基于自編碼網絡的局部放電信號特征提取與識別

李玉杰,田陽普,趙科,劉成寶,王林杰,毛恒

(1. 國家電網有限公司GIS設備運維檢修技術實驗室(國網江蘇省電力有限公司電力 科學研究院),江蘇 南京 211103；2. 紅相股份有限公司,福建 廈門 361005；3. 國網江蘇省電力有限公司檢修分公司,江蘇 南京 211102)

0 引言

氣體絕緣金屬封閉開關設備(gas insulated switchgear,GIS)因體積小、運行穩定以及電磁污染低等優點應用廣泛[1]。在設計、運輸、制造及長期運行過程中,GIS內部往往會出現各種絕緣缺陷,繼而誘發設備絕緣故障[2]。局部放電是各種潛伏性絕緣故障的重要特征[3—4],不同的局部放電類型對設備的損壞程度各異,及時有效地監測、識別局部放電,對設備故障預警及運行穩定性提升具有重要意義[5]。

GIS發生局部放電時,會向外界輻射超高頻(ultra-high frequency,UHF)信號[6]。UHF信號分析及特征提取廣泛運用于GIS絕緣狀況實時監測[7]。采用原始放電信號進行局部放電模式識別具有放電信息保留完整、數據處理量小、速度快以及采集設備經濟等優點。目前大多局部放電模式識別均采用UHF原始信號作為數據源,通過人工特征設計獲得局部放電的典型特征。

原始放電信號的可用特征主要包括脈沖寬度、信號方差和信號均值等,其根據專家自身知識領域進行設計,主觀性較強且不確定性較大,無法充分體現局部放電模式的有效特征[7]。同時,依靠人工設計難以充分挖掘數據內部更深層次的聯系,所提取的特征往往是數據的淺層表達,因此基于人工特征衍生的相關局部放電識別算法,精度和泛化能力均較差[8]。

針對上述問題,文中提出將深度學習領域廣泛使用的卷積神經網絡及其擴展自編碼網絡技術引入局部放電模式識別領域。自適應提取特征可代替人工設計特征[9],實現對原始局部放電信號更深層次的數據挖掘[10]。實驗表明,基于文中方法提取的特征相較人工特征具有更高的辨識度,可有效識別GIS局部放電模式。

1 基于自編碼網絡的局部放電特征提取與模式識別

1.1 數據采集

由于獲取大批量實際條件下的局部放電數據極為困難,文中研究主要圍繞仿真數據開展。依托自主研發的數據采集平臺,模擬GIS實際運行的復雜環境及物理仿真局部放電現象,并采集相關數據。數據采集平臺的主要技術參數及電路分別如表1、圖1所示。

表1 數據采集平臺參數Table 1 Parameters of data acquisition platform

圖1 數據采集平臺電路示意Fig.1 Schematic diagram of data acquisition platform circuit

1.1.1 數據采集流程

將UHF傳感器用橡皮筋固定在盆式絕緣子的澆注孔位置。依次連接傳感器、調理模塊、高速采樣示波器,利用網線建立示波器與控制軟件間的通信。使用50 pC的校準方波對放電模擬裝置進行校準。將被測典型缺陷模型旋入指定位置,并保證檢測設備及本體殼體可靠接地。設定采樣參數、通道參數、信號調理參數。調節信號調理模塊增益至指定檔位,將GIS升壓至典型缺陷模型起始放電電壓,通過控制軟件啟動信號采集。4種典型局部放電(尖端放電、顆粒放電、氣隙放電、懸浮放電)缺陷模型如圖2所示。

圖2 4種局部放電缺陷模型Fig.2 Four types of partial discharge defect models

1.1.2 數據預處理

采集上述4種局部放電的UHF原始數據,此外,對采集數據引入多種類型的噪聲,如手機通話、機器設備噪聲等進行數據增擴,保證數據的多樣性。

由于單個原始放電信號受檢測傳感器參數、位置以及是否有遮擋物影響較大,文中將包含40個脈沖的時域信號作為特征提取單元。同時為了減少數據量,突出時域信號的主要成分,對原始時域信號進行預處理。假設時域信號長度為L,對每個脈沖時域信號進行開窗操作設置的窗口大小為N,設置大小為L/N的滑動窗口。取窗內時域信號的幅值最大點,最終獲得大小為40×N的數據樣本。通過一系列比較實驗,設置N為500。

1.2 基于自編碼網絡的局部放電模式識別

1.2.1 自編碼網絡基礎

自編碼網絡是一種針對輸入數據高效編碼的神經網絡[11]。給定一個神經網絡,假設其輸入與輸出相同,對網絡進行訓練并調整其參數,即可得到每一層的權重以及輸入數據的不同表示(每一層代表一種表示),這些表示即為網絡提取到的特征量。自編碼網絡的目的是盡可能地復現輸入信號,因此必須捕捉最能代表數據特征的成分,實現輸入數據最本質特征的提取。自編碼網絡基本結構見圖3。

圖3 自編碼網絡基本結構Fig.3 Basic struction of auto-encoder network

研究表明,局部放電信號的時域波形特征與絕緣缺陷的性質存在相關性,不同類型缺陷激發的放電信號典型特征各異[12],表明局部放電原始信號中存在有待學習的隱含模式。文中所提識別方法運用自編碼網絡在足夠多的數據條件下學習此模式,并將其中隱含的特征提取出來。

1.2.2 網絡結構設計

針對4種局部放電模式識別的實際問題,文中所提基于自編碼網絡的局部放電類型識別網絡結構示意如圖4所示。

圖4 基于自編碼網絡的局部放電類型識別網絡結構示意Fig.4 Schematic diagram of partial discharge pattern recognition network structure based on auto-encoder network

自編碼網絡由編碼網絡與解碼網絡構成,編碼網絡完成輸入數據的非線性映射輸出特征圖,解碼網絡主要利用這些特征圖重構輸入數據。因此可認為編碼網絡生成的特征圖有效保存了輸入數據的主要成分。提取編碼網絡的輸入,將其作為辨識特征輸入分類器進行訓練,即可獲得分類結果。值得注意的是,文中僅僅將自編碼網絡作為特征提取器使用,所提取特征可供各種形式分類器使用,因此分類器的選擇不再局限于深度學習方法。傳統的經典機器學習分類器如支持向量機(support vector machine,SVM)、隨機森林算法等都可與其進行銜接。通過上述方法既可充分發揮自編碼網絡的特征提取能力,又可將傳統機器學習方法與深度學習方法有機結合,有效提升文中所提識別方法的靈活性。

1.2.3 局部放電模式識別

基于自編碼網絡的局部放電模式識別,具體結構及參數如圖5所示。編碼網絡對輸入信號進行特征提取以及維度壓縮,解碼網絡負責重構原始信號,分類器網絡利用編碼網絡提取的特征進行任務分類。

圖5 基于自編碼網絡的局部放電模式識別具體結構及參數Fig.5 The detailed structure and parameters of partial discharge pattern recognition based on auto-encoder network

基于自編碼網絡的局部放電模式識別,各個部分結構如下。

(1) 輸入層。輸入數據為40×500的一維數據。

(2) 編碼網絡。編碼網絡由3層卷積層與2層最大值池化層交替構成。通過卷積層對輸入數據進行特征提取,然后利用最大值池化層對卷積層提取的特征進行壓縮,實現特征降維。

(3) 解碼網絡。解碼網絡由2層卷積層與2層反卷積層交替構成。對編碼網絡提取的特征進行解碼處理,再利用反卷積層映射并擴大輸出特征圖尺寸,重構輸入信號。

(4) 激活函數。網絡卷積層與反卷積層之后均采用激活函數LeakyReLU。LeakyReLU函數是ReLU函數的改進版本,解決了訓練過程中部分輸入落到硬飽和區導致對應權重無法更新的問題。

(5) 全局平均池化層。為了降低編碼網絡輸出的特征維度,文中在編碼網絡的輸出后接“卷積層+全局平均池化層”結構,通過全局平均池化層將編碼網絡輸出的特征圖進行圖層面的平均池化。每一張特征圖對應一個特征點,最后這些特征點組合成特征向量,因此對于不同尺寸的輸入信號,網絡提取的特征維度固定(128維)。

以下對訓練流程以及參數設置進行介紹。基于自編碼網絡的局部放電模式識別訓練過程分為兩階段。第一階段為訓練自編碼網絡階段,即重構原始信號,保存網絡參數。第二階段為訓練分類器網絡階段,即在訓練好的編碼網絡后接一層卷積層和全局平均池化層,并與分類網絡相連,再次訓練,保持編碼網絡的參數不變,只更新新添卷積層與分類網絡的參數,訓練完成后移除分類器。因此最終全局平均池化層的輸出即為自編碼網絡提取特征量,可以供給各分類器進行分類。訓練階段的參數設置如表2所示。

表2 訓練階段參數設置Table 2 Parameter setting during training phase

2 實驗結果與分析

基于物理仿真數據,導入自編碼模型,將原始放電信號轉換為128維向量作為該信號的辨識特征。同時文中選取11組基于局部放電原始信號提取的人工特征進行比較實驗[13]。表3為2種特征采用SVM以及隨機森林算法分類器的識別準確率對比。

表3 局部放電識別準確率對比Table 3 Comparison of partial discharge recognition accuracy %

針對同一分類器,文中方法提取的特征相較人

工特征均獲得了更高的識別準確率,側面表明了自編碼網絡可以提取比人工特征更高辨識度的特征。同時,當輸入特征均來源于自編碼網絡時,2種分類器對于不同局部放電類型的識別水平存在較大差異,SVM對顆粒放電、氣隙放電表現出更為良好的分類性能,而隨機森林則對尖端放電、氣隙放電有著較好的識別能力。但每種分類器無論使用哪種特征,對于懸浮放電的識別準確率均處于較低水平。相較人工特征,文中方法提取的特征仍有效提升了懸浮放電識別水平。

圖6為人工特征與自編碼網絡提取特征通過t-SNE聚類可視化的結果,t-SNE是一種廣泛使用的數據降維方法[14]。與主成分分析方法(principal component analysis,PCA)[15]相比, 其保留的數據屬性信息更具代表性,可更好地反映樣本之間的差異。

圖6 局部放電可視化特征Fig.6 Visualization features of partial discharges

由圖6可知,基于自編碼網絡提取的特征聚類效果更佳,該特征具有比人工特征更高的質量,可以更好地表征不同類別的局部放電。

3 結語

針對GIS局部放電原始信號的模式識別問題,文中構建了基于自編碼技術的卷積神經網絡,自動提取原始波形信號的辨識特征。相較于傳統方法,文中方法摒棄了繁瑣的人工特征提取工作,特征的提取來源于神經網絡的自動學習,不依賴專家經驗,可以捕捉到數據更深層次的本質特征,具有更強的表達能力。此外,文中進一步將這些特征作為經典分類器的輸入,實現了深度學習方法與傳統機器學習方法的有效結合。實驗表明,在使用相同分類器時,文中方法提取的特征可以獲得比人工特征更高的分類準確率,具有優越的局部放電模式識別能力。