基于深度稀疏降噪自編碼網(wǎng)絡(luò)的局部放電模式識別

郗曉光， 何金， 曹夢， 陳榮， 宋曉博， 李蘇雅

(國網(wǎng)天津市電力公司電力科學(xué)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(wǎng)逐漸復(fù)雜化，電壓等級也逐漸升高，電力系統(tǒng)的安全穩(wěn)定運(yùn)行面臨著更大的挑戰(zhàn)。

局部放電(Partial Discharge，PD)是引起高壓設(shè)備故障的重要原因之一，長時間的PD累積會造成高壓設(shè)備的一系列物理化學(xué)反應(yīng)，加劇絕緣損壞，從而引起設(shè)備故障。PD狀態(tài)檢測是保障高壓設(shè)備可靠運(yùn)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(nèi)外學(xué)者對于PD模式識別已經(jīng)有了較深的研究，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(Support Vector Machine,SVM)等。神經(jīng)網(wǎng)絡(luò)診斷技術(shù)通過對故障樣本的學(xué)習(xí)，以神經(jīng)網(wǎng)絡(luò)連接權(quán)值來表達(dá)所學(xué)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(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的,根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)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(fù)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(xué)習(xí)思想用于降噪處理[4]。深度學(xué)習(xí)其本質(zhì)是通過構(gòu)造含有多層隱含層的神經(jīng)網(wǎng)絡(luò)，將數(shù)據(jù)進(jìn)行特征映射，獲取數(shù)據(jù)深層本質(zhì)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]。……