基于MobileNet 的電纜局部放電模式識(shí)別方法

高 鵬，劉嘉良，欒軍，沈道義，鄒華菁

（1.青島海檢智能科技有限公司，山東青島 266237；2.上海格魯布科技有限公司，上海 201210；3.上海電力大學(xué)電子與信息工程學(xué)院，上海 201306）

局部放電帶電檢測(cè)被認(rèn)為是檢測(cè)電纜絕緣缺陷最有效的手段[1]，近年來(lái)取得了很多進(jìn)展，檢測(cè)儀器不斷小型化、智能化，但是相關(guān)技術(shù)仍存在一些不足[2]。采用傳統(tǒng)方法進(jìn)行局部放電模式的識(shí)別具有很大局限性[3]，計(jì)算量大、存儲(chǔ)量大且識(shí)別準(zhǔn)確率不高。此外，傳統(tǒng)識(shí)別方法的一個(gè)顯著問(wèn)題是當(dāng)圖譜發(fā)生相位平移時(shí)識(shí)別效果不佳。而采用深度學(xué)習(xí)模式的識(shí)別方法準(zhǔn)確率較高[4]，且對(duì)于相位平移后的圖譜具有良好的模型泛化能力。雖然這種識(shí)別模式的訓(xùn)練計(jì)算量大[5]，但是推理過(guò)程中計(jì)算復(fù)雜度并不高，同時(shí)它可以較為精確地進(jìn)行分類(lèi)[6]，擁有較好的橫向處理能力、分布式存儲(chǔ)能力并且穩(wěn)定性較好[7]，故適用于該文場(chǎng)景下的局放識(shí)別。

因此，該文提出了一種基于MobileNet 的電纜局部放電模式識(shí)別方法，識(shí)別準(zhǔn)確率可達(dá)96.4%，利用MobileNet 模型優(yōu)化了訓(xùn)練過(guò)程[8]，減少了卷積的時(shí)間復(fù)雜度和空間復(fù)雜度，有效地加快了收斂速度，提高了分類(lèi)網(wǎng)絡(luò)的泛化能力[9]。基于該算法研制的智能局部放電帶電檢測(cè)儀器，在實(shí)際應(yīng)用場(chǎng)景下，實(shí)現(xiàn)了電纜局部放電類(lèi)型的自動(dòng)識(shí)別，且識(shí)別準(zhǔn)確率在95%以上。

1 算法概述

該文提出的基于MobileNet 的電纜局部放電模式識(shí)別方法的整體框圖如圖1 所示。首先，對(duì)電纜高頻局部放電帶電檢測(cè)儀器采集到各類(lèi)局部放電相位分布(Phase Resolve Partial Discharge,PRPD)圖譜進(jìn)行數(shù)據(jù)預(yù)處理與數(shù)據(jù)增強(qiáng)，再將ImageNet 數(shù)據(jù)集上預(yù)先訓(xùn)練好的MobileNetV1 模型遷移到電纜局部放電的場(chǎng)景下，構(gòu)建出新的識(shí)別模型并訓(xùn)練新模型，以實(shí)現(xiàn)對(duì)各種類(lèi)型PRPD 圖譜放電類(lèi)型的識(shí)別，從而更好地掌握電纜內(nèi)部缺陷的類(lèi)型性質(zhì)和缺陷特征。

圖1 算法整體框圖

2 算法設(shè)計(jì)

2.1 局部放電數(shù)據(jù)采集

電力電纜局部放電帶電檢測(cè)的原理如圖2 所示，通過(guò)高頻電流傳感器檢測(cè)局部放電的高頻脈沖電流信號(hào)，結(jié)合被測(cè)設(shè)備電壓的相位信息，生成局部放電圖譜PRPD 數(shù)據(jù)[10]。通過(guò)對(duì)大量現(xiàn)場(chǎng)檢測(cè)圖譜按不同的局放類(lèi)型進(jìn)行分類(lèi)標(biāo)注，構(gòu)建電纜絕緣缺陷的局部放電PRPD 圖譜數(shù)據(jù)集，用于有監(jiān)督的機(jī)器學(xué)習(xí)。

圖2 電力電纜局部放電帶電檢測(cè)原理圖

局部放電相位分布PRPD 圖譜也被稱(chēng)作φ-q-n模式，用來(lái)描述局部放電脈沖所對(duì)應(yīng)的工頻相位φ、脈沖幅值q和放電次數(shù)n之間的關(guān)系[11]。該文使用實(shí)際現(xiàn)場(chǎng)局部放電帶電檢測(cè)中采集到的4 500 張PRPD 圖譜作為原始數(shù)據(jù)集，包括兩類(lèi)典型的局部放電和外部干擾，如圖3所示。其中，內(nèi)部放電1 500張、浮動(dòng)電極放電1 500張、外部干擾1 500 張。

圖3 典型局部放電和外部干擾PRPD圖譜

通過(guò)以上PRPD 圖譜可以清晰地看出三類(lèi)圖譜存在差異[12]，利用PRPD 圖譜進(jìn)行模式識(shí)別的方案是可行的。

2.2 局部放電數(shù)據(jù)預(yù)處理

在實(shí)際現(xiàn)場(chǎng)的環(huán)境下，對(duì)電纜的局部放電檢測(cè)，通常采用高頻電流傳感器來(lái)獲取不同類(lèi)別的電纜局部放電故障的相位分辨局部放電PRPD 圖譜，先對(duì)圖像作灰度化和歸一化處理，再對(duì)圖像進(jìn)行預(yù)處理。

圖像的灰度化是指按不同的權(quán)值對(duì)RGB 三個(gè)分量進(jìn)行加權(quán)平均，根據(jù)式（1）[13]，可以獲得效果較好的灰度圖像。

對(duì)圖像作歸一化處理具體是指原始的PRPD 圖譜一般為917×510 像素，尺寸較大，需要將圖像的尺寸統(tǒng)一調(diào)整為224×224 像素的輸入圖像，便于模型的訓(xùn)練。

對(duì)于圖像的預(yù)處理方法有圖像分割與數(shù)據(jù)增強(qiáng)[14]。圖像分割的方法是指將原始的PRPD 圖譜進(jìn)行裁剪，把標(biāo)注出來(lái)的具有較明顯特征的局部放電信號(hào)用于模型的訓(xùn)練。從已獲取的每個(gè)PRPD 圖譜中分別提取具有明顯局部放電特征的圖像，再以電壓正弦波為基準(zhǔn)，通過(guò)循環(huán)平移30°相位至360°為止的方式對(duì)已提取的具有明顯局部放電特征的圖像進(jìn)行數(shù)據(jù)增強(qiáng)處理，由此得到循環(huán)平移30°、60°、90°、120°、150°、180°、210°、240°、270°、300°、330°的11 個(gè)不同的圖像作為數(shù)據(jù)集的補(bǔ)充。平移后的圖像可以提供各個(gè)相位局部放電信號(hào)的特征，使算法不受現(xiàn)場(chǎng)測(cè)試時(shí)因變壓器一二次相位差導(dǎo)致的PRPD 圖譜平移的影響，從而進(jìn)一步提高模型的泛化能力。

2.3 模型訓(xùn)練與測(cè)試

局部放電模式識(shí)別算法訓(xùn)練與測(cè)試的流程如圖4 所示，具體步驟如下：

圖4 基于MobileNet的局部放電識(shí)別流程

1）調(diào)用已訓(xùn)練好的MobileNetV1 網(wǎng)絡(luò)模型作為預(yù)訓(xùn)練模型，然后放入訓(xùn)練集來(lái)訓(xùn)練局部放電模式識(shí)別模型；

2）當(dāng)?shù)谝淮芜M(jìn)行前向傳播時(shí)，若預(yù)訓(xùn)練模型與局部放電模式識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)中某一層的名稱(chēng)相同，則可以對(duì)預(yù)訓(xùn)練模型的參數(shù)進(jìn)行直接調(diào)用；若不同，則利用隨機(jī)高斯分布對(duì)該層的參數(shù)進(jìn)行初始化處理；

3）當(dāng)數(shù)據(jù)傳播到最后一層時(shí)，由softmax loss 函數(shù)可以計(jì)算出網(wǎng)絡(luò)的損失率，再采用隨機(jī)梯度下降法，并利用驗(yàn)證集對(duì)局部放電模式識(shí)別模型中的網(wǎng)絡(luò)參數(shù)進(jìn)行不斷優(yōu)化；

4）訓(xùn)練的模型逐漸收斂，當(dāng)訓(xùn)練的模型識(shí)別準(zhǔn)確率不再提升，且損失率不再減小時(shí)，便得到了最優(yōu)的識(shí)別模型；

5）將訓(xùn)練得到的最優(yōu)識(shí)別模型作為測(cè)試模型，對(duì)測(cè)試集中的PRPD 圖譜進(jìn)行測(cè)試，得到電纜局部放電的各種故障類(lèi)型的識(shí)別率和平均識(shí)別率。

3 實(shí)驗(yàn)結(jié)果及分析

該文基于MobileNet 的深度可分離卷積網(wǎng)絡(luò)結(jié)構(gòu)，利用Tensorflow 和Keras 深度學(xué)習(xí)框架、Python 語(yǔ)言、Anaconda 和Pycharm 集成開(kāi)發(fā)環(huán)境，構(gòu)建了電纜局部放電模式識(shí)別模型，并借助GeForce RTX 2060 8GB 對(duì)模型進(jìn)行訓(xùn)練和測(cè)試，識(shí)別目標(biāo)為內(nèi)部放電、浮動(dòng)電極放電和外部干擾三種局部放電類(lèi)型。

首先，對(duì)預(yù)處理后的局部放電PRPD 圖譜按不同的放電類(lèi)別進(jìn)行分類(lèi)，并整理成數(shù)據(jù)集，再按照一定的權(quán)重將其劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，劃分的比例為數(shù)據(jù)集中70%的圖像作為訓(xùn)練集，10%的圖像作為驗(yàn)證集，20%的圖像作為測(cè)試集。然后輸入樣本數(shù)據(jù)，利用預(yù)先訓(xùn)練好的MobileNet模型中的權(quán)重，再結(jié)合新任務(wù)對(duì)模型進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重的微調(diào)，最后對(duì)新模型進(jìn)行模式識(shí)別的訓(xùn)練和測(cè)試。

采用MobileNetV1 模型對(duì)PRPD 圖譜進(jìn)行識(shí)別分類(lèi)，迭代次數(shù)設(shè)為300 次，初始的學(xué)習(xí)速率設(shè)為0.001，網(wǎng)絡(luò)單次訓(xùn)練的樣本數(shù)設(shè)為100，當(dāng)訓(xùn)練到291 次時(shí)，識(shí)別準(zhǔn)確率達(dá)到96.61%，損失函數(shù)值降至0.002 8，訓(xùn)練基本結(jié)束。將訓(xùn)練得到的最優(yōu)Mobile-NetV1 識(shí)別模型作為測(cè)試模型，對(duì)測(cè)試集中待識(shí)別的PRPD 圖譜進(jìn)行測(cè)試，最終平均識(shí)別準(zhǔn)確率為96.4%。

為了對(duì)電纜局部放電模式識(shí)別分類(lèi)的方法有更深入的研究，利用該文采集到的數(shù)據(jù)集，將AlexNet、InceptionV3、Xception、VGG16、ResNet18 和Mobile-NetV1 模型應(yīng)用于電纜局部放電模式的識(shí)別分類(lèi)，并將在ImageNet 數(shù)據(jù)集中訓(xùn)練好的模型參數(shù)遷移到新任務(wù)中，再對(duì)新模型進(jìn)行參數(shù)的調(diào)整與更新以加快訓(xùn)練的收斂速度。在訓(xùn)練的過(guò)程中采用早停法，即當(dāng)模型的損失函數(shù)值loss 不再出現(xiàn)明顯的減小時(shí)，就停止訓(xùn)練，從而節(jié)省訓(xùn)練的時(shí)間，并有效地解決了過(guò)擬合的問(wèn)題，各種深度學(xué)習(xí)模型的訓(xùn)練和測(cè)試時(shí)間如圖5 所示[15]。從圖中可以看出，每個(gè)模型的測(cè)試時(shí)間并沒(méi)有明顯的差異，但訓(xùn)練時(shí)間的差異性較大，其中，MobileNetV1 模型的訓(xùn)練時(shí)間最短，從模型的更新能力角度來(lái)看，MobileNetV1 模型表現(xiàn)出的性能最好。

圖5 各種模型的訓(xùn)練和測(cè)試時(shí)間

為了驗(yàn)證各種模型的識(shí)別準(zhǔn)確率，分別利用各種模型對(duì)內(nèi)部放電、浮動(dòng)電極放電和外部干擾三類(lèi)局部放電故障進(jìn)行模式識(shí)別，結(jié)果如表1 所示。

表1 各種模型模式識(shí)別準(zhǔn)確率

由表1 可以看出，與其他模型進(jìn)行對(duì)比分析，從平均識(shí)別準(zhǔn)確率的角度來(lái)看，MobileNetV1 網(wǎng)絡(luò)模型明顯表現(xiàn)更優(yōu)，其對(duì)浮動(dòng)電極放電和外部干擾的識(shí)別率可達(dá)98%以上，且對(duì)于各種不同的局部放電類(lèi)型，MobileNetV1 模型的識(shí)別準(zhǔn)確率均最高，因此，由識(shí)別結(jié)果更進(jìn)一步地驗(yàn)證了MobileNetV1 模型具有更高的識(shí)別準(zhǔn)確率。

基于該算法研制的智能局部放電帶電檢測(cè)儀如圖6 所示，具備電纜高頻局部放電PRPD 圖譜展示與類(lèi)型識(shí)別功能[16]。其中，類(lèi)型識(shí)別模塊在安卓手機(jī)端完成。

圖6 智能局部放電帶電檢測(cè)儀

對(duì)于電力電纜的帶電檢測(cè)，采用了在電纜終端接頭接地線安裝高頻局部放電傳感器，并在電纜單相本體上安裝相位信息傳感器，再將智能巡檢儀與兩傳感器相連，現(xiàn)場(chǎng)檢測(cè)如圖7 所示。儀器根據(jù)檢測(cè)到的高頻信號(hào)脈沖，生成PRPD 圖譜，并實(shí)時(shí)計(jì)算圖譜的識(shí)別結(jié)果。

圖7 現(xiàn)場(chǎng)檢測(cè)

將該算法應(yīng)用于基于安卓設(shè)備的智能局部放電巡檢儀，在實(shí)際場(chǎng)景下，能夠?qū)崿F(xiàn)局部放電缺陷類(lèi)型的快速識(shí)別。如圖8 所示，檢測(cè)到的PRPD 圖譜被實(shí)時(shí)識(shí)別為浮動(dòng)電極放電。在現(xiàn)場(chǎng)測(cè)試中，對(duì)各種局部放電類(lèi)型進(jìn)行檢測(cè)，識(shí)別準(zhǔn)確率均達(dá)到95%以上，滿(mǎn)足電纜局部放電識(shí)別準(zhǔn)確度的要求。

圖8 現(xiàn)場(chǎng)測(cè)試圖譜及識(shí)別結(jié)果

4 結(jié)論

該文提出的基于MobileNet 的電纜局部放電模式識(shí)別方法，采用遷移學(xué)習(xí)的訓(xùn)練方式，對(duì)模型架構(gòu)的權(quán)重參數(shù)進(jìn)行改進(jìn)。將采集到的各種類(lèi)型的PRPD 圖譜輸入到預(yù)訓(xùn)練的MobileNet 網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到了新的網(wǎng)絡(luò)模型，再進(jìn)一步地通過(guò)模型的迭代訓(xùn)練計(jì)算出驗(yàn)證集各種局部放電故障類(lèi)型的分類(lèi)識(shí)別準(zhǔn)確率，對(duì)準(zhǔn)確率不高的故障類(lèi)型進(jìn)行參數(shù)調(diào)整，從而在下一次迭代訓(xùn)練時(shí)使用更多的樣本，對(duì)這些樣本進(jìn)行更多次的特征學(xué)習(xí)，以解決由于特征提取深度不斷加深所帶來(lái)的梯度消失問(wèn)題，使網(wǎng)絡(luò)具備更好的學(xué)習(xí)能力。該文采用小尺寸的卷積核（3×3），ReLU6 激活函數(shù)，最大值池化方式以及隨機(jī)梯度下降算法，對(duì)于電力電纜局部放電PRPD 圖譜具有更高的識(shí)別率和更快的訓(xùn)練速度，識(shí)別準(zhǔn)確率可達(dá)96.4%。基于該算法研制的智能巡檢儀，不僅可以在移動(dòng)端實(shí)現(xiàn)快速自動(dòng)局部放電類(lèi)型識(shí)別，而且擁有較高的準(zhǔn)確度，對(duì)電力電纜的狀態(tài)檢修工作具有非常實(shí)際的應(yīng)用價(jià)值。