基于多傳感信息融合的電纜附件局部放電診斷算法研究

摘" 要：

針對(duì)電纜附件的局部放電，提出一種基于多傳感信息融合的電纜附件局部放電診斷算法。搭建實(shí)驗(yàn)平臺(tái)，并利用暫態(tài)地電壓傳感器（TEV）、高頻電流傳感器（HFCT）和超聲波傳感器（AA）采集電纜附件中局部放電的多模態(tài)數(shù)據(jù)，繪制局部放電相位分布（PRPD）圖譜。構(gòu)建局部放電的數(shù)據(jù)集，并利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）和支持向量機(jī)（SVM）算法進(jìn)行分類識(shí)別，得到3種算法的識(shí)別可信度。通過可信度融合得到智能融合算法，識(shí)別結(jié)果表明，智能融合算法在不同場(chǎng)景下均表現(xiàn)出較高的識(shí)別準(zhǔn)確率，提高了電纜附件局部放電診斷的準(zhǔn)確性和可靠性。

關(guān)鍵詞：

局部放電; 卷積神經(jīng)網(wǎng)絡(luò); 反向傳播神經(jīng)網(wǎng)絡(luò); 支持向量機(jī); 多模態(tài)數(shù)據(jù)

中圖分類號(hào)： TM855

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-8188（2024）10-0036-06

DOI：

10.16628/j.cnki.2095-8188.2024.10.006

劉" 浩（1999—），男，碩士研究生，研究方向?yàn)榫植糠烹娔Ｊ阶R(shí)別。

侯春光（1978—），男，副教授，博士，研究方向?yàn)閿?shù)字化電網(wǎng)、電力設(shè)備狀態(tài)檢測(cè)、人工智能等。

高有華（1966—），女，教授，博士，研究方向?yàn)殡娏ρb備的理論與設(shè)計(jì)。

Research on Partial Discharge Diagnosis Algorithm for Cable Accessories Based on Multi Sensor Information Fusion

LIU Hao，" HOU Chunguang，" GAO Youhua

（Shenyang University of Technology， Shenyang 110000， China）

Abstract：

A partial discharge diagnosis algorithm for cable accessories based on multi-sensor information fusion is proposed to solve the relative questions.An experimental platform is built.The transient earth voltage sensors（TEV），high-frequency current sensors（HFCT），and ultrasonic sensors（AA）are used to collect multimodal data of partial discharge in cable accessories.A partial discharge phase distribution（PRPD）feature mapis draw.A dataset for partial discharge is constructed.The convolutional neural network（CNN），backpropagation neural network（BPNN），and support vector machine（SVM）algorithms are used for classification and recognition to obtain the recognition credibility of the three algorithms.The intelligent fusion algorithm is obtained through the credibility fusion，and the recognition results show that the intelligent fusion algorithm exhibite high recognition accuracy in the different scenarios to improve the accuracy and reliability of partial discharge diagnosis of cable accessories.

Key words：

partial discharge; convolutional neural network（CNN）; backpropagation neural network（BPNN）; support vector machine（SVM）; multimodal data

0" 引" 言

電力系統(tǒng)的發(fā)展使得電纜附件局部放電問題備受關(guān)注。電纜附件局部放電可能導(dǎo)致設(shè)備損壞與系統(tǒng)故障，危及電力系統(tǒng)的安全穩(wěn)定運(yùn)行。因此，準(zhǔn)確診斷電纜附件的局部放電成為當(dāng)務(wù)之急［1-5］。文獻(xiàn)［6］提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)（CNN）的小樣本數(shù)據(jù)集識(shí)別方法，其優(yōu)于傳統(tǒng)方法，尤其在訓(xùn)練樣本較少時(shí)表現(xiàn)出更好的識(shí)別效果。文獻(xiàn)［7］利用高頻電流傳感器（HFCT）構(gòu)建了測(cè)試系統(tǒng)，通過反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、支持向量機(jī)（SVM）和CNN模型對(duì)放電信號(hào)進(jìn)行識(shí)別，結(jié)果顯示了CNN方法的潛力。但該測(cè)試系統(tǒng)局限于單一傳感器，得出的數(shù)據(jù)集不夠全面。文獻(xiàn)［8］提出了一種新的氣體絕緣開關(guān)設(shè)備（GIS）局部放電診斷方法，利用自監(jiān)督對(duì)比學(xué)習(xí)技術(shù)，提高了診斷的準(zhǔn)確率。文獻(xiàn)［9-10］分別提出了噪聲過濾技術(shù)和超聲信號(hào)去噪方法，提高了局部放電診斷的準(zhǔn)確性。文獻(xiàn)［11-12］提出了基于神經(jīng)監(jiān)督?jīng)Q策樹（NSDT）算法和基于Swin Transformer網(wǎng)絡(luò)的局部放電識(shí)別方法，分別提高了識(shí)別的可靠性和識(shí)別準(zhǔn)確率。然而，局部放電信息特征是多方面的，單一算法或網(wǎng)絡(luò)往往不能很好地提取數(shù)據(jù)集中的多種特征。

本文提出了一種基于多傳感信息融合的電纜附件局部放電診斷算法。選用暫態(tài)地電壓傳感器（TEV）、HFCT和超聲波傳感器（AA）采集的數(shù)據(jù)，并結(jié)合了CNN、BPNN和SVM等算法，形成9種不同的識(shí)別組合。通過對(duì)不同組合的初步識(shí)別，并根據(jù)對(duì)4種放電類型識(shí)別準(zhǔn)確率的可信度進(jìn)行判斷，最終得出診斷結(jié)果。基于多傳感信息融合算法在診斷準(zhǔn)確性與魯棒性方面的優(yōu)勢(shì)凸顯，為電力系統(tǒng)的健康監(jiān)測(cè)和故障預(yù)防提供了新的理論和技術(shù)支持。

1" 局部放電模型特征圖譜獲取

電力電纜的絕緣故障是電力系統(tǒng)中的常見問題，其主要原因包括絕緣缺陷和接頭處的故障。為了研究電纜附件的局部放電現(xiàn)象，本文制作了4種典型的局部放電模型。4種典型局部放電模型如圖1所示。懸浮放電，通常產(chǎn)生于電纜接頭內(nèi)的懸浮電極，可能由制造質(zhì)量或安裝問題導(dǎo)致電場(chǎng)在接頭內(nèi)部不均勻分布而引發(fā);尖端放電，通常由金屬毛刺或其他尖銳物體引發(fā)，使電場(chǎng)分布不均勻而導(dǎo)致放電;內(nèi)部放電，主要由電纜絕緣內(nèi)部的微小氣泡、雜質(zhì)或其他缺陷引發(fā)，增強(qiáng)了局部電場(chǎng)強(qiáng)度;沿面放電，當(dāng)電纜附件中存在橡膠與環(huán)氧分界面等缺陷時(shí)，會(huì)導(dǎo)致電場(chǎng)集中或不均勻分布，進(jìn)而引起放電現(xiàn)象。

1.1" 局部放電實(shí)驗(yàn)平臺(tái)搭建

為了獲取3種傳感器采集到的4種典型局部放電模型的初始放電信號(hào)，本文在實(shí)驗(yàn)室環(huán)境下

搭建了一套用于電纜附件局部放電的檢測(cè)試驗(yàn)系統(tǒng)。局部放電實(shí)驗(yàn)電路圖如圖2所示。該系統(tǒng)由工頻手動(dòng)調(diào)壓變壓器電源、升壓變壓器、TEV、AA、HFCT、局部放電檢測(cè)智能終端、上位機(jī)等組成。手動(dòng)調(diào)壓變壓器電源經(jīng)過升壓變壓器后可輸出0～50 kV的交流電壓，連接到放電試品的高電極，試品的低電極接地，可實(shí)現(xiàn)一個(gè)完整持續(xù)的放電過程。TEV、AA和HFCT安放在電纜艙室，電纜接地引線穿過環(huán)形高頻電流傳感器，收集到的放電信號(hào)經(jīng)過50 Ω的同軸線纜傳輸至局部放電檢測(cè)裝置進(jìn)行處理，之后將處理過的信號(hào)數(shù)據(jù)保存下來供上位機(jī)終端通過千兆以太網(wǎng)進(jìn)行訪問傳輸及存儲(chǔ)。

1.2" 局部放電模型圖譜構(gòu)造

局部放電相位分布（PRPD）圖譜能夠展現(xiàn)局部放電信號(hào)的幅值和相位的分布情況，揭示局部放電在不同幅值和相位條件下的頻率分布。為了分析電纜附件局部放電在3種傳感器和4種缺陷模型下的特征，本文利用上位機(jī)對(duì)傳感器采集到的放電數(shù)據(jù)進(jìn)行處理，構(gòu)建了PRPD圖譜。施加8 kV外部電壓時(shí)，3種傳感器采集到的數(shù)據(jù)構(gòu)造的4種模型下發(fā)生局部放電的PRPD圖譜分別如圖3～圖5所示。

2" 局部放電模式識(shí)別

局部放電模式識(shí)別中通常采用3種算法：CNN、BPNN和SVM。3種算法通過對(duì)局部放電圖像的處理和分析，能夠?qū)崿F(xiàn)對(duì)放電模式的準(zhǔn)確識(shí)別。

2.1" 基于CNN的放電模式識(shí)別結(jié)果分析

CNN是一種深度學(xué)習(xí)模型，其通過卷積層和池化層交替提取輸入數(shù)據(jù)的特征，并通過反向傳播（BP）學(xué)習(xí)到的濾波器參數(shù)來自動(dòng)檢測(cè)圖像中的各種特征，這些特征被送入全連接層進(jìn)行分類識(shí)別。利用CNN對(duì)3種傳感器采集的放電數(shù)據(jù)進(jìn)行識(shí)別，CNN對(duì)3種傳感器采集數(shù)據(jù)的放電模式識(shí)別結(jié)果對(duì)比如圖6所示。由圖6可知，在不同的放電類型下，CNN對(duì)3種傳感器（TEV、HFCT、AA）采集的局方數(shù)據(jù)的識(shí)別效果存在差異。結(jié)果顯示，HFCT-CNN在尖端放電和內(nèi)部放電識(shí)別上表現(xiàn)最佳，識(shí)別率達(dá)到97.97%和99.89%。懸浮放電和沿面放電識(shí)別方面，HFCT-CNN和AA-CNN表現(xiàn)相當(dāng)，識(shí)別率分別為99.89%和98.07%。然而，在綜合放電類型上，TEV-CNN的識(shí)別率最低，為95.13%，而HFCT-CNN和AA-CNN的識(shí)別率分別為98.45%和82.33%。綜合考慮，HFCT-CNN在大多數(shù)情況下表現(xiàn)出色，但在綜合放電類型上AA-CNN的效果較差。

2.2" 基于BPNN的放電模式識(shí)別結(jié)果分析

BPNN是深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的算法之一，其通過計(jì)算損失函數(shù)對(duì)網(wǎng)絡(luò)參數(shù)的梯度來不斷更新參數(shù)，以最小化損失。通過前向傳播計(jì)算模型輸出，然后根據(jù)損失函數(shù)計(jì)算預(yù)測(cè)值與真實(shí)值之間的誤差，隨后沿著網(wǎng)絡(luò)反向逐層傳播誤差，并計(jì)算每層參數(shù)的梯度。最后利用梯度下降等優(yōu)化算法，調(diào)整參數(shù)以使損失函數(shù)最小化，完成網(wǎng)絡(luò)的訓(xùn)練。BPNN對(duì)3種傳感器采集數(shù)據(jù)的放電模式識(shí)別結(jié)果對(duì)比如圖7所示。由圖7可知，在不同的放電類型下，HFCT-BPNN在內(nèi)部放電和沿面放電識(shí)別上表現(xiàn)最佳，識(shí)別率分別為99.67%和100.00%。而TEV-BPNN的尖端放電和懸浮放電識(shí)別率較高，分別為91.91%和95.14%。在綜合放電類型下，HFCT-BPNN的識(shí)別率達(dá)到98.30%，而TEV-BPNN和AA-BPNN的識(shí)別率分別為96.19%和77.47%。綜合考慮，HFCT-BPNN在大多數(shù)情況下表現(xiàn)出色，但在特定放電類型，如綜合放電、AA-BPNN的表現(xiàn)稍顯欠缺。

2.3" 基于SVM的放電模式識(shí)別結(jié)果分析

SVM是一種監(jiān)督學(xué)習(xí)算法，其關(guān)鍵在于通過找到最優(yōu)超平面將不同類別的數(shù)據(jù)分開。SVM的核心思想是最大化間隔，使得數(shù)據(jù)點(diǎn)到超平面的距離盡可能遠(yuǎn)。在線性可分情況下，SVM通過最大化間隔確定最優(yōu)超平面;而在線性不可分情況下，SVM通過核函數(shù)將數(shù)據(jù)映射到高維空間，以實(shí)現(xiàn)線性可分。通過優(yōu)化支持向量，SVM能夠高效地分類數(shù)據(jù)。SVM對(duì)3種傳感器采集數(shù)據(jù)的放電模式識(shí)別結(jié)果對(duì)比如圖8所示。由圖8可知，在不同的放電類型下，SVM對(duì)3種傳感器采集的局部放電數(shù)據(jù)的識(shí)別效果存在一定差異。在尖端放電和內(nèi)部放電識(shí)別上，HFCT-SVM表現(xiàn)最佳;而在懸浮放電和沿面放電識(shí)別上，AA-SVM的識(shí)別率略高于其他傳感器。然而，在綜合放電類型下，TEV-SVM和AA-SVM的識(shí)別率相近，而HFCT-SVM稍低。

3" 局部放電類型識(shí)別融合算法

傳統(tǒng)的單一傳感器（如TEV、HFCT和AA）采集到的電纜附件局部放電數(shù)據(jù)在識(shí)別不同類型的放電時(shí)存在各自的局限性，因?yàn)槊糠N傳感器對(duì)放電信號(hào)的響應(yīng)特性不同。同樣地，單一網(wǎng)絡(luò)（如CNN、BPNN和SVM）也各自具有不同的優(yōu)勢(shì)和劣勢(shì)，導(dǎo)致其在識(shí)別放電類型時(shí)準(zhǔn)確率較低。然而，通過綜合運(yùn)用這些不同網(wǎng)絡(luò)的識(shí)別能力，可以充分利用各自的優(yōu)勢(shì)，彌補(bǔ)彼此的不足，從而提高對(duì)電纜附件局部放電的整體識(shí)別準(zhǔn)確率。

3.1" 基于可信度的數(shù)據(jù)融合方法

基于可信度的數(shù)據(jù)融合方法結(jié)合了CNN、BPNN和SVM這3種算法，以提高局部放電識(shí)別的準(zhǔn)確性和穩(wěn)定性。在該方法中，針對(duì)每個(gè)放電模型，根據(jù)各算法對(duì)該放電模型的識(shí)別可信度設(shè)定了優(yōu)先級(jí)順序和權(quán)重，以確保在混合算法時(shí)充分發(fā)揮各算法的優(yōu)勢(shì)。如當(dāng)某個(gè)算法在特定放電模型的識(shí)別上具有較高的可信度時(shí)，其在數(shù)據(jù)融合中的權(quán)重會(huì)相應(yīng)增加，以提高其在該模型識(shí)別中的影響力。盡管某些算法的總體識(shí)別率可能略高，但在特定放電模型的可信度較低時(shí)，仍會(huì)優(yōu)先選擇可信度更高的算法進(jìn)行數(shù)據(jù)融合，以確保整體識(shí)別性能的穩(wěn)定性。具體而言，根據(jù)各算法對(duì)尖端、內(nèi)部、懸浮和沿面放電模型的可信度，調(diào)整其在數(shù)據(jù)融合中的權(quán)重，使得在不同放電類型的識(shí)別中，各算法的貢獻(xiàn)能夠得到有效利用，從而提高整體的識(shí)別準(zhǔn)確率。不同子算法對(duì)各種放電模型的識(shí)別可信度如表1所示。表1中K11～K44分別代表尖端放電、內(nèi)部放電、懸浮放電和沿面放電的可信度。

根據(jù)表1中的結(jié)果分析，子算法9的尖端放電識(shí)別可信度最高，然后依次是子算法2的內(nèi)部放電識(shí)別可信度、子算法4的懸浮放電識(shí)別可信度、子算法5的沿面放電識(shí)別可信度。為了最大限度地利用識(shí)別可信度高的子算法的優(yōu)勢(shì)，并考慮到高可信度算法可能會(huì)在某些情況下識(shí)別錯(cuò)誤，而低可信度算法可能會(huì)識(shí)別正確，本文設(shè)計(jì)了混合智能算法流程。智能融合算法流程圖如圖9所示。

3.2" 識(shí)別結(jié)果與分析

不同算法對(duì)4種放電模型以及總體識(shí)別率對(duì)比如表2所示。相較于僅賦予權(quán)重的算法，智能融合算法經(jīng)過了2個(gè)步驟的識(shí)別過程，首先進(jìn)行

了高可信度算法的初篩，然后進(jìn)行綜合識(shí)別，從而充分發(fā)揮了高可信度算法的優(yōu)勢(shì)。這一方法使得智能融合算法在各個(gè)放電模型的識(shí)別準(zhǔn)確率都有所提升，同時(shí)整體識(shí)別準(zhǔn)確率也得到了提高。這進(jìn)一步驗(yàn)證了智能融合算法在局部放電診斷中的有效性和優(yōu)越性，為提高診斷準(zhǔn)確性提供了可行的解決方案。

4" 結(jié)" 語(yǔ)

通過搭建實(shí)驗(yàn)平臺(tái)并獲取了局部放電信號(hào)的基礎(chǔ)數(shù)據(jù)，本文構(gòu)建了PRPD圖譜，清晰地展現(xiàn)了局部放電信號(hào)在幅值和相位之間的分布情況。這為后續(xù)對(duì)電纜附件局部放電的研究提供了重要依據(jù)。

（1） 應(yīng)用CNN、BPNN、SVM算法單獨(dú)對(duì)TEV、HFCT、AA采集到的局部放電數(shù)據(jù)進(jìn)行分類識(shí)別，結(jié)果顯示，3種算法對(duì)不同放電類型的識(shí)別準(zhǔn)確率存在差異，各算法在處理不同類型的放電數(shù)據(jù)時(shí)各有優(yōu)劣。

（2） 智能融合算法結(jié)合了多種傳感器和算法的優(yōu)勢(shì)，通過對(duì)各個(gè)子算法的識(shí)別結(jié)果進(jìn)行可信度加權(quán)決策，提高了放電模式識(shí)別的準(zhǔn)確性和穩(wěn)定性。相較于單一傳感器或單一算法，智能融合算法在每種放電類型的識(shí)別準(zhǔn)確率上都表現(xiàn)得更為優(yōu)越。識(shí)別結(jié)果顯示，智能融合算法相較于其他算法在總體識(shí)別準(zhǔn)確率上提高了1.0～3.5個(gè)百分點(diǎn)。

（3） 本文所提的智能融合算法，通過更全面地提取特征、更充分地利用局部放電數(shù)據(jù)的特征進(jìn)行放電類型識(shí)別，能夠更好地適應(yīng)電力電纜局部放電的復(fù)雜多樣特征。這種方法提高了對(duì)局部放電類型的識(shí)別準(zhǔn)確率，為電力電纜的局部放電類型識(shí)別提供了更好的解決方案，具有廣闊的應(yīng)用前景。

【參 考 文 獻(xiàn)】

［1］" 楊明，侯春光，高有華.變壓器鐵芯接地線局放脈沖電流與泄漏電流聯(lián)合診斷的研究［J］.電器與能效管理技術(shù)，2023（12）：1-7.

［2］" 徐曉剛，侯春光，陳正擎.基于超高頻和聲學(xué)成像聯(lián)合檢測(cè)的開關(guān)柜局部放電研究［J］.電器與能效管理技術(shù)，2023（4）：34-39.

［3］" 孫天龍.基于卷積神經(jīng)網(wǎng)絡(luò)與特高頻技術(shù)的局部放電模式識(shí)別研究［J］.電器與能效管理技術(shù)，2022（10）：32-37.

［4］" 李方利，錢帥偉，毛振宇，等.基于多傳感器融合技術(shù)的電纜附件局部放電檢測(cè)系統(tǒng)［J］.電器與能效管理技術(shù)，2020（6）：53-60，75.

［5］" 徐振，鮑光海.電纜接頭局部放電在線檢測(cè)系統(tǒng)的設(shè)計(jì)［J］.電器與能效管理技術(shù)，2022（8）：51-56.

［6］" 王勝輝，陳曦，律方成，等.一種用于小樣本數(shù)據(jù)集的局部放電模式識(shí)別方法［J/OL］.華北電力大學(xué)學(xué)報(bào)（自然科學(xué)版）：1-11［2024-04-11］.http：//kns.cnki.net/kcms/detail/13.1212.TM.20230811.0923.002.html.

［7］" 劉世濤，徐兆國(guó)，楊凱，等.典型缺陷下電力電纜局部放電特征與識(shí)別［J］.高電壓技術(shù)，2023，49（增刊1）：36-39.

［8］" 張瑞霖，張悅，孫曉蘭，等.基于可變形卷積與自監(jiān)督對(duì)比學(xué)習(xí)的GIS局部放電診斷方法［J/OL］.高電壓技術(shù)：1-12［2024-04-11］.https：//doi.org/10.13336/j.1003-6520.hve.20231406.

［9］" 彭曼，史鈺潮.基于多域特征融合及概率神經(jīng)網(wǎng)絡(luò)的GIS絕緣故障診斷［J］.電工技術(shù)，2024（1）：55-59，62.

［10］" 周晶，羅日成，黃軍.基于改進(jìn)小波閾值—CEEMDAN的變壓器局部放電超聲波信號(hào)白噪聲抑制方法［J］.高壓電器，2024，60（1）：163-171.

［11］" 閆澤玉，楊洋，劉云鵬，等.基于神經(jīng)監(jiān)督?jīng)Q策樹算法的多感知GIS局部放電識(shí)別［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2024，44（14）：5821-5833.

［12］" 張雨嘯，張賁，宋輝，等.非典型數(shù)據(jù)集下基于Swin Transformer的局部放電模式識(shí)別［J/OL］.高電壓技術(shù)：1-11［2024-04-11］.https：//doi.org/10.13336/j.1003-6520.hve.20231854.

收稿日期： 20240702