一種局放類型診斷的混合算法研究

王 鋒

（廣州致新電力科技有限公司，廣東 廣州 510540）

0 引 言

從1980年開始，局放缺陷識別逐步由人工識別轉向機器識別。目前，局放識別正朝著智能化方向不斷發展。但是，在真實環境中，絕大多數局放樣本是無標簽的，且對局放類型的判斷很大程度上取決于經驗的積累，缺乏足夠的標簽樣本，導致分類分析的結果沒有足夠的可信度。因此，本文提出一種無標簽數據標記的方法，并在此基礎上實現局放樣本的分類。

1 局放的產生及類型

局部放電是高壓電氣設備絕緣材料局部區域的放電，不單單發生在導體附近，也可能發生在其他地方。

1.1 絕緣內部空穴或沿面放電

絕緣內部空穴或沿面放電主要包括電力設備內部絕緣表面的孔洞、裂痕以及污染引起的設備內部不穿透性局部放電，與工頻電場有明顯的相關性。當缺陷引起的場強達到一定數值時，就會發生局部放電，是引起設備絕緣破壞的主要因素。

1.2 懸浮電位

懸浮放電一般存在于高壓電氣設備。處于低電位的部件（如硅鋼片磁屏蔽）與地的連接松動脫落，會引起懸浮電位的放電現象。懸浮電位由于電壓高且場強較集中，往往造成絕緣油分解而產生多種氣體，致使絕緣性能嚴重下降。

1.3 電暈放電

電暈放電主要發生在設備內部導體倒刺和外角倒刺等地方，是氣體中極不均衡電場特有的放電現象。例如，主導電回路表面存在缺陷、凹凸不平等，若場強過高都會造成局放現象。由于導體被氣體包圍，表現為電暈放電。

1.4 自由金屬微粒放電

電力設備的安裝或開關閉合過程中產生的細小金屬顆粒往往會造成金屬顆粒放電。這種顆粒往往存在于GIS的設計構造、安裝、運輸以及運行過程中。顆粒受高場強的影響隨機浮動和跳動，形成了局部放電[1]。

2 局部放電檢測技術

當電力設備產生局放現象時，脈沖電流會形成不同頻率的電磁波，因此需要不同頻率的傳感器采集不同的局放信號。一般采用的主要檢測技術包括特高頻（Ultra High Frequency，UHF）、高頻（High Frequency，HF）、超聲波（Acoustic Emission，AE）以及暫態地電壓（Transient Earth Voltage，TEV）等。

UHF檢測頻段高，幾百到幾千兆赫茲不等。在GIS中，絕緣子等微小間斷處對電磁波具有反射作用。在GIS室中，局部放電會造成諧振，使得局放的振蕩時間加長，有利于測量。由于特高頻檢測方法能有效降低頻率的電磁波等干擾，如電暈放電，因此它具有過濾低頻干擾信號的能力[2]。

高頻電流互感器（High Frequency Current Transformer，HFCT）是高頻局部放電檢測中最常用的一種傳感器。它是一種電磁感應式傳感器，具有便攜性強、安裝方便以及現場干擾能力強等優點。HFCT常安裝于電氣設備的接地線或末屏引下線位置。但是，對于無引下線，如高壓套管和CT等設備，則不能采用高頻局部放電檢測技術進行檢測。

AE局放檢測是收集、處理以及分析電力設備局部放電時產生的超聲波信號以獲取設備工作狀態的檢測技術，也稱為發射法[3]。超聲波的振動頻率大于20 kHz，主要測量電力設備的外圍部分。電力設備在運行中存在強的電磁場，而超聲波是非電檢測，能有效避免電磁干擾，因此具有抗電磁干擾的優點。AE檢測方法常用于測量各種一次裝置的局放信號，但對設備內部缺陷不敏感，且受機械振動干擾大，難以判別放電信號，因此檢測范圍較小。

暫態地電壓局放檢測以帶電檢測為主，常用于環網柜、電纜箱以及開關柜等相關設備。但是，因為柜內的放電信號只能經由金屬殼體間隙的內表面傳播到外表面方可檢測成功，所以TEV檢測方法并不適用于GIS等設備。究其原因，在于GIS是完全密封的電力設備，沒有金屬殼體間隙[4]。

3 無標簽樣本的標記

3.1 半監督學習

半監督學習（Semi-Supervised Learning，SSL）是機器學習中的重點研究問題，兼顧了有監督學習和無監督學習的思想。根據已有的少量帶標簽的數據，利用相關距離算法，對大量的無標簽數據進行標記。它主要利用平滑、聚類以及流行等假設方法，對未知數據進行對應的標記，最后將有標簽數據和無標簽數據合并到一起，構成模型訓練和測試用的數據集[5]。

半監督學習的核心思想是給出一個分布未知的但帶有樣本標簽的數據集L和一個無標簽的數據集U：

期望學得函數f:x→y可以準確推斷數據x的標簽y，|L|和|U|分別表示已有標簽和未有標簽的樣本數量。在半監督學習中，有3個常用的假設來建立樣本和目標之間的關系。

3.1.1 平滑假設（Smoothness Assumption）

位于稠密數據區域的兩個距離很近的樣本類標簽相似，即當兩個樣本被稠密數據區域中的邊連接時，有很大的概率具有相同的類標簽。相反，當兩個樣例被稀疏數據區域分開時，它們的類標簽很大概率不相同。

3.1.2 聚類假設（Cluster Assumption）

當兩個樣本位于同一類時，有很大的概率具有相同的類標簽。這個假設的等價定義為低密度分離假設（Low Sensity Separation Assumption），即分類決策邊界應該穿過稀疏數據區域，而避免將稠密數據區域的樣例分到決策邊界兩側。當樣本數據之間的距離接近時，判定它們屬于同一類，這種假設被稱為聚類假設。根據該假設，分類邊界需要盡可能保證稠密樣本數據點不被分割到不同的類中。在本假設的前提下，半監督學習算法可以利用大量未標記的樣本數據推斷未標注的數據在樣本空間中的分布情況，進而指導算法不斷調整分類界限，從而保證不同類的樣本盡可能分開。

3.1.3 流形假設（Manifold Assumption）

將高維數據嵌入到低維流形中，當兩個樣例位于低維流形中的一個小局部鄰域內時，它們具有相似的類標簽。流形假設的核心理念是同一局部鄰域中的樣本數據具有相似的性質，因此它們的標簽應該相似。這個假設反映了決策函數的局部光滑性。相比于聚類假設，流形假設主要考慮的是局部特征，而前者主要關注全局特征。

3.2 LPA算法

標簽傳播主要依賴圖的節點傳播，計算已標記樣本的節點與未標記樣本的節點的距離（即相似度），然后根據距離的大小（即相似度的高低）自動更新調整標簽。相似度越高，影響權重就越大，標簽越趨于一致的概率就越大，標簽更加容易蔓延。在標簽傳播過程中，初始帶標記的數據標簽不變，只是將已知的標簽根據相似度的高低傳給未標注的數據集。當算法執行完畢時，相似節點的概率分布是相近的，可以歸為一類；反之，歸為其他類，最終完成樣本標記[6]。

4 深度學習的缺陷分類

4.1 PRPS及PRPD圖譜

相位分辨的脈沖序列（Phase Resolved Partial Sequence，PRPS）是將采集的原始局放信號按照相位、周期以及振幅3個維度進行劃分與統計，生成周期-相位-幅值的三維圖譜。圖1為局放信號的PRPS圖，x軸表示相位，y軸表示周期，z軸表示放電幅值。

圖1 局放信號的PRPS（實驗數據）

帶有相位信息分辨的局部放電（Phase Resolved Partial Discharge，PRPD）是把具有相位信息的PRPS按照相位維度進行統計，最終只有放電幅值和在對應相位下的累計放電次數是二維平面圖。圖2為局放信號的PRPD圖，相位是橫坐標，放電幅值是縱坐標。點的顏色越深，表示在當前幅值和當前相位下放電次數越多。

圖2 局放信號的PRPD（實驗數據）

4.2 模型訓練

對已采集的不同類型的局放樣本數據選取一小部分進行類別標注，然后利用標簽傳播算法對其余的無標簽數據集進行標注，最后將前后兩部分數據進行融合構成總的樣本集。對所有的樣本集繪制PRPS圖譜，生成對應的數據集。一般將數據集分為訓練集、驗證集以及測試集3類。

利用Inception V3網絡模型進行訓練和迭代優化。相比于Inception V1和Inception V2，Inception V3網絡模型的特點主要體現如下。第一，沿用Inception V2的結構，使用2個3×3的卷積層代替1個5×5的卷積層，減少參數數量的同時，不會導致圖像特征的缺失，如圖3所示。第二，應用池化和卷積并行的結構來減少計算復雜度[7]。第三，將空間卷積分解為不對稱卷積，卷積的非對稱分解可以將3×3卷積分解為1×3和3×1卷積。在輸入輸出filter數目一定的時候，卷積的非對稱分解可以減少33%的計算量。然而，如果將3×3卷積分解為2個2×2卷積，只能減少11%的計算量。第四，用1×n和n×1卷積的串聯來代替n×n卷積，計算量可以降低為1/n，如圖4所示。采用深度學習的方法對局放樣本進行分類，絕緣內部空穴或沿面放電分類準確率可達81%，懸浮電極放電可達85%，電暈放電可達82%，自由金屬微粒可達81%，整體均在80%以上。

圖3 2個3×3替換1個5×5卷積示意圖

圖4 1×n及n×1替換n×n卷積示意圖（Inception V3）

5 結 論

本文提出了一種局部放電缺陷識別方法，在絕緣筒試驗變壓器裝置上安裝UHF和HF傳感器采集不同類型的局部放電信號。試驗裝置可以模擬尖端、氣隙、懸浮及顆粒等4種放電類型，每類放電現象先標注部分小樣本數據，再利用標簽傳播算法對后續大量無標簽的樣本數據進行標記，生成數據樣本。根據采集的原始信號數據繪制PRPS圖譜，構成待訓練和測試的圖像數據集，然后結合深度神經網絡的算法思想，采用Inception V3網絡模型，對數據樣本進行訓練和迭代優化，最終完成局部放電缺陷的識別，旨在提供一種局放標簽數據樣本擴充和局放缺陷識別的方法。