CN110244205A - 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法 - Google Patents

Abstract

本发明的目的是针对现有技术不足而提供一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法，其特点是针对现有基于卷积神经网络的电缆附件绝缘故障识别方法存在对数据集要求较大的问题，并实现对数据特征的深入挖掘。以单位工频周期内的局放信号为对象，利用相空间重构进行等价变换，提取几何和混沌特征；同时提取熵、分形和时域特征，达到增加特征数据体量的目的，共提取特征17个，采用试验得到的一维卷积神经网络对绝缘进行模式识别。本发明在保证较高绝缘故障识别率的情况下，解决了卷积神经网络在电缆附件绝缘故障类型识别应用中对数据集要求较大的问题，并实现对数据特征的充分提取。

Description

一种小数据量下基于卷积神经网络的电缆附件局部放电识别 方法

技术领域

本发明涉及一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法，具体地，本发明是将最经典的深度学习算法--卷积神经网络应用于电缆附件绝缘故障类型识别，属于局部放电技术领域。

背景技术

交联聚乙烯(Crosslinked Polyethylen，XLPE)电力电缆具有优良的电气性能，被广泛应用于城市电网。电缆附件(中间接头或终端)因内部绝缘结构复杂、人工制作的不规范等已成为引起电缆运行事故频发的关键部位。不同类型的故障对电缆附件绝缘性能的损伤存在差异，国内外专家普遍认为电缆附件局部放电(Partial Discharge，PD)识别是判断其绝缘故障类型的最佳方法。PD识别是在线采集电缆附件绝缘故障产生的局放信号，选取某些“指纹”信息作为特征并导入模式识别算法实现局放识别的方法。电缆附件PD识别已取得大量的研究成果，其中以支持向量机(Support Vector Machine，SVM)和人工神经网络(Artificial Neural Network，ANN)的应用居多。许永鹏,杨丰源,钱勇,陈孝信,盛戈皞,江秀臣.基于NSST域增强的直流XLPE电缆局放识别方法[J].高电压技术,2017,43(11):3617-3625；牛海清,吴炬卓,郭少锋.奇异值分解在电缆局部放电信号模式识别中的应用[J].华南理工大学学报(自然科学版),2018,46(01):26-32.近年来，以卷积神经网络(Convolution Neural Network，CNN)为代表的深度学习算法被广泛应用在诸多领域，这也引起了电力行业工作者们的关注。汪颖,卢宏,杨晓梅,肖先勇,张文海.堆叠自动编码器与S变换相结合的电缆早期故障识别方法[J].电力自动化设备,2018,38(08):117-124；杨帆,王干军,彭小圣,文劲宇,陈清江,杨光垚,李朝晖.基于卷积神经网络的高压电缆局部放电模式识别[J].电力自动化设备,2018,38(05):123-128；宋辉,代杰杰,张卫东,毕凯,盛戈皞,江秀臣.复杂数据源下基于深度卷积网络的局部放电模式识别[J].高电压技术,2018,44(11):3625-3633；X.Peng et al.,"A Convolutional Neural Network Based DeepLearning Methodology for Recognition of Partial Discharge Patterns from HighVoltage Cables,"in IEEE Transactions on Power Delivery.Q.Zhang,J.Lin,H.Songand G.Sheng,"Fault Identification Based on PD Ultrasonic Signal Using RNN,DNNand CNN,"2018 Condition Monitoring and Diagnosis(CMD),Perth,WA,2018,pp.1-6.CNN在特征提取方面表现优异，能从数据中自动学习特征信息，为电气设备PD模式识别带来了新的契机，但CNN的高识别率离不开海量数据的支持。

发明内容

本发明的目的在于克服现有基于卷积神经网络的电缆附件绝缘故障识别方法存在对数据集要求较大的问题，并实现对数据特征的深入挖掘。在保证较高绝缘故障正确识别率的情况下，达到卷积神经网络对小数据局放识别的目的。

为了实现上述发明目的，本发明提供了一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法，包括以下步骤,流程图见图1：

1.通过局部放电试验平台在线采集局放信号

在完整的电缆附件上人工设计和制作特定类型的绝缘故障，将电缆与高压试验平台连接，在通电条件下使用超高频电流传感器在线采集局放信号，同时使用示波器不间断保存一定长度的局放信号作为分析对象。

2.在对局放信号进行归一化处理后，利用相空间重构进行等价变化，提取几何特征和混沌特征。

1)相空间重构

对于给定的一维时间序列，有

x(i)＝x(t₀+iΔt) (1)

式(1)中，j＝1,2,…,M，t₀代表系统采样的起始时间，Δt代表采样间隔，N为数据长度。

进行相空间重构后可表示为

式(2)中，τ为延迟时间，m为嵌入维数。

a.互信息法

互信息法选取表述一个时间序列相继点之间一般依赖关系的互信息函数的第一个局部极小值点所对应的时间作为延迟时间τ。

设信号S＝{x(i)}经延迟后为信号Q＝{x(i+τ)}，则信号S和Q的互信息I(S,Q)为

I(S,Q)＝H(S)+H(Q)-H(S,Q) (3)

式(6)中：i＝1,2,…,N，j＝1,2,…,M，s_i、q_j分别为信号S在i处、信号Q在j处的值，P_s(s_i)、P_q(q_j)分别为s_i在信号S、q_j在信号Q中出现的概率，P_sq(s_i,q_j)为s_i、q_j同时分别出现在信号S、Q中的概率，H(S)、H(Q)分别为信号S、Q的信息熵，H(S,Q)为信号S、Q的联合信息熵。

b.Cao算法

在相空间中，设X_i的最邻近相点X_j，当嵌入维数为m时，采用无穷范数的形式定义欧氏距离：

同理，当嵌入维数为m+1时，两相点间的欧氏距离为：

定义：

当嵌入维数m不断变大时，E₁(m)会逐渐趋于稳定，达到饱和状态时的m即为最佳嵌入维数。

2)几何特征和混沌特征提取

a.几何特征

本文随机选取一个局放信号进行无局放处理并进行相空间重构，采用一种求取相空间中所有故障相点与非故障相点的平均几何距离的方法作为多维空间坐标下局放模式识别的几何特征。该特征在一定程度上反映相点在相空间内的分布特性。当电缆附件无绝缘故障时，特征值保持稳定；一旦该值出现波动，则说明电缆附件绝缘出现异常。计算如下：

在重构的多维空间中选取一个坐标作为超球的球心R_c，其坐标为则

式(12)中：为一维时间序列{x(i)}的均值，N为采样点数，定义相空间吸引子半径为：

为求取故障相点与非故障相点的平均几何距离，在非故障相点形成的区域V内均匀选择L个点，设m维超球面上的点的直角坐标系为(x₁,x₂,…,x_m)，超球体半径为r，角坐标为则空间坐标与直角坐标之间的变换公式为

为使在超球体内均匀取点，现将r的值取为r/6，r/3，…，r，的值取为 计算平均几何距离：

为使求取的特征具有可比性，将平均几何距离R_m与吸引子半径R_a的比值作为几何特征，取该几何特征为点分布因数(Phase Point Distribution Coefficient，PPDC)则：

PPDC＝R_m/R_a (16)

b.混沌特征

PD信号具有混沌特性，本文通过相空间重构对局放信号等价转换，提取混沌特征。本文选取关联维数、最大Lyapunov指数、Kolmogorow熵表征PD信号的混沌特性。

3.分形特征、熵及时域特征提取

1)PD信号具有分形性质，本文选取盒维数、Hurst指数来表征PD信号的分形性质。

2)PD信号随机性较强，本文选取信息熵、近似熵、样本熵、排列熵、多尺度熵、层次熵、奇异谱熵、模糊熵共8类熵表征PD信号的复杂程度。

3)PD信号时域特征能够很好反映信号间的差异，本文选取方根幅值、均方根值和平均幅值描述PD信号的时域特征。

本方法共提取几何、混沌、分形、熵、时域五大类17个特征用于电缆附件局放的识别，见表1。

表1特征统计

4.将上述17个特征导入卷积神经网络，进行局放识别

深度学习(Deep Learning，DL)具有特征提取、数据降维等功能。其中，CNN最为经典，其基本结构主要包括：输入层、卷积层、池化层、全连接层、分类器、输出层，如图2所示。

为更好利用PD信号的一维特性，并降低网络模型的复杂度，本文采用一维CNN进行电缆附件绝缘故障识别。在一维CNN中，卷积层计算公式为：

式(35)中：表示第l层第j个特征子图，表示第l-1层第i个特征子图，θ(·)表示激活函数，表示卷积运算，w_ij表示第l-1层第i个特征子图与第l层第j个特征子图之间卷积核的连接权重，表示第l层第j个特征子图的加性偏置，N表示第l-1层与第l层第j个特征子图连接的特征子图数目，M表示第l层特征子图的数目。

卷积层后接入池化层进行下采样，计算公式为：

式(36)中：表示第l+1层第j个特征子图，down(·)表示下采样过程，表示乘性偏置。

池化层后接入全连接层，用来增强网络模型的泛化能力，计算公式为：

h_w,b(x)＝θ(w^Tx+b) (19)

式(37)中：h_w,b(x)表示全连接层的输出；x表示输入；w表示连接权重；b表示加性偏置。

连接层后接入分类器，计算公式为：

假设训练集为{(x⁽¹⁾,y⁽¹⁾),…,(x⁽ⁿ⁾,y⁽ⁿ⁾)}，目标类别为y⁽ⁱ⁾∈{1,2,…,k}，即k类，softmax多分类器的函数定义为：

式(38)中，p(y＝j|x)表示多分类器对每种类别的概率；表示归一化系数。

Softmax多分类器的损失函数为：

式(39)中：1{·}表示指示函数，表示权重衰减。

与现有技术相比，本发明的有益效果

本发明通过相空间重构对在线采集到的局放信号进行等价变换，提取几何和混沌特征，并提取熵、分形和时域特征，可以充分提取数据特征，达到增加特征数据体量的目的；同时卷积神经网络具有数据特征自提取和降维能力，可进一步深入挖掘数据特征和减少计算，对电缆附件绝缘缺陷故障也有较高的识别率和较快的响应速度。总之，在保证较高识别率的情况下，本发明可以达到克服现有基于卷积神经网络的电缆附件绝缘故障识别方法存在对数据集要求较大的问题，并实现对数据特征的深入挖掘的目的。

附图说明

图1为本发明一种小数据量下基于卷积神经网络电缆附件局部放电识别方法流程图

图2为一维卷积神经网络结构示意图

图3为在线采集到的电缆附件断口不齐绝缘故障局部放电信号

图4为互信息法求取嵌入维数的曲线

图5为Cao算法求取延迟时间的曲线

图6为相空间重构后的电缆附件断口不齐绝缘故障局部放电信号

图7为3:2比例训练/测试集下一维卷积神经网络训练集识别结果混淆矩阵

图8为3:2比例训练/测试集下一维卷积神经网络测试集识别结果混淆矩阵

具体实施方式

下面通过实例对本发明进行具体的描述，有必要在此指出的是本实例只用于对本发明进行进一步说明，不能理解为对本发明包括范围的限制，该领域的技术熟练人员可以根据上述本发明的内容做出一些非本质的改进和调整。

结合实例，本发明方法具体步骤如下：

1.通过局部放电试验平台在线采集局放信号

本实例在完整的电缆附件上人工设计和制作4种典型电缆附件绝缘故障(断口不齐、主绝缘割伤、半导电层损伤和气隙放电)，并通过试验平台在线采集局放信号。每种绝缘故障采集局放信号数量见表2。图3为在线采集到的电缆附件气隙放电故障产生的局放信号。

表2 4种典型绝缘故障信号样本数量

2.利用相空间重构进行等价变换，提取几何和混沌特征

首先利用公式(3)-(6)、公式(7)-(11)对计算步骤(1)中采集到局放信号的嵌入维数m和延迟时间τ，结果为m＝3、τ＝2，如图4、图5所示，然后利用公式(1)-(2)进行相空间重构等价变换，结果如图6所示；最后提取几何和混沌特征。

3.提取熵、分形和时域特征

利用公式(12)-(16)提取步骤(1)中采集到的局放信号的熵、分形和时域特征。

4.利用控制变量法对卷积神经网络的网络深度、卷积核尺寸、池化核尺寸、池化方式、激活函数进行确定，最终选择的网络结构如表3所示。本方法采用最大池化方式，不饱和非线性函数ReLU函数作为激励函数，输出层选用适应于非线性多分类问题的Softmax分类器。

表3一维卷积神经网络模型

5.将800个局放信号按照3:2比例分为训练集和测试集，并利用公式(17)-(21)将17个特征导入上述一维卷积神经网络，进行绝缘故障类型识别。图7、图8分别为在3:2训练/测试集比例下卷积神经网络对电缆附件绝缘故障的识别结果混淆矩阵。

Claims (4)

1.一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法，其特征在于，所述方法包括：

通过局部放电试验平台在线采集局放信号，即在完整的电缆附件上人工设计和制作特定类型的绝缘故障，将电缆与高压试验平台连接，在通电条件下使用超高频电流传感器在线采集局放信号，同时使用示波器不间断保存一定长度的局放信号作为分析对象。

2.对权利要求1所得的局放信号进行归一化处理后，利用相空间重构进行等价变化，提取几何特征和混沌特征：

1)相空间重构

对于给定的一维时间序列，有

x(i)＝x(t₀+iΔt) (1)

式(1)中，j＝1,2,…,M，t₀代表系统采样的起始时间，Δt代表采样间隔，N为数据长度；

进行相空间重构后可表示为：

式(2)中，τ为延迟时间，m为嵌入维数；

①互信息法

互信息法选取表述一个时间序列相继点之间一般依赖关系的互信息函数的第一个局部极小值点所对应的时间作为延迟时间τ；

设信号S＝{x(i)}经延迟后为信号Q＝{x(i+τ)}，则信号S和Q的互信息I(S,Q)为：

I(S,Q)＝H(S)+H(Q)-H(S,Q) (3)

式(6)中：i＝1,2,…,N，j＝1,2,…,M，s_i、q_j分别为信号S在i处、信号Q在j处的值，P_s(s_i)、P_q(q_j)分别为s_i在信号S、q_j在信号Q中出现的概率，P_sq(s_i,q_j)为s_i、q_j同时分别出现在信号S、Q中的概率，H(S)、H(Q)分别为信号S、Q的信息熵，H(S,Q)为信号S、Q的联合信息熵；

②Cao算法

在相空间中，设X_i的最邻近相点X_j，当嵌入维数为m时，采用无穷范数的形式定义欧氏距离：

同理，当嵌入维数为m+1时，两相点间的欧氏距离为：

定义：

当嵌入维数m不断变大时，E₁(m)会逐渐趋于稳定，达到饱和状态时的m即为最佳嵌入维数；

2)几何特征和混沌特征提取

①几何特征

本文随机选取一个局放信号进行无局放处理并进行相空间重构，采用一种求取相空间中所有故障相点与非故障相点的平均几何距离的方法作为多维空间坐标下局放模式识别的几何特征，该特征在一定程度上反映相点在相空间内的分布特性，当电缆附件无绝缘故障时，特征值保持稳定；一旦该值出现波动，则说明电缆附件绝缘出现异常，计算如下：

在重构的多维空间中选取一个坐标作为超球的球心R_c，其坐标为则

式(12)中：为一维时间序列{x(i)}的均值，N为采样点数，定义相空间吸引子半径为：

为求取故障相点与非故障相点的平均几何距离，在非故障相点形成的区域V内均匀选择L个点，设m维超球面上的点的直角坐标系为(x₁,x₂,…,x_m)，超球体半径为r，角坐标为则空间坐标与直角坐标之间的变换公式为：

为使在超球体内均匀取点，现将r的值取为r/6，r/3，…，r，的值取为 计算平均几何距离：

为使求取的特征具有可比性，将平均几何距离R_m与吸引子半径R_a的比值作为几何特征，取该几何特征为点分布因数(Phase Point Distribution Coefficient，PPDC)则：

PPDC＝R_m/R_a (16)

②混沌特征

PD信号具有混沌特性，本文通过相空间重构对局放信号等价转换，提取混沌特征，本文选取关联维数、最大Lyapunov指数、Kolmogorow熵表征PD信号的混沌特性。

3.分形特征、熵及时域特征提取

1)PD信号具有分形性质，本文选取盒维数、Hurst指数来表征PD信号的分形性质；

2)PD信号随机性较强，本文选取信息熵、近似熵、样本熵、排列熵、多尺度熵、层次熵、奇异谱熵、模糊熵共8类熵表征PD信号的复杂程度；

3)PD信号时域特征能够很好反映信号间的差异，本文选取方根幅值、均方根值和平均幅值描述PD信号的时域特征；

本方法共提取几何、混沌、分形、熵、时域五大类17个特征用于电缆附件局放的识别，见表1。

表1特征统计

4.将上述17个特征导入卷积神经网络，进行局放识别

深度学习(Deep Learning，DL)具有特征提取、数据降维等功能，其中，CNN最为经典，其基本结构主要包括：输入层、卷积层、池化层、全连接层、分类器、输出层，如图2所示；

为更好利用PD信号的一维特性，并降低网络模型的复杂度，本文采用一维CNN进行电缆附件绝缘故障识别，在一维CNN中，卷积层计算公式为：

式(35)中：表示第l层第j个特征子图，表示第l-1层第i个特征子图，θ(·)表示激活函数，表示卷积运算，w_ij表示第l-1层第i个特征子图与第l层第j个特征子图之间卷积核的连接权重，表示第l层第j个特征子图的加性偏置，N表示第l-1层与第l层第j个特征子图连接的特征子图数目，M表示第l层特征子图的数目；

卷积层后接入池化层进行下采样，计算公式为：

式(36)中：表示第l+1层第j个特征子图，down(·)表示下采样过程，表示乘性偏置；

池化层后接入全连接层，用来增强网络模型的泛化能力，计算公式为：

h_w,b(x)＝θ(w^Tx+b) (19)

式(37)中：h_w,b(x)表示全连接层的输出；x表示输入；w表示连接权重；b表示加性偏置；

连接层后接入分类器，计算公式为：

假设训练集为{(x⁽¹⁾,y⁽¹⁾),…,(x⁽ⁿ⁾,y⁽ⁿ⁾)}，目标类别为y⁽ⁱ⁾∈{1,2,…,k}，即k类，softmax多分类器的函数定义为：

式(38)中，p(y＝j|x)表示多分类器对每种类别的概率；表示归一化系数，Softmax多分类器的损失函数为：

式(39)中：1{·}表示指示函数，表示权重衰减。