基于深度殘差網絡的油紙絕緣老化狀態識別策略研究

李濤 王子豪 王庸道 毛麟峰 吳振升 董偉男 范德玲

摘? ?要：為解決現有油紙絕緣老化識別技術存在的問題，提出一種基于深度殘差網絡的油紙絕緣老化狀態識別方法。首先，基于柱板電極模型開展局部放電試驗，獲取不同熱老化階段下的油紙絕緣局部放電脈沖相位分布圖譜;然后，對試驗數據進行樣本擴充、圖像灰度化等預處理;最后，利用深度殘差網絡對樣品進行模式識別，判斷其所屬老化階段，并與SVM和BPNN 2種傳統算法進行對比分析。試驗結果表明，本文所運用的深度殘差網絡使油紙絕緣老化狀態識別率達到97%，較SVM、BPNN等傳統算法分別提升了24%和17%，這得益于深度殘差網絡對深層特征的自動提取、高訓練穩定性和強大的擬合與泛化能力。該方法可以有效地對優質絕緣的不同老化階段進行識別與分類，為在線識別、評估老化狀態等應用奠定了基礎。

關鍵詞：深度殘差網絡;局部放電試驗;模式識別;油紙絕緣;熱老化檢測

中圖分類號：TM855;TP391.41? ? ? ? ? ? DOI：10.16375/j.cnki.cn45-1395/t.2022.01.007

0 引言

油紙絕緣是油浸式電力變壓器內絕緣的主要組成形式，熱老化是導致絕緣紙機械性能下降的重要原因。深入研究熱老化絕緣機理，為油紙絕緣的老化狀態建立可靠的識別與評估方法，對確保變壓器安全穩定運行具有重要意義。

文獻[1-2]提出了油紙氣隙缺陷模型，分別利用遺傳算法-反向傳播神經網絡和列文伯格-馬夸爾特法優化的神經網絡識別其老化，使用因子分析選取29個統計特征參數中的10個主成分因子作為神經網絡輸入，以單位圓的半徑作為輸出，對反向傳播神經網絡做出了改進，并研究了其模糊聚類[3]。文獻[4]提出了氣隙缺陷放電模型并進行老化試驗，對局部放電信號消噪后，將經驗模態分解-奇異值分解特征與隨機森林分類器相結合，進行老化階段識別。文獻[5]利用油中溶解氣體分析和局部放電的波形進行特征融合，利用粒子群算法對支持向量機進行優化，以提高傳統支持向量機的識別效果。

在區分不同類型的局部放電中，算法在早期同樣依賴于機器學習和經典神經網絡[6-8]。有學者使用經驗模態分解和希爾伯特-黃變換進行特征提取，取得了較好的效果[9]。現階段的老化狀態識別研究仍然以人工傳統算法為主，而人工算法只能提取局部放電的淺層特征，不能保證分類的準確率。采用新的算法應用于老化階段的識別對特征量的合理提取、識別準確率的提高具有重要意義。為進一步提高油紙絕緣識別的可靠性，本文提出了一種基于深度殘差網絡的油紙絕緣老化階段識別方法。

1? ? 理論

不同老化階段起始電壓的測試結果如圖1所示，每個起始電壓使用該老化階段下3組試驗的平均值。總體趨勢：隨著老化時間的延長，起始電壓呈現下降趨勢，表征油紙絕緣性能的下降，局部放電更容易起始和發展。這是因為在老化過程中，紙的聚合度減小，而介電常數上升[10]，由此引起了電場不均勻程度升高。老化20 d之后，起始電壓的變化幅度減小，老化狀態對起始電壓的影響不顯著。

根據不同老化階段起始電壓的測試結果，文章整體思路為：首先，基于柱板電極模型開展局部放電試驗，獲取不同熱老化階段下的油紙絕緣局部放電脈沖相位分布圖譜;然后，對試驗數據進行樣本擴充、圖像灰度化等預處理;最后，利用深度殘差網絡對樣品進行模式識別，判斷其所屬老化階段。

2? ? 算法及策略

2.1?  數據擴充

在不同老化階段下，不同電壓所進行的試驗如表1所示。

為保證每個數據的可比性，每個長時間錄制的數據流均選取10 pC以上的60 000個放電點作為一組數據。所得數據中，B組10 d老化階段的試驗數據較少，對B組試驗數據使用滑動數據剪裁[11]進行數據擴充，其余階段皆采取等放電次數（60 000次）進行數據切分。滑動數據剪裁為：從第一個放電點開始，每60 000個放電點為一個數據，下一個數據的起點為上一個數據起點加上15 000個放電點，其示意圖如圖2所示。除B組外的試驗數據均直接以60 000個放電點等間隔對數據進行切分，其示意圖如圖3所示。

2.2? ?圖像預處理

將得到的每60 000次10 pC以上放電點數據繪制原始數據的[q]-[φ]圖像。對每個原始數據的圖像均采用當前一組數據的放電量最大值的0.7倍作為圖譜的最大值;將原始圖像切分為100×100的圖像窗格，統計每個窗格中的放電次數，成為[q]-[φ]密度矩陣;得到的圖片按照式（1）所示進行對數運算，避免大量次數的小放電掩蓋次數較少的大放電。

[xij=log（zij）]，? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

式中：[zij]為統計得到的窗格內放電點數，[xij]為相應窗格的對數運算結果。

對處理結果進行如式（2）所示的歸一化，將原來對數運算后的數值矩陣范圍轉變為0～1，再乘以255，成為標準8位灰度圖的矩陣，保存為灰度圖，共得到13 817張圖片數據集，其中90%用于網絡訓練，10%用于測試。

[yij=xijmax（x）×255]，? ? ? ? ? ? ? ? ? ? （2）

式中：[yij]為灰度圖中窗格對應像素的灰度值，[x]為上一步得到的整個對數運算后的矩陣。

灰度化前后的效果如圖4所示。圖4 （a）為油紙在130 ℃熱老化40 d后，以20 kV電壓測得的原始放電量數據圖。圖4 （b）的灰度圖中，圖片下方的黑色區域代表了大量的小放電，上方較暗的點代表了幅值較大、放電次數較少的放電。

2.3? ?深度殘差網絡

深度殘差網絡是卷積神經網絡的一種，是訓練穩定、性能優良的深層網絡。在卷積網絡的各層運算中，特征子圖的維度不斷增加，通過訓練迭代實現自動特征提取[12]。

為找到性能較好的網絡，對比不同網絡深度的影響，本文構建了經過簡化的ResNet-18、ResNet-18以及ResNet-34，構建的各個網絡的結構參數如? 表2所示。

3? ? 試驗仿真

3.1? ?試驗平臺搭建

試驗平臺遵循IEC60270局部放電測試標準[13]，采用脈沖電流法構建的試驗電路圖如圖5所示。

試驗電路的電源部分采用可編程信號發生器產生信號波形，信號輸出的采樣率為6.5 MS/s，換算為50 Hz工頻周期下，一個周期1.3×105個信號采樣點。經過高壓功率放大器放大為功率信號，該放大器可以將輸入信號以固定增益放大1∶5 000轉換為試驗的高壓功率信號。

依據IEC60270，電荷頻域積分中心頻率? ? ?250 kHz，帶寬300 kHz。使用高壓探頭進行? ? ? ? ? 1 000∶1分壓并測量被試品電壓。由功率放大器的電壓監視5 000∶1分壓輸出端口，測量放大器的出口電壓。局部放電回路升壓至電壓有效值30 kV，無局部放電發生，測試系統噪聲小于10 pC。

采用克拉瑪依25號變壓器油，無其他任何雜質，放置在真空干燥箱中，于80 ℃、壓力小于? ?10 Pa的環境中真空干燥48 h。采用厚度為1 mm的換流變壓器絕緣紙板，將其剪裁后，在105 ℃、壓力小于10 Pa的環境中真空干燥48 h。再將油紙樣品放置在80 ℃、壓力小于10 Pa的環境中真空浸漬48 h。最后在室溫下冷卻，20 ℃儲存。

根據式（3）所示的蒙辛格熱老化規則[14]，對試驗樣品在高溫下的老化時間估算為正常運行的等效? ? ?時間。

[T=T0e-αθ-θ0]，? ? ? ? ? ? ? ? ? ? ? ? ?（3）

式中：[θ0]為絕緣材料正常工作時的基準工作溫度，[T0]為絕緣材料在此基準工作溫度下正常工作的等效工作時間，[θ]為試驗樣本的熱老化溫度，[T]為試驗樣本在熱老化條件下的試驗時間，[α]為熱老化系數，—般取0.115 5。

本文中變壓器的基準工作溫度為80 ℃，實際工作溫度即老化試驗溫度為130 ℃，共分為5個階段，每個階段的間隔為10 d。對不同時間的老化階段樣本進行折算，結果如表3所示。

3.2? ?網絡評價指標

本文網絡評價指標包括準確率、精確率、召回率、[F1]值以及算法混淆矩陣。[NTP]為當前老化階段與網絡識別老化階段相同的樣本數，[NFP]為其余老化階段與網絡識別老化階段相同的樣本數，[NFN]為其余老化階段識別為當前老化階段的樣本數，[NTN]為其余老化階段識別為其余老化階段的樣本數。

[A]表示準確率（Accuracy），其定義如式（4），即所有識別正確的樣本數，占所有樣本數的比重。

[A=NTP+NFNNTP+NTN+NFP+NFN] .? ? ? ? ? ? ? ? ? ? ?（4）

[P]表示精確率（Precision），其定義如式（5），即所有當前老化階段與網絡識別老化階段相同的樣本數，占所有識別為本老化階段樣本數的比重。

[P=NTPNTP+NFP] .? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）

[R]表示召回率（Recall），其定義如式（6），即所有當前老化階段與網絡識別老化階段相同的樣本數，占所有本老化階段樣本數的比重。

[R=NTPNTP+NFN] .? ? ? ? ? ? ? ? ? ? ? ? ? ?（6）

[F1]值的定義如式（7），它綜合考慮了精確度和召回率，是一個高優參數。

[2F1=1P+1R] .? ? ? ? ? ? ? ? ? ? ? ? ?（7）

混淆矩陣可以清晰地給出分類結果，其列為真實的老化階段、行為判斷的老化階段。混淆矩陣對角線上的元素是分類正確的樣本數，而其余為分量錯誤的樣本數，主對角線上的數值相較于非對角線上的元素數值越大，網絡性能越好。

3.3? ?識別結果

深度殘差網絡的訓練過程如圖6（a）所示。隨著迭代次數的增加，各網絡識別準確率均逐漸上升。簡化的ResNet-18網絡由于參數量較少，穩定性較差，在迭代過程中多次出現準確率下降。ResNet-34網絡結構較深，約20次迭代后就已經穩定在較高的準確率上。ResNet-18網絡的穩定性介于二者之間。據圖6（b） ，它們的準確率都可以達到95%以上。最深的ResNet-34網絡具有最好的穩定性，迭代的準確率一直穩定在96.2%;ResNet-18網絡最高可以達到97.0%的準確率;簡化的ResNet-18表現出更大的波動，準確率在95.6%～96.6%。

取效果較好的ResNet-18的最高準確率參數，其分階段分類報告見表4。由表4可看出，對于老化的各個階段，深度殘差網絡均取得了良好的分類效果。對于特征明顯的40 d老化樣本，可以做到100%的識別，其余各階段的各項網絡評價指標均在90%以上。

從圖7所示的混淆矩陣可看出，僅有少量樣本分布在非對角線上，誤判情況極少，絕大多數的老化階段得到了正確的匹配。混淆矩陣的結果表明，本文方法可以作為油紙絕緣老化診斷的有效方法。

采用相同算法對支持向量機和反向傳播神經網絡2種傳統算法進行計算，可得到這2種算法的分類報告和混淆矩陣，如表5、表6和圖8、圖9所示。

深度殘差網絡識別不同老化階段的平均準確率可達97%，相較于反向傳播神經網絡的平均準確率提升17%，相較于支持向量機提升24%。造成這一現象的原因主要是深度殘差網絡的自動提取特征相對于傳統的人工特征提取具有優勢，可以發現不易察覺的深層特征，對圖像進行更好地描述，以及深度殘差網絡的短接結構，使得網絡的深度可以大大增加。

精確度方面，在傳統算法特征較不明顯的前幾個老化階段，精確率不高，SVM對30 d樣本的識別尤其不佳，精確率僅55%，和同階段深度殘差網絡的精確率相差34%;BPNN則對0 d樣本識別不足，精確率為70%，與同階段深度殘差網絡的精確率相差29%。深度殘差網絡不僅可以在特征明顯的40 d樣本中達到高精確率，而且在較低的老化階段也能夠有效識別[7，15]。

在F1值方面，深度殘差網絡較高的F1值代表了其對精確率和召回率的兼顧。BPNN的30 d樣本以及SVM的30 d樣本的F1值較精確率均有所降低，代表了其召回率不足，有較多本老化階段的樣本被漏掉。SVM和BPNN的F1值較低，顯示出其兼顧精確率和召回率的能力較差。

4? ? 結論

本文提出了一種基于深度殘差網絡的老化階段識別方法。制備了5個階段共計40 d的130 ℃熱老化的油紙樣品，使用柱板電極作為典型缺陷進行試驗，獲得了不同老化階段下的局部放電PRPD圖譜;所得數據經過數據擴充、圖像灰度化等預處理后，使用基于深度殘差網絡的算法模型對不同老化階段進行識別，并與基于人工特征量提取的支持向量機和反向傳播神經網絡2種算法進行對比，得到如下結論：

1）深度殘差網絡的識別率可以達到97%，對比傳統的支持向量機法和反向傳播神經網絡法分別提升24%和17%。準確率提升的本質原因是深度殘差網絡可以對能保留更多信息的PRPD灰度圖進行分析，通過自動特征提取能力提取到圖中難以察覺的深層特征，對不同老化階段的放電特征進行了更好的描述。因此，相比于傳統人工提取特征量的算法，深度殘差網絡具有顯著的優勢。

2）除40 d以外的其余老化階段下的傳統算法效果欠佳，而深度殘差網絡在各個老化階段下均能夠取得理想的識別效果，各項指標相較于傳統算法均有明顯優勢，有利于識別絕緣劣化的先兆，這對于設備的運行、檢修和維護具有重要意義。

3）試驗數據在不同電壓、局部放電的不同發展階段、不同加壓方式的條件下，深度殘差網絡仍然取得較好的分類效果，展示出其強大的擬合能力和泛化能力。而數據的復雜性導致了傳統算法的識別率低下，不能達到較好的性能。

參考文獻

[1]? ? ?廖瑞金，汪可，周天春，等. 采用局部放電因子向量評估油紙絕緣熱老化狀態的一種方法[J]. 電工技術學報，2010，25（9）：28-34.

[2]? ? ?周天春，楊麗君，廖瑞金，等. 基于局部放電因子向量和BP神經網絡的油紙絕緣老化狀況診斷[J]. 電工技術學報，2010，25（10）：18-23.

[3]? ? ?LI? J， LIAO R? J，GRZYBOWSKI? S，et al. Oil-paper aging evaluation by fuzzy clustering and factor analysis to statistical parameters of partial discharges[J]. IEEE Transactions on Dielectrics and Electrical Insulation，2010，17（3）：756-763.

[4]? ? ?張建文，王曼，解浩，等. 基于隨機森林的油紙絕緣老化階段評估[J]. 電測與儀表，2018，55（9）：121-125，130.

[5]? ? ?王曼. 電力變壓器油紙絕緣老化狀態評估方法研究[D].徐州：中國礦業大學，2018.

[6]? ? ?姜磊，朱德恒，李福祺，等. 基于人工神經網絡的變壓器絕緣模型放電模式識別的研究[J]. 中國電機工程學報，2001（1）：22-25.

[7]? ? ?李向陽，曾文波. 基于BP神經網絡矩形微帶天線諧振頻率預測[J]. 廣西科技大學學報， 2014， 25（3）： 26-31.

[8]? ? ?王國利，鄭毅，沈嵩，等. AGA-BP神經網絡用于變壓器超高頻局部放電模式識別[J]. 電工電能新技術，2003（2）：6-9，55.

[9]? ? ?朱永利，賈亞飛，王劉旺，等. 基于改進變分模態分解和Hilbert變換的變壓器局部放電信號特征提取及分類[J]. 電工技術學報，2017，32（9）：221-235.

[10]? ?SUN P T，SIMA W X，YANG M，et al. Influence of thermal aging on the breakdown characteristics of transformer oil impregnated paper[J]. IEEE Transactions on Dielectrics and Electrical Insulation，2016，23（6）：3373-3381.

[11]? ?萬曉琪，宋輝，羅林根，等. 卷積神經網絡在局部放電圖像模式識別中的應用[J]. 電網技術，2019， 43（6）：2219-2226.

[12]? ?高欣，紀維佳，趙兵，等. 不平衡數據集下基于CVAE-CNN模型的智能電表故障多分類方法[J]. 電網技術，2021，45（8）：3052-3060.

[13]? ?The International Electrotechnical Commission （IEC）. High-voltage test techniques-partial discharge measurements： IEC 60270-2015[S/OL].2015[2021-08-01].https：//www.doc88.com/p-6983841680314.html.

[14]? ?謝軍. 變壓器油紙絕緣局部放電劣化規律及診斷方法[D]. 北京：華北電力大學，2016.

[15]? ?譚光興， 孫才茗， 王俊輝. 基于HOG特征與SVM的視頻車輛檢測系統設計[J]. 廣西科技大學學報， 2021，32（1）：19-23，30.

Research on identification strategy of oil-paper insulation aging state based on deep residual network

LI Tao1， WANG Zihao1， WANG Yongdao1， MAO Linfeng1， WU Zhensheng*2，

DONG Weinan3， FAN Deling2

（1. Yuxi Power Supply Bureau， Yunnan Power Grid Co.， Ltd.， Yuxi 653100， China; 2. School of Electrical

Engineering， Beijing Jiaotong University， Beijing 100044， China; 3. Langfang Power Supply Co.， Ltd.， State Grid Northern Hebei Power Supply Co.， Ltd.， Langfang 065000， China）

Abstract： A method for identifying the aging state of oil-paper insulation is proposed based on a deep residual network aimed at the problems of the existing oil-paper insulation aging identification? ? ? ? ?technology. Firstly， partial discharge tests are conducted based on the cylindrical electrode model to? obtain the oil-paper insulated partial discharge pulse phase distribution maps under different thermal aging stages. Secondly， samples on the test data are expanded and image gray scale is preprocessed. Finally， deep residual network is used for pattern recognition of the sample to determine its aging stage， and it is compared with SVM and BPNN algorithms. The results of the experiment show that the deep residual network used in this paper enables the oil-paper insulation aging recognition rate to reach 97%， which is 24% and 17% higher than SVM and BPNN algorithms respectively. This method can effectively identify and classify the different aging stages of high-quality insulation with its automatic extraction， high training stability， and strong fitting and generalization capabilities， laying a foundation for online identification and aging state assessment.

Key words： deep residual network; partial discharge test; pattern recognition; oil-paper insulation; thermal aging detection

（責任編輯：黎? ?婭）