氣體絕緣組合開關電器絕緣子機械故障智能檢測研究

摘要：為提高變電站氣體絕緣組合開關電器絕緣子機械松動檢測精度和檢測速度，提出一種改進CNN網絡的智能檢測方法。方法以盆式絕緣子機械松動類型檢測為研究對象，通過將CNN網絡卷積核尺寸大小調整為1*3，并在標準CNN網絡中增加2層卷積層和全連接層，在訓練過程中引入了批量歸一化操作，增強CNN網絡的非線性表達能力，縮短網絡訓練時間，實現了盆式絕緣子機械松動智能檢測。仿真結果表明，所提方法具有較高的檢測準確率，平均檢測準確率為99%，平均損失值為0.001 1，且具有更快的檢測速度，檢測時長為76 s。相較于標準CNN模型、SVM模型、KNN模型，所提方法在檢測準確率和檢測速度具有明顯優勢，為變電站氣體絕緣組合開關電器絕緣子機械松動智能檢測提供了參考。

關鍵詞：氣體絕緣組合開關電器；絕緣子機械松動；智能檢測；CNN網絡

中圖分類號：TM216；TQ116文獻標識碼：A文章編號：1001-5922（2025）04-0155-04

Research on intelligent detection of mechanical faults of gas insulated switchgear insulators

PAN Jingjuan

（State Grid Nantong Power Supply Company，Nantong 226007，Jiangsu China）

Abstract：In order to improve the accuracy and detection speed of mechanical looseness detection of gas insulated switchgear insulators in substations，an improved CNN network intelligent detection method is proposed.The meth?od focuses on the detection of mechanical looseness types in basin insulators.By adjusting the size of the convolu?tional kernel of the CNN network to 1*3 and adding two layers of convolutional layers and fully connected layers to the standard CNN network，batch normalization operations are introduced during the training process to enhance the non-linear expression ability of the CNN network，shorten the training time，and achieve intelligent detection of me?chanical looseness in basin insulators.The simulation results show that the proposed method has a high detection accuracy，with an average detection accuracy of 99%and an average loss value of 0.001 1.It also has a faster detec?tion speed and a detection time of 76 seconds.Compared with standard CNN models，SVM models，and KNN mod?els，the proposed method has significant advantages in detection accuracy and speed，providing a reference for in?teligent detection of mechanical looseness of gas insulated switchgear insulators in substations.

Key words：gas insulated combination switchgear；mechanical loosening of insulators；intelligent detection；CNN network

變電站氣體絕緣組合開關電器是一種使用氣體絕緣保護變電站組件的電氣設備，可有效捕獲自由電子，減少變電站電弧中的電力，進而確保變電站穩定安全運行。然而，由于變電站氣體絕緣組合開關電器的絕緣子通常采用螺栓進行連接，容易出現螺栓預緊力分布不均的問題，導致絕緣子發生變形，進而影響變電站運行安全。因此，有必要對變電站氣體絕緣組合開關電器絕緣子機械松動進行檢測。目前，變電站氣體絕緣組合開關電器絕緣子機械松動檢測主要是在事故發生后，通過人工檢測進行確定，而缺乏一種智能檢測方法。因此，人們嘗試參考現有基于深度學習的智能檢測方法，對絕緣子機械松動進行智能檢測，如尹子會等[1]通過改進Faster R-CNNDE錨點框生成機制，并利用邊緣計算對變電站設備圖像進行缺陷檢測，提出一種融合邊緣計算和改進Faster R-CNN的變電站設備缺陷檢測方法，實現了變電站設備缺陷的自動檢測；張天忠等[2]通過利用希爾伯特-黃提取變電站電流的故障特征，并利用CNN網絡進行故障定位，實現了智能變電站的故障診斷與故障定位；翁凌雯等[3]通過使用變電站視頻信號的靜態幀、光溜圖像和差分光度信息作為CNN網絡的輸入，有效關聯了變電站視頻在視域和空域上特征，提出一種基于機器視覺和動作識別的變電站智能監控方法，實現了變電站的智能監控。因此，本研究嘗試采用CNN網絡對變電站氣體絕緣組合開關電器的絕緣子機械松動進行智能檢測，并通過改進CNN網絡卷積核大小，增加網絡層深度，來提高CNN網絡的檢測速度和檢測性能，提出一種改進的CNN網絡絕緣子機械松動智能檢測方法。

1 CNN網絡及改進

CNN網絡是一種人工神經網絡，由卷積層、池化層和全連接層三種基本結構組成[4-5]。其中，卷積層負責提取輸入數據特征，池化層通過最大池化或平均池化采樣，對卷積層提取的特征進行強化，全連接層負責輸出分類識別結果[6-7]。

CNN網絡具有強大的特征提取功能，可從變電站氣體絕緣組合開關電器超聲數據中提取螺栓松動特征，并能根據特征進行分類識別。因此，本研究選用該網絡對變電站氣體絕緣組合開關電器絕緣子螺栓松動進行智能檢測。但由于CNN網絡參數過多，同時訓練大量的參數會導致訓練困難，降低訓練效率，甚至導致網絡過擬合，影響網絡分類識別性能[8-9]。因此，有必要對CNN網絡進行改進。本研究參考VGG16網絡模型結構，將網絡中卷積層濾波器尺寸降低，可提升網絡性能和訓練速度[10]。因此，本研究對CNN卷積層濾波器尺寸進行了優化，將CNN網絡1*5的卷積核轉換為1*3的卷積核。同時通過在原始網絡結構上增加兩層卷積層和全連接層，提升網絡深度，進一步提高網絡訓練速率。

另外，考慮到網絡層數的增加會導致每個網絡層的參數發生變化。此時，若訓練數據和測試數據的分布差異明顯，會導致網絡時效。因此，研究在CNN網絡訓練過程中引入了批量歸一化操作，如下[11]：

xi（′）= （1）

式中：xi，xi（′）分別為歸一化前后的數據；μβ，σB（2）分別為訓練抽取的數據均值和方差；ε為防止分母為0的極小數。

最后，為避免歸一化后數據的偏移量丟失，增強CNN網絡的非線性表達能力，對歸一化后的數據進行了尺度縮放，如式下[12]：

yi= ri× xi（′）+ βi（2）

式中：ri，βi為重構參數，yi為尺度縮放后的數據。

通過上述改進，可有效提高CNN網絡的訓練速度，增強網絡分類識別性能。因此，本研究選用上述改進的CNN網絡對變電站氣體絕緣組合開關電器絕緣子機械松動進行智能檢測。

2變電站氣體絕緣組合開關電器絕緣子機械松動智能檢測

為實現變電站氣體絕緣組合開關電器絕緣子機械松動智能檢測，本研究以變電站盆式絕緣子螺栓松動類型檢測為研究對象，并基于上述改進的CNN網絡，提出一種絕緣子機械松動檢測方法，具體操作流程如下：

數據獲取及預處理。收集整理不同工況下盆式絕緣子機械松動的超聲傳播數據。考慮到數據中含有噪聲數據等異常數據，對數據進行濾波處理，并將所有數據歸一化到相同長度和量綱[13]；

數據集劃分。將預處理后的數據按一定比例劃分為訓練集和測試集，分別用于改進CNN網絡的訓練和測試；

改進CNN網絡模型訓練。基于深度學習框架搭建CNN網絡模型，并將訓練集輸入構建的改進CNN網絡模型中進行訓練，保留訓練完成的改進CNN網絡模型；

改進CNN網絡模型分類識別。將測試集輸入訓練完成的改進CNN網絡模型中，其輸出結果即為盆式絕緣子松動類型檢測結果。

3仿真實驗

3.1實驗環境搭建

本次實驗基于TensorFlow深度學習框架搭建改進的CNN網絡模型，并在window10操作系統上運行。系統配置Intel酷睿i7 8700K CPU，AORUS GTX 1080Ti Gaming oc 11G顯卡。

3.2數據來源及預處理

本次實驗數據來自某變電站氣體絕緣組合開關電器絕緣子螺栓，在無螺栓松動、1個螺栓松動、5個螺栓松動、10個螺栓松動，以及不同工況下的超聲傳播數據，共5 000個[14]。

考慮到實驗數據中可能存在異常值和噪聲數據，影響改進CNN網絡的訓練結果。因此，實驗前首先采用分位數異常檢測法對實驗數據進行檢測，并將檢測結果中的異常值進行刪除。然后對噪聲數據進行濾波處理。

其次，考慮到每種工況采集的數據長度不同，因此為適應不同改進CNN網絡檢測需求，將數據集長度統一為100。同時，考慮到數據含義不同，導致數據不在同一量綱。因此，對數據進行了歸一化處理。

最后，將預處理后的數據按9∶1比例劃分為訓練數據集和測試數據集。

3.3評價指標

本次實驗選用準確率（Accuracy）和損失值（Loss）作為評估所提改進CNN網絡模型的性能指標。其計算方法如下[15-16]：

Accuracy=正確分類數量/分類總數量（3）

Loss=-x（Σ）p（x）log q（x）（4）

式中：p（x）表示實際值；q（x）表示預測值。

3.4參數設置

本次實驗設置所提改進CNN網絡模型的迭代次數為1 000次，學習率為0.001，batch_size為32[17-18]。考慮到上述參數對改進CNN網絡模型檢測效果具有重要影響，因此，研究通過實驗調整這些參數，以優化模型性能。

在不同迭代次數條件下，改進CNN網絡模型的準確率和損失值對比可知，當迭代次數為100時，準確率和損失值曲線未達達到收斂狀態；當迭代次數為300和1 000時，準確率和損失值曲線均處于收斂狀態。考慮到迭代次數越多訓練時間越長，通過綜合分析改進CNN網絡模型的準確率、損失值和訓練時長，本次實驗設置模型的迭代次數為1 000。

在迭代次數為300時，不同學習率下改進CNN網絡模型的準確率和損失值對比。由圖可知，隨著學習率的減小，改進CNN網絡模型的準確率先升高后降低，損失值先降低后升高；當學習率為0.001時，改進CNN網絡模型的準確率最高，為100%，損失值最小，為0.0008。因此，本次實驗設置改進CNN網絡模型的學習率為0.001。

在迭代次數為1 000，學習率為0.001條件下，不同bitch_size時改進CNN網絡模型的準確率與損失值對比。由圖可知，當bitch_size較小或較大時，模型均未達到收斂；當bitch_size=32時，模型達到收斂狀態，且準確率和損失值未出現波動情況，說明此時模型已達到最佳性能狀態。因此，本次實驗設置模型的bitch_size為32。

通過上述對不同參數條件下改進CNN網絡模型性能分析，最終本次實驗設定模型的迭代次數為1 000，學習率為0.001，bitch_size為32。

3.5結果與分析

3.5.1模型驗證

為驗證所提改進CNN網絡模型的有效性，實驗統計了模型對不同工況的螺栓松動檢測的混淆矩陣，結果表明：所提模型對無螺栓松動（工況1）、1個螺栓松動（工況2）、5個螺栓松動（工況3）、10個螺栓松動（工況4）的檢測準確率均超過97%，尤其是對無螺栓松動工況檢測的準確率達到100%。由此說明，所提基于改進CNN網絡模型可有效檢測不同工況的螺栓松動情況，且具有較高的檢測準確率。

為更直觀地展現所提改進CNN網絡模型對不同螺栓工況的分類識別效果，研究對模型分類識別結果進行了可視化表示，結果如圖1所示。

由圖1可知：每種工況下的螺栓松動都被準確地聚類在一起，且不同工況的螺栓松動完全分開。由此說明，所提模型可有效聚類分離不同工況的螺栓松動，具有較高的準確性。

3.5.2模型對比

為進一步驗證改進的CNN網絡模型對不同工況螺栓松動檢測的優越性，實驗對比了改進的CNN網絡模型、標準CNN網絡模型、SVM模型、KNN模型的檢測效果，結果如表1所示[19-20]。

由表1可知，不同模型對不同工況螺栓松動檢測的準確率和損失值不同，所提模型的檢測準確率最高，損失值最低，平均準確率為99%，平均損失值為0.001 1，且明顯縮短了檢測時長。由此說明，相較于標準CNN網絡模型、SVM模型和KNN模型，所提改進CNN網絡模型對不同工況螺栓松動檢測具有明顯優勢。

4結論

綜上所述，所提的變電站氣體絕緣子組合開關電器絕緣子機械松動智能檢測方法，基于改進的CNN網絡模型對盆式絕緣子機械松動類型進行判別，實現了絕緣子機械松動中，有無螺栓松動的準確識別、如1個螺栓松動、5個螺栓松動或10個螺栓松動等，不同工況下螺栓松動的智能檢測，且具有較高的檢測準確率。相較于標準CNN網絡模型和SVM模型、KNN模型，所提模型的平均檢測準確率更高，為99%，平均損失值為0.0011，具有更短的檢測時間76s，且具有更優異的絕緣子機械松動檢測性能，為實現變電站氣體絕緣子組合開關電器絕緣子機械松動智能檢測奠定了理論基礎。

【參考文獻】

[1]尹子會，孟榮，范曉丹，等.融合邊緣計算和改進Faster R-CNN的變電站設備典型視覺缺陷檢測系統[J].中國科技論文，2021，16（3）：343-348.

[2]張天忠，穆弘，賈健雄，等.電力物聯網背景下基于HHT-CNN的智能變電站故障診斷[J].安徽大學學報（自然科學版），2022，46（4）：50-57.

[3]翁凌雯，王棟，潘丹，等.基于機器視覺與動作識別的變電站智能安監管控技術研究[J].電子設計工程，2023，31（16）：67-71.

[4]陳雷，劉林虎，閆川川，等.基于孤立森林和GRU-CNN-At?tention的超短期電力負荷預測[J].電子設計工程，2023，31（20）：140-144.

[5]曹玉貴，謝夢醒.基于WD-CNN-LSTM模型的股票價格預測分析[J].華北水利水電大學學報（社會科學版），2023，39（5）：15-22.

[6]曹梅，楊超宇.基于小波的CNN-LSTM-Attention瓦斯預測模型研究[J].中國安全生產科學技術，2023，19（9）：69-75.

[7]王曉霞，俞敏，冀明，等.基于氣候相似性與SSA-CNN-LSTM的光伏功率組合預測[J].太陽能學報，2023，44（6）：275-283.

[8]叢敬奇，成鵬飛，趙振軍.基于CEEMD-CNN-LSTM的股票指數集成預測模型[J].系統工程，2023，41（4）：104-116.

[9]鄧姍姍，黃慧，馬燕.基于改進Faster R-CNN的小目標檢測算法[J].計算機工程與科學，2023，45（5）：869-877.

[10]雷柯松，吐松江·卡日，伊力哈木·亞爾買買提，等.基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率預測[J].電力系統保護與控制，2023，51（9）：108-118.

[11]王魯，劉晴，曹月，等.基于改進Cascade Mask R-CNN與協同注意力機制的群豬姿態識別[J].農業工程學報，2023，39（4）：144-153.

[12]吳曉剛，閻潔，葛暢，等.基于改進GRU-CNN的風光水一體化超短期功率預測方法[J].中國電力，2023，56（9）：178-186.

[13]楊子民，彭小圣，熊予涵，等.計及鄰近風電場信息與CNN-BiLSTM的短期風電功率預測[J].南方電網技術，2023，17（2）：47-56.

[14]楊子民，彭小圣，熊予涵，等.計及鄰近風電場信息與CNN-BiLSTM的短期風電功率預測[J].南方電網技術，2023，17（2）：47-56.

[15]張淑清，杜靈韻，王冊浩，等.基于格拉姆角場與改進CNN-ResNet的風電功率預測方法[J].電網技術，2023，47（4）：1540-1548.

[16]趙志宏，李春秀，竇廣鑒，等.基于MTF-CNN的軸承故障診斷研究[J].振動與沖擊，2023，42（2）：126-131.

[17]歐陽福蓮，王俊，周杭霞.基于改進遷移學習和多尺度CNN-BiLSTM-Attention的短期電力負荷預測方法[J].電力系統保護與控制，2023，51（2）：132-140.

[18]王開艷，杜浩東，賈嶸，等.基于相似日聚類和QR-CNN-BiLSTM模型的光伏功率短期區間概率預測[J].高電壓技術，2022，48（11）：4372-4388.

[19]蔡玲嘉.基于SVM機器學習技術的企業智能化審計建模優化[J].粘接，2023，50（5）：139-142.

[20]何劍萍，黃曉蘭，蔣大銳.基于MPA-SVM的技術實踐與工作精準指向研究[J].粘接，2023，50（3）：122-126.

（責任編輯：李睿）