基于深度學習與特征信號感知的局部放電故障檢測算法設計

王亮，辛偉，南銳娟

（1.國網銅川供電公司，陜西銅川 727031；2.西安衛光科技有限公司，陜西西安 710065）

智能配電網建設的發展，對電力設備的平穩運行提出了更高的要求。開關柜作為配電網中的關鍵電氣設備，被廣泛應用于各類變電站、開閉所等場景。該設備安全、穩定地運行，對保障電力系統的供電可靠性具有重要意義[1-3]。開關柜為非封閉式結構且內部空間緊湊，由于其長期運行于復雜的環境中，容易因為絕緣層的老化或缺陷等因素而出現局部放電現象，最終導致設備絕緣擊穿與閃絡，進而造成局部甚至大范圍的停電事故[4-5]。因此，對開關柜局部放電的檢測愈發受到重視。目前的檢測方法主要為暫態地電壓（Transient Earth Voltages，TEV）法和超聲波法。然而單一的檢測方法準確率有限，一旦開關柜發生局部放電，便無法保障檢修維護工作的及時開展[6-9]。

針對此，文中利用多源檢測信號并結合卷積神經網絡（Convolutional Neural Networks，CNN）、長短期記憶（Long Short Term Memory，LSTM）網絡和注意力機 制（Attention Mechanism）等深度學習（Deep Learning，DL）算法，實現了開關柜局部放電故障的精準檢測，進而為配電網的故障維修提供技術支撐。

1 局部放電信號感知與特征提取

1.1 暫態地電壓信號

1）TEV 的時域特征

暫態地電壓是指開關柜等電力設備發生局部放電故障時，受電磁波影響而在其表面產生的微弱暫態脈沖電流所帶來的電勢差，其大小與局部放電故障的特征直接相關[10-11]。暫態地電壓可通過專門的TEV 傳感器獲取，經過放大、降噪等電路處理后，能夠用于局部放電故障的分析及診斷。文中通過提取TEV 的時域和頻域特征參數，并利用該參數來對開關柜的局部放電故障進行檢測與識別。時域特征參數的組成如圖1 所示。各時域特征參數的計算示意圖，如圖2 所示。

圖1 TEV的時域特征參數組成

圖2 TEV的時域特征參數計算示意圖

其中，最大電壓幅值Umax為TEV 信號曲線電壓幅值的最大值：

式中，Ut為t時刻TEV 信號幅值。

平均電壓幅值μ為所有數據點電壓幅值的平均值，其離散形式為：

式中，T為TEV 曲線數據點的總數。上升時間用tr表示，其為電壓幅值峰值從10%上升至90%的耗時，即為：

而下降時間td為電壓幅值的峰值從90%下降到10%的時間，則有：

上升陡度rr為TEV 曲線電壓幅值的峰值與信號從0 上升到50%電壓幅值峰值的時間之比：

下降陡度rd為TEV 曲線電壓幅值的峰值與信號電壓峰值從最大下降至50%的時間之比：

10%、50%峰值脈沖寬度Tw1和Tw2分別為TEV信號在10%和50%以上電壓幅值的峰值持續時間，即為：

TEV 曲線方差σ的計算公式如下：

TEV 曲線面積S的計算公式為：

2）TEV 的頻域特征

將TEV 信號轉化至頻域，對其頻譜圖像進行分析。TEV 頻域特征參數的組成如圖3 所示。其中，峰值個數為頻譜信號峰值超過最大峰值50%的譜峰個數。

圖3 TEV頻域特征參數組成

1.2 超聲波信號

當開關柜等電力設備發生局部放電故障時，放電區域由于分子內部的劇烈撞擊或介質的發熱而產生振動沖擊波。利用超聲波傳感器將聲波信號轉化為電信號，可以對局部放電特征加以分析[12]。

1）超聲波的時域特征

文中選擇了常用的短時平均能量、短時平均幅值、短時過零率與短時自相關系數作為超聲波時域特征參數。通常將超聲波信號進行加窗分幀處理，窗口長度為N，則n時刻的短時平均能量En為：

式中，x為原始超聲波信號值；w為窗口權值，文中選用漢明（Hanmming）窗，其表達式如下：

則n時刻的短時平均幅值vn為：

短時過零率Zn為：

式中，sgn(·)為符號函數，其可表征為：

短時自相關系數Rn(b)的計算方式如下：

其中，b為時間間隔。

2）超聲波的頻域特征

文中提取的頻域特征參數包括梅爾頻率倒普系數（Mel-Frequency Cepstrum Coefficient，MFCC）[13]和翻轉梅爾倒頻譜系數（Inverse Mel-Frequency Cepstrum Coefficient，IMFCC）。MFCC 特征參數的提取流程如圖4 所示。

圖4 MFCC特征參數提取流程

首先，利用快速傅里葉變換（Fast Fourier Transform，FFT）將經過加窗分幀處理后的時域信號轉化為頻域信號：

然后計算每幀信號頻譜的模平方，得到功率譜Pi(k)：

進一步將功率譜輸入梅爾濾波器中，并對該濾波器的第d個三角濾波器能量值求取對數，得到對數梅爾頻譜Si(d)：

梅爾濾波器第d個濾波器的傳遞函數如下：

式中，x(d)為中心頻率。

最后將對數梅爾頻譜Si(d)進行離散余弦變換，則輸出第n階MFCC 系數為：

由于梅爾濾波器為低通濾波器，其對低頻信號特征提取效果較優，但開關柜局部放電的超聲波信號以高頻為主，因此為保留超聲波信號的高頻特征，文中還引入了IMFCC 參數。該參數的計算過程與MFCC 相同，區別在于其將MFCC 的高低頻部分結構進行了翻轉，從而對高頻信號具有更為理想的提取能力。二者的傳遞函數關系為：

2 局部放電故障檢測算法設計

綜上所述，文中提出基于CNN-LSTM-Attention模型的電力設備局部放電故障檢測算法。該算法結構如圖5 所示。首先，將TEV 和超聲波等多源信號作為輸入數據；然后，分別提取這兩種信號的時域及頻域特征參數，并將其作為模型的輸入；最終，獲得局部放電的檢測結果。

圖5 局部放電檢測算法結構

CNN-LSTM-Attention 模型結構如圖6 所示。該模型通過CNN 來提取輸入數據的高維特征；并利用LSTM 網絡解決輸入的時序數據與局部放電檢測結果的關聯問題，且避免出現梯度爆炸或消失的現象；同時還引入Attention 機制強化模型對于不同輸入數據關注度的差異性，從而提高模型的整體識別準確率。

圖6 CNN-LSTM-Attention模型結構

其中，CNN[14]層主要由兩層卷積層和一層池化層構成，其可完成對輸入數據特征的模糊化與高維提取。LSTM[15]是一種特殊的循環神經網絡（Recurrent Neural Network，RNN），由遺忘門、輸入門和輸出門組成。其循環單元的神經結構如圖7 所示。

圖7 LSTM單元結構

遺忘門、輸入門和輸出門的表達式為：

式中，ft、it、ot分別為遺忘門、輸入門與輸出門的輸出；xt為輸入數據；Wf和bf、Wi和bi、Wo和bo分別為遺忘門、輸入門、輸出門的權重及偏置。

由圖7 可知，t時刻LSTM 單元的狀態和輸出分別為：

Attention[16]層的本質是利用神經網絡得到不同輸入數據的注意力權值，該層的最終輸出為：

式中，βi為第i個輸入xi的權重值，其可通過Attention 層計算得到，則有：

式中，U、V與W均為Attention 層的神經網絡參數。

3 算例分析

仿真實驗的硬件環境為處理器Intel(R)Core(TM)i7-8550U，內存16 GB。某省電網公司提供的9 580 條開關柜TEV 與超聲波監測數據作為樣本，并按照7∶3 的比例劃分為訓練集和測試集。

3.1 不同算法的性能分析

將相同數據集作為CNN、CNN-LSTM 和文中所提算法的輸入，分析對比不同算法在開關柜局部放電檢測準確率上的差異，所得結果如表1 所示。

表1 不同算法局部放電檢測準確率

由表1 可知，該文算法對于電暈放電、沿面放電和懸浮放電具有良好的檢測效果，且識別準確率均大于95%。而對于氣隙放電檢測的效果一般，識別準確率低于90%。但與CNN、CNN-LSTM 算法相比，該文算法針對不同局部放電類型的識別準確率均具有明顯優勢。從總體檢測效果而言，該文算法的平均識別準確率可達95.1%，而對比算法僅為83.0%和78.5%。

由此可見，該文算法通過采用Attention 機制與LSTM 層，能夠顯著提升局部放電的檢測準確率。

3.2 實際應用效果分析

將實際的200 組開關柜故障數據輸入至該算法的模型框架中，該數據內包含電纜故障、支持絕緣子故障、電流互感器故障以及斷路器故障共4 種故障類型。實際檢測效果如圖8 所示。從圖中可看出，在電纜故障中100%識別為電暈放電；在支持絕緣子故障中，63%的概率識別為沿面放電；而在電流互感器故障中，有96%被識別為氣隙放電；在斷路器故障中則有75%的概率為懸浮放電。由此表明，在實際應用故障檢測中，通過文中算法能夠得到不同故障類型的占比，進而為開關柜的檢修維護提供輔助。

圖8 實際局部放電故障的檢測結果占比

4 結束語

文中將深度學習算法應用于開關柜局部放電的檢測識別中，通過仿真分析表明，算法的平均識別準確率高達95.1%，且相較于CNN 和CNN-LSTM 算法分別提升了約17%及12%。在實際應用中，該文算法能夠為開關柜提供不同故障類型的分布概率，進而為配電網的智能化運維提供數據支撐。但該文算法僅能完成對局部放電故障的識別分類，而未能實現精準的故障定位，這將在下一步研究中開展。