王艷新 閆 靜 王建華 耿英三 劉志遠

（電力設(shè)備電氣絕緣國家重點實驗室（西安交通大學(xué)） 西安 710049）

0 引言

氣體絕緣組合電器（Gas-Insulated Switchgear,GIS）作為輸變電系統(tǒng)中的關(guān)鍵設(shè)備，其可靠運行是整個電力系統(tǒng)安全、穩(wěn)定的重要保障[1,2]。為確保GIS可靠運行，一系列的監(jiān)測和診斷方法被用于GIS絕緣監(jiān)視和故障診斷[3]。以數(shù)據(jù)驅(qū)動的GIS絕緣缺陷診斷方法主要包括兩個方面：①以先進的信號處理手段構(gòu)造合理的故障表征信息并提取關(guān)鍵特征；②通過模式識別方法進行缺陷分類[4]。然而，傳統(tǒng)診斷方法，如支持向量機[5]、人工神經(jīng)網(wǎng)絡(luò)[6]等窄模型由于難以獲得故障樣本與故障信息之間的非線性表示而受到掣肘。

隨著人工智能技術(shù)的飛速發(fā)展，深度學(xué)習(xí)方法，尤其是卷積神經(jīng)網(wǎng)絡(luò)因其強大的特征提取和分類能力，被應(yīng)用于GIS絕緣缺陷診斷中，并取得了一定的突破[7-10]。然而，目前的方法都建立在海量樣本的前提下，并且假設(shè)訓(xùn)練和測試樣本滿足同一概率分布。對現(xiàn)場運行中的GIS而言，一方面難以獲得海量缺陷樣本，另一方面數(shù)據(jù)不斷被收集導(dǎo)致訓(xùn)練和測試集不滿足同分布假設(shè)，導(dǎo)致現(xiàn)有的故障診斷方法的現(xiàn)場應(yīng)用受到掣肘。

作為一種新穎的人工智能方法，遷移學(xué)習(xí)旨在通過將某個領(lǐng)域或任務(wù)上學(xué)習(xí)到的知識（源域）應(yīng)用到不同但相關(guān)的領(lǐng)域（目標域）中，能夠有效解決數(shù)據(jù)量小和樣本不滿足同一概率分布的問題[11]?；谔卣鞯倪w移學(xué)習(xí)由于能夠找到源域和目標域相同的特征潛在空間，在變壓器智能保護[12]和電機軸承故障診斷[13]等領(lǐng)域取得了良好的效果。

受基于特征的遷移學(xué)習(xí)的啟發(fā)，本文提出了一種新穎的域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)，用于小樣本GIS絕緣缺陷診斷。為提取優(yōu)異的故障特征，構(gòu)建了自動尋優(yōu)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neutral Networks, CNN），解決了現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)手動構(gòu)建復(fù)雜的難題。然后，通過遷移學(xué)習(xí)實現(xiàn)源域訓(xùn)練模型在目標域的應(yīng)用。此過程中，在卷積中引入對抗訓(xùn)練，通過最小-最大二人博弈來學(xué)習(xí)類別差異和域不變特征，實現(xiàn)小樣本下的GIS絕緣缺陷診斷。在域?qū)褂?xùn)練中引入兩個領(lǐng)域分類器進行決策邊界和域空間的匹配，實現(xiàn)了兩個域下更合適的特征匹配。因此，該方法能夠?qū)W習(xí)到可遷移的判別特征，從而進行準確、魯棒的GIS絕緣缺陷診斷。

1 域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)

1.1 域?qū)惯w移學(xué)習(xí)

域?qū)惯w移學(xué)習(xí)作為一種有效減小邊緣分布差異的遷移學(xué)習(xí)方法，近年來受到廣泛的關(guān)注[14]。受生成對抗網(wǎng)絡(luò)啟發(fā)，域?qū)惯w移學(xué)習(xí)通常由特征提取器Gf、域簽別器Gd和標簽預(yù)測器Gy三個部分組成。Gf的目的是學(xué)習(xí)域不變特征表示，以迷惑Gd。而Gd則試圖區(qū)分源域樣本和目標域樣本的特征。構(gòu)造Gy對不同類別的對象進行分類。域?qū)褂?xùn)練通過零和博弈過程，減少了源域和目標域的分布差異。

具體來說，給定GIS局部放電信號x及其缺陷類別y，Gf首先將輸入映射為一個高級特征表示，Gf的參數(shù)為θf。然后，將提取的特征表示分別輸入Gy和Gd，其中參數(shù)為θy的Gy輸出每個輸入GIS局部放電信號的預(yù)測標簽，參數(shù)為θd的Gd用來判斷每個樣本屬于源域還是目標域。最后，目標損失函數(shù)計算式為

式中，Ly和Ld分別為Gy和Gd的交叉熵損失；ns和nt分別為源域和目標域樣本數(shù)；xi為第i個樣本；Ds、Dt分別為源域、目標域樣本集；di為第i個樣本的預(yù)測標簽；yi第i個樣本的實測標簽。

1.2 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建

1.2.1 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)

作為最受歡迎的深度網(wǎng)絡(luò)之一，卷積神經(jīng)網(wǎng)絡(luò)由于強大的特征提取和分類能力而被廣泛應(yīng)用[15]。其主要由卷積-池化模塊和全連接-分類決策模塊組成。

（1）卷積-池化模塊

卷積-池化模塊主要包括卷積層和池化層。卷積層操作可以描述為

式中，R為池化區(qū)域；為池化輸出。

（2）全連接-分類決策模塊

在堆疊了多個卷積池化模塊后，將全連接層和Softmax回歸應(yīng)用于網(wǎng)絡(luò)末端以進行分類任務(wù)。全連接層的操作描述為

式中，αl為輸入；為第l+1層輸出；和分別為第l層的權(quán)重矩矩陣和偏差矩陣。

1.2.2 輕量級卷積神經(jīng)網(wǎng)絡(luò)

由于源域特征提取和分類器性能直接影響目標域下的診斷準確率，為此需要探尋源域下高精度卷積神經(jīng)網(wǎng)絡(luò)。針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)由于網(wǎng)絡(luò)參數(shù)過大而無法訓(xùn)練的問題，提出采用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積[16]，在保證分類精度的同時盡可能縮減網(wǎng)絡(luò)參數(shù)。與傳統(tǒng)卷積相比，深度可分離卷積先將每一個通道單獨進行卷積即深度卷積操作，然后通過1×1卷積再將幾個輸出結(jié)合到一起即逐點卷積操作。深度可分離卷積示意圖如圖1所示。經(jīng)過計算，深度可分離卷積的計算量約為傳統(tǒng)卷積的1/C，其中C為卷積核個數(shù)[16]。因此采用深度可分離卷積計算量相對于采用傳統(tǒng)卷積構(gòu)建的神經(jīng)網(wǎng)絡(luò)計算量明顯縮減。這種新型卷積操作可以將更大的網(wǎng)絡(luò)部署到低容量硬件上，提高現(xiàn)有硬件的使用效率。

圖1 深度可分離卷積示意圖 Fig.1 Schematic diagram of depth separable convolution

1.2.3 網(wǎng)絡(luò)自搜尋構(gòu)建

考慮到目前卷積神經(jīng)網(wǎng)絡(luò)多是通過多次手動試探后構(gòu)建的，過程繁瑣且難以保證所構(gòu)建網(wǎng)絡(luò)為GIS絕緣缺陷診斷的最優(yōu)模型。為減輕工作量，提取不同粒度的局部放電特征，有效提升模型的辨識能力，本文提出自搜尋構(gòu)建方法，以保障卷積神經(jīng)網(wǎng)絡(luò)在性能指標和硬件資源花銷上均達到最優(yōu)。同時，引入線性瓶頸操作和殘差結(jié)構(gòu)來提升模型的性能[17]。

本文以分解式層次化搜尋法[18]在源域數(shù)據(jù)上自動搜尋構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)。首先，將卷積神經(jīng)網(wǎng)絡(luò)分解為基本元素塊；然后，自動搜索每個塊的特定組成和結(jié)構(gòu)，如卷積運算的類型、卷積核的大小以及是否存在殘差運算等；最后，搜索塊之間的特定連接。鑒于計算資源有限，必須在每個塊搜索過程中仔細平衡卷積核的大小和使用數(shù)量。圖2給出 了用于GIS絕緣缺陷診斷的卷積神經(jīng)網(wǎng)絡(luò)?？紤]到搜索過程的復(fù)雜性，模型一經(jīng)確定便不再更改。其中，Conv為卷積，Pool為池化，DWConv為深度可分離卷積，BN為批歸一化，F(xiàn)C為全連接，ReLU為激活函數(shù)，DSRConv為殘差輕量級卷積單元。

圖2 GIS絕緣缺陷診斷的卷積神經(jīng)網(wǎng)絡(luò) Fig.2 Convolutional neural network for diagnosis of GIS insulation defects

1.3 對抗訓(xùn)練策略

為實現(xiàn)海量樣本下訓(xùn)練的優(yōu)異性能的GIS絕緣缺陷診斷模型在現(xiàn)場復(fù)雜小樣本下部署和應(yīng)用，本文提出了一種新穎的域?qū)惯w移學(xué)習(xí)策略以實現(xiàn)模型遷移。所提出的域?qū)咕矸e神經(jīng)網(wǎng)絡(luò)如圖3所示。該診斷框架由一個基于深度卷積網(wǎng)絡(luò)的特征提取器、一個域判別器和兩個標簽分類器組成，分別進行兩種極大-極小對抗博弈。

圖3 域?qū)咕矸e神經(jīng)網(wǎng)絡(luò) Fig.3 Domain adversarial convolutional neural network

1.3.1 域?qū)惯m應(yīng)策略

為實現(xiàn)目標域下更準確的絕緣缺陷診斷，本文所構(gòu)建的域?qū)惯w移學(xué)習(xí)策略由域空間對抗適應(yīng)和決策邊界對抗適應(yīng)兩部分組成。其中域空間對抗適應(yīng)實現(xiàn)源域和目標域的特征空間變換以實現(xiàn)特征空間的對齊，從而達到域匹配。決策邊界對抗適應(yīng)用于將源域和目標域的分類決策邊界進行變換，以盡可能實現(xiàn)二者的逼近。

對域空間對抗適應(yīng)而言，將域鑒別器添加到深度網(wǎng)絡(luò)的頂部以構(gòu)建二人博弈游戲。其中訓(xùn)練域鑒別器Gd用以區(qū)分提取的特征是來自源域還是目標域，而特征提取器Gf的目的是匹配源域和目標域之間的特征分布，并欺騙鑒別器。同時，訓(xùn)練了兩個分類器以實現(xiàn)對源數(shù)據(jù)的低誤差分類。

為此，域空間適應(yīng)的優(yōu)化對象可以描述為

式中，C1和C2分別為兩個分類器；θC1和θC2分別為兩個標簽預(yù)測器參數(shù)；λ為兩種損失之間的權(quán)衡參數(shù)。

區(qū)別于傳統(tǒng)域?qū)惯w移學(xué)習(xí)，本文的域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)通過兩個標簽預(yù)測器來促進后續(xù)的分類決策邊界特征分布的適應(yīng)。為此，模型參數(shù)可由式（6）和式（7）優(yōu)化獲得。

對分類邊界對抗適應(yīng)而言，兩個分類器C1、C2和特征提取器通過零和博弈過程，對決策邊界附近的目標樣本進行域適應(yīng)，以提升目標域下的分類準確度。具體來說，由于兩個分類器C1和C2的初始化參數(shù)不同，導(dǎo)致二者雖然都能夠?qū)υ从驅(qū)崿F(xiàn)準確的分類，但二者的性質(zhì)不盡相同，為此兩個分類器在目標域上的差異可以體現(xiàn)出目標樣本與決策邊界的差距。在這個博弈游戲中，損失函數(shù)為

式中，Edis為分類器之間的差異；disL為兩個分類器之間的交叉熵損失。

基于上述目標函數(shù)，通過以下優(yōu)化獲得模型的最優(yōu)參數(shù)。

1.3.2 訓(xùn)練策略

本文所提出的對抗訓(xùn)練方案，通過對特征提取器進行優(yōu)化，以最大程度地減少GIS絕緣缺陷分類損失Ec，并同時最大化域分類損失Ed。域鑒別旨在最小化Ed，更新分類器以最小化Ec。因此，網(wǎng)絡(luò)訓(xùn)練問題分別表述為式（6）、式（7）、式（10）、式（11）。在每個訓(xùn)練批次中，參數(shù)更新為

式中，αc、αdis和αd分別為Ec、Edis和Ed的懲罰系數(shù)；δ為學(xué)習(xí)率。

2 基于域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)的GIS絕緣缺陷智能診斷

本文提出了新穎的域?qū)咕矸e神經(jīng)網(wǎng)絡(luò)用于小樣本下的GIS絕緣缺陷診斷，其架構(gòu)如圖4所示。由于標記的目標數(shù)據(jù)不足以訓(xùn)練出可靠的診斷模型，因此將與目標數(shù)據(jù)更匹配的源數(shù)據(jù)遷移以解決目標問題。本文提出的域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)主要包括三個步驟：特征提取、參考遷移和域?qū)褂?xùn)練。

圖4 GIS絕緣缺陷診斷框架 Fig.4 GIS insulation defect diagnosis framework

本文所提出的域?qū)咕矸e神經(jīng)網(wǎng)絡(luò)的整個診斷過程可以總結(jié)如下：

（1）分別收集具有海量標簽的源域樣本和GIS絕緣缺陷目標樣本，并將樣本劃分為訓(xùn)練集和測試集。

（2）在給定源域數(shù)據(jù)下，通過監(jiān)督訓(xùn)練最小化式（10）和式（11）來更新特征提取器和分類器。然后將訓(xùn)練的權(quán)重參數(shù)遷移到目標域，以增強特征 學(xué)習(xí)能力。

（3）在給定源域和目標域數(shù)據(jù)下，可以通過優(yōu)化式（5）中的相應(yīng)目標函數(shù)來更新鑒別器和目標域特征提取器。

（4）重復(fù)步驟（3）的訓(xùn)練過程，特征提取器逐漸在源域和目標域之間生成一致的數(shù)據(jù)分布，直到達到迭代次數(shù)或損失函數(shù)達到閾值為止。

（5）在測試階段，可以將目標域測試數(shù)據(jù)輸入特征提取器進行深度特征提取，然后分類器進行絕緣缺陷分類。

3 仿真及實驗

3.1 對抗訓(xùn)練策略

3.1.1 源域樣本構(gòu)建

作為GIS絕緣缺陷的主要表現(xiàn)形式，局部放電的出現(xiàn)會進一步加劇GIS設(shè)備老化[19]。為了獲得海量源域表征樣本以學(xué)得滿意的可遷移特征，本文采用時域有限差分（Finite Difference Time Domain, FDTD）仿真來獲取海量局部放電樣本[20-21]。GIS局部放電仿真模型如圖5所示。在激勵源設(shè)置上，本文將實際采集到的局部放電信號導(dǎo)入庫中作為激勵源，并選取自由金屬顆粒（記為0類缺陷）、金屬尖端（記為1類缺陷）、懸浮電極（記為2類缺陷）和絕緣子氣隙（記為3類缺陷）四類典型缺陷構(gòu)建海量源域數(shù)據(jù)。

圖5 GIS局部放電仿真模型 Fig.5 GIS partial discharge simulation model

GIS仿真模型內(nèi)導(dǎo)體外徑為106mm，外殼內(nèi)徑為320mm，腔體總長為7 288mm，左右兩側(cè)以及T分支結(jié)構(gòu)都有圓形封裝蓋板。在軟件中選取網(wǎng)格剖分尺寸為20mm×20mm×20mm，共計471×91×143個元胞，仿真步長設(shè)置為38.52ps，仿真時間長度設(shè)置為150ns。仿真過程中，通過調(diào)整傳感器位置來獲取四類缺陷下的局部放電信號各2 500組，記為數(shù)據(jù)集A。四類缺陷下的局部放電仿真信號如圖6所示。

圖6 四類缺陷下的局部放電仿真信號 Fig.6 Partial discharge simulation signal under four types of defects

3.1.2 目標域樣本構(gòu)建

為了驗證本文所提出的方法在目標域下的GIS絕緣缺陷診斷性能，通過一段GIS腔體來模擬真實GIS局部放電。實驗接線原理如圖7所示。其中無暈工頻試驗變壓器額定電壓為250kV，額定容量為50kV·A。實驗過程中的特高頻傳感器型號為PDUG2，檢測帶寬為300~1 500MHz，負載阻抗為50?，靈敏度為-90dBm，平均有效高度為11mm，模擬帶寬為2GHz。通過實驗獲取了自由金屬顆粒、金屬尖端、懸浮電極和絕緣子氣隙四類缺陷各200組數(shù)據(jù)用于目標域絕緣缺陷診斷，記為數(shù)據(jù)集B。四類缺陷下的局部放電實驗信號如圖8所示。

圖7 實驗接線原理 Fig.7 Experimental wiring schematic diagram

同時，為了進一步驗證本文提出的方法在現(xiàn)場GIS絕緣缺陷上的診斷結(jié)果，本文以現(xiàn)場積累的局部放電樣本作為目標域。通過對現(xiàn)場收集的數(shù)據(jù)進行打標簽、歸一化、降噪等預(yù)處理，最終收集可用于診斷的四類缺陷共200組，其中0、1、2和3類缺陷分別為60、60、40、40組，記為數(shù)據(jù)集C。

3.2 小樣本GIS絕緣缺陷診斷

為了驗證本文所提出的域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)在小樣本下的絕緣缺陷診斷性能，本文以數(shù)據(jù)集A作為源域，以數(shù)據(jù)集B和C作為目標域建立了兩個遷移實驗。同時以Pytorch為框架，在配備GeForce RTX 2060 GPU、Intel i7-8700 CPU和16 GB RAM的計算機上進行了模型訓(xùn)練。與自搜尋卷積神經(jīng)網(wǎng)絡(luò)（ASCNN）相同層數(shù)的傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（CNN），手動構(gòu)建的MobileNet（MN）、LeNet和AlexNet被用作特征提取器與本文ASCNN進行對比[22]。在目標任務(wù)下，本文選擇無遷移訓(xùn)練（源域和目標域分別記為SD和TD）、級聯(lián)微調(diào)遷移訓(xùn)練（FTTL）[23]、最小化最大平均差異遷移訓(xùn)練（MMD）[24]、傳統(tǒng)域?qū)褂?xùn)練（TDATL）以及本文所提出的域?qū)褂?xùn)練（DATL）進行遷移實驗以進行對比。在實驗過程中，重復(fù)實驗10次取平均值以減小網(wǎng)絡(luò)初始化過程中隨機誤差的影響。不同方法下的平均準確率如圖9和圖10所示。

圖8 四類缺陷下的局部放電實驗信號 Fig.8 Partial discharge experimental signal under four types of defects

圖9 實驗數(shù)據(jù)下不同方法的平均準確率 Fig.9 Average accuracy of different methods under experimental data

從圖9和圖10中可以看出，在源域上ASCNN的診斷精度達到了99.15%，相對手動構(gòu)建的LCNN、LeNet、AlexNet、CNN分別高出了1.1%、31.75%、 33.7%和76.65%，其診斷性能提升明顯。在遷移學(xué)習(xí)后ASCNN的準確度仍然明顯高于其他手動構(gòu)建的網(wǎng)絡(luò)，驗證了網(wǎng)絡(luò)在源域下的特征提取和分類性能將直接影響目標域。

圖10 現(xiàn)場數(shù)據(jù)下不同方法的平均準確率 Fig.10 Average accuracy of different methods under field data

另外，DATL在實驗室GIS絕緣缺陷識別上具有最高的識別準確率，達到了99.35%，相比于直接訓(xùn)練提升了13.95%。DATL在現(xiàn)場GIS絕緣缺陷診斷上的精度達到90.35%，明顯高于其他方法。與無遷移策略相比，本文所提出方法的絕緣缺陷診斷精度提升52.92%，可見DATL在更小樣本集下的優(yōu)勢明顯。雖然所有遷移策略都對提升GIS絕緣缺陷診斷準確率有一定幫助，但DATL準確率提升空間最大。與FTTL相比，域適應(yīng)遷移策略的診斷準確率提升明顯，可以看出域適應(yīng)的廣闊空間。同時可以看出FTTL在每個遷移任務(wù)中表現(xiàn)較差，這表明傳統(tǒng)的遷移學(xué)習(xí)方法由于缺乏相應(yīng)的域適應(yīng)層，只考慮源域和目標域之間的概率分布，不適合處理復(fù)雜的傳輸任務(wù)。對比LeNet、AlexNet和ASCNN，在采用遷移策略時，深層結(jié)構(gòu)的特征學(xué)習(xí)能力強于淺層結(jié)構(gòu)，因為深層結(jié)構(gòu)可以有效地從故障樣本中提取不變特征，這為后續(xù)的故障識別提供了強有力的支持。

圖11給出了FTTL、MMD、TDATL和DATL診斷精度的箱線圖。從圖11中可以看出，F(xiàn)TTL、MMD和TDATL的中位數(shù)位置、四分位間距框的位置與高度低于DATL，其不穩(wěn)定性大于DATL，所以DATL的性能優(yōu)于FTTL、MMD和TDATL。從實驗數(shù)據(jù)（B）和現(xiàn)場數(shù)據(jù)（C）診斷結(jié)果來看，隨著樣本量的減小，測試的穩(wěn)定性變差。在實驗數(shù)據(jù)下，采用深度域?qū)咕矸e神經(jīng)網(wǎng)絡(luò)的最大診斷準確率可達到100%，在現(xiàn)場數(shù)據(jù)下，采用深度域?qū)咕矸e神經(jīng)網(wǎng)絡(luò)的準確率達到90%左右，且波動范圍很小。

圖11 不同方法預(yù)測精度的箱線圖 Fig.11 Box plots of prediction accuracy of different methods

圖12和圖13給出了實驗室和現(xiàn)場GIS絕緣缺陷診斷的混淆矩陣?？梢钥闯觯谑芟扌颖緮?shù)據(jù)下，本文所提出的域?qū)咕矸e神經(jīng)網(wǎng)絡(luò)仍能實現(xiàn)可接受的診斷準確率，尤其是在現(xiàn)場數(shù)據(jù)下每一類缺陷的診斷準確度均超過85%，而采用FTTL策略難以獲得滿意的結(jié)果。在未采用遷移學(xué)習(xí)時，在現(xiàn)場更小樣本下，卷積神經(jīng)網(wǎng)絡(luò)幾乎全部識別為同一類缺陷，此時卷積神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)能力很差。與MMD策略相比，本文所提出方法在每一類缺陷下的識別率均有所提升，尤其是針對三類缺陷。為此，通過本文所提出的DATL能夠極大地改善小樣本下的診斷準確率，為現(xiàn)場實際GIS絕緣缺陷識別提供了有力的技術(shù)支撐。

圖12 實驗數(shù)據(jù)下GIS絕緣缺陷診斷的混淆矩陣 Fig.12 Confusion matrix of GIS insulation defect diagnosis under experimental data

為更直觀地證明所提方法的有效性，采用t-分布鄰域嵌入（t-distribution Stochastic Neighbor Embedding, t-SNE）算法[25]，將深度卷積神經(jīng)網(wǎng)絡(luò)的最后一層全連接層的特征維度降至二維并以散點圖形式表示出來。圖14和圖15給出了采用ASCNN下源域SD、目標域TD、采用MMD和DATL下的可視化結(jié)果。

圖13 現(xiàn)場數(shù)據(jù)下GIS絕緣缺陷診斷的混淆矩陣 Fig.13 Confusion matrix of GIS insulation defect diagnosis under field data

圖14 實驗數(shù)據(jù)下不同方法的t-SNE可視化結(jié)果 Fig.14 t-SNE visualization results of different methods under experimental data

從圖14和圖15中可以看出，對于實驗室和現(xiàn)場數(shù)據(jù)，在未采用域適應(yīng)遷移學(xué)習(xí)時，所有的類特性混疊在一起而沒有明顯的邊界劃分，也就意味著 此時無法實現(xiàn)類別的分離。通過域適應(yīng)遷移學(xué)習(xí)后，同一類別標簽的實驗室和現(xiàn)場局部放電信號被聚類在一起，具有明顯的分類邊界，并與源域具有近似的劃分空間。同時可以看出DATL各狀態(tài)特征類內(nèi)的間距很小，類間的間距較大，除個別樣本存在混 疊外，其他樣本均可較好地區(qū)分開。進一步證明所提出的方法應(yīng)用于GIS絕緣缺陷診斷時可獲得較高的分類準確率。

圖15 現(xiàn)場數(shù)據(jù)下不同方法的t-SNE可視化結(jié)果 Fig.15 t-SNE visualization results of different methods under field data

4 結(jié)論

針對傳統(tǒng)以海量樣本訓(xùn)練的智能診斷方法難以在現(xiàn)場復(fù)雜工況和小樣本下部署應(yīng)用的問題，本文提出了新穎的域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)用于受限小樣本下的GIS絕緣缺陷診斷，并在多個數(shù)據(jù)集下進行了驗證。本文的主要結(jié)論如下：

1）采用網(wǎng)絡(luò)自搜尋構(gòu)建方法獲得了ASCNN，與其他手動構(gòu)建的網(wǎng)絡(luò)相比，不僅提升了源域下的診斷精度，而且明顯提升了同一遷移策略的目標域下的診斷準確率，表明其可以有效地從故障樣本中提取不變特征，為后續(xù)的故障識別提供了強有力的支持。

2）遷移學(xué)習(xí)的引入使海量樣本下訓(xùn)練的診斷網(wǎng)絡(luò)能夠部署到現(xiàn)場小樣本下，顯著提升了現(xiàn)場復(fù)雜工況和小樣本下的診斷精度，為目前海量數(shù)據(jù)下構(gòu)建的各種診斷網(wǎng)絡(luò)的現(xiàn)場應(yīng)用提供了有效途徑。

3）本文所提出的域?qū)惯w移訓(xùn)練策略可大幅度提高小樣本下的診斷準確率，混淆矩陣結(jié)果表明，其對沿面放電診斷準確率的提升效果最為明顯。在域?qū)褂?xùn)練中引入兩個領(lǐng)域分類器進行決策邊界的域?qū)R，能夠?qū)崿F(xiàn)更合適的特征對齊。

4）與其他方法相比，本文方法在故障數(shù)據(jù)量較少的情況下，具有更強的魯棒性和有效性，現(xiàn)場小樣本下的GIS絕緣缺陷準確率達到90%以上，說明域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)在現(xiàn)場小樣本GIS絕緣缺陷診斷中具有顯著的優(yōu)勢和廣闊前景。