部分人工标定的数据集如表1所示。

表1 部分人工标定数据集

在局部放电脉冲电压信号采集过程中，采集的信号会受到电晕放电噪声的影响，同时也可能会受到绝缘体噪声、风成噪声、离散频谱干扰、环境噪声或放大器自身因素的干扰。局部放电信号集中存在于高频区域，滤波去除1 000 Hz以下的频率，然后使用离散小波对信号进行降噪[13]。图1为配电网架空导线脉冲电压的原始信号，图2为通过滤波降噪后的架空导线脉冲电压信号。

2 数据的维度变换

GAF作为一种原理相对简单、计算方便的二维映射算法，既能够生成二维图像，保留完整的信号信息，又能维持信号对于时间的依赖性[14]。格拉姆角场可以将绝缘架空导线局部放电单变量时间序列数据转化为图像数据，绝缘架空导线脉冲电压信号在笛卡尔坐标系中为一维时间序列，而格拉姆角场是通过极坐标系代替笛卡尔坐标系来表示数据。

假设一个绝缘架空导线脉冲电压信号的时间序列是X={x1,x2,…,xn}，长度为n，先将脉冲电压信号的时间序列归一化为[-1,1]，计算公式为

式中：max(X)和min(X)是绝缘架空电路中脉冲电压信号的最大值和最小值。

将缩放后的脉冲电压信号时间序列在极坐标上进行编码，公式为

式中：Φi为角余弦；ri为对应时间戳ti编码的半径。时间序列会随着时间在极坐标系中编码形成不同的图像，相应的值会在跨越圆上的不同角度点之间扭曲，最终图线会呈现螺旋发射式分布。经过上面的公式变换，将脉冲电压时序信号数据转换为沿对角线对称的特征图，使用特征图对时间序列进行重构。GAF时间序列转换图像特征如图3所示。

3 GAF-CNN模型

CNN是深度学习领域应用较为普遍的算法，常用于故障的诊断，其中LeNet5、VGG、Xception均为常见的算法模型，在图片分类领域发挥着重要作用[15]。CNN结构包括输入层、卷积层、池化层、全连接层以及输出层。GAF-CNN模型中，输入层为脉冲电压信号经过GAF转换得到的图片，经过卷积池化的处理将输入的图片数据转变为特征图，作为全连接层的输入，最后通过输出图像的特征实现图片的分类。经过GAF变换后的图片均为图片像素大小为52×52的图片，CNN的输入也为52×52。在CNN网络中，前2层卷积的卷积核大小都为3×3，步长为1，经过池化层为2×2的感受域，后连接2个全连接层，最终输出图片类型。GAF-CNN的配电网局部放电故障检测过程如图4所示。

4 分类实验与分析

采用GAF-CNN模型对配电网局部放电现象检测，先对脉冲电压信号进行滤波降噪处理，将处理过的数据转换为GAF图，然后输入CNN进行分类。在网络训练中，将数据划分为训练集、测试集、验证集，训练集、测试集、验证集的比例为6∶2∶2。批量大小为128，使用Adam优化器迭代100次。完成训练和验证后得到训练集和测试集的精度和损失值如图5、图6所示，在测试集上的精度达到99.77%。