楊 帆，彭小聖，文勁宇，等：基於卷積神經網路的高壓電纜局部放電模式識別

（以下為本文主幹內容，原文詳見《電力自動化設備》2018年第38卷第5期）

基於卷積神經網路的高壓電纜局部放電模式識別

楊 帆1，王干軍2，彭小聖1，文勁宇1，陳清江2，

楊光垚1，李朝暉1

（1. 華中科技大學 電氣與電子工程學院 強電磁工程與新技術國家重點實驗室；

2. 廣東電網公司中山供電局）

1

研究背景

高壓電纜是電力系統中重要的電力設備，其運行狀態關乎電網供電的安全性與可靠性。局部放電(PD)既是電纜絕緣劣化的主要原因，又是電纜絕緣缺陷和絕緣老化的重要表徵。準確識別出電纜PD模式進而判斷絕緣缺陷類型對於電纜絕緣狀態評估有著十分重要的意義。然而，高壓電纜不同類型PD的識別難度較大，其中某些相似度較高的PD尤其難以區分。近年來，以卷積神經網路(CNN)為典型代表的深度學習演算法由於其出色的特徵提取能力在語音識別、圖像識別等諸多領域得到了成功應用，在電力行業也引起了研究人員的廣泛關注。因此，有必要研究深度學習理論在高壓電纜PD模式識別問題中的應用。

2

整體研究思路及創新點

本文提出了基於CNN的高壓電纜PD模式識別方法，首先在實驗室環境下模擬了5種電纜絕緣缺陷類型，通過加壓測試獲取了大量的PD實驗數據，然後提取PD瞬時脈衝，並構建了34個特徵參數，最後通過CNN實現缺陷類型的識別。為證明所提方法的有效性，本文分別研究了不同網路層數、不同激活函數以及不同池化方式對CNN性能的影響，並將CNN識別效果與傳統的淺層分類器支持向量機(SVM)和反向傳播神經網路(BPNN)進行了比較。結果表明，CNN在識別精度上具備優勢，優於傳統的BPNN和SVM模式識別方法，且能較好識別具有高相似度的PD模式。

3

典型CNN架構

典型CNN架構如圖1所示，由輸入層、1個或多個交替連接的卷積層和池化層、全連接層以及輸出層組成。CNN輸入是二維數據矩陣，即原始圖像。卷積層能直接從二維圖像中提取特徵並形成特徵圖，多個卷積層間穿插著池化層能夠減小特徵圖大小並逐漸建立更高程度的空間和結構不變性。經過多個卷積層和池化層的交替傳遞，全連接層使用所提取的特徵進行預測。最後由輸出層給出識別結果。CNN本質上是使原始輸入經過多個層次的數據變換與降維而映射到一個新的特徵表達的數學模型。

圖1 CNN架構

4

電纜絕緣缺陷類型

實驗採用無缺陷電纜構建5種典型的電纜絕緣缺陷如圖2所示，圖中各數據單位為mm。5種電纜絕緣缺陷的具體設置詳見原文。

圖2 5種典型的電纜絕緣缺陷

5

基於CNN的PD模式識別

基於CNN的PD模式識別流程如圖3所示。首先開展5種電纜絕緣缺陷的測試實驗並收集原始數據，進行數據去噪和PD脈衝提取，構建34個PD特徵參數，得到包含3500個樣本的PD特徵數據集。然後將特徵數據集劃分為訓練集和測試集(兩者所佔比重分別為85%和15%)，通過在訓練集上使用小批量隨機梯度下降演算法以最小化模型預測輸出和實際輸出之間的誤差來訓練優化CNN，通過測試集來評估基於CNN的PD模式識別的性能。

圖3 基於CNN的PD模式識別流程

6

結果與評估

6.1

不同網路層數CNN的比較

當網路層數減少時，CNN對樣本數據的擬合能力會降低；當網路層數增加時，網路學習能力增強，但所需訓練的參數會增多，對樣本數據量的需求也會相應增大，對於小樣本數據會產生過擬合的風險。而本文有3500個樣本，數量較少，對應的最佳網路層數也應該較少。由圖4可知，6種模型中2層CNN效果最好，不同迭代輪次的誤差率均低於其他5種模型。

圖4 不同網路層數CNN的PD模式識別誤差對比

6.2

採用不同激活函數的CNN的比較

Swish函數無上界有下界、平滑且非單調的特點使其收斂性能好於ReLU函數。圖5中使用Swish激活函數的CNN在不同迭代輪次的誤差均小於使用ReLU的CNN。在迭代至40輪的時候，採用Swish激活函數的識別精度比使用ReLU激活函數高0.7%。

圖5 不同池化方式和激活函數CNN識別誤差對比

6.3

採用不同池化方式的CNN的比較

由圖5可知，在本文數據集中，最大池化方式由於能夠提取最有表徵能力的特徵，相比平均池化方式具有更好的識別精度。

6.4

與傳統淺層分類器的比較

從表1可知，3種方法中CNN總體識別準確率最高，達到了90.67%；SVM其次， 總體精度為86.96%；BPNN最差，總體精度為86.61%。相比BPNN和SVM，CNN方法總體識別率分別提高了4.06%和3.71%。缺陷類型1、4、5差異較為明顯，比較容易識別，CNN對三者的識別準確率與BPNN和SVM方法相同。而缺陷類型2和3的相似度較高，識別難度較大。CNN特殊的網路結構能夠對數據特徵進行深入挖掘，可以較好地捕捉細節信息並學習到更全面、更抽象的特徵。CNN對缺陷類型2的識別準確率為80.86%，相比BPNN和SVM分別提高了3.55%和14.20%；CNN對缺陷類型3的識別準確率為78.90%，相比BPNN和SVM分別提高了16.51%和5.20%。

表1 CNN、BPNN和SVM的識別精度對比

7

結論

本文將CNN應用於5種高壓電纜缺陷類型的模式識別，研究了不同網路層數、不同激活函數和不同池化方式下CNN的性能，並與傳統方法的識別效果進行了比較，得到的結論如下。

a.網路層數、激活函數、池化方式、迭代輪數對CNN的識別精度具有較大的影響。在CNN網路構建時，應該充分考慮這些因素。

b.本文採用Swish函數的CNN識別精度比使用ReLU激活函數高0.7%。Swish函數無上界有下界、平滑且非單調的特點使其收斂性能好於ReLU活函數。

c.CNN中的卷積層和池化層具有優異的特徵學習能力，能捕捉到數據的細節特徵，信息丟失少，對高相似度缺陷識別能力強、魯棒性好，對於相似度較高的缺陷類型2和3的識別準確率，相比SVM分別提高了14.20%和5.20%，相比BPNN分別提高了3.55%和16.51%。

d.CNN能更全面地捕捉到輸入數據表現的高階相關性，在頂層形成更具表徵能力的高維抽象特徵向量，相比傳統淺層分類器BPNN和SVM，總體識別準確率分別提高了4.06%和3.71%。

作者簡介

彭小聖

彭小聖，英國工學博士，IEEE會員，IET會員。2006年6月和2009年3月分別獲得華中科技大學本科和碩士學位，2009年2月—2012年2月在英國國家自然科學基金

（EPSRC）的資助下在格拉斯哥卡里多尼亞大學攻讀博士學位，2012年3月—2013年8月在EDF Energy資助下開展博士後研究，2013年9月到華中科技大學工作。研究方向為：電力系統大數據理論與應用；電力系統主設備監測與診斷；智能微網多尺度控制；基於大數據挖掘的新能源功率預測；電力設備局部放電檢測與識別；基於大數據深度學習的模式識別與預測等。

楊 帆

楊 帆，華中科技大學碩士研究生，主要研究方向為電力設備狀態監測與故障診斷、新能源功率預測等。

研究團隊簡介

華中科技大學彭小聖博士團隊長期致力於先進人工智慧方法在電力系統主設備狀態監測、新能源併網、局部放電模式識別與診斷、數據挖掘與預測等領域的應用，近年來參與和承擔了英國國家自然科學基金（EPSRC）項目、英國能源公司（British Energy）項目、法國電力公司（EDF Energy）項目、羅爾斯羅伊斯（Rolls-Royce）國際合作項目、國家重點研發計划子課題、國家自然科學基金、湖北省自然科學基金、國網總部項目子課題、中國電力科學研究院、國網技術學院、AEET國家重點實驗室項目等10餘項。

引文信息

楊帆，王干軍，彭小聖，等. 基於卷積神經網路的高壓電纜局部放電模式識別[J]. 電力自動化設備，2018，38（5）：123-128.

DOI：10.16081/j.issn.1006-6047.2018.05.018

YANG Fan，WANG Ganjun，PENG Xiaosheng，et al. Partial discharge pattern recognition of high-voltage cables based on convolutionalneural network[J]. Electric power Automation Equipment，2018，38（5）：123-128.

歡迎個人轉發至朋友圈分享

（媒體轉載請在後台聯繫我們）

傳承丨探索丨引領

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！