基于棧式降噪自編碼器的GIS絕緣缺陷識別研究

張金水， 蔣偉， 潘偉杰

(1.上海電力大學 電子與信息工程學院，上海 201306；2.國網上海奉賢供電公司，上海 201400)

0 概 述

氣體絕緣開關柜(GIS)設備是電力系統(tǒng)的重要組成部分，其絕緣性能的優(yōu)劣關系著整個電網的安全性和穩(wěn)定性[1]。局部放電是造成電氣設備絕緣劣化的主要原因，也是絕緣劣化的重要征兆和表現形式[2]。局部放電發(fā)生的同時會產生脈沖電流，并因此激發(fā)高頻電磁波。特高頻檢測法就是應用特高頻傳感器收集電磁波信號，通過信號處理檢測出GIS絕緣缺陷類型，完成對局部放電信號的識別分類[3]。對局部放電信號準確分類，已成為電氣設備故障診斷中的重要部分。

現有方法中，局部放電相位分布(PRPD)譜圖是目前較為成熟且應用最為廣泛的局部放電模式識別技術[4]。文獻[5]基于局部放電PRPD譜圖提取出偏斜度、陡峭度和相關系數等多個統(tǒng)計算子并作為特征向量進行缺陷類型識別。文獻[6]通過主成分分析和因子分析將提取出的多個統(tǒng)計算子從高維空間降至低維空間，減小了分類器的負擔，取得了較好的識別效果。文獻[7]認為放電脈沖幅值符合雙參數Weibull分布，將Weibull分布的形狀參數作為區(qū)分不同放電類型的特征向量。文獻[8]從分形理論的角度思考，利用盒維數法對放電信號進行特征提取。另外，還有學者將混沌特征[9]、矩特征[10]和小波特征[11]等運用到局部放電特征提取中。但是這些人工特征都存在主觀性強、不確定性大、依賴專家經驗和識別效果不佳等缺點。為了更高效率地識別GIS絕緣缺陷類別，不摻雜人為干擾因素，本文采用了深度學習的方法，提出基于棧式降噪自編碼(SDAE)網絡的GIS絕緣缺陷識別技術，能夠有效提取缺陷特征，識別絕緣缺陷，并具有良好的魯棒性。

本文選取了針尖電暈放電、懸浮電極放電、氣體絕緣缺陷放電和自由金屬顆粒放電等四種GIS設備中常見的局部放電類型。通過SDAE網絡提取PRPD譜圖中的特征，并訓練該網絡，完成搭建GIS絕緣缺陷識別的模型后，即可實現對未知局部放電信號的分類識別。結果表明，本文所提方法具有較高的可行性與有效性。

1 棧式降噪自編碼器

1.1 降噪自編碼器

自編碼器(AE)能夠高效地學習輸入數據，并在輸出端完整輸出。為了防止AE只是簡單的復制輸入而輸出，降噪自編碼器(DAE)在原始數據中加入了破壞噪聲，然后再由自編碼器學習及恢復出無噪聲的原始數據，保證了提取特征的有效性。DAE原理框圖如圖1所示。

圖1 DAE原理框圖

設原始數據為x，加入噪聲后為x′，經過函數F編碼為y，可用式(1)表示。

y=F(x′)=σ(Wx′+b)

(1)

式中：σ為激活函數;W為網絡編碼權值；b為網絡編碼偏置向量。

經網絡編碼后的y由函數G解碼為z，如式(2)所示。

z=G(y)=σ(W′y+b′)

(2)

式中：W′為網絡解碼權值;b′為網絡解碼偏置向量；σ為激活函數。

記輸入數據x與輸出數據z之間的誤差為重構誤差，即式(3)所示。

(3)

重構誤差LR(x,z)越小，說明該網絡恢復出原始數據的性能越好，所得結果也更為準確。

1.2 棧式降噪自編碼器

棧式降噪自編碼器是由多個DAE級聯而成的一種深度神經網絡，其網絡的訓練包括兩步：預訓練和微調。前向預訓練屬于無監(jiān)督訓練，該訓練過程是逐層進行的，每層的訓練目標是使重構誤差最小。完成后進行網絡微調，該過程屬于有監(jiān)督訓練，利用BP算法對整個SDAE網絡進行調優(yōu)，使預測誤差最小化，進而提取出輸入數據間更有效的特征，使輸出層的結果更加精確。圖2所示的是由兩個DAE組合成的SDAE網絡結構圖。

圖2 SDAE網絡結構圖

2 基于棧式降噪自編碼器的GIS絕緣缺陷識別

本文算法是基于MATLAB實現的，主要SDAE算法實現如下：

(1)設定網絡層數L，訓練周期N，網絡編解碼權值W和W′，網絡編解碼偏置b和b′，權值衰減系數λ，學習率α，以及所加噪聲等參數。

(2)網絡預訓練

Fori=1 toN

Forj=1 toL

yj=F(x′)=σ(Wjx′+bj)

x′=yj

End

End

Fori=1 toN

計算輸出層L的殘差

Fori=L-1 to 1

計算輸出前各層的殘差

Ei=F′(x′)⊙{(Wi+1)T[yi-(Wix′+bi)]}

End

Fori=1 toL

更新各層網絡的參數

End

End

3 試驗及結果分析

3.1 數據采集

試驗共設計了針尖電暈放電、懸浮電極放電、氣體絕緣缺陷放電和自由金屬顆粒放電等四種GIS絕緣缺陷類型。用特高頻傳感器收集400個放電樣本信號，每類放電信號100個樣本，各放電類型的PRPD譜圖如圖3所示。

3.2 GIS絕緣缺陷識別與分類

試驗從400個GIS缺陷樣本信號中隨機抽取340個樣本作為訓練集，60個樣本作為測試集。將訓練集送入SDAE網絡進行學習，訓練完成后將測試集送入該網絡進行放電類型的模式識別。圖4是SDAE網絡在測試集上的識別結果。

試驗得出：棧式降噪自編碼網絡在GIS絕緣缺陷訓練集上的分類準確率高達99.71%，即340個訓練樣本中只有1個樣本信號識別出錯。同樣，在測試集SDAE也有著較高的識別準確率，達到91.67%，證明了SDAE能有效地提取局部放電信號PRPD譜圖中的特征，并在對未知信號分類時有強大的泛化能力。

混淆矩陣是分類問題中常用的誤差矩陣，可以清楚地反映預測類別和真實類別之間的關系。圖5是在GIS缺陷測試集上的混淆矩陣，可以看出隨機抽取的60個測試樣本中：類型2針尖電暈放電18個樣本中有一個被誤識別為了類型3，有兩個被誤識別為了類型4；類型3針尖電暈放電16個樣本中有一個樣本被誤識別為類型4；類型4自由金屬顆粒放電10個樣本中有一個樣本被誤識別為了類型3；類型1懸浮電極放電16個樣本都被正確識別，即該類GIS缺陷放電有著更高的識別準確度。

為了進一步說明SDAE在處理高維度且大量數據中強大的特征提取和識別分類能力，分別將局部放電樣本信號送入BP神經網絡、支持向量機(SVM)、DAE和SDAE，識別結果如表1所示。

圖3 各類放電類型的PRPD譜圖

圖4 GIS缺陷測試集分類結果

圖5 GIS測試集混淆矩陣

表1 不同分類器下的識別準確率

由表1可以看出，在四種分類器中SDAE的識別準確率最高。BP神經網絡表現力最差，這是因為BP神經網絡作為傳統(tǒng)神經網絡有容易陷入局部極小點等問題。DAE作為SDAE的單個單元，不能有效地提取數據更深層的特征，識別效果不如深層SDAE網絡。

綜合分析，用棧式降噪自編碼器對GIS絕緣缺陷進行模式識別，識別準確率更高，魯棒性更強，性能也更加優(yōu)異，試驗充分證明了該方法的可行性和可靠性。

4 結束語

本文介紹了一種基于棧式降噪自編碼器的GIS絕緣缺陷識別方法，即通過特高頻傳感器采集局部放電信號，用SDAE神經網絡提取特征向量并進行識別分類。以針尖電暈放電、懸浮電極放電、氣體絕緣缺陷放電和自由金屬顆粒放電等四種GIS絕緣缺陷為例進行試驗。

試驗結果表明，與淺層神經網絡和傳統(tǒng)分類器相比，該SDAE深層網絡能夠有效地提取局部放電信號PRPD譜圖的特征，且具有更強的泛化能力，能更準確地完成不同絕緣缺陷類型的模式識別，為GIS絕緣缺陷識別術提供較為實用的解決方案。