CN112686093A

CN112686093A - 一种基于ds证据理论的融合局部放电类型识别方法

Info

Publication number: CN112686093A
Application number: CN202011390581.6A
Authority: CN
Inventors: 代少升; 任忠; 刘小兵; 赖智颖
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2020-12-02
Filing date: 2020-12-02
Publication date: 2021-04-20

Abstract

本发明申请保护一种基于DS证据理论的融合局部放电类型识别方法。涉及涉及电力系统、深度学习技术及图像处理技术等领域。该方法首先利用卷积神经网络输入局部放电PRPD图谱图像特征进行识别得到识别率，然后提取PD信号的统计特征输入SVM分类器得到分类概率，最后利用DS证据理论对两种概率进行局部放电类型的融合判别。相比传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法，本文提出方法的正确识别率显著提升，尤其对相似度较高的两种缺陷识别率提升效果明显，具有较好的鲁棒性。

Description

一种基于DS证据理论的融合局部放电类型识别方法

技术领域

本发明涉及一种基于DS证据理论的SVM(Support Vector Machine,支持向量机)-CNN(Convolutional Neural Networks,卷积神经网络)融合局部放电类型识别方法，涉及电力系统、深度学习技术及图像处理技术等领域。

背景技术

变压器对电力系统运行非常重要，如果出现故障，将造成不可估量的经济损失。变压器在生产、制造、安装、运行过程中容易产生绝缘缺陷，导致设备内电场发生畸变，从而产生局部放电现象(Partial Discharge,PD)。变压器内部绝缘缺陷形式多种多样，不同放电类型在绝缘劣化机理、表现形式方面有一定的差异，对设备安全运行的影响以及绝缘状态的危害程度也不尽相同。局部放电类型识别可以为变压器地诊断、检修以及放电源定位提供依据，保障电力系统的安全稳定运行。变压器设备中的局部放电通常分为4种典型放电类型：尖端放电缺陷、空穴放电缺陷、悬浮电位放电缺陷和自由金属颗粒放电缺陷。对局部放电类型识别的研究基本分三个步骤：局部放电模式构造、局部放电特征提取以及分类器设计。

PRPD(Phase Resolved Partial Discharge)分析模式具有数据量小，稳定性好，对监测条件要求较低且监测信号相对较少的优点，在实际中得到了广泛的应用。在局部放电特征提取方面，主要使用的方法有统计特征法、图像矩特征参数法、分形特征法以及小波变换法等。其中统计特征是基于PRPD图谱提取的，因其物理意义明确而且方法比较简单，因此被广泛使用。在分类器选择方面，近年来，局部放电类型识别已有大量的研究成果，其中以反向传播神经网络(BPNN)和支持向量机(SVM)的应用较为广泛，并且取得了较好的分类效果。但是传统的分类方法在特征参数选取上存在一定的主观性，通常依赖于专家经验，信息丢失严重，缺乏一定的泛化性，从而导致识别率不高。

近年来，随着深度学习(Deep Learning,DL)方法的提出和不断发展，各种改进的结构单元和优化算法也相继被提出。作为机器学习的一个分支，深度学习特别适合处理大规模的图像、声音和文本等不同类型的数据。它主要采用逐层训练的思想，对大规模数据进行处理，从中挖掘输入数据的深层次特征表达，在特征表达、数据降维、分类预测等方面性能突出。以卷积神经网络为代表的深度学习算法已经在医学成像识别、语音识别、人脸识别、图像识别、工业自动化等很多领域都有了初步的应用。深度神经网络在敏感性与鲁棒性特征提取与构建方面表现优异，能从海量数据中自动学习特征信息，为变压器局部放电模式识别带来了新的契机。

发明内容

本发明针对现有特征提取方面由于缺乏先验知识，初步选择的局部放电特征参数敏感性差，不能全面描述局部放电特性，现有的局部放电模式识别方法局限于各种浅层机器学习方法，难以克服方法本身局限性等缺陷，本发明设计了一种基于DS证据理论的SVM-CNN融合局部放电类型识别方法。

本发明的技术方案是：设计了4种典型的变压器局部放电缺陷模型。分别为尖端放电、空穴放电、悬浮电位放电和自由金属颗粒放电，并使用局部放电检测设备对每种类型缺陷进行在线检测取样，用于后面提取特征并识别。在实验室环境中，依次安装每种缺陷模型，利用局部放电实验电路，采用逐步升压的方式产生放电，并用UHF(Ultra HighFrequency,特高频)传感器采集信号送入高速信号处理板进行处理，并保存每种缺陷的信号数据。得到PRPD图谱图像特征，并根据 PRPD图谱计算出统计特征。为准确识别4种典型局部放电类型，首先将PRPD 图谱图像特征输入卷积神经网络中得到识别概率，然后将PD信号统计特征输入 SVM网络得到识别概率，最后将两种概率输入到DS证据理论模型中进行融合判别，得到最终的识别概率。卷积神经网络一共8层，包括1个输入层、3个卷积层、2个池化层、1个全连接层以及1一个输出分类层。输入层输入的是100×100 的RGB三通道PRPD图谱，同时对图片做了一定的预处理操作，在每个通道上都减去了它的均值，并进行归一化。然后经过卷积层和池化层提取图谱特征，在卷积层选用Relu函数作为激活函数，并使用最大池化方式进行特征降维，压缩数据和参数的数量，中间加入Dropout操作防止过拟合，最后将特征输入到 Softmax层进行分类，得到识别概率。将上文提取的PRPD图谱统计特征向量V输入到SVM分类器中，得到基于统计特征的局部放电类型识别概率。

本发明提出的一种基于DS证据理论的SVM-CNN融合局部放电类型识别方法，该方法对传统CNN进行改进，在利用CNN有效挖掘PRPD图谱图像特征的同时，提取PRPD图谱的统计特征参数，并将其输入到SVM分类器中，最大限度的避免特征信息的丢失，最后用DS证据理论对两种分类器输出结果进行融合判别，提高识别率。相比传统的支持向量机(SVM)和反向传播神经网络(BPNN) 算法，该方法的正确识别率显著提升，尤其对相似度较高的两种缺陷识别率提升效果明显，具有较好的鲁棒性。

附图说明

图1是4种典型局部放电缺陷模型；

图2是局部放电实验电路；

图3是4种典型缺陷PRPD图谱；

图4是DS证据理论SVM-CNN融合结构；

图5是局部放电缺陷识别流程；

其中图1(a)为尖端放电缺陷模型；图1(b)为空穴放电缺陷识别；图1 (c)为悬浮电位放电缺陷模型；图1(d)为自由金属颗粒放电缺陷模型。图3 (a)为尖端放电PRPD图谱；图3(b)为空穴放电PRPD图谱；图3(c)为悬浮电位放电PRPD图谱；图3(d)为自由金属颗粒放电PRPD图谱。

具体实施方式

本发明首先在实验室设计了4种典型的变压器局部放电缺陷模型如图1所示。分别为尖端放电、空穴放电、悬浮电位放电和自由金属颗粒放电，并使用局部放电检测设备对每种类型缺陷进行在线检测取样，用于后面提取特征并识别。模型电极均为高强度合金，外壳为绝缘材料。其中采用针板电极模型，在高压电极端附加一根金属针，用来模拟产生尖端放电；在高压端附加一个金属球电极，地电极与球电极之间通过两层环氧板包裹一小块绝缘空穴区域，产生空穴放电；在高压电极端附加一个金属铝饼，并由绝缘支柱连接到地电极，从而产生悬浮电位放电；通过在高压电极与地电极之间放置一碗状结构，结构中放置几个铝球，模拟产生自由金属颗粒放电。

在实验室环境中，依次安装每种缺陷模型，利用图2所示实验电路，采用逐步升压的方式产生放电，并用UHF传感器采集信号送入高速信号处理板进行处理，并保存每种缺陷的信号数据。PRPD图谱是描述若干个周期内，局部放电的放电次数N、放电量Q以及对应的放电相位P(0°～360°)之间的关系而形成的。本实验中PRPD图谱为连续采集1分钟PD信号，构建的二维图谱样本，其中横坐标表示放电相位P，纵坐标表示放电量Q，而放电次数N则映射到颜色空间上，每个分部位置的N值统计叠加，可以做到颜色标识，根据累积的次数分为6个颜色级别，颜色由浅到深，实验测得4种典型缺陷的PRPD图谱分别如图3所示。对一个周期的局部放电信号进行统计方法计算能够获取三种基本量：p(放电相位)、q(放电电量)、n(放电次数)，将这三种基本量进一步处理，把一个周期的局部放电信号如图4所示平均分成N个相位窗，再对每一个相位窗计算其p、q、n值，可以得到{p_i}、{q_i}、{n_i}序列，这三种序列能够作为此放电信号的底层特征量。主要提取局部放电的5个统计特征量：

(1)偏斜度S_k

偏斜度S_k用来描述PRPD图谱的形状差异，表示图形的偏斜程度。若偏斜度为0，图形呈对称；若偏斜度大于0，则表示图形正偏，偏斜方向位于算术平均数左侧；若偏斜度小于0，则表示图形反偏，偏斜方向位于算术平均数右侧。其具体计算公式如下：

式中，N表示PRPD图谱半工频周期内相位开窗的个数；

表示PRPD图谱中第i个相窗的相位；

表示相位宽度；参数μ、p_i和σ分别表示以

为变量时PRPD图谱中第i个相窗内局放缺陷发生的均值、概率密度和方差，它们的计算公式如下：

(2)陡峭度K_u

陡峭度K_u用来描述PRPD图谱形状与正态分布相比，图谱形状分布的突起程度。若陡峭度为0，则表示图谱形状分布与正态分布一致；若陡峭度为正值，则表示图谱轮廓与正态分布相比更加尖锐陡峭；若陡峭度为负值，则表示图谱轮廓与正态分布相比更加平坦。陡峭度具体计算公式如下：

(3)放电因素Q

放电因素Q能够反应PRPD图谱在正负工频半周期放电量的差异性，其具体计算公式如下：

式中，

和

分别表示相位正半周和负半周放电量总和；

和

分别表示相位正半周和负半周的放电次数总和。

(4)互相关系数CC

互相关系数CC用于描述PRPD图谱在正负工频半周形状轮廓的相似程度。若CC越接近于0，则表明图谱正负半周形状轮廓差异越大；若CC越接近于1，则表明图谱正负半周形状轮廓越相似。其具体计算公式如下：

式中，

和

分别表示PRPD图谱中第i个相窗内正、负半周的平均放电量。

(5)相位不对称度ψ

相位不对称度ψ表示统计谱图正负半周期放电起始相位的差别。其具体计算公式如下：

式中，

和

分别表示PRPD图谱在相位正、负半工频周期的起始放电相位。

根据上述计算得到的局部放电缺陷统计特征，可得综合统计特征向量V，计算公式如下：

V＝(S_k,K_u,Q,CC,ψ) (9)

本发明中的卷积神经网络网络一共8层，包括1个输入层、3个卷积层、2 个池化层、1个全连接层以及1一个输出分类层。DS证据理论SVM-CNN融合识别模型结构如图4所示。本文局部放电类型识别流程如图5所示。首先使用局放检测仪采集4种典型局放缺陷PRPD图谱数据，然后采集PRPD图谱图像特征并对图谱进行统计特征参数提取。将数据集分为训练集和测试集，其中训练集占 80％，测试集占20％，将图像特征训练集输入到网络中进行网络模型训练，采用交叉熵代价函数，利用随机梯度下降法更新模型参数，并通过反向传播算法进行有监督微调，优化模型，得到训练模型参数。将统计特征用SVM分类器进行训练调优，得到最优模型。最后用测试集测试训练模型，将两种模型得到的概率输入到DS证据理论模型进行融合判别，得到分类识别率，评估所设计方法的识别性能。

比较表明，采用本文基于DS证据理论SVM-CNN融合模型方法能够充分提取和利用PRPD图谱的图像特征以及统计特征，最大限度地避免的特征信息的丢失，相比传统识别方法SVM和BPNN网络，总体识别率都大幅提高。

Claims

1.一种基于DS证据理论的融合局部放电类型识别方法，其特征在于：本方案对传统的局部放电类型识别特征参数依赖专家经验而且敏感性差，对某些相似度较高的绝缘缺陷类型难以区分，导致识别率低等问题进行有效的改进。首先设计4种典型局部放电缺陷模型，使用局部放电检测设备对每种类型的缺陷进行数据样本采集；然后提取每种类型缺陷的PRPD图谱图像特征，以及根据PRPD图谱计算其5个统计特征，并将两种类型的特种进行融合用于后续的识别；最后设计一种基于DS证据理论的SVM-CNN融合判别的方法进行类型识别。

2.根据权利要求1所述的一种基于DS证据理论的融合局部放电类型识别方法，其特征在于：对于PRPD图谱图像特征，构建的二维图谱样本，其中横坐标表示放电相位P，纵坐标表示放电量Q，而放电次数N则映射到颜色空间上，每个分部位置的N值统计叠加，可以做到颜色标识，根据累积的次数分为6个颜色级别，颜色由浅到深，使其特征更容易识别。对于PRPD图谱统计特征，获取三种基本量：p(放电相位)、q(放电电量)、n(放电次数)，将这三种基本量进一步处理，把一个周期的局部放电信号如图4所示平均分成N个相位窗，再对每一个相位窗计算其p、q、n值，可以得到{p_i}、{q_i}、{n_i}序列，这三种序列能够作为此放电信号的底层特征量。提取局部放电的5个统计特征量：(1)偏斜度、(2)陡峭度、(3)放电因素、(4)互相关系数、(5)相位不对称度。利用融合特征进行局部放电类型识别，对相似度高，特征重叠度大的空穴和自由金属颗粒放电，该方法有较高的识别率。

3.根据权利要求1所述的基于DS证据理论的融合局部放电类型识别方法，其特征在于：设计了8层卷积神经网络，包括1个输入层、3个卷积层、2个池化层、1个全连接层以及1一个输出分类层。输入层输入的是100×100的RGB三通道PRPD图谱，同时对图片做了一定的预处理操作，在每个通道上都减去了它的均值，并进行归一化。然后经过卷积层和池化层提取图谱特征，在卷积层选用Relu函数作为激活函数，并使用最大池化方式进行特征降维，压缩数据和参数的数量，中间加入Dropout操作防止过拟合，最后将特征输入到Softmax层进行分类，得到识别概率。将上文提取的PRPD图谱统计特征向量V输入到SVM分类器中，得到基于统计特征的局部放电类型识别概率。最后将两种识别概率输入到DS证据理论模型中进行融合判别进行分类，从而提高识别特征丰富度，进而增加识别率和鲁棒性。对比了普通CNN网络的识别效果，并和传统的浅层网络SVM和BPNN进行了比较，本方法识别率都有较大提升。