多任務元學習網絡的氣體絕緣組合電器局部放電同時診斷與定位

.

收稿日期：2023-10-31。

作者簡介：王艷新（1995—），男，博士生；閆靜（通信作者），男，副教授。

基金項目：國家重點研發計劃資助項目（2022YFB2403700）。

網絡出版時間：2024-02-29""" 網絡出版地址：https：∥link.cnki.net/urlid/61.1069.t.20240228.1806.004

摘要：針對氣體絕緣組合電器（GIS）局部放電診斷和定位作為兩個獨立的任務來完成而忽略了兩個任務間的聯系、且難以部署和泛化到現場小樣本場景下的問題，提出了多任務元學習網絡以同時實現現場小樣本場景下的GIS局部放電診斷與定位。首先，為了充分挖掘兩個任務間的關聯關系并保留每一任務的差異特征，構建了多任務網絡，在特定任務層引入注意力機制，為每個任務從淺到深選擇重要特征，保證每一任務特征差異化提取的質量。其次，為了將所開發的多任務網絡部署應用到現場小樣本場景下，采用元訓練的方法對模型進行訓練。再次，在元測試階段使用目標任務的少量數據進行微調，實現了小樣本下GIS局部放電診斷和定位。最后，在現場樣本上對模型性能進行了驗證。實驗結果表明，提出的多任務元學習網絡在GIS 局部放電診斷上的準確率達到94.53%，定位平均誤差和均方根誤差分別為10.78cm和12.97cm，與單任務網絡和其他模型相比性能提升明顯，為GIS 局部放電診斷和定位提供了新穎的解決思路。

關鍵詞：局部放電；診斷；定位；多任務網絡；元學習

中圖分類號：TM85" 文獻標志碼：A

DOI：10.7652/xjtuxb202407010" 文章編號：0253-987X（2024）07-0105-11

Research on Gas-Insulated Switchgear Partial Discharge Diagnosis and

Location Method Based on Multi-Task Meta-Learning

WANG Yanxin， YAN Jing， GENG Yingsan， LIU Zhiyuan， WANG Jianhua

（State Key Laboratory of Electrical Insulation and Power Equipment， Xi’an Jiaotong University， Xi’an 710049， China）

Abstract：To address the issue where gas-insulated switchgear （GIS） partial discharge diagnosis and localization are treated as separate tasks without considering their connection and in response to challenging deployment and generalization to on-site small sample scenarios， this paper introduces a multi-task meta-learning network to simultaneously achieve GIS partial discharge diagnosis and localization in on-site small sample scenarios. Initially， a multi-task network is developed to fully explore the correlation between the two tasks while preserving their differential characteristics. An attention mechanism is introduced at specific task layers to select important features from shallow to deep levels for each task， ensuring the quality of differentiated extraction of features for each task. Subsequently， a meta-training method is adopted for model training to deploy the developed multi-task network in on-site small sample scenarios. Fine-tuning is performed using a small amount of data from the target task in the meta-testing stage， and GIS partial discharge diagnosis and location with small samples are enabled. Finally， the model performance is verified using field samples. Experimental results demonstrate that the multi-task meta-learning network proposed in this paper shows an accuracy of 94.53% in GIS partial discharge diagnosis， with an average error in the location of 10.78cm and a root mean square error of 12.97cm. Exhibiting superior performance relative to the single-task network and other models， the proposed multi-task meta-learning network presents a novel solution for GIS partial discharge diagnosis and location.

Keywords：partial discharge; diagnosis; location; multi-task network; meta-learning

氣體絕緣組合電器（GIS）是由斷路器、隔離開關、接地開關、電流互感器、電壓互感器、避雷器、母線、出線套管、電纜終端等電氣元件組合而成的成套開關設備，具有占地面積小、環境適應性強、維護工作量小、運行可靠性高等優點［1］。局部放電是在高壓應力下發生在絕緣介質中部分區域的放電，而沒有貫穿施加電壓的導體之間［2］。在GIS中，由于高壓或接地電極上的不規則突出缺陷、游離或漂浮的金屬顆粒、絕緣子表面的污染以及電極/介電界面上的間隙，都會導致局部放電發生。這些缺陷可能是由于運行過程中導體的機械磨損運動、制造過程中質量控制不嚴格、GIS設備運輸和組裝過程中的振動、未檢測到的電極劃傷以及不良的電接觸等［3］造成的。局部放電會引起電暈和擊穿電壓的降低，導致GIS絕緣性能逐漸劣化，最終造成其失效。因此，有效識別并診斷GIS中局部放電的活動并對局部放電位置進行判別對保障其可靠運行至關重要。

局部放電診斷作為識別放電類型的有效手段，是GIS狀態評估的基礎。局部放電定位則是驗證檢測有效性的必要步驟，同時又可為診斷提供詳細的放電環境信息，因此在局部放電帶電檢測中準確定位也至關重要。為此，許多GIS 局部放電診斷和定位方法得到研究和應用［4-6］。隨著人工智能的發展，以深度學習為代表的數據驅動方法在GIS 局部放電診斷和定位領域取得了長足的發展，尤其是卷積神經網絡、長短時記憶網絡以及自編碼器等在該領域取得顯著成效［7-8］。

然而，現有研究均是將GIS局部放電診斷和定位作為兩個獨立任務，存在不足之處：一方面忽略了兩個任務間的關聯關系，導致模型性能難以進一步提升；另一方面將二者作為兩個獨立任務開發模型造成了更大的開銷。多任務學習作為深度學習的一個重要分支，因能夠挖掘任務間的耦合關系，在負荷預測［9］、機械設備狀態預測與健康管理［10-11］等多個領域取得了令人滿意的性能。

另外，如何將所開發的模型部署和泛化到現場小樣本場景也是亟待解決的問題。盡管分別以生成對抗網絡［12］和遷移學習［13］為核心的方法被引入到小樣本學習問題中，但目標樣本的數量仍然是模型取得優異性能的關鍵，導致二者對樣本量的依賴問題未從根源上解決。元學習作為一種新穎的機器學習范式［14］，通過學習本身能夠適應或泛化到訓練期間從未遇到過的新任務和新環境，近年來在小樣本局部放電診斷［15］、故障診斷［16-17］等領域被廣泛的研究。

受啟發于多任務學習和元學習，本文提出了多任務元學習網絡以同時實現現場小樣本場景下的GIS局部放電診斷與定位。為了充分挖掘GIS局部放電診斷和定位間的關聯關系，并學習每一任務的差異化特征來提升其性能，本文構建了新穎的多任務網絡結構。在網絡結構中引入注意力機制，提升模型對GIS 局部放電診斷和定位可鑒別特征的提取。為了將所開發的模型部署和泛化到小樣本場景下，本文引入元學習策略。利用A-way K-shot的訓練模式，從元訓練集中獲得局部放電診斷和定位知識，通過元測試集對初始參數進行微調即可實現小樣本下GIS局部放電診斷和定位。在現場小樣本場景下，所提出的多任務元學習網絡能夠同時實現高精度的GIS局部放電診斷與定位。

1" 多任務元學習網絡

1.1" 用于局部放電診斷與定位的多任務網絡

人類能夠同時學習多個任務，并且利用其他相關任務中包含的有用知識來幫助另一個任務更好地學習。受人類這種學習能力的啟發，提出了多任務學習，目的是共同學習多個相關的任務，從而利用其他任務中包含的信息來幫助每個任務的學習［18］，在充分挖掘局部放電診斷和定位關聯關系的同時，提升局部放電診斷和定位每一任務的性能。

圖1給出了單任務網絡和多任務網絡的結構圖。圖1（a）中兩個獨立的網絡分別用于局部放電診斷和定位，稱為單任務學習。由于它們之間沒有聯系，所以每個網絡的特征不能被共享或用來幫助學習另一個網絡。圖1（b）給出了一個具有兩個輸出的網絡，每個輸出對應于圖1（a）中的一個任務。值得注意的是，這些輸出可以連接它們共享的隱藏層中的所有神經元。然后，在共享隱藏層之后構建獨立的子網，并分別訓練相應的參數。由于底層與兩個任務共享，因此一個任務的特征表示也可以被其他任務使用，從而挖掘兩個任務間的關聯關系，提升每一任務的性能。

為了充分挖掘兩個任務間的關聯關系并保留每一任務的差異特征，實現GIS局部放電高精度、高魯棒的診斷和定位，本文構建的多任務網絡具體結構如圖2所示，主要由任務共享層和特定任務層兩個部分組成。其中任務共享層旨在從輸入信號中學習豐富的任務共享特征，從而挖掘局部放電診斷和定位兩個任務的關聯關系。特定任務層從任務共享層學習到的特征中學習與每一任務相關的特征，從而保留每一任務的特征差異。

1.1.1" 任務共享層

共享特征在任務共享層的不同深度特征映射中進行編碼，以學習局部放電診斷和定位任務的共享特征。然后，每個特定任務層中的一組注意力模塊與任務共享層連接，以學習特定任務的特征。通過這種方式，每個注意力模塊［19］都充當任務共享層的特征選擇器，并允許以端到端的方式學習特定任務的特征，而任務共享層則學習一個緊湊的全局特征。考慮到局部放電定位對時間特征的依賴性，本文選擇一維卷積神經網絡作為基準網絡來挖掘局部放電信號中的時間細粒度信息。如圖2所示，本文構建了一個由6個卷積塊組成的輕量級任務共享層。每個卷積塊包含3層：一維卷積層，批量歸一化層和激活函數［20］。批量歸一化層用于加速訓練并減少由每層輸入的不同分布引起的內部協變量偏移。

1.1.2" 特定任務層

特定任務層以任務共享層提取的共享特征為輸入，進一步挖掘每一任務的差異特征，實現GIS局部放電診斷與定位。每個特定任務層包含3個注意力模塊、3個最大池化層、3個1×1卷積層組成。3個注意力模塊在3個位置鏈接到任務共享層的不同深度，自動為每個任務從淺到深選擇重要特征。1×1 卷積層用于增加通道數以匹配任務共享特征的通道數，然后再送入下一個注意力模塊。

對注意力模塊［21］，假設注意力的輸入是xi∈RC×W。首先，每個通道的全局空間信息被全局平均層壓縮為標量，計算過程如下

zi=1W∑Wk=1xi（x，k）Cc=1 （1）

式中：xi（x，k）表示x∈RC×W的第c個通道中的第k個元素；zi∈RC×1表示壓縮后的數據。然后構建卷積層和sigmoid激活函數，捕獲局部跨通道交互，得到0～1范圍內的權向量ω∈RC×1。sigmoid激活函數定義為

fsig=11+e-x（2）

為了避免權重過小以更好地傳遞信息，本文增加了一個快捷連接，將ω增加到1～2范圍內。注意力模塊的最終輸出為yI=xiω+xi，其中表示逐元素乘法。

1.2" 多任務元學習網絡訓練過程

本文提出多任務元學習網絡實現GIS局部放電診斷與定位，其目標由兩個部分組成。其中局部放電診斷任務為多標簽分類任務，可通過交叉熵損失函數l1進行優化［22］，計算公式如下

l1=-1N∑Ni=1（yilogpi+（1-yi）log（1-pi）） （3）

式中：yi和pi分別表示期望和預測概率；N為訓練樣本數。

局部放電定位任務可視為回歸問題，可采用此均方差損失［23］優化此任務，損失函數l2可表示如下

l2=1N∑Ni=1i-yi2 （4）

式中：i和yi分別為第i個樣本的預測值和真實值。

為此本文提出的多任務網絡的損失函數可由上述兩個任務的損失函數聯合得到。考慮到局部放電診斷和定位任務的數據分布和重要性存在差異，多任務網絡損失值計算如下

LMTL=λ1l1+λ2l2（5）

式中：LMIL為多任務學習模型損失；λ1和λ2為平衡因子。

為了將所開發的多任務網絡部署應用到現場小樣本場景下，本文采用元訓練的方法對模型進行訓練。模型無關元學習（MAML）作為一種小樣本學習范式，可以很好地適應和泛化到訓練期間從未遇到過的新任務和新環境［24］。MAML采用A-way K-shot的訓練模式，可自適應選擇最優的初始化參數，進而使用這些參數快速調整模型以適應數據量較少的新任務。MAML分為兩個階段：元學習和元測試。在元學習階段，從構建的學習任務中獲得局部放電診斷和定位知識，并作為初始參數θ嵌入到基于多任務網絡的GIS局部放電診斷和定位模型中。在元測試階段，使用目標任務的少量數據對初始參數θ進行微調。最后，通過微調模型實現小樣本下GIS局部放電診斷和定位。

圖3為MAML算法示意圖，其在元學習階段對初始參數進行優化，在元測試階段對新的目標任務進行微調，圖中Ti為任務集中的第i個任務。初始參數在元學習階段更新兩次，一次在內部循環，一次在外部循環。在內部循環中，使用從構建的學習任務中訓練基于多任務網絡的GIS局部放電診斷和定位模型。在外部循環中，使用幾個不同的樣本為每個任務驗證訓練好的多任務網絡，以提供關于模型泛化性能的反饋，從而更新初始參數。

在內循環結構中，MAML的參數更新［25］過程如下

θ′=θ-αΔθLMILf（fθ）（6）

式中：θ為在該任務上更新得到的最優參數；α為內循環網絡的學習率；fθ為參數θ的內循環網絡結構；LMTLf為某一具體任務上的損失；ΔθIMTLf（fθ）為損失梯度。

在外循環結構中，MAML算法要求對新任務能夠快速地適應。因此，要求最優參數θ對所有不同任務的損失誤差最小，具體形式如下

minθ∑Ti～p（T）LMTLf（fθ′i）=

∑Ti～p（T）LMTLff（θ-αΔθLMTLf（fθ）） （7）

式中：p（T）為任務集的分布。

最后，MAML算法通過隨機梯度下降法即可完成參數θ的更新，其過程如下

θ=θ-βΔθ∑Ti～p（T）LMTLf（fθ′i）（8）

式中：β為元學習器的學習率。

1.3" GIS局部放電診斷與定位流程

本文提出的多任務元學習網絡以多任務網絡為基準模型，在挖掘兩個任務耦合關系的同時保留每一任務的差異，實現GIS局部放電高精度、高魯棒診斷與定位。同時以元訓練的方式，將開發的多任務網絡部署應用到小樣本場景，尤其是現場數據匱乏的場景。整個模型以局部放電信號為輸入，對于局部放電診斷而言，模型輸出是所屬局部放電類型的概率；對局部放電定位而言，模型輸出是坐標值，即局部放電位置的空間坐標。本文所構建的多任務元學習網絡的GIS局部放電診斷與定位流程如圖4所示，具體過程如下。

（1）數據集劃分：構建元訓練集和元測試集。本文將實驗模擬法和理論模擬法得到的數據集作為元訓練集，將含有少量樣本的現場數據集作為元測試集。然后，依據A-way K-shot的方式，分別將元訓練集和元測試集劃分為支撐集和查詢集。

（2）多任務網絡構建：構建本文提出的多任務網絡，兩個任務分別用于GIS局部放電診斷和定位。

（3）元學習和元測試：在元學習階段，從元訓練集中獲得局部放電診斷和定位知識，并作為初始參數，嵌入到基于多任務網絡的GIS局部放電診斷和定位模型中。在元測試階段，使用元測試集對初始參數進行微調。最后，通過微調模型實現小樣本下GIS局部放電診斷和定位。

2" 案例分析

2.1" 局部放電數據集構建

本文所提出的多任務元學習網絡以元訓練集輔助實現現場小樣本場景下的局部放電診斷和定位。為獲得能夠學習局部放電診斷和定位知識的元訓練集，本文構建了局部放電仿真樣本集和實驗樣本集作為元訓練集。對局部放電仿真樣本集，采用時域有限差分法，模擬GIS局部放電過程，并獲取不同類型和位置的局部放電信號［26］。仿真模型如圖5所示。腔體兩端設置為金屬封閉層，使其更加接近實際腔體金屬封閉結構。為模擬實際測試中傳感器檢測特高頻信號，在絕緣子的澆注孔處設置探針作為觀測點，探針內阻為50Ω，剖分單元為6mm×6mm×6mm，仿真時間步長為19.23ps，總仿真時間為192.28ns。仿真過程中模擬了GIS設備中4種常見的典型絕緣缺陷，分別為金屬尖端缺陷、自由金屬微粒缺陷、沿面放電和懸浮電極缺陷。不同缺陷類型下的局部放電樣本如圖6所示。最終獲取每一缺陷在不同位置的500組數據并構建仿真樣本集。本文選擇如圖5所示的參考坐標為原點，而后獲取整個GIS腔體內不同坐標數據以完成GIS局部放電定位。

為獲得足夠的局部放電實驗樣本用于訓練模型，本文在實驗室搭建了一個252kV GIS局部放電實驗平臺，如圖7所示。由額定容量為100kV·A、額定電壓為252kV的無暈工頻實驗變壓器進行供電。將4個局部放電U-G2特高頻傳感器安裝到盆式絕緣子處以檢測局部放電信號，頻率范圍為0.3～1.5GHz，增益大于等于20dB。采用WavePro 254HD四通道數字示波器采集局部放電信號，該示波器采樣帶寬2GHz，最大采樣率20×109/s。實驗中，通過改變缺陷模型位置來模擬不同位置的放電，將缺陷模型中心處記為局部放電的實際位置。除沿面放電缺陷外，其他3類缺陷模型均固定在絕緣支架上。此支架可伸縮，為此可通過移動支架位置并改變支架的伸縮模擬不同位置的局部放電。具體而言，首先固定支架位置，然后伸縮支架6次，記錄每一次缺陷的具體位置并進行局部放電實驗，保存相應的局部放電信號。然后改變支架的固定位置，重復上述工作多次，即可獲取多組組局部放電信號。對沿面放電而言，首先選擇不同的盆式絕緣子進行實驗，然后在每一盆式絕緣子上改變缺陷具體位置來獲取局部放電樣本。隨機選擇某一局部放電源位置下4個特高頻傳感器檢測到的局部放電信號，如圖8所示，最終獲取每一缺陷在不同位置的300組數據構建實驗樣本集。

元測試集為最終要實現的現場小樣本場景下的GIS 局部放電樣本。現場數據來源于某電力公司多年來運行檢修積累的數據，以及對多臺長期運行的GIS進行測試所獲得的數據。為獲取GIS 局部放電現場樣本，該電力公司關注掛網運行多年且檢測到局部放電的GIS，加強監測并獲取了從局部放電出現到停電檢修的整個周期內的運行數據。最終獲取每一缺陷在不同位置下的50組數據作為元測試集。

2.2" 實驗設置

本文所有方法都是在硬件環境為Intel 10700F、NVIDIA RTX 3080Ti、32GB RAM的計算機上實現的。此外，所有模型都是基于Python 3.8、Pytorch 1.8.1和CUDA 10.2構建的。采用動量為0.9、權重衰減為5×10－4的隨機梯度下降優化器進行參數更新。平衡因子λ1和λ2在［0.1， 1］中憑經驗搜索以獲得最佳結果，迭代次數和批量大小分別設置為120和32，初始學習率為0.01。在元訓練和元測試中，支撐集與查詢集的劃分比例分別為8∶2和1∶1。本文中的所有結果均為通過15次實驗進行平均獲得，以減少隨機性誤差帶來的影響。為評估本文方法在GIS 局部放電診斷和定位上的性能，選擇診斷準確率、定位平均誤差和均方根誤差作為評價指標。

為驗證本文提出的多任務元學習網絡（MTMLN）在GIS局部放電診斷與定位上的優勢，選擇了如下方法進行對比實驗。

（1）單任務學習網絡（STLN）：網絡的特征提取器結構與本文相同，區別在于將局部放電診斷與定位作為兩個獨立的任務進行。為保證公平與客觀性，訓練也采用元學習的方法。

（2）直接訓練（DT）：網絡基本結構與本文相同，差別僅在于采用傳統方法直接訓練。

（3）域適應多任務學習網絡（DAMLN）：網絡基本結構與本文相同，差別僅在于采用域適應遷移學習進行訓練。

（4）特定任務層無注意力模塊（TLWAM）：網絡結構中在特定任務層中去掉注意力模塊，其他部分和訓練過程與本文相同。

（5）聯合損失卷積神經網絡（JLCNN）：特征提取器和訓練方法與本文方法相同，其余部分與文獻［27］相同。

2.3" 結果與分析

首先，本文研究不同元訓練集對現場小樣本GIS 局部放電診斷和定位的影響。為此，本文分別將仿真樣本、實驗樣本和仿真+實驗樣本作為元訓練集進行實驗，結果如表1所示。從表1可以看出，以仿真加實驗樣本作為元訓練集的GIS 局部放電診斷精度最高，定位平均誤差和均方根誤差最低。以仿真樣本作為元訓練集的診斷精度低于以實驗樣本作為元訓練集，定位平均誤差和均方根誤差高于以實驗樣本作為元訓練集。主要原因是，理想化的仿真樣本相對于實驗樣本而言未考慮運行條件和背景噪聲的影響，所學到的輔助知識與現場差異更大。另外，將仿真+實驗樣本作為元訓練集能夠學習更多的輔助知識，同時樣本數量更大，其代表性和全面性更強，從而提升了現場小樣本下的GIS 局部放電診斷精度，降低了定位誤差。另外，從表1可以看出，隨著支撐集樣本數量的增加，MTMLN方法的診斷精度均有提升，定位平均誤差和均方根誤差均有所降低。但是，當支撐集樣本數量達到10后，診斷精度的增加變得平緩，定位平均誤差和均方根誤差的降低也不再明顯。考慮到現場樣本稀缺，本文后續均選擇支撐集樣本數為10進行分析。

表2給出了不同方法的現場GIS局部放電診斷和定位結果。從表2中可以看出，本文MTMLN方法的診斷精度達到了94.53%，定位平均誤差和均方根誤差分別為10.78cm和12.97cm。相比于STLN診斷精度提升了4.97%，定位平均誤差降低了3.78cm，均方根誤差降低了4.35cm。可以看出，本文方法在挖掘局部放電診斷與定位兩個任務的耦合關系的同時，能夠提升GIS 局部放電診斷和定位兩個任務的性能。另外，相對于GIS局部放電診斷而言，多任務網絡在GIS 局部放電定位上的性能提升更為明顯，可見多任務網絡提出的必要性。

從不同訓練方法的角度來看，與DT方法相比，MTMLN方法的診斷精度提升了58.28%，定位平均誤差降低了10.27cm，均方根誤差降低了11.66cm。此時，DT方法難以實現現場小樣本GIS 局部放電診斷和定位，這主要和深度模型的訓練需要充足的樣本有關。與DAMLN方法相比，MTMLN方法的診斷精度提升了14.9%，定位平均誤差降低了7.67cm，均方根誤差降低了8.22cm。盡管DAMLN方法的診斷和定位性能相對于DT方法均有少許提升，但是仍無法滿足現場應用要求。主要原因是，域適應訓練方法在訓練過程中盡管降低了對目標域樣本數量的需求，但是相對于元學習而言其樣本需求量依然較大。

另外，從不同的多任務網絡對比來看，與JLCNN方法相比，MTMLN方法的診斷精度提升了2.48%，定位平均誤差降低了1.49cm，均方根誤差降低了1.71cm。由于JLCNN方法中沒有特定任務層，而是將任務共享層提取的特征直接進行診斷和定位，忽略了兩個任務的差異化提取，導致模型性能下降。與TLWAM方法相比，MTMLN方法的診斷精度提升了1.67%，定位平均誤差降低了1.23cm，均方根誤差降低了1.18cm。可見，在特定任務層將3個注意力模塊在3個位置鏈接到任務共享層的不同深度，自動為每個任務從淺到深選擇重要特征，有效提升了整個模型的性能。

為了進一步驗證不同方法在GIS 局部放電診斷上的性能，圖9給出了不同方法的混淆矩陣。從混淆矩陣中可以看出，相比于其他方法，本文提出的MTMLN方法提升了在每一類缺陷上的診斷精度。另外，所有方法在沿面放電的診斷精度最低，在懸浮放電上的診斷精度最高，這與放電機理相關［9］。圖10給出了不同方法的二維特征可視化結果，可以看出，相比于DT方法，盡管DAMLN方法能夠拉遠異類樣本，拉近同類樣本，但是不同類別間的混疊依然嚴重。相比于STLN方法，本文MTMLN方法在拉近同類樣本的同時，盡可能使得異類樣本遠離，分類邊界更加清晰。這進一步看出多任務網絡在GIS 局部放電診斷上的優勢。

圖11給出不同方法在現場GIS 局部放電定位上的累積概率密度。由圖可以看出，MTMLN方法在誤差10cm的累積概率密度可達93%，相比于其他方法有明顯提升。與STLN方法相比，MTMLN方法的累積概率密度曲線一直高于STLN方法，可見通過挖掘局部放電診斷與定位兩個任務的耦合關系能夠有效提升GIS 局部放電定位的精度。與JLCNN方法和TLWAM方法相比，MTMLN方法的累積概率密度曲線也一直高于這兩種方法，可見除了挖掘兩個任務的耦合關系外，在特定任務層中挖掘每個任務的差異化特征也是提升多任務網絡性能的關鍵。

表3給出了6種方法不同缺陷類型下的GIS 局部放電定位結果。可以看出，在所有方法中，沿面放電的平均誤差和均方根誤差最低。這主要是沿面放電僅發生在盆式絕緣子上，此時缺陷位置在x軸上坐標跨度小，從而導致其具有更小的平均誤差和均方根誤差。同時，自由金屬微粒的平均誤差和均方根誤差要略高于其他缺陷。這主要和微粒的運動有關，當施加電壓時微粒的跳動會影響位置的判斷。另外，金屬尖端和懸浮電極缺陷的定位平均誤差和均方根誤差的規律相近。可見，GIS 局部放電位置與缺陷類型之間存在著聯系。

3" 結" 論

（1）提出了多任務網絡實現GIS局部放電高精度診斷和定位。所提出的雙任務網絡能夠充分挖掘兩個任務間的關聯關系并保留每一任務的差異特征，在GIS 局部放電診斷上的準確率達到94.53%，定位平均誤差和均方根誤差分別為10.78cm和12.97cm。與單任務網絡相比性能提升明顯，為GIS 局部放電診斷和定位提供了新穎的解決思路。

（2）提出了元訓練的方式，將開發的多任務網絡部署應用到現場數據匱乏的場景。與直接訓練和域適應訓練相比，在支撐集數量為10時便可實現滿意的診斷精度和定位性能。在GIS 局部放電診斷上，相比于直接訓練將所有樣本混疊在一起，元訓練能夠在拉近同類樣本的同時，盡可能使得異類樣本遠離，分類邊界更加清晰。

（3）探究了元訓練集對模型性能的影響，確定了元訓練集的選取原則。不僅元訓練集樣本的全面性和代表性是限制模型性能的重要因素，而且元訓練集與元測試集間的分布差異也是影響模型性能的重要指標。以仿真樣本作為元訓練集，由于理想化的仿真樣本相比于實驗樣本而言，未考慮運行條件和背景噪聲的影響，所學到的輔助知識與現場差異比實驗樣本集更大，導致其診斷和定位性能不如實驗樣本集。以仿真+實驗樣本作為元訓練集的GIS 局部放電診斷和定位性能最好。

參考文獻：

［1］宋顏峰， 鄭中原， 于金山， 等. 機-電聯合作用下SF6氣體中金屬微粒運動行為與局部放電特性研究 ［J］. 西安交通大學學報， 2023， 57（7）： 74-83.

SONG Yanfeng， ZHENG Zhongyuan， YU Jinshan， et al. Study on the motion behavior and partial discharge characteristics of metal particles in SF6 gas under the combined action of mechanical and electrical ［J］. Journal of Xi’an Jiaotong University， 2023， 57（7）： 74-83.

［2］唐炬， 楊東， 曾福平， 等. 基于分解組分分析的SF6設備絕緣故障診斷方法與技術的研究現狀 ［J］. 電工技術學報， 2016， 31（20）： 41-54.

TANG Ju， YANG Dong， ZENG Fuping， et al. Research status of SF6 insulation equipment fault diagnosis method and technology based on decomposed components analysis ［J］. Transactions of China Electrotechnical Society， 2016， 31（20）： 41-54.

［3］KHAN Q， REFAAT S S， ABU-RUB H， et al. Partial discharge detection and diagnosis in gas insulated switchgear： state of the art ［J］. IEEE Electrical Insulation Magazine， 2019， 35（4）： 16-33.

［4］王艷新， 閆靜， 王建華， 等. 基于多級二階注意力孿生網絡的小樣本GIS局部放電診斷方法 ［J］. 電工技術學報， 2023， 38（8）： 2255-2264.

WANG Yanxin， YAN Jing， WANG Jianhua， et al. Few-shot partial discharge diagnosis for gas-insulated switchgear using a novel multi-level second-order attention Siamese network ［J］. Transactions of China Electrotechnical Society， 2023， 38（8）： 2255-2264.

［5］陳軒， 王立憲， 朱超， 等. 基于振動信號的氣體絕緣金屬封閉輸電線路局部放電診斷方法 ［J］. 電氣技術， 2021， 22（12）： 34-39.

CHEN Xuan， WANG Lixian， ZHU Chao， et al. Partial discharge diagnosis method of gas insulated transmission line based on vibration signal ［J］. Electrical Engineering， 2021， 22（12）： 34-39.

［6］WANG Yanxin， YAN Jing， YANG Zhou， et al. Deep domain-invariant long short-term memory network for partial discharge localization in gas-insulated switchgear ［J］. IEEE Transactions on Power Delivery， 2023， 38（4）： 2810-2820.

［7］WANG Yanxin， YAN Jing， YANG Zhou， et al. A domain adaptive deep transfer learning method for gas-insulated switchgear partial discharge diagnosis ［J］. IEEE Transactions on Power Delivery， 2022， 37（4）： 2514-2523.

［8］張翼， 朱永利. 基于深度-廣度聯合剪枝的電力設備局部放電輕量化診斷方法 ［J］. 電工技術學報， 2023， 38（7）： 1935-1945.

ZHANG Yi， ZHU Yongli. A lightweight partial discharge diagnosis method of power equipment based on depth-width joint pruning ［J］. Transactions of China Electrotechnical Society， 2023， 38（7）： 1935-1945.

［9］吳晨， 姚菁， 薛貴元， 等. 基于MMoE多任務學習和長短時記憶網絡的綜合能源系統負荷預測 ［J］. 電力自動化設備， 2022， 42（7）： 33-39.

WU Chen， YAO Jing， XUE Guiyuan， et al. Load forecasting of integrated energy system based on MMoE multi-task learning and LSTM ［J］. Electric Power Automation Equipment， 2022， 42（7）： 33-39.

［10］ZHANG Yong， XIN Yuqi， LIU Zhiwei， et al. Health status assessment and remaining useful life prediction of aero-engine based on BiGRU and MMoE ［J］. Reliability Engineering amp; System Safety， 2022， 220： 108263.

［11］YAN Jianhai， HE Zhen， HE Shuguang. Multitask learning of health state assessment and remaining useful life prediction for sensor-equipped machines ［J］. Reliability Engineering amp; System Safety， 2023， 234： 109141.

［12］WANG Yanxin， YAN Jing， YANG Zhou， et al. GAN and CNN for imbalanced partial discharge pattern recognition in GIS ［J］. High Voltage， 2022， 7（3）： 452-460.

［13］楊為， 朱太云， 張國寶， 等. 電力物聯網下基于卷積神經網絡和遷移學習的GIS局部放電模式識別分類方法研究 ［J］. 高壓電器， 2020， 56（9）： 20-25.

YANG Wei， ZHU Taiyun， ZHANG Guobao， et al. Research on partial discharge pattern recognition and classification in GIS based on convolutional neural network and transfer learning in power internet of things ［J］. High Voltage Apparatus， 2020， 56（9）： 20-25.

［14］劉穎， 雷研博， 范九倫， 等. 基于小樣本學習的圖像分類技術綜述 ［J］. 自動化學報， 2021， 47（2）： 297-315.

LIU Ying， LEI Yanbo， FAN Jiulun， et al. Survey on image classification technology based on small sample learning ［J］. Acta Automatica Sinica， 2021， 47（2）： 297-315.

［15］WANG Yanxin， YAN Jing， YANG Zhou， et al. Novel metric-based meta-learning model for few-shot diagnosis of partial discharge in a gas-insulated switchgear ［J］. ISA Transactions， 2023， 134： 268-277.

［16］王艷新， 閆靜， 王建華， 等. 基于特征融合度量學習的高壓斷路器機械故障診斷 ［J］. 儀器儀表學報， 2022， 43（9）： 98-105.

WANG Yanxin， YAN Jing， WANG Jianhua， et al. Mechanical fault diagnosis for high voltage circuit breaker via a novel feature fusion metric learning ［J］. Chinese Journal of Scientific Instrument， 2022， 43（9）： 98-105.

［17］ZHANG Shen， YE Fei， WANG Bingnan， et al. Few-shot bearing fault diagnosis based on model-agnostic meta-learning ［J］. IEEE Transactions on Industry Applications， 2021， 57（5）： 4754-4764.

［18］鄧旭暉， 陳中， 楊凱， 等. 基于多任務學習卷積網絡的非侵入式負荷監測方法 ［J］. 電力系統自動化， 2023， 47（8）： 189-197.

DENG Xuhui， CHEN Zhong， YANG Kai， et al. Non-intrusive load monitoring method based on multi-task learning convolutional network ［J］. Automation of Electric Power Systems， 2023， 47（8）： 189-197.

［19］XIE Zongliang， CHEN Jinglong， FENG Yong， et al. End to end multi-task learning with attention for multi-objective fault diagnosis under small sample ［J］. Journal of Manufacturing Systems， 2022， 62： 301-316.

［20］LI Yang， KAZEMEINI A， MEHTA Y， et al. Multitask learning for emotion and personality traits detection ［J］. Neurocomputing， 2022， 493： 340-350.

［21］王照偉， 劉傳帥， 趙文祥， 等. 多尺度多任務注意力卷積神經網絡滾動軸承故障診斷方法 ［J/OL］. 電機與控制學報： 1-12［2023-10-22］. http：//kns.cnki.net/kcms/detail/23.1408.tm.20230524.1025.018.html.

WANG Zhaowei， LIU Chuanshuai， ZHAO Wenxiang， et al. Rolling bearing fault diagnosis with multi-scale multi-task attention convolutional neural network ［J/OL］. Electric Machines and Control： 1-12［2023-10-22］. http：//kns.cnki.net/kcms/deail/23.1408.tm.20230524. 1025.018.html.

［22］BHUKYA A， KOLEY C. Bi-long short-term memory networks for radio frequency based arrival time detection of partial discharge signals ［J］. IEEE Transactions on Power Delivery， 2022， 37（3）： 2024-2031.

［23］BOSMAN A S， ENGELBRECHT A， HELBIG M. Visualising basins of attraction for the cross-entropy and the squared error neural network loss functions ［J］. Neurocomputing， 2020， 400： 113-136.

［24］CHEN Jianjun， HU Weihao， CAO Di， et al. A meta-learning method for electric machine bearing fault diagnosis under varying working conditions with limited data ［J］. IEEE Transactions on Industrial Informatics， 2023， 19（3）： 2552-2564.

［25］WANG Yanxin， YAN Jing， YANG Zhou， et al. A novel hybrid meta-learning for few-shot gas-insulated switchgear insulation defect diagnosis ［J］. Expert Systems with Applications， 2023， 233： 120956.

［26］王艷新， 閆靜， 王建華， 等. 基于域對抗遷移卷積神經網絡的小樣本GIS絕緣缺陷智能診斷方法 ［J］. 電工技術學報， 2022， 37（9）： 2150-2160.

WANG Yanxin， YAN Jing， WANG Jianhua， et al. Intelligent diagnosis for GIS with small samples using a novel adversarial transfer learning in convolutional neural network ［J］. Transactions of China Electrotechnical Society， 2022， 37（9）： 2150-2160.

［27］LIU Ruonan， YANG Boyuan， HAUPTMANN A G. Simultaneous bearing fault recognition and remaining useful life prediction using joint-loss convolutional neural network ［J］. IEEE Transactions on Industrial Informatics， 2020， 16（1）： 87-96.

（編輯" 杜秀杰）