基于深度學(xué)習(xí)與特征信號(hào)感知的局部放電故障檢測(cè)算法設(shè)計(jì)

王亮，辛偉，南銳娟

（1.國(guó)網(wǎng)銅川供電公司，陜西銅川 727031；2.西安衛(wèi)光科技有限公司，陜西西安 710065）

智能配電網(wǎng)建設(shè)的發(fā)展，對(duì)電力設(shè)備的平穩(wěn)運(yùn)行提出了更高的要求。開(kāi)關(guān)柜作為配電網(wǎng)中的關(guān)鍵電氣設(shè)備，被廣泛應(yīng)用于各類變電站、開(kāi)閉所等場(chǎng)景。該設(shè)備安全、穩(wěn)定地運(yùn)行，對(duì)保障電力系統(tǒng)的供電可靠性具有重要意義[1-3]。開(kāi)關(guān)柜為非封閉式結(jié)構(gòu)且內(nèi)部空間緊湊，由于其長(zhǎng)期運(yùn)行于復(fù)雜的環(huán)境中，容易因?yàn)榻^緣層的老化或缺陷等因素而出現(xiàn)局部放電現(xiàn)象，最終導(dǎo)致設(shè)備絕緣擊穿與閃絡(luò)，進(jìn)而造成局部甚至大范圍的停電事故[4-5]。因此，對(duì)開(kāi)關(guān)柜局部放電的檢測(cè)愈發(fā)受到重視。目前的檢測(cè)方法主要為暫態(tài)地電壓（Transient Earth Voltages，TEV）法和超聲波法。然而單一的檢測(cè)方法準(zhǔn)確率有限，一旦開(kāi)關(guān)柜發(fā)生局部放電，便無(wú)法保障檢修維護(hù)工作的及時(shí)開(kāi)展[6-9]。

針對(duì)此，文中利用多源檢測(cè)信號(hào)并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）、長(zhǎng)短期記憶（Long Short Term Memory，LSTM）網(wǎng)絡(luò)和注意力機(jī) 制（Attention Mechanism）等深度學(xué)習(xí)（Deep Learning，DL）算法，實(shí)現(xiàn)了開(kāi)關(guān)柜局部放電故障的精準(zhǔn)檢測(cè)，進(jìn)而為配電網(wǎng)的故障維修提供技術(shù)支撐。

1 局部放電信號(hào)感知與特征提取

1.1 暫態(tài)地電壓信號(hào)

1）TEV 的時(shí)域特征

暫態(tài)地電壓是指開(kāi)關(guān)柜等電力設(shè)備發(fā)生局部放電故障時(shí)，受電磁波影響而在其表面產(chǎn)生的微弱暫態(tài)脈沖電流所帶來(lái)的電勢(shì)差，其大小與局部放電故障的特征直接相關(guān)[10-11]。暫態(tài)地電壓可通過(guò)專門(mén)的TEV 傳感器獲取，經(jīng)過(guò)放大、降噪等電路處理后，能夠用于局部放電故障的分析及診斷。文中通過(guò)提取TEV 的時(shí)域和頻域特征參數(shù)，并利用該參數(shù)來(lái)對(duì)開(kāi)關(guān)柜的局部放電故障進(jìn)行檢測(cè)與識(shí)別。時(shí)域特征參數(shù)的組成如圖1 所示。各時(shí)域特征參數(shù)的計(jì)算示意圖，如圖2 所示。

圖1 TEV的時(shí)域特征參數(shù)組成

圖2 TEV的時(shí)域特征參數(shù)計(jì)算示意圖

其中，最大電壓幅值Umax為T(mén)EV 信號(hào)曲線電壓幅值的最大值：

式中，Ut為t時(shí)刻TEV 信號(hào)幅值。

平均電壓幅值μ為所有數(shù)據(jù)點(diǎn)電壓幅值的平均值，其離散形式為：

式中，T為T(mén)EV 曲線數(shù)據(jù)點(diǎn)的總數(shù)。上升時(shí)間用tr表示，其為電壓幅值峰值從10%上升至90%的耗時(shí)，即為：

而下降時(shí)間td為電壓幅值的峰值從90%下降到10%的時(shí)間，則有：

上升陡度rr為T(mén)EV 曲線電壓幅值的峰值與信號(hào)從0 上升到50%電壓幅值峰值的時(shí)間之比：

下降陡度rd為T(mén)EV 曲線電壓幅值的峰值與信號(hào)電壓峰值從最大下降至50%的時(shí)間之比：

10%、50%峰值脈沖寬度Tw1和Tw2分別為T(mén)EV信號(hào)在10%和50%以上電壓幅值的峰值持續(xù)時(shí)間，即為：

TEV 曲線方差σ的計(jì)算公式如下：

TEV 曲線面積S的計(jì)算公式為：

2）TEV 的頻域特征

將TEV 信號(hào)轉(zhuǎn)化至頻域，對(duì)其頻譜圖像進(jìn)行分析。TEV 頻域特征參數(shù)的組成如圖3 所示。其中，峰值個(gè)數(shù)為頻譜信號(hào)峰值超過(guò)最大峰值50%的譜峰個(gè)數(shù)。

圖3 TEV頻域特征參數(shù)組成

1.2 超聲波信號(hào)

當(dāng)開(kāi)關(guān)柜等電力設(shè)備發(fā)生局部放電故障時(shí)，放電區(qū)域由于分子內(nèi)部的劇烈撞擊或介質(zhì)的發(fā)熱而產(chǎn)生振動(dòng)沖擊波。利用超聲波傳感器將聲波信號(hào)轉(zhuǎn)化為電信號(hào)，可以對(duì)局部放電特征加以分析[12]。

1）超聲波的時(shí)域特征

文中選擇了常用的短時(shí)平均能量、短時(shí)平均幅值、短時(shí)過(guò)零率與短時(shí)自相關(guān)系數(shù)作為超聲波時(shí)域特征參數(shù)。通常將超聲波信號(hào)進(jìn)行加窗分幀處理，窗口長(zhǎng)度為N，則n時(shí)刻的短時(shí)平均能量En為：

式中，x為原始超聲波信號(hào)值；w為窗口權(quán)值，文中選用漢明（Hanmming）窗，其表達(dá)式如下：

則n時(shí)刻的短時(shí)平均幅值vn為：

短時(shí)過(guò)零率Zn為：

式中，sgn(·)為符號(hào)函數(shù)，其可表征為：

短時(shí)自相關(guān)系數(shù)Rn(b)的計(jì)算方式如下：

其中，b為時(shí)間間隔。

2）超聲波的頻域特征

文中提取的頻域特征參數(shù)包括梅爾頻率倒普系數(shù)（Mel-Frequency Cepstrum Coefficient，MFCC）[13]和翻轉(zhuǎn)梅爾倒頻譜系數(shù)（Inverse Mel-Frequency Cepstrum Coefficient，IMFCC）。MFCC 特征參數(shù)的提取流程如圖4 所示。

圖4 MFCC特征參數(shù)提取流程

首先，利用快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）將經(jīng)過(guò)加窗分幀處理后的時(shí)域信號(hào)轉(zhuǎn)化為頻域信號(hào)：

然后計(jì)算每幀信號(hào)頻譜的模平方，得到功率譜Pi(k)：

進(jìn)一步將功率譜輸入梅爾濾波器中，并對(duì)該濾波器的第d個(gè)三角濾波器能量值求取對(duì)數(shù)，得到對(duì)數(shù)梅爾頻譜Si(d)：

梅爾濾波器第d個(gè)濾波器的傳遞函數(shù)如下：

式中，x(d)為中心頻率。

最后將對(duì)數(shù)梅爾頻譜Si(d)進(jìn)行離散余弦變換，則輸出第n階MFCC 系數(shù)為：

由于梅爾濾波器為低通濾波器，其對(duì)低頻信號(hào)特征提取效果較優(yōu)，但開(kāi)關(guān)柜局部放電的超聲波信號(hào)以高頻為主，因此為保留超聲波信號(hào)的高頻特征，文中還引入了IMFCC 參數(shù)。該參數(shù)的計(jì)算過(guò)程與MFCC 相同，區(qū)別在于其將MFCC 的高低頻部分結(jié)構(gòu)進(jìn)行了翻轉(zhuǎn)，從而對(duì)高頻信號(hào)具有更為理想的提取能力。二者的傳遞函數(shù)關(guān)系為：

2 局部放電故障檢測(cè)算法設(shè)計(jì)

綜上所述，文中提出基于CNN-LSTM-Attention模型的電力設(shè)備局部放電故障檢測(cè)算法。該算法結(jié)構(gòu)如圖5 所示。首先，將TEV 和超聲波等多源信號(hào)作為輸入數(shù)據(jù)；然后，分別提取這兩種信號(hào)的時(shí)域及頻域特征參數(shù)，并將其作為模型的輸入；最終，獲得局部放電的檢測(cè)結(jié)果。

圖5 局部放電檢測(cè)算法結(jié)構(gòu)

CNN-LSTM-Attention 模型結(jié)構(gòu)如圖6 所示。該模型通過(guò)CNN 來(lái)提取輸入數(shù)據(jù)的高維特征；并利用LSTM 網(wǎng)絡(luò)解決輸入的時(shí)序數(shù)據(jù)與局部放電檢測(cè)結(jié)果的關(guān)聯(lián)問(wèn)題，且避免出現(xiàn)梯度爆炸或消失的現(xiàn)象；同時(shí)還引入Attention 機(jī)制強(qiáng)化模型對(duì)于不同輸入數(shù)據(jù)關(guān)注度的差異性，從而提高模型的整體識(shí)別準(zhǔn)確率。

圖6 CNN-LSTM-Attention模型結(jié)構(gòu)

其中，CNN[14]層主要由兩層卷積層和一層池化層構(gòu)成，其可完成對(duì)輸入數(shù)據(jù)特征的模糊化與高維提取。LSTM[15]是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN），由遺忘門(mén)、輸入門(mén)和輸出門(mén)組成。其循環(huán)單元的神經(jīng)結(jié)構(gòu)如圖7 所示。

圖7 LSTM單元結(jié)構(gòu)

遺忘門(mén)、輸入門(mén)和輸出門(mén)的表達(dá)式為：

式中，ft、it、ot分別為遺忘門(mén)、輸入門(mén)與輸出門(mén)的輸出；xt為輸入數(shù)據(jù)；Wf和bf、Wi和bi、Wo和bo分別為遺忘門(mén)、輸入門(mén)、輸出門(mén)的權(quán)重及偏置。

由圖7 可知，t時(shí)刻LSTM 單元的狀態(tài)和輸出分別為：

Attention[16]層的本質(zhì)是利用神經(jīng)網(wǎng)絡(luò)得到不同輸入數(shù)據(jù)的注意力權(quán)值，該層的最終輸出為：

式中，βi為第i個(gè)輸入xi的權(quán)重值，其可通過(guò)Attention 層計(jì)算得到，則有：

式中，U、V與W均為Attention 層的神經(jīng)網(wǎng)絡(luò)參數(shù)。

3 算例分析

仿真實(shí)驗(yàn)的硬件環(huán)境為處理器Intel(R)Core(TM)i7-8550U，內(nèi)存16 GB。某省電網(wǎng)公司提供的9 580 條開(kāi)關(guān)柜TEV 與超聲波監(jiān)測(cè)數(shù)據(jù)作為樣本，并按照7∶3 的比例劃分為訓(xùn)練集和測(cè)試集。

3.1 不同算法的性能分析

將相同數(shù)據(jù)集作為CNN、CNN-LSTM 和文中所提算法的輸入，分析對(duì)比不同算法在開(kāi)關(guān)柜局部放電檢測(cè)準(zhǔn)確率上的差異，所得結(jié)果如表1 所示。

表1 不同算法局部放電檢測(cè)準(zhǔn)確率

由表1 可知，該文算法對(duì)于電暈放電、沿面放電和懸浮放電具有良好的檢測(cè)效果，且識(shí)別準(zhǔn)確率均大于95%。而對(duì)于氣隙放電檢測(cè)的效果一般，識(shí)別準(zhǔn)確率低于90%。但與CNN、CNN-LSTM 算法相比，該文算法針對(duì)不同局部放電類型的識(shí)別準(zhǔn)確率均具有明顯優(yōu)勢(shì)。從總體檢測(cè)效果而言，該文算法的平均識(shí)別準(zhǔn)確率可達(dá)95.1%，而對(duì)比算法僅為83.0%和78.5%。

由此可見(jiàn)，該文算法通過(guò)采用Attention 機(jī)制與LSTM 層，能夠顯著提升局部放電的檢測(cè)準(zhǔn)確率。

3.2 實(shí)際應(yīng)用效果分析

將實(shí)際的200 組開(kāi)關(guān)柜故障數(shù)據(jù)輸入至該算法的模型框架中，該數(shù)據(jù)內(nèi)包含電纜故障、支持絕緣子故障、電流互感器故障以及斷路器故障共4 種故障類型。實(shí)際檢測(cè)效果如圖8 所示。從圖中可看出，在電纜故障中100%識(shí)別為電暈放電；在支持絕緣子故障中，63%的概率識(shí)別為沿面放電；而在電流互感器故障中，有96%被識(shí)別為氣隙放電；在斷路器故障中則有75%的概率為懸浮放電。由此表明，在實(shí)際應(yīng)用故障檢測(cè)中，通過(guò)文中算法能夠得到不同故障類型的占比，進(jìn)而為開(kāi)關(guān)柜的檢修維護(hù)提供輔助。

圖8 實(shí)際局部放電故障的檢測(cè)結(jié)果占比

4 結(jié)束語(yǔ)

文中將深度學(xué)習(xí)算法應(yīng)用于開(kāi)關(guān)柜局部放電的檢測(cè)識(shí)別中，通過(guò)仿真分析表明，算法的平均識(shí)別準(zhǔn)確率高達(dá)95.1%，且相較于CNN 和CNN-LSTM 算法分別提升了約17%及12%。在實(shí)際應(yīng)用中，該文算法能夠?yàn)殚_(kāi)關(guān)柜提供不同故障類型的分布概率，進(jìn)而為配電網(wǎng)的智能化運(yùn)維提供數(shù)據(jù)支撐。但該文算法僅能完成對(duì)局部放電故障的識(shí)別分類，而未能實(shí)現(xiàn)精準(zhǔn)的故障定位，這將在下一步研究中開(kāi)展。