基于MobileNet 的電纜局部放電模式識別方法

高 鵬，劉嘉良，欒軍，沈道義，鄒華菁

（1.青島海檢智能科技有限公司，山東青島 266237；2.上海格魯布科技有限公司，上海 201210；3.上海電力大學電子與信息工程學院，上海 201306）

局部放電帶電檢測被認為是檢測電纜絕緣缺陷最有效的手段[1]，近年來取得了很多進展，檢測儀器不斷小型化、智能化，但是相關技術仍存在一些不足[2]。采用傳統方法進行局部放電模式的識別具有很大局限性[3]，計算量大、存儲量大且識別準確率不高。此外，傳統識別方法的一個顯著問題是當圖譜發生相位平移時識別效果不佳。而采用深度學習模式的識別方法準確率較高[4]，且對于相位平移后的圖譜具有良好的模型泛化能力。雖然這種識別模式的訓練計算量大[5]，但是推理過程中計算復雜度并不高，同時它可以較為精確地進行分類[6]，擁有較好的橫向處理能力、分布式存儲能力并且穩定性較好[7]，故適用于該文場景下的局放識別。

因此，該文提出了一種基于MobileNet 的電纜局部放電模式識別方法，識別準確率可達96.4%，利用MobileNet 模型優化了訓練過程[8]，減少了卷積的時間復雜度和空間復雜度，有效地加快了收斂速度，提高了分類網絡的泛化能力[9]。基于該算法研制的智能局部放電帶電檢測儀器，在實際應用場景下，實現了電纜局部放電類型的自動識別，且識別準確率在95%以上。

1 算法概述

該文提出的基于MobileNet 的電纜局部放電模式識別方法的整體框圖如圖1 所示。首先，對電纜高頻局部放電帶電檢測儀器采集到各類局部放電相位分布(Phase Resolve Partial Discharge,PRPD)圖譜進行數據預處理與數據增強，再將ImageNet 數據集上預先訓練好的MobileNetV1 模型遷移到電纜局部放電的場景下，構建出新的識別模型并訓練新模型，以實現對各種類型PRPD 圖譜放電類型的識別，從而更好地掌握電纜內部缺陷的類型性質和缺陷特征。

圖1 算法整體框圖

2 算法設計

2.1 局部放電數據采集

電力電纜局部放電帶電檢測的原理如圖2 所示，通過高頻電流傳感器檢測局部放電的高頻脈沖電流信號，結合被測設備電壓的相位信息，生成局部放電圖譜PRPD 數據[10]。通過對大量現場檢測圖譜按不同的局放類型進行分類標注，構建電纜絕緣缺陷的局部放電PRPD 圖譜數據集，用于有監督的機器學習。

圖2 電力電纜局部放電帶電檢測原理圖

局部放電相位分布PRPD 圖譜也被稱作φ-q-n模式，用來描述局部放電脈沖所對應的工頻相位φ、脈沖幅值q和放電次數n之間的關系[11]。該文使用實際現場局部放電帶電檢測中采集到的4 500 張PRPD 圖譜作為原始數據集，包括兩類典型的局部放電和外部干擾，如圖3所示。其中，內部放電1 500張、浮動電極放電1 500張、外部干擾1 500 張。

圖3 典型局部放電和外部干擾PRPD圖譜

通過以上PRPD 圖譜可以清晰地看出三類圖譜存在差異[12]，利用PRPD 圖譜進行模式識別的方案是可行的。

2.2 局部放電數據預處理

在實際現場的環境下，對電纜的局部放電檢測，通常采用高頻電流傳感器來獲取不同類別的電纜局部放電故障的相位分辨局部放電PRPD 圖譜，先對圖像作灰度化和歸一化處理，再對圖像進行預處理。

圖像的灰度化是指按不同的權值對RGB 三個分量進行加權平均，根據式（1）[13]，可以獲得效果較好的灰度圖像。

對圖像作歸一化處理具體是指原始的PRPD 圖譜一般為917×510 像素，尺寸較大，需要將圖像的尺寸統一調整為224×224 像素的輸入圖像，便于模型的訓練。

對于圖像的預處理方法有圖像分割與數據增強[14]。圖像分割的方法是指將原始的PRPD 圖譜進行裁剪，把標注出來的具有較明顯特征的局部放電信號用于模型的訓練。從已獲取的每個PRPD 圖譜中分別提取具有明顯局部放電特征的圖像，再以電壓正弦波為基準，通過循環平移30°相位至360°為止的方式對已提取的具有明顯局部放電特征的圖像進行數據增強處理，由此得到循環平移30°、60°、90°、120°、150°、180°、210°、240°、270°、300°、330°的11 個不同的圖像作為數據集的補充。平移后的圖像可以提供各個相位局部放電信號的特征，使算法不受現場測試時因變壓器一二次相位差導致的PRPD 圖譜平移的影響，從而進一步提高模型的泛化能力。

2.3 模型訓練與測試

局部放電模式識別算法訓練與測試的流程如圖4 所示，具體步驟如下：

圖4 基于MobileNet的局部放電識別流程

1）調用已訓練好的MobileNetV1 網絡模型作為預訓練模型，然后放入訓練集來訓練局部放電模式識別模型；

2）當第一次進行前向傳播時，若預訓練模型與局部放電模式識別網絡結構中某一層的名稱相同，則可以對預訓練模型的參數進行直接調用；若不同，則利用隨機高斯分布對該層的參數進行初始化處理；

3）當數據傳播到最后一層時，由softmax loss 函數可以計算出網絡的損失率，再采用隨機梯度下降法，并利用驗證集對局部放電模式識別模型中的網絡參數進行不斷優化；

4）訓練的模型逐漸收斂，當訓練的模型識別準確率不再提升，且損失率不再減小時，便得到了最優的識別模型；

5）將訓練得到的最優識別模型作為測試模型，對測試集中的PRPD 圖譜進行測試，得到電纜局部放電的各種故障類型的識別率和平均識別率。

3 實驗結果及分析

該文基于MobileNet 的深度可分離卷積網絡結構，利用Tensorflow 和Keras 深度學習框架、Python 語言、Anaconda 和Pycharm 集成開發環境，構建了電纜局部放電模式識別模型，并借助GeForce RTX 2060 8GB 對模型進行訓練和測試，識別目標為內部放電、浮動電極放電和外部干擾三種局部放電類型。

首先，對預處理后的局部放電PRPD 圖譜按不同的放電類別進行分類，并整理成數據集，再按照一定的權重將其劃分為訓練集、驗證集和測試集，劃分的比例為數據集中70%的圖像作為訓練集，10%的圖像作為驗證集，20%的圖像作為測試集。然后輸入樣本數據，利用預先訓練好的MobileNet模型中的權重，再結合新任務對模型進行網絡結構和權重的微調，最后對新模型進行模式識別的訓練和測試。

采用MobileNetV1 模型對PRPD 圖譜進行識別分類，迭代次數設為300 次，初始的學習速率設為0.001，網絡單次訓練的樣本數設為100，當訓練到291 次時，識別準確率達到96.61%，損失函數值降至0.002 8，訓練基本結束。將訓練得到的最優Mobile-NetV1 識別模型作為測試模型，對測試集中待識別的PRPD 圖譜進行測試，最終平均識別準確率為96.4%。

為了對電纜局部放電模式識別分類的方法有更深入的研究，利用該文采集到的數據集，將AlexNet、InceptionV3、Xception、VGG16、ResNet18 和Mobile-NetV1 模型應用于電纜局部放電模式的識別分類，并將在ImageNet 數據集中訓練好的模型參數遷移到新任務中，再對新模型進行參數的調整與更新以加快訓練的收斂速度。在訓練的過程中采用早停法，即當模型的損失函數值loss 不再出現明顯的減小時，就停止訓練，從而節省訓練的時間，并有效地解決了過擬合的問題，各種深度學習模型的訓練和測試時間如圖5 所示[15]。從圖中可以看出，每個模型的測試時間并沒有明顯的差異，但訓練時間的差異性較大，其中，MobileNetV1 模型的訓練時間最短，從模型的更新能力角度來看，MobileNetV1 模型表現出的性能最好。

圖5 各種模型的訓練和測試時間

為了驗證各種模型的識別準確率，分別利用各種模型對內部放電、浮動電極放電和外部干擾三類局部放電故障進行模式識別，結果如表1 所示。

表1 各種模型模式識別準確率

由表1 可以看出，與其他模型進行對比分析，從平均識別準確率的角度來看，MobileNetV1 網絡模型明顯表現更優，其對浮動電極放電和外部干擾的識別率可達98%以上，且對于各種不同的局部放電類型，MobileNetV1 模型的識別準確率均最高，因此，由識別結果更進一步地驗證了MobileNetV1 模型具有更高的識別準確率。

基于該算法研制的智能局部放電帶電檢測儀如圖6 所示，具備電纜高頻局部放電PRPD 圖譜展示與類型識別功能[16]。其中，類型識別模塊在安卓手機端完成。

圖6 智能局部放電帶電檢測儀

對于電力電纜的帶電檢測，采用了在電纜終端接頭接地線安裝高頻局部放電傳感器，并在電纜單相本體上安裝相位信息傳感器，再將智能巡檢儀與兩傳感器相連，現場檢測如圖7 所示。儀器根據檢測到的高頻信號脈沖，生成PRPD 圖譜，并實時計算圖譜的識別結果。

圖7 現場檢測

將該算法應用于基于安卓設備的智能局部放電巡檢儀，在實際場景下，能夠實現局部放電缺陷類型的快速識別。如圖8 所示，檢測到的PRPD 圖譜被實時識別為浮動電極放電。在現場測試中，對各種局部放電類型進行檢測，識別準確率均達到95%以上，滿足電纜局部放電識別準確度的要求。

圖8 現場測試圖譜及識別結果

4 結論

該文提出的基于MobileNet 的電纜局部放電模式識別方法，采用遷移學習的訓練方式，對模型架構的權重參數進行改進。將采集到的各種類型的PRPD 圖譜輸入到預訓練的MobileNet 網絡模型中進行訓練，得到了新的網絡模型，再進一步地通過模型的迭代訓練計算出驗證集各種局部放電故障類型的分類識別準確率，對準確率不高的故障類型進行參數調整，從而在下一次迭代訓練時使用更多的樣本，對這些樣本進行更多次的特征學習，以解決由于特征提取深度不斷加深所帶來的梯度消失問題，使網絡具備更好的學習能力。該文采用小尺寸的卷積核（3×3），ReLU6 激活函數，最大值池化方式以及隨機梯度下降算法，對于電力電纜局部放電PRPD 圖譜具有更高的識別率和更快的訓練速度，識別準確率可達96.4%?；谠撍惴ㄑ兄频闹悄苎矙z儀，不僅可以在移動端實現快速自動局部放電類型識別，而且擁有較高的準確度，對電力電纜的狀態檢修工作具有非常實際的應用價值。