基于組合圖的10kV電纜弱故障CNN識別方法

國網棗莊供電公司 陳培陽 張 賽 馬運保

近年來，人工智能的發展為電纜早期狀態的辨識提供了新的方法[1-2]?；谌斯ぶ悄芩枷氲碾娎|狀態辨識的研究，都是先獲取統計特征作為輸入，然后通過深度學習框架實現辨識工作[3]。本文不使用統計特征，而是直接對首端護層電流進行經驗小波變換[4]，利用信號分解的多分量曲線構建早期特征狀態組合圖表達；然后依據組合圖特點構建7層深度卷積神經網絡（CNN），再通過自適應學習率的優化算法（Adam）進行有監督學習下的模型訓練，得到電纜早期狀態辨識模型；最后進行了電纜4種狀態類型的仿真獲取大量樣本數據，利用所提方法進行電纜早期狀態的辨識。

1 組合圖辨識矩陣構建

1.1 經驗小波變換

1.1.1 經驗小波基

假設信號由N 個AM-FM 單分量成分組成，即將單分量成分全部提取出來需把Fourier 頻譜范圍[0,∞]劃分為N 個區間，所需邊界數為N+1。除去頻譜自身邊界0和∞，有N-1個邊界待確定。定義為區間邊界，取信號傅里葉譜相鄰兩個極大值點之間的中點，則有如下關系：

經驗小波為定義在區間上的帶通濾波器，根據Meyer 小波的構造思想，經驗尺度函數和經驗小波函數分別如下所示：

其中，為在[0,1]區間滿足K 階導任意函數，為一參數。和可表示為：

1.1.2 經驗小波變換AM-FM 分量

經驗小波變換的細節系數和近似系數由內積計算得到，如下式所示：

其中，和分別為和的Fourier 變換函數，和分別為和的復共軛函數，＜ , ＞為內積計算。

信號的重構表達式可表示為：

信號經EWT 分解得到的AM-FM 單分量成分為（j=0,k; k=1,2,3,）

1.2 組合圖辨識矩陣

本文研究對象為采用雙端接地方式的10kV 電纜，會有電纜護層環流的產生。護層電流的變化能夠反映電纜狀態的變化，且護層電流幅值的數量級比較小，更容易獲取到狀態特征。于是本文選取首端護層電流作為研究信號。利用1.1節的經驗小波變換對首端護層電流進行分解，獲得多個AM-FM 分量，然后將這些分量曲線按照的順序，由上至下組合在一起形成二維圖，以此作為電纜狀態辨識的原始輸入。其中，m 為信號EWT分解的AM-FM 分量個數。圖1給出了電纜護層電流暫態原始信號和EWT 分解的6分量組合圖。

圖1 護層電流原始信號與EWT 分解信號組合圖

根據護層電流EWT 分解信號的組合圖，電纜狀態辨識矩陣可表示如下式所示：

其中，n 為時間窗口內信號長度，m 為EWT分解信號數量，為第m 個信號分量的第n 個采樣點的幅值。

2 深度卷積神經網絡

依據構建狀態辨識特征矩陣的尺寸特點，本節構建7層深度卷積神經網絡框架，其中包括輸入層、2對卷積池化層、全連接層和輸出層，其結構如圖2所示。

圖2 7層深度卷積神經網絡框架

其中，輸入為的狀態辨識特征矩陣，輸出為類電纜狀態。輸入層到卷積層1用的是9個尺寸為的濾波器（卷積核），卷積層1到池化層，采用最大池化方式，濾波器尺寸為。池化層1到卷積層2采用18個尺寸為的濾波器，卷積層2到池化層2的最大池化濾波器為。激活函數采用的是修正線性單元ReLU：

為了防止深度卷積神經網絡過擬合，模型訓練階段，全連接層采用dropout 方式，dropout 取值為0.25。

3 電纜狀態辨識方法

表1 辨識試驗結果

首先獲得首端護層電流，選擇合適時間窗口截取首端護層電流暫態信號；然后利用EWT 對截取的暫態信號進行分解，得到多個AM-FM 分量，再將這些分量曲線依序組合形成二維圖，依據組合圖構建得到電纜早期狀態識別特征矩陣X。將全部狀態識別特征做歸一化處理，使其處于[0,1]之間。采用熱編碼的方法給每個樣本增加狀態標簽，將所有樣本分成4類：1000，0100，0010，0001。然后把樣本分成訓練樣本與測試樣本，訓練樣本占總樣本的80%，測試樣本占20%。然后將訓練樣本放入構建好的7層深度卷積神經網絡中，利用自適應學習率的優化算法（Adam）進行有監督學習下的模型訓練。模型訓練完成后，再把測試樣本放入訓練好的模型中進行狀態分類，統計辨識結果的正確率，完成電纜早期狀態辨識。

4 案例分析

4.1 仿真實驗與數據構造

4.1.1 仿真實驗

在PSCAD/EMTDC 仿真軟件中搭建10kV 無支路電纜系統模型，通過該模型進行電纜早期不同類型狀態的試驗，從而獲取樣本數據，模型如圖3所示。電纜長度為1km，接地方式為兩端接地，仿真實驗的采樣頻率設為100kHz。

圖3 10kV 無支路電纜系統模型圖

該模型對以下情況進行了仿真實驗：電纜絕緣包皮因機械應力或受熱受潮后，某處破損造成的護層接地；電纜某一點絕緣發生劣化，護層與導芯之間絕緣水平降低；情況繼續發展，護層發生接地；負荷變化的擾動。

4.1.2 樣本數據構造

本文利用的是電纜首端護層電流的突變信號信息來對電纜不同狀態進行辨識，根據計算，負荷突變的暫態時間約為3ms，護層接地的突變暫態過程是2ms，電纜某一點絕緣發生劣化的突變暫態過程為2ms，絕緣水平降低后護層接地的突變暫態過程是3ms，所以本文時間窗的選擇為突變時刻前1ms 與突變時刻后3ms，4ms 的持續時間，共計401個樣本點。

應用1.1節中的經驗小波變換對截取的4種暫態信號進行6分量分解，利用6分量曲線形成組合圖構建數據樣本，共獲得7037個樣本，其中80%的數據作為訓練樣本，20%的數據作為測試樣本。

4.2 試驗結果分析

改變迭代次數，每一迭代次數下進行8次試驗，記錄每次試驗的識別準確率，給出不同迭代次數下的每次模型完成狀態辨識的平均識別準確率，結果見表2。

在迭代次數達到3000時，每次辨識試驗的辨識準確率基本趨于穩定，模型的平均辨識準確率可達99.5400%，與2000次迭代的辨識準確率相比，提高了0.12%。繼續增加迭代次數至5000次，平均辨識準確率為99.5413%，僅增加了0.0013%，說明模型辨識準確率不會繼續隨著迭代次數的增加而提高，其已經達到一個穩定值。

5 結論

本文提出了一種基于組合圖的10kV 電纜早期狀態CNN 識別方法，利用經驗小波變換對電纜首端護層電流進行分解，利用得到的多個AM-FM 分量組合形成二維圖作為原始輸入，而不使用統計特征，避免了因統計特征選擇不恰當而造成辨識準確率不高的問題。通過構建的7層深度卷積神經網絡對電纜狀態進行有效辨識，辨識試驗表明，所提方法有很高的辨識準確率，可達99.54%。