首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于卷积神经网络的电网电缆局部放电自动化诊断系统

基于卷积神经网络的电网电缆局部放电自动化诊断系统

2024-08-26 50 上传者：管理员

摘要：针对当前电缆局部放电诊断过程中利用信号难以匹配特定放电故障等问题，设计基于卷积神经网络的电网电缆局部放电自动化诊断系统。采集电网电缆局部放电信号，将信号转换为二维图像，将放电信号二维图像作为卷积神经网络的训练样本，训练卷积神经网络；将采集测试样本，基于训练好的卷积神经网络实现电网电缆局部放电自动化诊断。实验结果显示，该系统在卷积核数量为100的条件下，基于GAF时间序列转换图像特征可获取较为满意的诊断结果，降低研究对象局部放电故障时间，提升研究对象运行稳定性。

关键词：
卷积神经网络
局部放电
格拉姆角场
电网电缆
自动化诊断
加入收藏

电网电缆作为电力传输的重要组成部分[1]，其安全性和可靠性直接关系到整个电力系统的稳定运行。然而，由于电缆长期处于复杂多变的环境中，容易受到各种因素的影响，导致电缆绝缘性能下降[2]，进而产生局部放电现象。局部放电是电缆绝缘劣化的重要征兆[3]，若不及时诊断和处理，将可能导致电缆故障，甚至引发整个电力系统的瘫痪。因此，设计电网电缆局部放电自动化诊断系统，对电网电缆的局部放电进行准确、高效的诊断具有重要的现实意义和应用价值。

文献[4]针对电网电缆局部放电检测，设计基于甚宽带脉冲电流法的监测系统，但该方法存在不能全面反映设备的放电状况等问题。文献[5]针对电网电缆局部放电检测，通过多个通道同时采集局部放电信号，经过FPGA预处理后的数据被传输到ARM处理器进行进一步的分析，但该方法的实时性差，无法及时响应快速变化的放电信号。文献[6]设计基于电测法的电网电缆局部放电检测系统，但该系统检测灵敏度低。文献[7]利用光纤传输技术设计放电检测系统，但该系统存在遗漏或误判某些放电信号的问题。

针对当前存在的问题，本文设计基于卷积神经网络的电网电缆局部放电自动化诊断系统，并分析其性能。

1、电网电缆局部放电自动化诊断系统

电网电缆局部放电信号采集过程中，电缆外层铜皮与内芯分别与地和高压交流电相接[8]。采用基于FPGA的信号采集模块采集电网电缆局部放电信号后，通过信号预处理模块中GAF（格拉姆角场）将所采集的局部放电数据转换为二维图像，并将其传输至信号诊断模块中，作为卷积神经网络的训练样本，训练卷积神经网络，基于训练好的卷积神经网络实现电网电缆局部放电自动化诊断。

1.1 基于GAF的局部放电信号图像转换

GAF作为一种二维映射算法[9]，不仅可以在确保信号的信息完整性的基础上实现信号的二维图像转换，还可以保障信号对时间序列的相关性。利用GAF将电网电缆局部放电单变量时间序列数据转换为图像数据，电网电缆脉冲电压信号在笛卡尔坐标系内可表示为一维时间序列，而GAF则放弃笛卡尔坐标系，采用极坐标系描述数据。X={x1,x2，…，xn}表示一个电网电缆脉冲电压信号的时间序列，其中时间序列长度为n，对X={x1,x2，…，xn}实施归一化处理，公式表示为

式中：max(X）和min(X）分别表示电网电缆内脉冲电压信号的上限值与下限值。

在极坐标内对归一化处理后的电网电缆脉冲电压信号时间序列实施编码，公式为

式中：∂i和δi分别表示角余弦和对应时间戳si编码的半径。

1.2 基于卷积神经网络的局部放电诊断

1.2.1 卷积神经网络结构设计

电网电缆的局部放电信号通常较为微弱，而卷积神网络具有突出的特征提取能力[10]，因此被普遍应用在图像识别等问题中。所采集的数据为电网电缆局部放电信号，同时不同类别放电信号具有一定的相似性，因此在利用卷积神经网络实现电网电缆局部放电自动化诊断过程中，需采用多核卷积结构，图1所示为用于电网电缆局部放电自动化诊断的卷积神经网络结构。

图1 卷积神经网络结构

与卷积层相连的池化层，利用激活函数将卷积层的线性输入转换成非线性输出，由此提升卷积神经网络的描述性能。池化层选择ReLU函数作为激活函数，由此在提升神经网络运算效率的同时，抑制因梯度消失问题造成的负面影响。ReLU函数公式为

式中：x表示输入的电网电缆局部放电信号二维图像。

全连接层的节点同相邻层全部相连，将卷积层与输出层输出的全部特征传输至分类器内。在全连接层前引入站平层，能够将输入的电网电缆脉冲信号二维图像进行堆叠处理，由此提升最终局部放电诊断效果。由于电网电缆脉冲信号二维图像展平处理后，对全连接层的非线性特征处理水平产生消极影响，因此在图1所示的卷积神经网络结构内设计了2个全连接层，以此提升卷积神经网络的学习能力。将全连接层的输出结果作为分类器的输入信息，通过全连接层的非规范化输出映射为输出类别的概率分布。

1.2.2 卷积神经网络参数优化

卷积核的数量与感受野的大小具有显著的关联性，当卷积核数量较大时，卷积层能够获取更多的信息，对于卷积层特征提取效率产生积极影响，而卷积核数量较小时，无法抑制行波延迟的影响。由此可知，选取适用于电网电缆局部放电诊断系统的卷积神经网络内卷积核规模，对于提升最终电网电缆局部放电诊断结果的准确性极为关键。基于此，从感受野大小、特征提取效率和抑制行波延迟3个角度出发选值形成博弈，设定卷积神经网络内卷积核数量参数的优化目标函数为交叉熵最小，公式为

式中：A为交叉熵代价函数；d为卷积神经网络目标输出；y为卷积神经网络实际输出。通过A能够描述交叉熵与误差间的相关性。

通过式（4）可知，交叉熵函数同基于卷积神经网络的电网电缆局部放电自动化诊断网络的Softmax激活函数有机结合，可共同影响该网络的优化过程，基于此将交叉熵最小作为卷积神经网络内卷积核数量的优化目标，对于更好地实现电网电缆局部放电自动化诊断产生积极影响。

2、实验结果与分析

为验证本文所研究的基于卷积神经网络的电网电缆局部放电自动化诊断系统的实际应用性能，以某电网中的32 kV电缆为研究对象，搭建本文系统对研究对象局部放电现象进行诊断，表1所示为研究对象相关参数。在研究对象中选取若干个监测节点，采用本文系统实现研究对象局部放电自动化诊断。

表1 研究对象相关参数

2.1 卷积核数量对识别结果的影响

本文系统采用卷积神经网络作为研究对象局部放电诊断网络，分析不同卷积核数量情况下，本文系统局部放电诊断结果准确率的变化情况，结果如图2所示。分析图2可知，卷积核数量提升可令卷积神经网络的诊断准确率提升，但同时也会令系统诊断效率下降，综合准确率与诊断效率的分析，可将卷积核数量设定为100，在此条件下即可获取较为满意的诊断结果。

图2 卷积核数量对诊断结果的影响

2.2 局部放电状态检测结果

上述卷积核数量设定条件下，在研究对象设定的监测点内随机选取10个监测点，采集这10个监测节点的脉冲电压信号，采用GAF将所采集的信号转换为二维图像，并输入卷积神经网络内，得到结果如表2所示。分析表2可知，采用本文系统对研究对象不同监测节点实施局部放电诊断，所得诊断结果与研究对象各监测节点实际运行状态完全一致，这充分表明本文系统可准确诊断研究对象局部放电状态。

表2 局部放电诊断结果

2.3 系统应用性能

利用本文系统对研究对象进行局部放电诊断，各监测节点的局部放电状态的时间变化情况如表3所示。

表3 实验对象不同类型故障的变化情况

分析表3得到，利用本文系统对研究对象进行局部放电诊断后，研究对象各检测节点的局部放电状态时间都表现出明显下降趋势，各监测结果下降幅度均值约为54.5%。试验结果表明利用本文系统能够有效降低研究对象局部放电故障时间，提升研究对象运行稳定性。

3、结语

本文设计基于卷积神经网络的电网电缆局部放电自动化诊断系统，将GAF与卷积神经网络技术相结合，实现准确的局部放电自动化诊断。但本文系统也面临一些挑战和问题，例如卷积神经网络的训练需要大量的标注数据，而实际中电缆局部放电数据的获取和标注往往较为困难。此外，系统的实时性和稳定性也是需要考虑的重要因素。

参考文献:

[1]黄韬,郝艳捧,肖佳朋,等.10 k V XLPE电缆终端典型安装缺陷的工频局部放电特征对比研究[J].电网技术,2022,46(6):2420-2428.

[2]袁建军,欧阳本红,夏荣,等.高压电缆局部放电在线监测装置有效性测评方法研究及现场应用[J].高电压技术,2023,49(S1):17-23.

[3]刘世涛,徐兆国,杨凯,等.典型缺陷下电力电缆局部放电特征与识别[J].高电压技术,2023,49(S1):36-39.

[4]阮羚,高胜友,郑重,等.基于甚宽带脉冲电流法的局部放电检测系统[J].电工电能新技术,2009,28(3):54-57.