孫 抗，軒旭陽，劉鵬輝，趙來軍，龍 潔

(1.河南理工大學(xué) 電氣工程與自動化學(xué)院，河南 焦作 454000；2.國網(wǎng)河南省電力公司 焦作供電公司，河南 焦作 454000)

局部放電(Partial Discharge，PD，簡稱“局放”)不僅會對電纜絕緣缺陷造成較大影響，同時(shí)也是絕緣缺陷的重要表征。根據(jù)導(dǎo)致絕緣缺陷的因素不同，絕緣缺陷的表現(xiàn)形式也是多種多樣的。不同形式的絕緣缺陷造成的局放具有不同的表現(xiàn)形式，造成的危害程度也有所差別[1]。因此，對絕緣缺陷的類型進(jìn)行有效識別具有重要的意義。

電纜局放模式識別系統(tǒng)的性能很大程度上依賴有效特征的提取，目前主要通過構(gòu)造人工特征來實(shí)現(xiàn)。文獻(xiàn)[2]采用線性和非線性特征分析技術(shù)對電纜局放信號進(jìn)行特征提取，然后通過這些特征進(jìn)行模式識別分類。文獻(xiàn)[3]采用隨機(jī)森林在訓(xùn)練過程中對局放特征重要性進(jìn)行評判，根據(jù)評判結(jié)果進(jìn)行特征優(yōu)選，然后通過支持向量機(jī)(Support Vector Machine，SVM)[4]和BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Networks，BPNN)[5]進(jìn)行驗(yàn)證。文獻(xiàn)[6]研究了BPNN的算法和結(jié)構(gòu)，并利用BPNN對電纜典型絕緣缺陷局部放電類型進(jìn)行模式識別。上述人工特征本質(zhì)上是一種經(jīng)驗(yàn)性方法，主觀性強(qiáng)，信號的本質(zhì)特征也難以完整表達(dá)[7]。雖然有效的特征選擇和特征組合可一定程度上降低影響，但工作量較大。

深度學(xué)習(xí)[8-10]通過學(xué)習(xí)深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，自動從大量數(shù)據(jù)中學(xué)習(xí)特征，表征輸入數(shù)據(jù)，在使用中減少了手工設(shè)計(jì)特征的工作量。同時(shí)，它把特征提取和分類器結(jié)合到一起，實(shí)現(xiàn)了端到端(End-to-End)模式分類[11]。近年來，在圖像處理和自然語言處理領(lǐng)域取得了成功。由于深度學(xué)習(xí)模型本身的表達(dá)能力強(qiáng)，因此需要大量標(biāo)注或非標(biāo)注訓(xùn)練樣本來避免模型過擬合。電纜現(xiàn)場故障樣本匱乏，局放信息記錄并不完善，實(shí)驗(yàn)室采集的數(shù)據(jù)量有限，用于模型訓(xùn)練的樣本集實(shí)際上是故障類別分布非均衡的小樣本數(shù)據(jù)。這就使得分類器在實(shí)際應(yīng)用中容易出現(xiàn)漏判及誤判，降低了可用性。

在現(xiàn)有樣本數(shù)據(jù)的基礎(chǔ)上，通過有效的樣本增強(qiáng)方法增加訓(xùn)練樣本的數(shù)量，為解決電纜局放模式識別系統(tǒng)依賴有效特征提取的問題提供了新的思路。相比于傳統(tǒng)過采樣方法，生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks，GAN)不依賴先驗(yàn)條件，通過無監(jiān)督學(xué)習(xí)獲得數(shù)據(jù)間的潛在分布規(guī)律并生成新的樣本，可有效提升模型分類性能。文獻(xiàn)[12]將故障機(jī)理和個(gè)性特征結(jié)合，以原始數(shù)據(jù)為基礎(chǔ)，通過GAN理論建立生成模型，生成新的樣本數(shù)據(jù)。文獻(xiàn)[13]在GAN模型的基礎(chǔ)上，將數(shù)據(jù)和機(jī)理結(jié)合，改善了能源系統(tǒng)中模型切換的問題。文獻(xiàn)[14]通過提出了一種基于生成對抗網(wǎng)絡(luò)的配電數(shù)據(jù)增殖方法，解決了配電數(shù)據(jù)分布不均勻及利用率較低的問題。上述樣本增強(qiáng)方法是基于一維信號通過全連接層或一維卷積層生成新數(shù)據(jù)，生成數(shù)據(jù)質(zhì)量差，訓(xùn)練時(shí)間長，并不能直接用于電纜局放模式識別。

基于上述分析，本文提出了一種小樣本下基于CNN-DCGAN的電纜局放模式識別新方法。首先，利用滑動時(shí)間窗直接將電纜局放時(shí)域信號轉(zhuǎn)化為二維圖像信息；其次構(gòu)建深度卷積生成對抗網(wǎng)絡(luò)模型對局放樣本進(jìn)行樣本增強(qiáng)；最后，利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)[15-17]的非線性編碼器自動提取局放特征，利用Softmax層訓(xùn)練特征分類模型，最終實(shí)現(xiàn)電纜局放模式識別。實(shí)驗(yàn)結(jié)果表明，文中提出的方法與傳統(tǒng)人工特征提取方法相比降低了人工特征選擇中部分信息丟失的風(fēng)險(xiǎn)，同時(shí)降低了工作量。增強(qiáng)后的樣本庫包含更多的局放信息，提高了模型泛化能力，具有較強(qiáng)的實(shí)際應(yīng)用價(jià)值。

1 局放信號的表達(dá)及樣本增強(qiáng)

1.1 局放時(shí)域信號的二維圖像表達(dá)

局放時(shí)域信號包含大量的特征信息，但是一維的局放信號并不能直接應(yīng)用于CNN。在采用CNN進(jìn)行識別分類之前，需要將原始的一維局放信號轉(zhuǎn)化為二維圖像。二維圖像是原始一維信號的同步轉(zhuǎn)換，將時(shí)域信號中的電壓和時(shí)間信息通過特征圖的像素值和其所在的位置進(jìn)行一對一還原，保留了原始局放數(shù)據(jù)的全部特征。同時(shí)，轉(zhuǎn)換成局放圖像后，時(shí)域信號中存在的噪聲可被認(rèn)為是光照干擾[18]，通過CNN中的卷積運(yùn)算即可對其進(jìn)行消除。轉(zhuǎn)換過程如圖1所示，具體步驟為：

圖1 時(shí)域信號到圖像的轉(zhuǎn)換

步驟1滑動窗口取值。利用滑動窗口取值法，在局放時(shí)域信號上隨機(jī)截取信號片段。窗口的大小為M，表示一次截取M個(gè)單位的數(shù)據(jù)，每次截取之后，窗口向后移動N個(gè)單位。共截取M次，最后得到M個(gè)長度為M的信號片段。同時(shí)，需要保證N≥M，且局放時(shí)域信號包含的數(shù)據(jù)點(diǎn)大于或等于M×M；

步驟2信號的組合。將步驟1中隨機(jī)選取的信號片段進(jìn)行組合，得到一條長度為M×M的信號序列。每個(gè)信號列的強(qiáng)度記為L(k)，其中k=1，2，3，…，M2；

步驟3二維圖像生成。利用式(1)將步驟2得到的M×M的信號序列轉(zhuǎn)化為灰度圖

(1)

式中，P=(j-1)×M+i；round(?)表示取整函數(shù)；P(j，i)表示轉(zhuǎn)化后每個(gè)圖像的像素值，j=1,2,3，…，M，i=1,2,3，…，M。式(1)將所有像素值歸一化至0～255之間，正好為灰度圖像的像素值域。

從式(1)可以看出，局放時(shí)域信號中電壓值與二維圖像的像素值一一對應(yīng)，同時(shí)放電時(shí)刻對應(yīng)二維圖像中該時(shí)刻放電電壓像素值所處的位置。局放時(shí)域信號及其轉(zhuǎn)化后的二維特征圖如圖2所示。

(a)

1.2 基于DCGAN的樣本增強(qiáng)

樣本增強(qiáng)技術(shù)利用有限的樣本數(shù)據(jù)生成同分布的新樣本，擴(kuò)充訓(xùn)練樣本集，增加訓(xùn)練樣本的數(shù)量，在一定程度上克服了電纜局放小樣本數(shù)據(jù)集在訓(xùn)練CNN模型時(shí)的過擬合缺陷，提升了小樣本條件下模型的泛化能力。深度卷積生成對抗網(wǎng)絡(luò)(Deep Convolution Generate Against Networks，DCGAN)是在生成對抗網(wǎng)絡(luò)(Generate Against Network，GAN)基礎(chǔ)上的一種改進(jìn)，它利用CNN代替GAN中的判別器(Discriminator)和生成器(Generator)中的多層感知機(jī)，提升了GAN模型的穩(wěn)定性。同時(shí)DCGAN利用CNN強(qiáng)大的特征對生成器和判別器進(jìn)行建模。與GAN利用多層感知機(jī)進(jìn)行特征提取相比，DCGAN提取到的特征更為豐富，對于圖像特征的提取效果也更加突出[19]。DCGAN的模型結(jié)構(gòu)圖如圖3所示，在判別器中，采用卷積層提取特征；在生成器中采用轉(zhuǎn)置卷積層還原圖像中的信息。DCGAN生成器和判別器的結(jié)構(gòu)分別如圖4和圖5所示。

圖3 DCGAN的結(jié)構(gòu)示意圖

圖4 生成器的結(jié)構(gòu)示意圖

圖5 判別器的結(jié)構(gòu)示意圖

基于DCGAN的數(shù)據(jù)增強(qiáng)步驟如下：

步驟1創(chuàng)建生成器和判別器并初始化其權(quán)重參數(shù)，然后將生成器固定通過如式(2)所示的損失函數(shù)式來訓(xùn)練判別器。參數(shù)更新方式如式(3)所示，式中η為學(xué)習(xí)率；

(2)

θd←θd+η?Vd(θd)

(3)

步驟2固定判別器，開始訓(xùn)練生成器。式(4)和式(5)分別是生成器的損失函數(shù)和參數(shù)更新方式；

(4)

θg←θg-η?VG(θg)

(5)

步驟3輪流訓(xùn)練判別器與生成器，經(jīng)過多輪對抗訓(xùn)練之后，DCGAN達(dá)到納什均衡，從生成器中生成增強(qiáng)樣本。

2 基于CNN的局放模式識別

2.1 CNN的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

CNN是深度學(xué)習(xí)中最常用的結(jié)構(gòu)之一，它能解決空間共享權(quán)重導(dǎo)致的過擬合問題。近年來，CNN在圖像處理和自然語言處理等方面取得了一定的成果[20]。CNN的輸入是二維數(shù)據(jù)矩陣，卷積層通過不同的卷積核與輸入的數(shù)據(jù)矩陣進(jìn)行卷積操作，得到不同的特征子圖，完成特征提取。池化層對提取的特征圖子圖進(jìn)行降維操作，減少計(jì)算量。全連接層對所提取到的特征進(jìn)行預(yù)測，完成識別分類。

如圖6所示，首先輸入一個(gè)64×64的二維圖像，然后由卷積層Conv1分別使用3×3大小的卷積核去卷積上一層的圖像，可以獲得16個(gè)64×64大小的二維特征子圖。接下來池化層Pool 1采用滑動窗口的方式對Conv1中的每個(gè)3×3大小的子塊進(jìn)行池化，池化時(shí)窗口每次滑動距離為2。最后采用0進(jìn)行填充，可以得到16個(gè)32×32大小的特征子圖。余下的Conv2、Pool 2和Conv3、Pool 3的工作原理與前面一樣。然后再由全連接層FC1將Pool 3得到的特征子圖拉伸為一維特征，并進(jìn)行識別分類。

圖6 CNN的模型結(jié)構(gòu)

圖7為不同局放信號的特征子圖以及融合后的特征圖。其中，圖7(a)是某一局放信號的特征子圖和特征子圖融合后的特征圖，7(b)是另一不同于7(a)的局放信號的特征子圖和特征子圖融合后的特征圖。從圖7可以直觀地看出，7(a)類局放信號的特征圖整體呈豎型線，且線條顏色較深，而7(b)類局放信號的特征圖整體呈橫狀線，線條顏色偏淺，兩者存在較為明顯的差異，能夠用于后續(xù)的模式識別。

(a)

2.2 電纜局放模式識別方法

本文提出的小樣本下基于CNN-DCGAN的電纜局放模式識別方法流程如圖8所示，詳細(xì)算法步驟如下：

圖8 基于自動特征提取的電纜局放模式識別方法流程圖

步驟1采用局放數(shù)據(jù)圖像化，將一維時(shí)域信號轉(zhuǎn)化為二維圖像；

步驟2將圖像化的局放數(shù)據(jù)像按一定比例分成測試樣本與訓(xùn)練樣本；

步驟3通過DCGAN對訓(xùn)練樣本進(jìn)行數(shù)據(jù)增強(qiáng)，得到更多的訓(xùn)練樣本；

步驟4將原始樣本和生成得到的圖像樣本輸入到建立的CNN模型中進(jìn)行訓(xùn)練；

步驟5最后通過CNN模型對測試樣本，進(jìn)行自動特征提取和識別分類。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)采集

實(shí)驗(yàn)電路如圖9所示。其中，T為無暈變壓器，R1為保護(hù)電阻，C為耦合電容，R2為檢測阻抗，示波器采樣率設(shè)置為100 MS·s-1，HFCT為HFCT-49。

圖9 實(shí)驗(yàn)電路

本文實(shí)驗(yàn)采用銅芯交聯(lián)聚乙烯絕緣非鎧裝電纜進(jìn)行測試。在絕緣缺陷加工前，先剝除電纜兩端的外屏蔽層，將絕緣層切面打磨光滑并套入均壓球。在電纜一端施加高壓，電纜護(hù)套通過包裹銅皮接地，若在試驗(yàn)電壓范圍內(nèi)無局放產(chǎn)生，再制作絕緣缺陷，這樣能夠保證放電源的單一性。實(shí)驗(yàn)中制作了外導(dǎo)電層爬電、絕緣內(nèi)部氣隙、絕緣表面劃傷、絕緣表面金屬污穢4種典型的電纜絕緣缺陷。

數(shù)據(jù)采集時(shí)，首先對缺陷升壓，直至缺陷擊穿，確定缺陷的擊穿電壓U0，然后在缺陷放電電壓范圍內(nèi)選擇一定數(shù)量的放電電壓值，維持放電電壓Ui，并采集電纜局放時(shí)域電流信號。表1為不同類型缺陷下的擊穿電壓和實(shí)驗(yàn)電壓。

表1 不同類型缺陷的擊穿電壓和實(shí)驗(yàn)電壓

3.2 樣本集構(gòu)建

在實(shí)驗(yàn)中，每種絕緣缺陷在放電電壓下，測得200個(gè)局放樣本數(shù)據(jù)，在經(jīng)過信號到圖像轉(zhuǎn)換后得到200幅包含局放信息的二維圖像。從轉(zhuǎn)換得到的二維圖像中，抽取100個(gè)圖像作為訓(xùn)練樣本，用D1表示，剩余100個(gè)圖像作為測試樣本，用D2表示。然后通過DCGAN以樣本集D1為基礎(chǔ)生成更多的增強(qiáng)樣本，并將增強(qiáng)樣本標(biāo)記為樣本集D3。進(jìn)行4次生成實(shí)驗(yàn)，每次只采用一種故障樣本。具體數(shù)據(jù)結(jié)果如表2所示。

構(gòu)造如表2所示的3個(gè)樣本集。樣本集D1包含400個(gè)訓(xùn)練樣本，具有4種不同的絕緣缺陷。樣本集D2包含4種不同的絕緣缺陷的400個(gè)測試樣本。樣本集D3為生成樣本，4種缺陷各100個(gè)樣本。

表2 樣本集的詳細(xì)描述

3.3 識別結(jié)果及其分析

3.3.1 與人工提取特征對比

在文獻(xiàn)[21]中，人工選取并構(gòu)造了33種局部放電特征，將其作為模式識別方法的輸入?yún)?shù)，采用CNN進(jìn)行識別分類。本文采用和文獻(xiàn)[21]相同的CNN結(jié)構(gòu)模型，參數(shù)設(shè)置如表3所示，其它參數(shù)配置采用最大池化法、Swish激活函數(shù)。

表3 CNN模型的參數(shù)設(shè)置

本文采用樣本集D1+D3作為訓(xùn)練樣本集，D2作為測試樣本集，使用CNN-DCGAN的電纜局放模式識別方法得到如圖10所示的混淆矩陣。缺陷類型0、1、2、3分別代表外導(dǎo)電層爬電、絕緣內(nèi)部氣隙、絕緣表面劃傷、絕緣表面金屬污穢4種絕緣缺陷。從圖中可以看出，局放類型0的識別準(zhǔn)確率為100%，類型1和類型2相似性較高，存在一定的錯(cuò)誤率，類型1的100個(gè)樣本中有4個(gè)錯(cuò)誤識別成類型2，類型2的100個(gè)樣本中有7個(gè)錯(cuò)誤識別為類型1，類型3的100個(gè)樣本中有2個(gè)錯(cuò)誤識別為類型0。但每類缺陷識別精度都在93%以上，整體識別精度為96.75%。文獻(xiàn)[21]中使用人工構(gòu)造算法提取特征，再使用CNN進(jìn)行識別分類。與該方法相比，本文提出方法的識別準(zhǔn)精度提高了4.18%。

圖10 局放模式識別混淆矩陣

3.3.2 樣本增強(qiáng)對識別結(jié)果的影響

訓(xùn)練樣本的數(shù)量對識別結(jié)果有重要的影響，為了驗(yàn)證樣本增強(qiáng)在小樣本情況下，對樣本數(shù)量不足造成模式識別準(zhǔn)確率過低的解決效率，本文使用基于CNN-DCGAN的電纜局放模式識別方法對使用樣本增強(qiáng)和未使用樣本增強(qiáng)兩種情況的識別準(zhǔn)確率進(jìn)行了對比。對比結(jié)果取10次實(shí)驗(yàn)的平均值，結(jié)果如表4所示。

由表4可見，測試集樣本均使用樣本集D2，在只使用樣本集D1作為訓(xùn)練樣本，即未進(jìn)行樣本增強(qiáng)時(shí)，識別精度為93.425%。而在使用樣本集D1+D3作為訓(xùn)練樣本，即采用了樣本增強(qiáng)時(shí)，識別精度達(dá)到了96.6%，與未使用樣本增強(qiáng)之前相比，識別精度提高了3.175%。上述實(shí)驗(yàn)表明使用樣本增強(qiáng)，能夠顯著提高識別準(zhǔn)確率，并解決樣本數(shù)量不足造成模式識別準(zhǔn)確率的問題。

表4 數(shù)據(jù)增強(qiáng)前后的識別精度對比

圖11為在8次對比實(shí)驗(yàn)中，使用樣本增強(qiáng)和未使用樣本增強(qiáng)的識別準(zhǔn)確率的柱形圖。從圖11中可以看出，每一次的對比實(shí)驗(yàn)，使用樣本增強(qiáng)后識別率均高于未使用樣本增強(qiáng)的識別準(zhǔn)確率。

圖11 8次實(shí)驗(yàn)的識別精度

4 結(jié)束語

本文提出了一種小樣本下基于CNN-DCGAN的電纜局放模式識別方法。此方法首先基于信號到圖像的思想，將一維時(shí)域信號轉(zhuǎn)化為二維圖像；然后通過DCGAN在樣本生成領(lǐng)域的優(yōu)勢進(jìn)行樣本增強(qiáng)；最后通過CNN進(jìn)行自動提取特征，建立特征分類模型，實(shí)現(xiàn)端到端的模式分類。實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。需要指出的是，本文所采用的電纜缺陷基于實(shí)驗(yàn)室環(huán)境制作，而在實(shí)際工程應(yīng)用中，絕緣缺陷的嚴(yán)重程度不完全相同，可能會造成檢測到的缺陷信號存在差異，對識別結(jié)果造成影響。后續(xù)研究中需要考慮缺陷程度不同對識別系統(tǒng)帶來的負(fù)面影響，增加數(shù)據(jù)來源的多樣性。