基于局部放電相位圖譜和油中溶解氣體信息融合的油紙絕緣缺陷識別方法

周遠翔， 李永印， 陳健寧， 白 正

（1.新疆大學 電氣工程學院 電力系統及大型發電設備安全控制和仿真國家重點實驗室風光儲分室，新疆 烏魯木齊 830047；2.清華大學 電機工程與應用電子技術系電力系統及發電設備控制和仿真國家重點實驗室，北京 100084）

0 引 言

隨著深遠海風電的持續開發，海上換流站面臨氣候惡劣、巡檢不便的問題，對變壓器等電力設備的安全可靠運行提出了新的挑戰。沿面放電因其發展速度快、絕緣損傷大，被認為是造成高壓設備損壞的重要原因之一[1]。不同類型的沿面缺陷劣化機理不同，其對應的局部放電特性也不相同，開展變壓器局部放電模式識別對其絕緣狀態評估及海上風電安全可靠送出具有重要意義[2-3]。

目前國內外學者已對單一信息源的局部放電相位（phase-resolved partial discharge，PRPD）圖譜模式識別開展了廣泛的研究，主要包括兩類方法：一類是支持向量機（support vector machine，SVM）和概率神經網絡（probabilistic neural network，PNN）等傳統機器學習方法[4]，此類模式識別方法需要依賴領域內的專家經驗設計、處理、提取、組合某一方面或幾方面的統計特征，存在一定的主觀性，無法反映局部放電的全部特征，泛化性能較差，因此難以得到令人滿意的分類效果[5]；另一類是深度學習算法[6-7]和網絡遷移學習方法[8-9]，該類方法優于傳統的參數統計方法，但由于模型的層數較深，訓練所需數據量較大，一方面容易出現過擬合，另一方面對數據存儲要求高，為邊緣側計算帶來了挑戰。

近年來，隨著人工智能和傳感技術的發展，采用信息融合的方法對高壓設備絕緣缺陷進行模式識別成為未來電力系統智能化運維的發展趨勢。王滌等[10]和黃亮等[11]分別提取了局部放電不同特征信息并輸入到神經網絡中進行識別，再利用Dempster-Shafer（D-S）證據理論融合不同分類器的分類結果，結果表明融合后的識別準確率高于只提取單類特征分類器的準確率，但其本質上還是對同一信息源的利用；艾嘉偉等[12]、耿伊雯等[13]和王磊等[14]等利用不同傳感器進行聯合診斷，充分綜合了傳統特高頻（ultra-high frequency，UHF）、光電等測量方法的優勢，結果表明多信息融合有利于提高電氣設備局部放電模式識別的準確率。以上研究選取的缺陷類型主要有氣隙、沿面、懸浮等，而不同類型缺陷的PRPD 圖譜特征具有顯著差異，通過傳統的統計參數提取方法和簡單的機器學習方法即可達到較高的分類準確率，但是其對同一類型缺陷的細分程度不足，在實際工程中難以根據測量與分類結果為缺陷尺寸識別、分級評估及故障定位提供有效指導，且需在現有的在線監測系統中部署額外的傳感器。而油中溶解氣體分析（dissolved gas analysis，DGA）作為油紙絕緣局部放電常用的化學檢測法，不受電磁環境噪聲的影響，利用電檢測法與化學檢測法對缺陷進行融合識別的研究鮮有報道。

本文綜合局部放電常用的電檢測法和化學檢測法的優點，引入脈沖電流法和氣相色譜法兩種方法進行融合判別，提出了基于PRPD 圖譜和DGA 數據信息融合的油紙絕緣缺陷識別方法。首先搭建局部放電及油中溶解氣體分析試驗平臺，設計6 種電極模型，模擬變壓器中不同電場不均勻系數的沿面局部放電典型缺陷，并采集PRPD 圖譜和DGA 數據；然后分別使用卷積神經網絡（convolutional neural network，CNN）及反向傳播神經網絡（back propagation neural network，BPNN）將兩類信息源的數據進行分類；最后利用D-S證據理論將識別結果融合，得到最終的缺陷類別，并與PRPD、DGA單一判據模型及視覺幾何群網絡（Vgg）、殘差網絡（ResNet）、密集連接卷積網絡（DenseNet）等深度卷積融合模型的識別結果進行對比，驗證本文所提的信息融合模型的有效性。

1 試 驗

1.1 樣品制備

試驗絕緣油樣品選用克拉瑪依KI25X 型絕緣油，其處理流程為：將變壓器油抽入40℃真空濾油機中進行過濾、干燥和除氣，充分去除油中顆粒物、水分等雜質，過濾后的變壓器油滿足DL/T 1096—2018 中的相關規定，隨后將其裝入經無水乙醇、去離子水充分洗凈的干燥燒杯中，并放入真空干燥箱中干燥48 h 以上，采用SF-5 型微量水分測定儀測量水分，確保油中微水含量符合GB/T 7595—2017 的要求。試驗絕緣紙板選用厚度為1 mm 的魏德曼紙板，油浸紙板的制作流程如下：首先將絕緣紙板統一放在溫度為105℃、壓強為100 Pa 的真空干燥箱中干燥48 h；然后在80℃環境下對絕緣紙板進行真空浸油，充分浸漬后自然冷卻至室溫；最后再轉入真空干燥箱中干燥48 h 以上。在進行正式試驗前，對油浸紙板進行理化測試，結果滿足IEC 60641.2:2004的各項指標要求。

1.2 試驗電極設計

本文設計并制作了6 種電極模型，對變壓器中不同電場分布的沿面局部放電缺陷進行模擬，6 種缺陷模型及其電場分布仿真如圖1所示。其中缺陷1為IEC 60243.1:2013推薦的柱板電極放電模型，柱電極的高度和直徑均為25 mm；缺陷2 為球板電極放電模型，球電極直徑為25 mm，其曲率半徑等于球的半徑，即12.5 mm；缺陷1、2對應變壓器繞組之間、繞組對鐵心或外殼等稍不均勻電場環境下的沿面爬電，電場不均勻系數分別為2.45、2.20；缺陷3、4是曲率半徑分別為4 mm、0.7 mm 的電極模型，對應變壓器中的金屬尖端缺陷，電場不均勻系數分別為2.42、3.72；缺陷5、6 是曲率半徑分別為0.1 mm、0.005 mm 的電極模型，對應變壓器繞組塑性形變后產生的鋒利金屬突出物缺陷，電場不均勻系數分別為9.17、33.2[15-17]。6 種缺陷模型的高壓電極與地電極之間為1 mm 厚的方形油浸紙板，在強垂直電場的作用下，既存在油紙界面上平行分量產生的沿面流注放電，又存在沿電極邊緣垂直分量引起的油隙放電，6 類缺陷電場最大處均位于高壓電極、油浸紙板和油的結合處。

圖1 6種缺陷模型及其電場分布Fig.1 Six defect models and their electric field distribution

1.3 試驗平臺搭建

1.3.1 局部放電試驗平臺

為獲取6 種缺陷下油紙絕緣局部放電的PRPD圖譜，搭建試驗平臺如圖2 所示，該試驗平臺滿足IEC 60270:2015 的局部放電測試標準[18]。試驗電路包括三部分：電源、試樣回路和信號采集。電源主要包括AFG 3011C 型可編程信號發生器和Trek model（50 kV/12 mA）型高壓功率放大器，可編程信號發生器負責產生電壓波形，高壓功率放大器將產生信號按照固定增益1∶5 000 放大后加到樣品上。試樣回路中待測樣品與耦合電容、測量阻抗直接并聯，測量阻抗與耦合電容串聯將脈沖電流信號轉為電壓信號。信號采集通過MPD600型局部放電測試儀從測量阻抗中采集局部放電信號，并將其傳輸至PC 端進行數據分析與處理。數字示波器用來監視高壓功率放大器的出口電壓。試驗回路中所有設備引線端口做平滑處理，并清空周圍金屬器件。

在每次調整電路或更換缺陷模型后，需要對空載電路進行工頻升壓測試，保證回路升壓至35 kV時無放電發生，且測試系統噪聲小于8 pC。在正式試驗前，需要進行預試驗測量6 類缺陷的局部放電起始電壓與擊穿電壓，最后確定6 類缺陷交流試驗電壓有效值分別為：缺陷1：19 kV±0.5 kV；缺陷2：20 kV±0.5 kV；缺陷3：18 kV±0.5 kV；缺陷4：17 kV±0.5 kV；缺陷5：16 kV±0.5 kV；缺陷6：15 kV±0.5 kV。

1.3.2 油中溶解氣體分析試驗平臺

為獲取6類缺陷下油紙絕緣在局部放電過程中的DGA 數據，使用GC 2002型氣相色譜儀對油中溶解氣體進行測量，該儀器的靈敏度能充分滿足對油中≤1 μL/L 的H2和≤0.1 μL/L 的C2H2等烴類氣體的檢測需求。每次采集完PRPD 圖譜后，將試樣靜置20 min[19]，保證產生的氣體充分溶解于變壓器油中，取樣及脫氣方法參照GB/T 7252—2001 的規定，取油樣的部位在油盒的中部。

2 數據預處理

2.1 PRPD圖譜處理

2.1.1 PRPD圖譜樣本擴充

油紙絕緣局部放電是一個間歇性的過程，在試驗過程中，放電較為劇烈時，10 pC 以上放電量的放電頻次可達每秒幾萬次，而放電較為輕微時，放電僅為每秒幾十次。為擴充PRPD 圖譜樣本，使用滑動窗口法[20]對原始數據進行剪裁，其過程為：假設某次試驗共錄制放電數據點數為100N，每張PRPD 圖譜數據量為N，需要生成n張圖譜（n＞100）。滑動數據剪裁從第一個放電點開始，每N個放電點為一張圖譜，下一張圖譜的起點為上一個數據起點加上[99/(n-1)]N個放電點。例如，第一組數據為0～N個放電點，第二組數據為[99/(n-1)]N～[99/(n-1)+1]N個放電點，以此類推。

2.1.2 圖譜灰度化

將圖譜灰度化一方面是為了降低數據量，另一方面是相比于原始PRPD 圖譜，灰度圖具有信息集中、特征更為直觀的優點。灰度化后的PRPD 圖譜更標準、規范，便于卷積神經網絡對其進行特征提取。根據2.1.1 得到的數據繪制不同放電次數的PRPD 灰度圖。由于放電幅值、試驗電壓以及放電間歇性等方面的差異，不同缺陷局部放電的數據差距較大。為提高輸入圖譜的規范性，使模型對不同放電量級的數據均進行有效地識別，繪制同一缺陷不同放電次數的PRPD 圖譜時均以統一值作為圖譜的縱坐標最大值。

按照文獻[21]的方法得到帶參考電壓波形的6類缺陷的PRPD 灰度圖，部分圖譜如圖3 所示。由圖3 可知，圖譜具有典型的相位分布，工頻相位正、負半周上放電幅值都在工頻電壓幅值附近。總體上，隨著缺陷電場不均勻系數的增大，局部放電的幅值逐漸減小，放電也越集中。其中，柱板電極下放電圖譜形狀為兔耳型，且其最大放電量要略高于曲率半徑為12.5 mm 的缺陷模型。5 種不同曲率半徑的缺陷模型圖譜大致為三角形，以電壓峰值為中心展開分布。電極曲率半徑的減小意味著與紙板垂直的縱向電場分量將得到加強，放電更加劇烈，油浸紙板的劣化將更加嚴重，甚至會導致絕緣紙板碳化并擊穿。但是，不同電極結構下局部放電的放電量-相位分布特征相似度較高，圖譜均為對稱山丘狀，在實際工程中難以利用其統計參數對不同電場不均勻系數的缺陷進行準確識別和有效預警。

圖3 6種缺陷類型的PRPD灰度圖Fig.3 PRPD grayscale maps of six defect types

2.1.3 噪聲模擬

實際工程中，變壓器所處的電磁環境復雜，噪聲來源多[22]。變電站常見的噪聲包括設備剛啟動時的電磁噪聲、變壓器冷卻風機和油泵等運行時引起的機械噪聲等。為使圖譜數據符合實際工況，進而提高模型的泛化性能，在數據集中間等概率地對PRPD 圖譜人工添加相位固定型噪聲、區間型噪聲和白噪聲[23]，添加不同噪聲后缺陷2的PRPD灰度圖如圖4所示。

圖4 添加不同噪聲后缺陷2的PRPD灰度圖Fig.4 PRPD grayscale map of defect 2 with different noise

2.2 DGA數據處理

2.2.1 DGA數據分析

變壓器油中含有約3 000 種化學成分，這些化合物按照其結構可分為環烷烴、鏈烷烴和芳香烴3類[24]，這些烴類化合物在電、熱條件下會發生分解。對于油中溶解氣體的分析，國內外學者建立了Doernenberg比值、IEC 比值、Rogers比值等氣體比值故障診斷方法[25]，這些傳統方法使用不同的氣體比值作為診斷依據，在實際工程中得到廣泛應用，但目前只能區分高能放電、低能放電、過熱等故障，對缺陷的類型及故障嚴重程度無法準確評估。

不同氣體比值豐富了缺陷特征的篩選范圍，但也增加了特征之間的冗余性[26]，所以本文選擇5 種差異性較大的氣體比值作為樣本特征，6 種缺陷放電后其中一次采樣的數據如表1 所示，其中總烴（TCH）為CH4、C2H2、C2H4、C2H6含量之和，D 為CH4、C2H2、C2H4含量之和。

表1 6種缺陷模型的一組氣體比值Tab.1 A set of gases ratio of six defect models

由表1 可知，除柱板電極（缺陷1）外，隨著缺陷曲率半徑的減小，5 種缺陷的氣體比值都呈單調變化；曲率半徑的減小意味著垂直紙板方向的放電加強，沿油紙界面上的流注放電將減弱，電場畸變更加嚴重，會加劇C-C 鍵、C-H 鍵斷裂，促進變壓器油分解為H2、CH4、C2H2等小分子，分解速度與分子量成反比，故C2H2/H2、C2H4/CH4的比值逐漸減小，而H2/TCH、CH4/TCH、CH4/D 的比值逐漸增大。柱板電極缺陷的產氣特點與5種不同曲率半徑的缺陷模型略有差別，特征氣體為H2和C2H2。綜上，不同電場不均勻系數的缺陷在放電時產氣特性具有一定差異，可作為電檢測法的補充，提高缺陷模式識別的準確率。

2.2.2 DGA數據樣本擴充

為使不同缺陷下測得的DGA 樣本量與PRPD圖譜相匹配，提高樣本的多樣性，避免模型過擬合，需要對DGA 數據進行樣本擴充。本文采用合成少數類過采樣技術（synthetic minority over-sampling technique，SMOTE）[27]將DGA 樣 本 量 擴 充 到 與PRPD 圖譜一致。合成少數類過采樣技術是在鄰近的少數類樣本之間進行隨機線性插值合成新的少數類樣本，從而實現不平衡數據集的均衡化。設樣本集中少數類樣本的集合為X={x1，x2，…，xn}，其中xn表示第n個少數類樣本的特征向量。具體步驟如下：

（1）對于DGA 數據中的每一個樣本xn，以歐氏距離為標準計算它到同一類數據所有樣本的距離，得到其k個近鄰樣本。

（2）隨機選取這k個近鄰樣本中的l個樣本（l＜k），l的大小由采樣比例決定。

（3）對于每一個隨機選出的近鄰樣本xm，分別與原數據按照式（1）中隨機線性插值的方法合成新樣本。

式（1）中：xnew為新的少數類樣本；δ為一個處于0～1之間的隨機數。

3 模型搭建

3.1 神經網絡搭建

本文采用二維卷積神經網絡[28]對PRPD 圖譜進行模式識別，其基本結構包括：輸入層、卷積層、池化層、全連接層和輸出層。卷積層將灰度化后的PRPD 圖譜進行特征信息提取并形成新的特征子圖，其卷積核本質是一種過濾器，用于獲取圖片的紋理、邊沿等特征。池化層又被稱為下采樣層，作用是降低輸出參數量，用更高層次的特征表示圖像。全連接層作為分類器，接收經卷積及池化后提取的特征，通過參數學習將其映射到樣本標記空間，最后經Softmax層將輸出映射為6類缺陷的概率分布。本文搭建的卷積神經網絡結構如圖5 所示，其中包含1 個輸入層，2 個卷積池化層、3 個全連接層和1個輸出層。

圖5 卷積神經網絡結構Fig.5 The structure of convolutional neural network

使用反向傳播神經網絡[29]對DGA 數據進行模式識別，該網絡主要由輸入層、隱含層、輸出層構成，輸入層輸入的是2.2節得到的5種氣體比值構成的特征向量，隱含層用于學習輸入特征至輸出向量的非線性映射關系，輸出層經Softmax 激活函數將輸出向量映射成6類缺陷的概率分布。

3.2 D-S證據理論

D-S 證據理論最早應用于專家系統中，是一種處理不確定信息的理論，主要由概率分配函數、置信函數、似然函數等構成[30]。本文利用D-S 證據理論將PRPD 圖譜和DGA 數據的識別結果進行融合，結合多種測量手段聯合識別的優勢，從而實現比單一信息源更為準確的分類效果。具體融合步驟如下：

（1）建立辨識框架

D-S 證據理論中，由多個互斥命題組成的全部集合稱為辨識框架。對于本文的模式識別問題，識別框架Ф為6 種缺陷類型，分別用A1、A2、A3、A4、A5、A6表示，如式（2）所示，不確定度為θ。

（2）設置基本概率分配（BPA）

識別框架Ф的冪集構成命題集合Ψ=2Ф={?（空集）,{A1},{A2},…,{A6},{A1∪A2},…,Ф}，?A?Ψ，若函數m滿足式（3）條件，則m被稱為基本概率分配（basic probability assignment，BPA），則m(A)是命題A的基本概率數，即支持A發生的概率。

本文以脈沖電流法和氣相色譜法測得的數據經模式識別后的輸出值作為2 個獨立的證據，將其轉換為滿足D-S證據理論的BPA。識別框架上不同檢測方法的識別結果BPA 計算過程如式（4）～（5）所示。

式（4）～（5）中：mi(Aj)為第i個證據中第j個類別的BPA；μij表示第i個證據輸出第j類缺陷的隸屬度，在本文中為第i個信息源分類模型經Softmax 輸出的概率值；αi為第i個證據源的可靠系數，在本文中為第i個信息源分類模型的識別準確率；mi(θ)表示第i個證據不確定度的BPA的大小。

（3）證據合成

證據合成實際上是多個證據作正交運算，對于PRPD 圖譜及DGA 數據的BPA 合成計算方法如式（6）所示。

式（6）中，K為歸一化因子。通過式（6）合成PRPD圖譜及DGA 數據的BPA，輸出結果即為PRPD 圖譜和DGA數據信息融合得到的結論。

（4）決策

由步驟（3）計算D-S 證據融合后的所有BPA值，通過以下3個規則判斷其缺陷類型：

為其輸出BPA 的最大值，即規則I 將最大值的BPA作為輸出。

規 則II：m(Amax1)＞m(θ)，規 則II 說 明 最 大 的BPA值需大于不確定度θ的BPA值。

規則III：m(Amax1)-m(Amax2)＞ε，m(Amax2)為融合后BPA 的次大值，ε為閾值，本文取ε=0.4。規則III 說明只有兩類識別方法融合后的BPA 差異足夠大時才將其輸出。

為避免D-S證據組合規則在處理高度沖突或完全沖突的證據時產生與常理相悖的結果，若出現不能同時滿足規則I、II、III 的情況時，仍將PRPD 圖譜的BPA 作為輸出，具體基于信息融合的局部放電模式識別算法流程如圖6所示。

圖6 PRPD和DGA信息融合流程圖Fig.6 The flow chart for information fusion of PRPD and DGA

3.3 網絡訓練

由試驗獲取6類缺陷的PRPD圖譜和DGA數據經預處理后，每類缺陷得到2 700 張PRPD 圖譜和2 700條DGA數據，其中80%數據用于訓練，20%數據用于測試。

在服務器中搭建相應的神經網絡進行模型訓練和測試。在卷積神經網絡訓練過程中，使用交叉熵作為損失函數評估訓練誤差，采用隨機梯度下降法對參數進行更新，訓練次數為240 次。每次迭代遍歷訓練集中所有圖片，每個訓練周期進行60次迭代，共進行4 個周期。初始學習率設置為0.001，每經過一個周期下降50%。在反向傳播神經網絡訓練過程中，中間隱含層的神經元激活函數設置為tanh，學習步長為0.001，迭代次數也為240次。本文采用的深度學習框架為Pytorch，編程語言為Python3.9。

4 結果與討論

4.1 基于單一信息源的缺陷識別

4.1.1 基于PRPD圖譜的缺陷識別

對于PRPD 圖譜單一信息源的缺陷識別，為提高模型性能，需要對卷積池化層數、全連接層數和輸入維度等參數進行尋優。

首先，分別建立卷積池化層數為1、2、3、4，全連接層數固定為1 的卷積神經網絡，研究不同卷積池化層數對卷積神經網絡識別準確率的影響，結果如圖7 所示。由圖7 可知，隨著卷積池化層數的增加，模型的識別準確率呈現先上升后下降的趨勢；其中，以2 層的卷積神經網絡表現最佳。當卷積池化僅有1 層時，網絡參數規模較小，難以擬合PRPD 圖譜的深層特征；當卷積池化層數高于2層時，模型識別的過程中出現了過擬合現象，識別準確率出現下降的趨勢。

圖7 不同卷積池化層數對卷積神經網絡識別準確率的影響Fig.7 Effect of different of convolution pooling layers on the recognition accuracy of convolutional neural network

保持2 層卷積池化層不變，建立全連接層數分別為1、2、3、4 的卷積神經網絡，研究不同全連接層數對卷積神經網絡識別準確率的影響，結果如圖8所示。由圖8 可知，全連接層為3 時，卷積神經網絡的識別準確率最高。隨著全連接層數的增加，訓練后期的識別準確率趨于穩定。因此，后文統一采用卷積池化層為2 層、全連接層為3 層的卷積神經網絡作為PRPD 圖譜的分類模型。其中，第1 個卷積層共有4個卷積核，第2個卷積層共有16個卷積核，卷積核大小均為3×3；2 個池化層均采用最大值池化；3個全連接層的單元數分別為96、24、6。

選取輸入分辨率分別為8×8、16×16、32×32、64×64 的PRPD 圖譜對卷積神經網絡進行訓練與測試，得到不同輸入維度下識別準確率隨迭代次數的變化如圖9所示。由圖9可知，輸入維度為32×32、64×64時，PRPD 圖譜信息得到較好的保留，識別準確率達到98.2%以上。當輸入維度為8×8時，PRPD 圖譜在壓縮過程中信息損失較大，模型難以對圖譜進行準確的特征提取。隨著圖譜分辨率增加，識別準確率有一定提升，但同時模型訓練與測試所需的存儲設備和計算資源要求也會成平方級地增加。因此，提高局部放電模式識別準確率、降低PRPD 圖譜存儲分辨率對提高電力系統的運行可靠性、降低運維成本具有重要意義。

圖9 不同輸入維度對卷積神經網絡識別準確率的影響Fig.9 Effect of different input dimensions on the recognition accuracy of convolutional neural network

4.1.2 基于DGA特征向量的缺陷識別

分別建立隱含層為1、2、3 的反向傳播神經網絡，研究隱含層數對DGA 數據識別準確率的影響，網絡各層神經元數量如表2 所示，識別結果如圖10所示。

表2 不同隱含層數的反向傳播神經網絡參數配置Tab.2 Parameter configuration of BPNN with different hidden layers

圖10 不同隱含層數對反向傳播神經網絡識別準確率的影響Fig.10 Effect of different hidden layers on the recognition accuracy of BPNN

由圖10 可知，三個網絡的識別準確率介于82.35%～83.33%之間，其中N2 網絡表現最優。由于N1 的隱含層數只有1 層，神經元個數少，模型非線性程度低，無法對樣本空間中不同缺陷類別數據進行有效區分，因此經過240 次迭代后其識別準確率波動仍然較為明顯；而N3 網絡參數規模較大，在本數據集中時較N2 更易出現過擬合，模型識別準確率較低。因此，后文統一采用隱含層數為2 層的反向傳播神經網絡作為DGA特征向量的分類模型。

4.2 基于PRPD-DGA信息融合的缺陷識別

由上文可知，在低輸入維度下，基于PRPD 圖譜或DGA特征向量單一信息源的缺陷識別誤診率高，難以滿足人工智能與傳感技術日益發展的背景下電力系統對設備運行可靠性的要求，因此本文提出一種基于PRPD 圖譜和DGA 數據信息融合的CNNBPNN 模型，兩種模式識別方法融合可實現油紙絕緣沿面放電典型缺陷的電檢測法與化學檢測法的優勢互補。

4.2.1 基于PRPD-DGA融合模型的糾錯機制

在PRPD 圖譜輸入維度為32×32 并融合DGA特征向量的條件下，選擇一組缺陷2 的D-S 證據融合前后的BPA 來說明所構建模型的糾錯機制。通過D-S 證據理論融合前后的概率計算結果如表3 所示。由表3 可知，根據DGA 單一判據的分類結果是正確的，而根據PRPD 圖譜單一判據的分類結果出現錯誤。根據PRPD 圖譜單一判據模型被判為缺陷3 的概率最大，為0.445 0，且判為缺陷2 的概率也較大，為0.379 5。而根據DGA 單一判據模型的識別結果判為缺陷2 的概率最大，此時兩種分類模型識別結果出現了分歧。通過D-S 證據融合后，判為缺陷2 的概率最大，為0.714 1，判為缺陷3 的概率為0.190 6，輸出結果滿足決策的3個判決規則，同時不確定度降低至0.010 3。由此可知，當PRPD 圖譜單一判據模型在缺陷識別中出現誤判時，加入DGA數據進行聯合診斷能糾正基于PRPD 圖譜單一判據模型的錯誤，同時提高了信息融合模型的識別準確率和識別結果的置信程度。

表3 一組缺陷2的D-S證據融合前后的BPATab.3 A set of BPA of defect 2 before and after D-S evidence fusion

4.2.2 不同PRPD圖譜輸入維度的影響

為對比本文的信息融合方法在PRPD 圖譜不同輸入維度下6 類缺陷識別準確率的提升效果，將PRPD 圖譜在不同輸入維度下的識別結果分別與DGA 識別結果融合，不同PRPD 圖譜輸入維度下三種基于不同判據的模型識別準確率如圖11 所示。由圖11 可知，D-S 證據理論較好地融合了PRPD 判據和DGA 判據的優勢，在不同PRPD 圖譜輸入維度下，6 類缺陷的識別準確率均有不同程度的提升。當PRPD 圖譜輸入維度分別為8×8、16×16、32×32時，融入DGA 特征向量的CNN-BPNN 模型識別準確率為93.21%、97.53%、99.17%，較PRPD 圖譜單一判據的模型識別準確率分別提升了4.81%、2.78%、0.84%，同時節約了計算資源和存儲空間，有利于在實際工程中應用。

圖11 不同PRPD圖譜輸入維度下三種不同判據模型的識別準確率對比Fig.11 Comparison on recognition accuracy of three different criterion models under different input dimensions of PRPD spectrum

4.2.3 不同神經網絡融合模型的影響

為驗證本文所提CNN-BPNN模型的優越性，將Vgg16、ResNet18、DenseNet121 等深度卷積神經網絡對PRPD 圖譜分類后，與DGA 特征向量識別結果進行D-S 證據融合，不同神經網絡融合模型的識別準確率及模型大小如表4 所示。由表4 可知，CNNBPNN 模型的識別準確率較Vgg16-BPNN、ResNet18-BPNN、Dense Net121-BPNN 等深度卷積神經網絡融合模型分別提高了0.16%、0.87%、0.99%。由于6 種缺陷的二維PRPD 圖譜具有一定規律性，特征較為顯著，參數過多、結構復雜的深度卷積神經網絡在訓練過程中易出現過擬合，Vgg16-BPNN 等深度卷積網絡融合模型表現略遜于參數較少的CNN-BPNN 模型。此外，CNN-BPNN 模型更輕量，文件大小僅為0.69 MB，較深度卷積融合模型至少節約40倍的內存空間。

表4 不同神經網絡融合模型的識別準確率Tab.4 The recognition accuracy of different neural network fusion models

5 結 論

（1）當PRPD 圖譜或DGA 特征向量的單一判據模型識別結果出現誤判時，基于D-S 證據理論的PRPD-DGA 信息融合方法可有效糾正錯誤輸出，降低分類結果的不確定度，進而增強了缺陷識別結果的置信程度。

（2）CNN-BPNN 模型可有效融合局部放電的電氣物理信息和化學產物信息，當PRPD 圖譜輸入維度為8×8、16×16、32×32時，融入DGA特征向量的模型識別準確率分別為93.21%、97.53%、99.17%，較基于PRPD 圖譜單一判據的模型識別準確率分別提升了4.81%、2.78%、0.84%，既提高了缺陷識別準確率，又降低了數據存儲要求。

（3）CNN-BPNN 模型較Vgg16-BPNN、ResNet 18-BPNN、DenseNet121-BPNN 等深度卷積神經網絡融合模型識別準確率分別提高了0.16%、0.87%、0.99%，且網絡參數大幅減少，抑制了模型的過擬合，并降低了模型的存儲占用空間，更利于在電力系統智能化運維中應用。