一種GIS局放在線監測診斷的數據增強方法

南方電網文山供電局 申國標 陳 浩 竇體權

GIS（Gas Insulated Switchgear）是封閉式氣體絕緣組合電器的簡稱，由于具有諸多優點，目前已經廣泛應用于國內外的電力系統中。然而GIS在制造、運輸、安裝過程中常留下潛伏性的絕緣缺陷，這些絕緣缺陷在強電場作用下會導致設備內部發生局部放電（簡稱局放）。當GIS設備內部發生局部放電時，其放電源會產生劇烈的電磁波信號，因此基于特高頻的局放在線監測系統被大量應用，對GIS設備狀態監測、盡早發現絕緣異常提供了較大幫助[1-2]。基于特高頻的GIS在線監測系統因采集頻率高（分鐘級）、測點多等特點，產生了大量的監測數據，依賴人工對特高頻圖譜進行分析帶來了繁重的工作量，迫切需將人工智能等先進的算法應用到特高頻在線監測圖譜診斷應用中。

根據電氣設備中絕緣缺陷的電場分布情況，可將局部放電的缺陷類型分為金屬尖端放電（電暈）、氣隙放電、沿面放電、懸浮電位、微粒放電等[3-4]，不同類型的缺陷圖譜具有不同的信號分布特征，為基于人工智能的圖片分類算法的應用提供了基礎[5]。人工智能算法在進行圖片分類識別應用時，其核心在于樣本集的總體規模和各分類的均衡分布。GIS特高頻的圖譜數據來源于現場解體案例，而解體案例發生的次數少、缺陷類型不均勻，從而難以通過人工收集的方式積累較大規模、分類均衡的樣本集，使人工智能算法在GIS特高頻圖譜的應用上異常困難。本文提出了一種GIS特高頻局部放電圖譜數據增強方法，能夠有效的增強局放樣本集，使樣本均勻分布，滿足智能算法的訓練需求。利用增強后的樣本集訓練出來的智能診斷算法診斷準確率達到96%以上，很好的解決了大量在線監測數據的診斷分析問題，具有實際應用價值。

1 GIS局放特高頻圖譜現狀分析

樣本數量不足。通過研究發現，深度學習算法在其它行業成功應用時，其各子分類的樣本量一般不低于1000條，而GIS特高頻局放的典型類型有5個分類，則有效樣本數量應大于5千條，在分類均衡的情況下樣本數據量應越多越好。樣本數據可通過自然產生和實驗室仿真等方式進行收集，但由于GIS處在不同的環境中運行（如馬路附近、機場附近、鐵路附近、工廠附近等），所受到的干擾也各種各樣，實驗室通過制作局放模型僅能模擬出幾種典型缺陷，與現場實際環境相差甚遠，樣本嚴重不足問題一直難以得到有效的解決。

樣本分布不均。GIS因其結構的特性，現場發現的缺陷類型以懸浮缺陷為主，其它四類則發生概率太少，據統計，GIS現場發現的局放案例中懸浮、電暈、振動、微粒、沿面的比例約為5：2：1：1：1，導致樣本分類的數量嚴重失衡，難以積累有效樣本集，無法支撐智能算法的應用。

2 GIS局放特高頻圖譜樣本增強方法

本文提出的數據增強方法，通過設計了基于疊加噪聲、模糊處理的方案實現，在添加現場常見噪聲的基礎上應用高斯模糊方法對RGB像素進行隨機擾動，形成新的樣本（圖1）。

2.1 疊加噪聲

將輸入的樣本數據轉換成以相位為x軸、周期為y軸，幅值為z軸的三維數據inData[x][y][z]，將典型的雷達噪聲、手機噪聲、微波硫燈干擾的圖譜轉換成以相位為x軸、周期為y軸，幅值為z軸的三維數據，分別得到雷達噪聲三維數據Radar[x][y][z]、手機噪聲三維數據Phone[x][y][z]、微波硫燈干擾三維數據SulfurLamp[x][y][z]（圖2、圖3）。

定義雷達噪聲增強后樣本數據為NoiseRadar [x][y][z]、手機噪聲增強后樣本數據為NoisePhone [x][y][z]、微波硫燈干擾增強后樣本數據為Noise SulfurLamp[x][y][z]：NoiseRadar[x][y][z]=inData [x][y][z]+Radar[x][y][z]，NoisePhone[x][y][z]=inData[x][y][z]+Phone[x][y][z]，NoiseSulfurLamp[x][y][z]=inData[x][y][z]+SulfurLamp[x][y][z]，將經此計算得到的增強后樣本數據恢復成圖譜數據，如圖4所示。

2.2 模糊處理

將噪聲耦合后的圖譜數據作為輸入，提取輸入圖片文件的RGB（Red，Green，Blue）值，將圖譜數據的中心點設為零點，繪制橫縱坐標軸；以二維高斯分布函數計算圖譜中各像素點的權重矩陣，二維高期分布計算公式為：

式中x、y分別為圖中各像素點距離零點的橫縱坐標，G(x,y)為該點到零點的權重值，π為圓周率，e為自然常數，σ為正態分布的標準差，σ通常取1～3之間，取值越大圖像越平滑。以3×3像素的圖像為例，以圖像中點為零點時，各點的取值如表1。取σ為1.5，對各組(x,y)分別計算權重，結果如表2。對權重矩陣進行歸一化，計算權重矩陣中所有權重數值之和m，對權重矩陣中的每個權重值乘以1/m，得到歸一化后的權重矩陣，如表3。以權重更新圖片文件的RGB值，對每一個零點的權重矩陣，以各歸一化后的權重矩陣的權重值乘以該權重值位置的像素值并求和，作為該零點的新的像素值，以該種權重更新方法對RGB值分別更新，得到更新后的三色像素值。存儲更新RGB值后的圖片文件，作為新的樣本。

2.3 樣本庫補充

經上述增強方法所得到的新樣本數據補充到樣本庫中，與原始樣本數據共同形成新的樣本庫，為基于人工智能的深度學習算法應用奠定基礎。

3 增強樣本應用及對比分析

為驗證兩種樣本增強方法的有效性，將GIS現場缺陷案例收集的樣本集利用本文提出的方法進行數據增強，得到增強前的樣本集和增強后的樣本集（表4）。本文通過搭建基于NVIDIA GeForce GTX 1080Ti的GPU、E5-1607v3@3.10GHz的CPU、64GB內存、512GB固態硬盤的訓練平臺，使用ResNet的深度學習模型，分別對原始樣本集數量、數據增強后的樣本集進行相同的訓練，得到兩個GIS特高頻局放圖譜的診斷模型，其診斷準確率的測試對比見表5。

由表5可知使用原始數據訓練出來的診斷算法對不同類型缺陷診斷準確率差異較大。而對于增強后樣本集來說，因為各分類的圖譜數量較均衡，診斷準確率較高且沒有明顯偏差，基本保持在96%以上，顯著優于原始樣本集訓練得出的診斷模型。

表1 圖像中點為零點時的x、y取值

表2 σ為1.5時的x、y的計算權重

表3 權重矩陣歸一化權重

表4 樣本集情況表

表5 診斷準確率的測試對比