首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 电力系统论文 > 电缆局部放电模式基于MobileNet的识别方法

电缆局部放电模式基于MobileNet的识别方法

2023-11-02 64 上传者：管理员

摘要：针对传统方法判别电缆局部放电类型非常耗时，且准确率较低等问题，提出了一种基于MobileNet的电缆局部放电模式识别方法。对电缆高频局部放电带电检测仪器采集到的各类PRPD图谱进行预处理与数据增强，形成图谱库；将预先训练好的MobileNetV1模型中的权值迁移到局部放电的新任务中，对模型进行网络结构和权值的微调；对迁移后的新模型进行训练，将训练得到的识别率最高的模型作为测试模型，并对测试集中的PRPD图谱进行测试。实验结果表明，该算法的识别准确率可达96.4%，并有效提升了训练的收敛速率。将该算法应用于基于安卓设备的智能局部放电巡检仪，在实际场景下，能够实现局部放电缺陷类型的快速识别，且识别准确率达到95%以上。

关键词：
局部放电
智能巡检仪
模式识别
深度可分离卷积
迁移学习
加入收藏

局部放电带电检测被认为是检测电缆绝缘缺陷最有效的手段[1]，近年来取得了很多进展，检测仪器不断小型化、智能化，但是相关技术仍存在一些不足[2]。采用传统方法进行局部放电模式的识别具有很大局限性[3]，计算量大、存储量大且识别准确率不高。此外，传统识别方法的一个显著问题是当图谱发生相位平移时识别效果不佳。而采用深度学习模式的识别方法准确率较高[4]，且对于相位平移后的图谱具有良好的模型泛化能力。虽然这种识别模式的训练计算量大[5]，但是推理过程中计算复杂度并不高，同时它可以较为精确地进行分类[6]，拥有较好的横向处理能力、分布式存储能力并且稳定性较好[7]，故适用于该文场景下的局放识别。

因此，该文提出了一种基于MobileNet的电缆局部放电模式识别方法，识别准确率可达96.4%，利用MobileNet模型优化了训练过程[8]，减少了卷积的时间复杂度和空间复杂度，有效地加快了收敛速度，提高了分类网络的泛化能力[9]。基于该算法研制的智能局部放电带电检测仪器，在实际应用场景下，实现了电缆局部放电类型的自动识别，且识别准确率在95%以上。

1、算法概述

该文提出的基于MobileNet的电缆局部放电模式识别方法的整体框图如图1所示。首先，对电缆高频局部放电带电检测仪器采集到各类局部放电相位分布(Phase Resolve Partial Discharge,PRPD)图谱进行数据预处理与数据增强，再将ImageNet数据集上预先训练好的MobileNetV1模型迁移到电缆局部放电的场景下，构建出新的识别模型并训练新模型，以实现对各种类型PRPD图谱放电类型的识别，从而更好地掌握电缆内部缺陷的类型性质和缺陷特征。

图1算法整体框图

2、算法设计

2.1局部放电数据采集

电力电缆局部放电带电检测的原理如图2所示，通过高频电流传感器检测局部放电的高频脉冲电流信号，结合被测设备电压的相位信息，生成局部放电图谱PRPD数据[10]。通过对大量现场检测图谱按不同的局放类型进行分类标注，构建电缆绝缘缺陷的局部放电PRPD图谱数据集，用于有监督的机器学习。

局部放电相位分布PRPD图谱也被称作φ-q-n模式，用来描述局部放电脉冲所对应的工频相位φ、脉冲幅值q和放电次数n之间的关系[11]。该文使用实际现场局部放电带电检测中采集到的4 500张PRPD图谱作为原始数据集，包括两类典型的局部放电和外部干扰，如图3所示。其中，内部放电1 500张、浮动电极放电1 500张、外部干扰1 500张。

图2电力电缆局部放电带电检测原理图

图3典型局部放电和外部干扰PRPD图谱

通过以上PRPD图谱可以清晰地看出三类图谱存在差异[12]，利用PRPD图谱进行模式识别的方案是可行的。

2.2局部放电数据预处理

在实际现场的环境下，对电缆的局部放电检测，通常采用高频电流传感器来获取不同类别的电缆局部放电故障的相位分辨局部放电PRPD图谱，先对图像作灰度化和归一化处理，再对图像进行预处理。

图像的灰度化是指按不同的权值对RGB三个分量进行加权平均，根据式（1)[13]，可以获得效果较好的灰度图像。

对图像作归一化处理具体是指原始的PRPD图谱一般为917×510像素，尺寸较大，需要将图像的尺寸统一调整为224×224像素的输入图像，便于模型的训练。

对于图像的预处理方法有图像分割与数据增强[14]。图像分割的方法是指将原始的PRPD图谱进行裁剪，把标注出来的具有较明显特征的局部放电信号用于模型的训练。从已获取的每个PRPD图谱中分别提取具有明显局部放电特征的图像，再以电压正弦波为基准，通过循环平移30°相位至360°为止的方式对已提取的具有明显局部放电特征的图像进行数据增强处理，由此得到循环平移30°、60°、90°、120°、150°、180°、210°、240°、270°、300°、330°的11个不同的图像作为数据集的补充。平移后的图像可以提供各个相位局部放电信号的特征，使算法不受现场测试时因变压器一二次相位差导致的PRPD图谱平移的影响，从而进一步提高模型的泛化能力。

2.3模型训练与测试

局部放电模式识别算法训练与测试的流程如图4所示，具体步骤如下：

1）调用已训练好的MobileNetV1网络模型作为预训练模型，然后放入训练集来训练局部放电模式识别模型；

2）当第一次进行前向传播时，若预训练模型与局部放电模式识别网络结构中某一层的名称相同，则可以对预训练模型的参数进行直接调用；若不同，则利用随机高斯分布对该层的参数进行初始化处理；

3）当数据传播到最后一层时，由softmax loss函数可以计算出网络的损失率，再采用随机梯度下降法，并利用验证集对局部放电模式识别模型中的网络参数进行不断优化；

4）训练的模型逐渐收敛，当训练的模型识别准确率不再提升，且损失率不再减小时，便得到了最优的识别模型；

5）将训练得到的最优识别模型作为测试模型，对测试集中的PRPD图谱进行测试，得到电缆局部放电的各种故障类型的识别率和平均识别率。

3、实验结果及分析

该文基于MobileNet的深度可分离卷积网络结构，利用Tensorflow和Keras深度学习框架、Python语言、Anaconda和Pycharm集成开发环境，构建了电缆局部放电模式识别模型，并借助GeForce RTX 20608GB对模型进行训练和测试，识别目标为内部放电、浮动电极放电和外部干扰三种局部放电类型。

图4基于MobileNet的局部放电识别流程

首先，对预处理后的局部放电PRPD图谱按不同的放电类别进行分类，并整理成数据集，再按照一定的权重将其划分为训练集、验证集和测试集，划分的比例为数据集中70%的图像作为训练集，10%的图像作为验证集，20%的图像作为测试集。然后输入样本数据，利用预先训练好的MobileNet模型中的权重，再结合新任务对模型进行网络结构和权重的微调，最后对新模型进行模式识别的训练和测试。

采用MobileNetV1模型对PRPD图谱进行识别分类，迭代次数设为300次，初始的学习速率设为0.001，网络单次训练的样本数设为100，当训练到291次时，识别准确率达到96.61%，损失函数值降至0.002 8，训练基本结束。将训练得到的最优MobileNetV1识别模型作为测试模型，对测试集中待识别的PRPD图谱进行测试，最终平均识别准确率为96.4%。

为了对电缆局部放电模式识别分类的方法有更深入的研究，利用该文采集到的数据集，将AlexNet、InceptionV3、Xception、VGG16、ResNet18和MobileNetV1模型应用于电缆局部放电模式的识别分类，并将在ImageNet数据集中训练好的模型参数迁移到新任务中，再对新模型进行参数的调整与更新以加快训练的收敛速度。在训练的过程中采用早停法，即当模型的损失函数值loss不再出现明显的减小时，就停止训练，从而节省训练的时间，并有效地解决了过拟合的问题，各种深度学习模型的训练和测试时间如图5所示[15]。从图中可以看出，每个模型的测试时间并没有明显的差异，但训练时间的差异性较大，其中，MobileNetV1模型的训练时间最短，从模型的更新能力角度来看，MobileNetV1模型表现出的性能最好。

图5各种模型的训练和测试时间

为了验证各种模型的识别准确率，分别利用各种模型对内部放电、浮动电极放电和外部干扰三类局部放电故障进行模式识别，结果如表1所示。

表1各种模型模式识别准确率

由表1可以看出，与其他模型进行对比分析，从平均识别准确率的角度来看，MobileNetV1网络模型明显表现更优，其对浮动电极放电和外部干扰的识别率可达98%以上，且对于各种不同的局部放电类型，MobileNetV1模型的识别准确率均最高，因此，由识别结果更进一步地验证了MobileNetV1模型具有更高的识别准确率。

基于该算法研制的智能局部放电带电检测仪如图6所示，具备电缆高频局部放电PRPD图谱展示与类型识别功能[16]。其中，类型识别模块在安卓手机端完成。

图6智能局部放电带电检测仪

对于电力电缆的带电检测，采用了在电缆终端接头接地线安装高频局部放电传感器，并在电缆单相本体上安装相位信息传感器，再将智能巡检仪与两传感器相连，现场检测如图7所示。仪器根据检测到的高频信号脉冲，生成PRPD图谱，并实时计算图谱的识别结果。

图7现场检测

将该算法应用于基于安卓设备的智能局部放电巡检仪，在实际场景下，能够实现局部放电缺陷类型的快速识别。如图8所示，检测到的PRPD图谱被实时识别为浮动电极放电。在现场测试中，对各种局部放电类型进行检测，识别准确率均达到95%以上，满足电缆局部放电识别准确度的要求。

图8现场测试图谱及识别结果

4、结论

该文提出的基于MobileNet的电缆局部放电模式识别方法，采用迁移学习的训练方式，对模型架构的权重参数进行改进。将采集到的各种类型的PRPD图谱输入到预训练的MobileNet网络模型中进行训练，得到了新的网络模型，再进一步地通过模型的迭代训练计算出验证集各种局部放电故障类型的分类识别准确率，对准确率不高的故障类型进行参数调整，从而在下一次迭代训练时使用更多的样本，对这些样本进行更多次的特征学习，以解决由于特征提取深度不断加深所带来的梯度消失问题，使网络具备更好的学习能力。该文采用小尺寸的卷积核（3×3),ReLU6激活函数，最大值池化方式以及随机梯度下降算法，对于电力电缆局部放电PRPD图谱具有更高的识别率和更快的训练速度，识别准确率可达96.4%。基于该算法研制的智能巡检仪，不仅可以在移动端实现快速自动局部放电类型识别，而且拥有较高的准确度，对电力电缆的状态检修工作具有非常实际的应用价值。

参考文献:

[1]李晓楠刘凯,杨雁等高频表面电荷输运对油纸绝缘局部放电的影响[J]中国电机工程学报,2022 ,42(3):10-21.

[2]朱煜峰许永鹏,陈孝信,等基于卷积神经网络的直流XLPE电缆局部放电模式识别技术[J]电工技术学报,2020, 35(3):10-17.

[4]张翼.朱永利图信号与图卷积网络相结合的局部放电模式识别方法[J]中国电机工程学报,2021,41(18):9-18.

[5]黄雪莜,熊俊,张宇,等.基于残差卷积神经网络的开关柜局部放电模式识别[J]中国电力,2021 ,54(2):8-15.

[6]陈继明,许辰航,李鹏等基于时频分析与分形理论的GIS局部放电模式识别特征提取方法[J]高电压技术,2021. 47(1):287-295.

[7]叶彬,周凯,黄永禄等.串联谐振下电缆局部放电的双传感器检测技术[J]电网技术2021,45(3):7-18.

[9]唐琪基于双施密特触发器的类正弦波相频采集方法J]电子设计工程.2019,27(2):4-8.

[10]赵希希考虑外部电晕干扰信号的电力变压器局部放电模式识别研究[D].济南:山东大学,2020 .

[11]杨景刚,邓敏,马勇,等基于深度学习的PRPD数据特征提取方法[J]电测与仪表2020,57(3):7-15.

[12]郑海张超.杨玺基于组合决策树的输电线路绝缘故障检测系统设计[J].电子设计工程,2020,28(11):5-9

[14]杨为,朱太云,张国宝,等电力物联网下基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法研究[J] .高压电器,2020,56(9).7-18.