郗曉光， 何金， 曹夢， 陳榮， 宋曉博， 李蘇雅

(國網天津市電力公司電力科學研究院，天津 300384)

0 引 言

隨著電力系統(tǒng)的發(fā)展，用電量不斷增加，電網逐漸復雜化，電壓等級也逐漸升高，電力系統(tǒng)的安全穩(wěn)定運行面臨著更大的挑戰(zhàn)。

局部放電(Partial Discharge，PD)是引起高壓設備故障的重要原因之一，長時間的PD累積會造成高壓設備的一系列物理化學反應，加劇絕緣損壞，從而引起設備故障。PD狀態(tài)檢測是保障高壓設備可靠運行的重要手段，而PD模式識別是局放檢測的核心環(huán)節(jié)。近年來，國內外學者對于PD模式識別已經有了較深的研究，如神經網絡、支持向量機(Support Vector Machine,SVM)等。神經網絡診斷技術通過對故障樣本的學習，以神經網絡連接權值來表達所學故障診斷知識，具有對故障模糊匹配、相似歸納和聯(lián)想記憶等能力[1]。SVM是建立在統(tǒng)計學習理論的VC維理論和結構風險最小原理基礎上的,根據(jù)有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷方案,以獲得最好的推廣能力[2]。

然而由于變電站現(xiàn)場的電磁環(huán)境非常復雜，PD檢測易受各種電磁干擾的影響。電磁干擾在多因素影響下，其特征是動態(tài)變化的，從而增大了電磁干擾辨識和抑制的難度，大大降低了傳統(tǒng)的基于統(tǒng)計特征的模式識別方法的識別正確率，出現(xiàn)誤報漏報的情況[3]。2006年，Hinton等人提出了用深度學習思想用于降噪處理[4]。深度學習其本質是通過構造含有多層隱含層的神經網絡，將數(shù)據(jù)進行特征映射，獲取數(shù)據(jù)深層本質信息，減少了人工特征提取的巨大工作量且提高了特征提取的信息量[5]。自編碼器(AutoEncoder, AE)作為深度學習結構的重要組成部分，在無監(jiān)督學習及非線性特征提取過程中扮演著重要角色，也被應用到多種領域[6]。堆疊多個自動編碼器可形成棧式自動編碼器(Stacked AutoEncoder, SAE)。棧式自動編碼器能夠提取目標數(shù)據(jù)更深層次的特征，挖掘數(shù)據(jù)本質信息[7]。

本文提出了一種基于深度稀疏降噪自編碼器網絡的模式識別方法，在自編碼器基礎上添加稀疏約束條件，從而具有更優(yōu)的特征學習能力[8]。文獻[9]將降噪稀疏自編碼器用于指紋的特征提取與識別，證明了該方法的有效性。本文對實驗室所檢測的典型特征圖譜，利用深度稀疏降噪自編碼器進行主動染噪學習訓練，最后得到可以有效去噪的深度特征提取模型，并利用Softmax分類器輸出識別結果，有很好的識別效果。

1 深度稀疏降噪自編碼器

1.1 自編碼器

(1)

為了防止過擬合情況出現(xiàn)，需要對代價函數(shù)添加一個正則化，得到的代價函數(shù)為：

(2)

1.2 稀疏自編碼器

Bengio于2007年提出了稀疏自編碼器(Sparse AutoEncoder，SAE)，在AE基礎上添加稀疏約束條件，要求大部分節(jié)點為0，從而有更好的魯棒性和高效性[11]。SAE代價函數(shù)為：

(3)

1.3 稀疏降噪自編碼器

圖1 自編碼器結構圖

圖2 稀疏降噪自編碼器結構圖

稀疏降噪自編碼器(Sparse Denoising AutoEncoder，SDAE)是在SAE基礎上，用編碼器學習去除輸入數(shù)據(jù)中的噪聲，從而提高SAE的泛化能力和模型的魯棒性[12]。SDAE結構圖如圖2所示。

(4)

1.4 深度稀疏降噪自編碼器

血液中的S1P主要與高密度脂蛋白(high density lipoprotein, HDL)中的載脂蛋白M(apolipoprotein M, ApoM)或與血清白蛋白(serum albumin, SA)結合。已知這3種蛋白在膿毒癥患者中都減少且與膿毒癥患者的病情嚴重程度負相關[47-49]。S1P與這3種蛋白的關聯(lián)提示S1P可能與SA、HDL和ApoM有相似預測患者預后的價值。由于血小板和紅細胞與膿毒癥急性期S1P下降在功能上相關，所以結合S1P水平、血細胞比容、血小板計數(shù)、SA、HDL和ApoM可能將更好地預測膿毒癥患者的病情嚴重程度[20]。

本文采用4層隱含層的深度SDAE網絡，其算法流程如圖3所示。

圖3 算法流程圖

2 數(shù)據(jù)采集和特征提取

本文利用特高頻檢測法檢測實驗室的變壓器模型PD信號。檢測設備由PD檢測儀、UHF傳感器和示波器等組成。

2.1 試驗平臺搭建

PD測量在實驗室的變壓器模型中進行，試驗平臺和接線如圖4所示。其中：設備包括無局放高壓試驗電源，規(guī)格為150 kV/AC；數(shù)字局放儀包括PD檢測儀、耦合電容，檢測阻抗和校準器(50 pC、100 pC)等，該檢測儀是符合IEC 60270局放測量標準的寬帶檢測儀，用于系統(tǒng)性能、靈敏度等測試時局放量的檢測和標定；采用Lecroy高速示波器系統(tǒng)(帶寬2 GHz、采樣率20 GS/s)。

圖4 變壓器PD實驗平臺

2.2 局部放電缺陷模型

本文自主研制的4種可置于變壓器腔體內部的典型PD模型，包括針尖電暈、懸浮金屬、絕緣氣隙和沿面放電。在變壓器上方手孔處進行缺陷設置，并使缺陷放電部分完全浸沒在變壓器絕緣油中。

(1)針尖電暈缺陷：高20 mm鋁制針尖電極模型，模型一端與變壓器A相套管高壓端可靠連接，另一端懸垂于絕緣油中，且不與變壓器金屬柜壁接觸。

(2)懸浮金屬缺陷：將球形電極完全浸沒于絕緣油中，與變壓器A相套管高壓端可靠連接，使用扎帶在球形電極上吊裝不同尺寸的螺母，電極與螺母間通過絕緣紙阻斷碰觸。整個缺陷完全浸沒于絕緣油中且不與變壓器金屬柜壁接觸。

(3)油紙氣隙缺陷：使用三層油紙疊加制作油紙氣隙模型，中間層油紙中心位置制作不同尺寸的孔徑空隙，使用局放加壓模型固定，一端與變壓器A相套管高壓端可靠連接，另一端可靠接地，模型不與變壓器金屬柜壁接觸。

(4)油紙沿面缺陷：使用尖端銅片電極部分固定于絕緣紙一面，與變壓器A相套管高壓端可靠連接，油紙上相距不遠處固定另一銅片電極,所用絕緣紙板電氣強度>35 kV/mm。使用之前均已加熱抽真空處理，濾除水分、氣體和纖維顆粒等雜質，并將制作好的模型在試驗前放入試驗用變壓器油中浸泡>36 h。加壓試驗時整個缺陷完全浸沒于絕緣油中且不與變壓器金屬柜壁接觸。

2.3 特征量提取

局放檢測單元包括UHF傳感器1個，綜合調理單元1個和低通濾波器1個。根據(jù)圖4連接試驗裝置，安裝局放模型。每種放電模型下保存200組局放波形。作出四種缺陷模型下PD以及干擾信號的相位分辨的脈沖序列(PRPS)圖譜，如圖5所示。

圖5 變壓器PD三維PRPS圖譜

本文求取的PRPS圖譜周期維度為50，相位分辨度為5，即相位尺寸為72，即PRPS圖譜尺寸為50×72。利用第1節(jié)所述的4層深度SDAE網絡對含有噪聲的PD信號提取特征量，將50×72的PRPS數(shù)據(jù)尺寸替換為60×60，歸一化后作為網絡的輸入數(shù)據(jù)。設置隱含層神經元個數(shù)為25，從而得到隱含層權值矩陣W可視化效果圖，如圖6所示。

3 模式識別結果分析

3.1 網絡訓練和測試

本文代碼采用MATLAB實現(xiàn)，配置為酷睿i7處理器3.7 GHz，內存8 GB。本文對于四種典型局放缺陷共采集了800組數(shù)據(jù)，每種放電類型200組。利用2.3節(jié)所示方法提取試驗數(shù)據(jù)的特征量，作為Softmax分類器的輸入。隨機選取700條數(shù)據(jù)作為訓練樣本，余下100條數(shù)據(jù)作為測試樣本，測試本文方法的有效性。

圖7 深度SDAE網絡提取特征量識別結果混淆矩陣

繪制出測試樣本的模式識別結果混淆矩陣，結果如圖7所示。其中:淺灰色對角線方塊表示預測類別與實際類別相符的樣本數(shù)，即正確識別的樣本數(shù)；深灰色方塊表示錯誤識別的樣本數(shù)；最后一行為精確率(衡量預測系統(tǒng)的查準率，指正確預測的樣本數(shù)/預測的樣本數(shù))；最后一列為召回率(衡量預測系統(tǒng)的查全率，指正確預測的樣本數(shù)/實際的樣本數(shù))；最右下角方塊為總的識別正確率。

由圖7可以看出,使用Softmax作為分類器時，由深度SDAE網絡提取的特征量作為輸入時，識別準確率為91%，驗證了本文所提出方法能夠有效提取染噪PD信號的特征量，得到很好的識別結果。

3.2 現(xiàn)場數(shù)據(jù)測試結果對比

利用染噪學習好的網絡對變電站現(xiàn)場采集的100條數(shù)據(jù)進行模式識別測試，并與傳統(tǒng)的基于統(tǒng)計的特征量提取方法(提取PRPS對應二維圖譜的統(tǒng)計參數(shù)作為特征量，包括偏斜度Sk、峰度Ku、峰值個數(shù)Pe和互相關因數(shù)Cc[13-14])的SVM、BPNN識別結果作對比，其結果如圖8、圖9所示。

圖8 深度SDAE網絡現(xiàn)場數(shù)據(jù)識別結果混淆矩陣

圖9 傳統(tǒng)方法現(xiàn)場數(shù)據(jù)識別結果混淆矩陣

由圖8、圖9可以看出,對于干擾嚴重的現(xiàn)場數(shù)據(jù)，本文提出的深度SDAE網絡能很好地提取PD信號特征量，識別效果明顯優(yōu)于基于傳統(tǒng)統(tǒng)計參數(shù)的特征量提取和模式識別方法。

4 結束語

本文提出了利用深度稀疏降噪自編碼器提取含有噪聲干擾的局放信號的特征量用于PD模式識別，基于試驗數(shù)據(jù)驗證了該方法相比于傳統(tǒng)的基于統(tǒng)計參數(shù)的特征量提取方法能夠更加有效地得到染噪信號特征模型，進而提高含有干擾的PD信號模式識別正確率。