基于GAF-CNN的配電網局部放電檢測

劉洪笑，向 勉，周丙濤，朱 黎，段亞窮，張曉艷

（湖北民族大學 智能科學與工程學院，湖北 恩施 445000）

0 引 言

配電網架空線路的局部放電現象一般是由線路電氣設備絕緣體內部或表面局部電場集中造成，雖然在早期的局部放電狀態下不會引起絕緣擊穿，但一定會損傷絕緣材料。如果局部放電現象得不到控制，可能會導致絕緣劣化或擊穿，進而引起線路跳閘和起火，對人們的生命和財產安全造成嚴重威脅。

目前對于大部分局部放電的研究主要為提取特征參數，然后使用算法進行分類或者使用深度學習的方法將數據導入深度學習網絡訓練，利用深度學習網絡提取信號的特征加以分類[1-6]。由于受到放電模式的影響，局部放電具有隨機性，因此使用一種自適應能力較強的模型來檢測局部放電現象顯得尤為重要。

隨著圖像識別技術的發展，受文獻[7]的啟發，本文將局部放電的脈沖電壓信號數據轉為二維圖像，并基于卷積神經網絡（Convolutional Neural Networks，CNN）重新設計了絕緣架空導線局部放電的網絡結構，可以對局部放電現象進行較高準確度的檢測。由于CNN處理二維數據的能力更強，并且預訓練CNN網絡的圖像數據集均為二維圖像，因此采用將一維的局部放電數據變換為二維圖片的信號處理方法。文獻[8]為了減少弓網損壞，提出了格拉姆角場（Gramian Angular Field，GAF）-CNN的方法來識別弓網電弧。文獻[9]使用GAF將光伏逆變器故障數據轉化為圖片，使用長短期記憶網絡（Long Short-Term Memory，LSTM）對圖片信息進行提取。此外，還有采用連續小波變換（Continuous Wavelet Transform，CWT）的方式將一維數據轉換為二維圖片后再通過分類網絡分類[10-12]。由于CWT轉化的時間較長，因此本文采用GAF轉化的方式。

1 數據集與數據處理

配電網局部放電數據由VSB ENET中心發布，為現場測量獲得的配電網架空線局部放電的真實數據。使用高頻電流電磁耦合法采集的配電網架空線路三相高頻電壓信號，該數據集的每一個原始電壓信號都有人工標定的標簽與之對應。對于采集的脈沖電壓信號，其中包含8 187個正常信號和525個局部放電信號。部分人工標定的數據集如表1所示。

表1 部分人工標定數據集

在局部放電脈沖電壓信號采集過程中，采集的信號會受到電暈放電噪聲的影響，同時也可能會受到絕緣體噪聲、風成噪聲、離散頻譜干擾、環境噪聲或放大器自身因素的干擾。局部放電信號集中存在于高頻區域，濾波去除1 000 Hz以下的頻率，然后使用離散小波對信號進行降噪[13]。圖1為配電網架空導線脈沖電壓的原始信號，圖2為通過濾波降噪后的架空導線脈沖電壓信號。

2 數據的維度變換

GAF作為一種原理相對簡單、計算方便的二維映射算法，既能夠生成二維圖像，保留完整的信號信息，又能維持信號對于時間的依賴性[14]。格拉姆角場可以將絕緣架空導線局部放電單變量時間序列數據轉化為圖像數據，絕緣架空導線脈沖電壓信號在笛卡爾坐標系中為一維時間序列，而格拉姆角場是通過極坐標系代替笛卡爾坐標系來表示數據。

假設一個絕緣架空導線脈沖電壓信號的時間序列是X={x1,x2,…,xn}，長度為n，先將脈沖電壓信號的時間序列歸一化為[-1,1]，計算公式為

式中：max(X)和min(X)是絕緣架空電路中脈沖電壓信號的最大值和最小值。

將縮放后的脈沖電壓信號時間序列在極坐標上進行編碼，公式為

式中：Φi為角余弦；ri為對應時間戳ti編碼的半徑。時間序列會隨著時間在極坐標系中編碼形成不同的圖像，相應的值會在跨越圓上的不同角度點之間扭曲，最終圖線會呈現螺旋發射式分布。經過上面的公式變換，將脈沖電壓時序信號數據轉換為沿對角線對稱的特征圖，使用特征圖對時間序列進行重構。GAF時間序列轉換圖像特征如圖3所示。

3 GAF-CNN模型

CNN是深度學習領域應用較為普遍的算法，常用于故障的診斷，其中LeNet5、VGG、Xception均為常見的算法模型，在圖片分類領域發揮著重要作用[15]。CNN結構包括輸入層、卷積層、池化層、全連接層以及輸出層。GAF-CNN模型中，輸入層為脈沖電壓信號經過GAF轉換得到的圖片，經過卷積池化的處理將輸入的圖片數據轉變為特征圖，作為全連接層的輸入，最后通過輸出圖像的特征實現圖片的分類。經過GAF變換后的圖片均為圖片像素大小為52×52的圖片，CNN的輸入也為52×52。在CNN網絡中，前2層卷積的卷積核大小都為3×3，步長為1，經過池化層為2×2的感受域，后連接2個全連接層，最終輸出圖片類型。GAF-CNN的配電網局部放電故障檢測過程如圖4所示。

4 分類實驗與分析

采用GAF-CNN模型對配電網局部放電現象檢測，先對脈沖電壓信號進行濾波降噪處理，將處理過的數據轉換為GAF圖，然后輸入CNN進行分類。在網絡訓練中，將數據劃分為訓練集、測試集、驗證集，訓練集、測試集、驗證集的比例為6∶2∶2。批量大小為128，使用Adam優化器迭代100次。完成訓練和驗證后得到訓練集和測試集的精度和損失值如圖5、圖6所示，在測試集上的精度達到99.77%。

5 結 論

基于GAF的特征提取與融合方法可以有效地提高實驗效果，將GAF與深度學習中的CNN結合，構建GAF-CNN配電網局部放電模型，在配電網局部放電數據集上的識別率可以達到99.77%，具有一定的可行性。