基于廣義S變換和二維卷積神經網絡的油紙絕緣局部放電超聲信號識別

朱慶東，朱孟兆，王學磊，顧朝亮，高志新

（國網山東省電力公司電力科學研究院，山東 濟南 250003）

0 引言

電力變壓器是電力系統中的核心設備，其安全運行對于維護電網安全有著重要意義。油紙絕緣作為油浸式變壓器中的主要絕緣形式，其絕緣性能的劣化是造成變壓器故障的主要原因［1-2］。局部放電作為內部絕緣故障的重要征兆，對其類型進行有效辨識可以為變壓器狀態的診斷評估提供參考［3-4］。

超聲法是通過測量局部放電產生的超聲信號進行局部放電檢測的方法，具有傳感器安裝方便、抗電磁干擾能力強等優點，在變壓器局部放電檢測上得到了廣泛的應用［5-6］。目前，針對超聲信號的分析主要圍繞在利用其時間信息對局部放電進行定位上［7-8］，但同時超聲信號中也包含著大量的放電信息，能夠有效提取超聲信號中的關鍵信息，對局部放電類型進行識別，可以有效提高局部放電的檢測效率。目前，局部放電信號的特征提取主要是從時域、頻域和時頻域等方面進行。文獻［9］基于超聲信號的時域、頻域特征和時域壓縮波形數據等特征提取方法，采用人工神經網絡進行模式識別，獲得了較好的效果。文獻［10］運用小波包變換對局部放電超聲信號進行分解，以小波包分解系數的統計量作為特征參量進行識別，但小波變換的效果依賴于小波基的選取，泛用性不強。文獻［11］提出一種基于集合模態分解能量矩的特征提取方法，但是模態分解的分解級數通常是未知的，難以實際應用。

近些年，由于計算機技術的快速發展，深度學習方法在圖像識別、語音識別、文本處理等方向取得了巨大的進步［12］。其中，卷積神經網絡因其能夠對樣本中的特征進行自動提取，避免復雜的特征工程，在放電識別和故障診斷領域得到廣泛的應用。文獻［13］使用深度殘差網絡對局部放電信號的邊際譜圖像進行直接識別，獲得更高的正確率和更優的泛化性能。文獻［14］首先采用盲源分離對原始超聲波信號進行處理，然后選用卷積神經網絡進行訓練，提高局部放電類型識別的準確性。

基于上述情況，提出一種基于廣義S 變換（generalized S-transform，GST）和二維卷積神經網絡（2-dimension convolutional neural network，2D-CNN）相結合的局部放電超聲信號識別方法。GST 是一種高效的自適應時頻分析方法，適合用于非平穩信號的處理上?；贕ST 對超聲數據進行處理，獲得不同放電類型樣本的時頻特征圖像，構建2D-CNN，自主提取時頻圖中的特征信息，實現局部放電超聲信號的智能識別，并通過與其他方法進行對比，驗證所提方法的準確性和有效性。

1 局部放電試驗

1.1 試驗平臺

為采集油紙絕緣局部放電的超聲信號，搭建局部放電試驗平臺，如圖1 所示，主要包括高壓測試回路、試驗罐體和信號測量系統3 個部分。高壓測試回路由調壓器、100 kV/20 MVA 試驗變壓器、保護電阻和變比為2 000∶1 的阻容式分壓器組成。試驗罐體整體由有機玻璃制成，內部設有可更換電極，可以模擬不同類型下的局部放電。信號測量系統主要包括高頻電流傳感器（high frequency current transformer，HFCT）、超聲傳感器以及對應的采集裝置。高頻電流信號和超聲信號通過同軸屏蔽電纜連接到采集卡上，最后由上位機進行數據處理。其中，超聲傳感器采用壓電式聲發射傳感器，其諧振頻率為75 kHz，可測量頻率范圍為15～150 kHz，后接信號放大裝置，其濾波范圍設置為20～120 kHz，該頻段在變壓器放電測量中具有一定的代表性［2］。

圖1 局部放電試驗平臺Fig.1 Experiment platform of partial discharge

1.2 試驗方法

為模擬變壓器內部不同類型的局部放電情況，設計針板放電模型、柱板放電模型和球板放電模型，3 種缺陷模型的電極均為黃銅制作，絕緣紙板的厚度為1 mm，下電極均為半徑75 mm、厚度為15 mm 的圓板電極，上電極分別為針狀電極、柱狀電極和球狀電極。在進行試驗前，對油紙樣品進行預處理，使其水分含量滿足標準［15］。

在正式試驗前需要進行預試驗，確定每種放電類型的局部放電起始電壓（partial discharge inception voltage，PDIV）和擊穿電壓（breakdown voltage，BDV），然后在PDIV 和BDV 之間、不同電壓等級下均進行數據采集，獲得不同放電劇烈程度下的超聲數據，采樣頻率為2.5 MHz。此外，為考慮傳感器布設位置對信號的影響，對于每種放電類型，采集傳感器在不同位置上獲得的數據。對于采集到的超聲信號，對其進行數據裁剪，以每一個工頻周期（20 ms）內的超聲信號為一組數據，進行后續的處理。

2 基本原理

2.1 廣義S變換

S 變換是由Stockwell 等人［16］提出的一種時頻分析方法，同時具有小波變換和短時傅里葉變換的優點。S 變換通過引入高斯窗函數，在保持相位信息的同時，使其具有可變的時頻分辨率，在低頻部分具有較高的頻率分辨率，在高頻部分具有較高的時間分辨率。進一步地，GST 通過給定調節因子，控制高斯窗函數寬度的變化，能夠獲得更好的時頻分辨率，適用于非平穩信號的分析［17-18］。

對于任意一個平方可積的信號x（t），其GST 為

式中：f為頻率；τ 為高斯窗函數的時移參數；λ為調節因子，當λ=1 時即為S 變換。

實際使用時，需要用到其離散形式，對于一個長度為N的離散時間序列x［a］，令a=jT（j=0，1，2，…，N-1），f=n/（NT），則其對應的離散GST 為

式中：T為其采樣周期；X［f］為序列x［a］的離散傅里葉變換；m為累加符號的計數單位；n為離散頻率值的序號數。

通過GST 可以將一個一維的時間序列變換到二維的時頻域中，其橫坐標為時間，縱坐標為頻率，可以反映信號在對應時刻和頻率的能量分布細節。

2.2 二維卷積神經網絡

卷積神經網絡（convolutional neural network，CNN）是深度學習最典型的算法之一，其通過引入卷積和池化運算，增強對局部相關性特征的提取能力，能夠自主地對輸入信號進行特征提取。卷積神經網絡主要由卷積層、池化層和全連接層組成，輸入經過多個卷積層和池化層自主提取特征，然后通過全連接層進行分類［19-20］。

卷積層是CNN 的核心，對輸入和卷積核進行卷積運算，然后添加偏置并通過激活函數生成特征圖。在訓練過程中，卷積核的參數不斷更新，可以強化卷積核的特征提取能力，對特征進行自主學習。對于2D-CNN，采用二維卷積核對二維輸入圖像中的二維分布特征進行提取。

池化層通過池化操作對卷積層獲得的特征圖進行降采樣，一方面減少了計算的參數，一方面增強了網絡的泛化性能。全連接層對經卷積層和池化層提取的特征圖進行展開，最后結合分類器進行分類。

2.3 GST 與2D-CNN 相結合的局部放電超聲信號識別方法

提出一種GST 與2D-CNN 相結合的局部放電超聲信號識別方法，通過GST 構建超聲信號的時頻表達圖譜，并使用2D-CNN 對圖譜信息進行提取，進而對局部放電類型進行識別。該方法流程如圖2所示。

圖2 方法流程Fig.2 The method flowchart

具體步驟如下：

1）對獲得的超聲數據進行周期劃分并篩選出有效數據，以一個工頻周期內的數據為一組數據；

2）對信號進行GST，獲得其時頻圖像，并將其進行灰度化處理，對數據進行歸一化，增強模型的泛化能力；

3）生成局部放電超聲信號時頻圖像樣本集，并按比例劃分為訓練集和測試集；

4）構建卷積神經網絡模型，并在訓練集上進行模型訓練，訓練過程中不斷調整網絡模型以得到最優網絡模型；

5）模型進行訓練后，在測試集上對模型進行測試，獲得模型對于各種局部放電類型的識別效果。

3 效果和分析

3.1 信號處理

對采集到的超聲信號進行周期劃分后得到針板放電數據2 270 條，柱板放電數據1 855 條，球板放電數據1 530 條，對其進行幅值篩選，最終得到有效數據共1 208 條，以7∶3 的比例劃分訓練集和測試集，各個放電類型的數據分布如表1 所示。

表1 有效數據樣本分布Table 1 Distribution of valid data samples 單位：條

為減少數據量和處理時間，在進行GST 前，對信號進行降采樣，將信號采樣率降至500 kHz，則每組數據的長度為10 000。GST 的調節因子λ可以對時頻圖像的時頻分辨率進行調整，本文選取λ=0.4，以獲得最優的時頻分辨率。在進行GST 時，僅對20～120 kHz 進行分析，得到不同放電類型的局部放電超聲信號的變換結果如圖3 所示。

圖3 不同放電類型超聲信號的時頻分布Fig.3 Time frequency distribution of ultrasound signals with different discharge types

由圖3 可以看出，不同放電類型經GST 后的時頻分布存在明顯區別，時頻圖像中包含著豐富的細節信息，后續通過卷積神經網絡可以有效地提取關鍵特征并進行放電類型的識別。

3.2 模型結構與參數設置

網絡模型結構如表2 所示。

表2 模型結構參數Table 2 Parameters of model structure

首先將輸入尺寸壓縮到200×100 像素，以減少后續的計算量。然后輸入連續通過3 個卷積池化單元，首先通過大小為5×5 的卷積核提取初級特征，然后通過兩組大小為3×3 的卷積核進一步提取深層特征。在經過卷積池化后，特征圖的尺寸不斷降低，通道數目不斷增加，最后通過兩層全連接層將其展開成一維向量，并通過softmax 函數進行分類。為減小過擬合，在全連接層之后加入dropout 層，丟棄概率設置為0.2。

除以上超參數，對損失函數、學習率和優化算法進行多次測試，最終選用損失函數為交叉熵函數，學習率設置為0.01，優化算法為小批量隨機梯度下降算法。

3.3 識別效果分析

本文算法的實現依靠python 實現，深度學習框架為pytorch，驗證本文方法的平臺為RTX 3090 顯卡。訓練過程中損失和準確率隨迭代次數的收斂曲線如圖4 所示，可以看出，隨迭代次數的增加，模型的損失值不斷減小，識別準確率不斷上升。在50次迭代后模型已經趨于穩定，可以達到較好的效果，在經過200 次迭代后，模型基本收斂，損失值降低到0.04 左右，在訓練集上的準確率達到98%左右。

圖4 訓練過程中損失和準確率的變化曲線Fig.4 The variations of loss and accuracy during training

為進一步說明模型在測試集上的表現，列出測試集上識別結果的混淆矩陣，如表3 所示。

表3 識別結果的混淆矩陣Table 3 Confusion matrix of recognition results

由表3 可以看出，測試集整體的識別準確率可以達到97.8%，其中對于針板放電的樣本全部識別正確，對于柱板放電有2 個樣本被錯誤識別為球板放電，球板放電的識別準確率較低，有1 個樣本被識別為針板放電，5 個樣本被識別為球板柱板放電?？梢钥闯?，本文方法對于局部放電類型識別整體上具有較高的準確率，能夠有效區分幾種相似的缺陷類型。

3.4 與其他方法對比

將本文方法與其他3 種方法進行對比，以驗證其在局部放電超聲信號識別上的優勢。用于對比的方法所采用的訓練集和測試集與本文方法一致，以總體識別準確率為指標評價不同方法的效果，識別準確率為識別準確的樣本數和總樣本數的比值，各方法的識別效果如表4 所示。

表4 不同方法的識別效果對比Table 4 Comparison of recognition effects among various methods 單位：%

方法1：對超聲信號進行小波包變換，提取能量最大的節點的統計量作為特征參量［7］，然后采用支持向量機進行識別。

方法2：對超聲信號進行GST，對獲得的時頻圖像進行特征降維，然后采用BP 神經網絡進行分類識別。

方法3：特征圖像生成方法選用短時傅里葉變換，采用CNN 進行圖像識別［11］。

從表4 中可以看出，本文方法比其他方法具有更高的識別準確率，能更有效地利用超聲信號的內在信息對放電進行識別。方法1 和方法2 分別基于小波包變換和GST 對超聲信號進行處理，然后用分類器對提取的特征量進行分類識別，在特征提取步驟會丟失大量的有效信息，造成識別準確率不高，顯著低于深度學習方法。方法3 采用短時傅里葉變換進行特征圖的生成，采用卷積神經網絡進行特征提取，能夠達到94.8%的準確率。本文方法采用GST進行時頻變換，具有更高的時頻分辨率，可以使故障特征在時頻域中更加突出，識別準確率更高。

4 結論

提出一種GST 和2D-CNN 相結合的局部放電超聲信號識別方法，通過分析和研究，得到以下結論：

1）采用GST 對超聲信號進行處理，可以獲得具有高時頻分辨率的時頻圖像，能夠很好地區分不同放電類型，為下一步放電識別提供優秀的樣本。

2）采用2D-CNN 對獲得的時頻圖像進行處理，能夠更有效地提取局部放電超聲信號中的有效信息，對放電類型進行準確識別，平均識別準確率可以達到97.8%。

3）提出方法相比于機器學習分類方法和其他時頻圖像生成方法具有更高的識別準確率，驗證了所提方法在局部放電超聲信號識別上的有效性。