基于聲信號和一維卷積神經網絡的絕緣子污穢度監測方法研究

李振華，李浩，黃景光，張磊，吳琳

(1.三峽大學，湖北 宜昌443002；2.國網湖北省電力有限公司技術培訓中心，湖北武漢430014)

0 引言

高壓輸電線路絕緣子污閃會發生大面積停電，嚴重影響電網安全穩定運行。在大氣環境下，空氣中的污穢會附著在絕緣子表面并受潮，發生污閃事故[1－3]，從而嚴重影響電網安全平穩運行并造成嚴重經濟損失。絕緣子污穢放電伴隨著聲信號的產生，其聲信號強弱隨著放電程度的改變能夠較好地表征當前運行狀態下絕緣子的外絕緣狀態[4－7]。因此，實際工程中可以通過對不同污穢狀態下絕緣子放電的聲信號進行信號分析處理，實現對絕緣子外絕緣狀態的評估[8－9]。

國內外學者在運行狀態下污穢絕緣子放電聲信號的采集、去噪、特征的選擇、提取以及絕緣子污穢度在線診斷預測模型的建立方面進行了大量的探索[5－9]。文獻[10]認為絕緣子污穢放電由三個階段組成，分別是電暈放電、局部放電和電弧放電，且伴隨放電產生的聲發射信號的特征存在明顯差異。文獻[11]提出將復雜的聲發射信號進行經驗模態分解，把原始聲信號自適應分解為不同頻段的若干分量即本征模態分量，利用灰色相似關聯度將實驗樣本與標準放電情況下的能量分布進行比較識別。文獻[12]通過研究在不同污穢度下聲信號的時頻特性，發現聲信號的時域平均值和頻域的頻譜特性兩方面含有4個特征量，并利用聲信號時域的均值、最大值、標準差及FFT實部幅值這4個特征量對絕緣子污穢放電的發展過程進行相關性分析。文獻[13]在人工模擬不同可溶污穢附著密度和灰密對玻璃絕緣子聲發射信號的影響后，以信號振幅平均值和最大工頻半周包絡線面積作為主要輸入特征量，建立基于廣義回歸神經網絡的絕緣子危險度預測模型，并取得了較為精確的預測結果。

本文考慮引用深度學習(Deep learning)技術來實現放電聲信號的準確識別。近些年，很多學者將深度學習應用到故障診斷領域并取得了很好的效果。其中循環神經網絡(RNN)和卷積神經網絡(CNN)被廣泛應用，卷積神經網絡由于其對二維圖像強大的處理能力被不少學者用于故障信號時頻譜圖的特征處理并以此為基礎建立故障診斷模型[14－15]。因此，提出基于一維卷積神經網絡(1D－CNN)的污穢絕緣子放電模式識別算法，該算法不需要復雜費時的人工特征提取，只是將不經預處理的時頻放電信號作為輸入，模型利用CNN強大的特征學習能力直接將輸入信號作為學習樣本進行訓練，并結合全連接層完成自適應特征學習，實現模型對絕緣子污穢度監測的需求，經過實驗驗證得到了很好的效果。

1 卷積神經網絡運算

CNN通常包括輸入層、卷積層、池化層、全連接層和輸出層[15]，常用于處理信號時頻圖的二維卷積神經網絡(2D－CNN)模型結構如圖1所示。其中，卷積層與相鄰層之間采用局部鏈接和權值共享的方式進行運算，同時池化層也可以在很大程度上縮減輸入的維度，防止訓練時模型過擬合，提高了模型的泛化能力。模型通過卷積層和池化層的交替使用來對輸入的數據進行特征提取，并且CNN的學習能力可靠隨著網絡層數的增加而變強。卷積運算過程[16]為:

圖1 典型的2D－CNN信號圖像處理模型結構

式中，Kli和bli為第l層中第i個卷積核的權重和偏差；Xil(j)為第l層中第i個局部區域；yli＋1(j)為第l＋1層第i個卷積核運算結果中第j個神經元的輸入。

激活函數設置于卷積層之后，當數據經過特征提取后，激活函數可以增加其非線性因素。本文采用LeakyReLU函數[17]，LeakyReLU函數給所有輸入負值一個大于0的斜率，從而解決了神經元死亡問題。LeakyReLU的原理如下:

式中，yli＋1(j)表示卷積運算的輸出值；而ali＋1(j)表示yl＋1i(j)的激活值。

池化層通常作用于卷積層之后，用來降低特征維度，防止過擬合。池化層由最大池化和平均池化兩種池化方式組成，其中最大池化公式如下:式中，qli(t)表示第l層出第i個特征中的第t個神經元的值，t∈[(j－1)W＋1，jW]；W表示池化區域的寬度；(j)表示第l＋1層第i個特征中的第j個神經元的值。

Softmax分類器在輸出層的輸出分類運算中應用最為廣泛[18]。其過程就是將卷積層得到的logits值輸出為概率分布，然后進行模式識別，Softmax函數的運算過程如下:

式中，j為k中的某個分類；zj為該分類的值。

2 1D－CNN絕緣子監測模型

2.1 1D－CNN模型概括

基于1D－CNN的污穢絕緣子放電模式監測算法的CNN模型構架如圖2所示。該模型由卷積層和輸出層組成，其中卷積層實現對放電信號數據的自適應特征提取操作，經過卷積操作得到矩陣寬度逐漸減小的非線性魯棒特征。不同于2D－CNN處理圖像數據，池化層對于卷積后數據的壓縮效果并不理想。因此不使用池化層，而是由卷積層中合適步數的跨步卷積(strided convolution)代替池化層進行壓縮操作。輸出層由全連接層組成，每兩個連接層之間通過有限個神經元連接，且節點個數與放電類型數目相同。

圖2 1D－CNN模型結構

在模型的訓練過程中使用交叉熵損失函數，并采用收斂速度較快且收斂過程穩定的Adam優化器[20]對模型進行基于梯度下降的優化。同時模型使用Softmax函數輸出聲發射信號類型概率分布與污穢絕緣子放電類型概率分布之間的交叉熵作為代價函數。交叉熵計算公式為:

式中，p(x)為不同放電模式概率分布；q(x)為模型輸出預測結果的概率分布。

2.2 數據預處理

數據預處理過程主要包括:對原始聲信號數據采用數據窗滑動取數的方式進行數據增強，生成訓練和測試樣本集，對放電類型進行標簽標記，并引入1/3倍頻程概念將不同放電模式信號的高頻段或低頻段差異特征放大。

深度學習中網絡訓練的過程需要有足夠的數據樣本，本文使用的實驗數據有限，為了在保留同一放電信號相鄰時序信號間相關性的前提下擴充樣本數量，提出滑動窗口取數的方法對小樣本數據劃分實現數據樣本數量的增強，滑動方法如圖3所示。

2.3 1D－CNN智能監測流程

1D－CNN污穢絕緣子放電模式監測流程如圖4所示。將實驗收集到的原始數據信號通過滑動窗口法對數據進行樣本數量增強并劃分訓練集和測試集；在Pytorch上建立1D－CNN模型，輸入訓練集樣本數據后利用mini batch做梯度下降訓練模型，其中batch size的超參數為64；在模型完成訓練后記錄訓練集與測試集的準確率與損失函數曲線，并輸出預測的信號放電模式。

圖4 污穢絕緣子放電模式監測流程

3 污穢絕緣子放電模式監測實驗

實驗收集不同污穢程度的2片瓷質污穢絕緣子在10 m范圍內不同位置放電的聲音信號，圖5為預涂好不同濃度鹽密、灰密的玻璃絕緣子試品。

圖5 不同污穢度的玻璃絕緣子試品

實驗中采用等值附鹽密度來衡量絕緣子的污穢程度。每份絕緣子試品涂抹的是氯化鈉和硅藻土，在經過計算稱量后，加上適量蒸餾水，并將其在瓷碗中進行充分混合，如需增加附著度可以添加適量糊精，最后用刷子均勻地涂抹在絕緣子表面。

實際運行絕緣子的灰密與鹽密之比變化較大，結合本地的實際積污情況，本次試驗灰鹽比取為5∶1。在該灰鹽比下，不同附鹽密度下整個絕緣子表面所需涂刷的鹽、灰的質量見表1。選取上述涂污瓷絕緣子2片作為一組，施加工頻電壓，幅值為絕緣子串額定電壓，記錄工頻電壓實驗結果，然后采用降壓法，頻率2 min/次，確定閃絡電壓，記錄放電聲音。

表1 附鹽密度及鹽、灰質量

實驗所收集到采樣頻率為131 072 Hz的不同附鹽密度的污穢絕緣子起暈、表面放電、電弧三種放電狀態的聲發射信號，如圖6所示。其中起暈狀態和表面放電狀態的聲發射信號數據包括655 360個數據點，電弧放電狀態的聲發射信號數據包括1 048 000個數據點。每條數據通過滑動窗口取數的方法以1 024個數據點為一個樣本，50個數據點為步長實現樣本集擴容，并對每種絕緣子污穢放電模式隨機選擇80%的數據集用于訓練，20%的數據集用于測試。所以稀疏取樣并擴容后的數據集包括4 930個訓練樣本和1 266個測試樣本，并設定類別標簽分別為0、1、2。每次模型卷積層的輸入為一個樣本的時域信號加上經傅里葉變換的頻域信號拼接矩陣(2×1 024)。

圖6 污穢絕緣子放電模式時域圖

對1D－CNN算法的準確率隨迭代次數的變化進行分析。隨著迭代次數的增加，模型輸出的測試集準確率逐漸升高，損失函數值逐漸降低。經過迭代后，測試集準確率到達了99.84%并與訓練集結果相近，不存在過擬合現象，輸出的損失函數值為0.002，驗證了模型的訓練效果。

為了比較本研究算法與人工提取特征加機器學習分類算法及其他深度學習算法的分類效果，通過實驗選取了XGBoost、反向傳播神經網絡(BPNN)和1D－CNN算法進行比較。XGBoost和BP分別是機器學習和深度學習中的常用算法，其中XGBoost算法是對放電信號的時頻域統計特征進行分類，都屬于常用的分類算法。最終通過實驗對比3種放電模式識別算法所得到的準確率為:人工特征＋XGBoost的準確率為87.50%，FFT＋一維CNN的準確率為96.82%。

4 結語

針對污穢絕緣子放電噪聲數據識別問題，提出一種基于聲信號和1D－CNN的污穢絕緣子放電模式識別算法。并設計實驗收集到不同模式下污穢絕緣子放電的聲發射信號數據，以此為樣本仿真驗證本模型的實用性和準確性。為解決以往需要人工制作特征的復雜性，并提出一種新型的一維卷積神經網絡結構基于聲信號和1D－CNN的絕緣子污穢度檢測模型，使得模型可以自適應地對時頻信號數據進行特征提取和分類，并得到很高的識別準確率，可有效應用于污穢絕緣子污閃的預警。