CN115327304A - 一种基于深度学习的变压器局部放电类型识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的变压器高频电流局部放电类型识别方法及系统，包括：获取不同的局部放电类型的PRPD彩色图像样本，确定所述样本对应的局部放电类型标签；将所述获取到的PRPD彩色图像样本以及类型标签输入局部放电类型图像识别模型，训练得到局部放电类型图像模型参数；将所述局部放电类型图像模型参数导入原始迁移模型，构建局部放电类型检测网络；利用所述模型识别高压电缆局部放电类型。本发明原始迁移模型基于ResNet50V2模型，其具有设计出比普通CNN深度学习模型更深入的网络模型的优势，提高了电缆局部放电检测效率，减少故障排查时间。

Description

一种基于深度学习的变压器局部放电类型识别方法及系统

技术领域

本发明涉及一种高压电缆技术领域，特别是一种基于深度学习的变压器高频电流局部放电类型识别方法及系统。

背景技术

电力变压器内部绝缘件在长期高电压作用下，在绝缘薄弱处容易产生局部放电（partial discharge，PD），严重的会导致绝缘贯通性击穿或闪络。为了保证电力变压器安全、稳定运行，局放检测就变得尤为重要。现在常用的 PD 检测方法主要有超高频法、超声波法、高频电流传感器法等。超高频法是通过检测 PD 现象产生的超高频电磁波来获取相关信息。超声波法是利用超声波信号的改变来检测电缆中存在的缺陷。高频脉冲电流局放检测技术是目前最有效的方法之一，其原理是：在接地线上安装传感器，PD 现象产生的高频电流会沿接地线传播，从而在传感器内产生感应电压，实现对 PD 信号的检测。它是通过外部探测、灵敏度高、无需改变变压器运行方式和内部结构，便于现场局放检测。

现有的常用PD检测技术虽然有较高的灵敏度，同时也会受到环境中噪声等信号干扰，影响局部放电分析判断的准确性。同时手动获取局部放电信号的特征这一方式也是严重依赖技术人员的主观经验，会造成对局部放电信号的识别和分类更为繁琐和复杂。现阶段，利用深度学习实现对变压器局部放电类型进行一个准确的分类检测仍是一个需要解决的问题。

发明内容

本发明的目的在于：针对现有技术存在的问题，提供一种基于深度学习的变压器高频电流局部放电类型识别方法及系统。

在一些实施方式中，采用如下技术方案：

一种基于深度学习的高压变频电流局部放电类型识别方法，包括：

获取不同的局部放电类型的PRPD彩色图像样本，确定所述样本对应的局部放电类型标签；

将所述PRPD彩色图像样本输入基于CIFAR图像集的网络，生成用于判断局部放电类型的数据集；

将所述数据集以及类型标签输入原始迁移模型，训练得到局部放电类型图像模型；

将PRPD彩色图像依次输入基于CIFAR图像集的网络和局部放电类型图像模型，输出局部放电类型的识别结果。

在另一些实施方式中，采用如下技术方案：

一种基于深度学习的高压变频电流局部放电类型识别系统，包括：

数据采集模块：用于获取不同局部放电类型的PRPD彩色图像样本，确定所述样本对应的局部放电类型标签；

模型生成模块：将所述PRPD彩色图像样本输入基于CIFAR图像集的网络，生成用于判断局部放电类型的数据集，将所述数据集以及类型标签输入原始迁移模型，训练得到局部放电类型图像模型；

将PRPD彩色图像输入模型生成模块，输出局部放电类型的识别结果。

综上所述，与现有技术相比，本发明的有益效果是：

提高电缆局部放电检测效率，能尽量做到实时检测和智能诊断，减少故障排查时间。

附图说明

图1是发明方法整体流程图；

图2是特高频局部放电实验平台；

图3是迁移学习流程图；

图4是三种改进网络的对不同缺陷类型的识别率表。

具体实施方式

应该指出以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤器件、组件和/或它们的组合。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

在一个或多个实施例中，公开了一种新的基于深度学习检测局部放电类型的方法，整体流程框架如图1所示，主要包括步骤：

使用特高频局部放电实验平台采集不同故障类型对应的局部放电信号数据，根据每种故障类型对应的局部放电相位分布谱图(Phase Resolved Partial Discharge ,PRPD)确定样本对应的局部放电类型。

PRPD谱图，是学者们使用最为普遍的一种谱图研究分析模式。该模式基于放电脉冲数据中的幅值与相位信息，以一定的步长将幅值－相位平面

划分切割为若干小的平面网格区域，统计各小区间内的放电次数，并用颜色深浅反应次数的多少。即PRPD谱图将三维谱图放电次数－放电信号的幅值－放电信号的相位分布

投影在幅值－相位

平面上，反映了放电信号的幅值、脉冲的相位以及放电次数这三者间的分布特征。

其中，特高频局部放电实验平台如图2所示，实验包含以下步骤：

1）检查实验室环境，在断开电源不加压的情况下，使用特高频检测仪对背景信号进行测试，排除实验室内特高频背景噪声信号的干扰。操作平台安全接地后，确认各气室无SF₆后打开腔体，用酒精对腔体内壁，放电模型及高压导体进行清洁，防止残留的灰尘、脏污或金属微粒对实验造成干扰。

2）为保证在实验过程中平台自身不会发生局部放电现象，对实验平台进行空载加压实验。用泵将腔体各气室抽真空后，充入气压为0.４MPa的SF₆气体；连接好各设备的电路后，操作加压台逐渐提升输出电压，若检测到放电信号则停止加压，记录此时电压，后续局部放电实验的过程中，加压台电压不超过该记录电压值。

3）选择一种绝缘缺陷模型，将其固定于腔体的高压导体与外壳之间；完成腔体的抽真空操作后，为其充入0.４MPa的SF₆气体。

步骤中涉及到的所有缺陷模型总结概括后可以分为五类典型绝缘缺陷：高压端金属尖端放电缺陷：整体模型为尖板放电模型，模型的高压导体端接铝制针尖电极，接地端为铝制圆盘。悬浮电极放电缺陷：使用环氧树脂作为支撑件，固定于地电极，其顶端分别连接不同尺寸的金属物体，并与高压端保持一定的间距。自由金属颗粒放电缺陷：高压端接球形电极，低压端接地电极设计为凹槽圆盘电极，圆盘中放置不同尺寸和数量的自由金属颗粒。绝缘子沿面放电缺陷：将环氧树脂浇注成圆柱体，制作时通过控制真空度改变内部不同的气泡数量，将环氧树脂柱固定在两平板电极间。气隙放电缺陷：将环氧树脂浇注成圆柱体，表面固定不同尺寸的金属导体，将圆柱体固定于两平板电极间。

4）完成GIS腔体与高压实验回路的连接，将特高频传感器放置并固定于绝缘子处，打开加压台开关，逐步提升加压台输出电压，用特高频检测仪接收到放电信号后，记下此时的电压值，保持该电压值至预定的时间，同时使用上位机对局部放电数据进行采集和保存。

5）缓慢调节调压台输出电压，调节至新的电压水平后，保持电压不变直至到达预定的时间。此期间若出现模型被击穿的情况，则立刻停止加压，加压台降压至零后断开电源，确认设备可靠接地后收集腔体内的SF₆气体，更换缺陷模型，再重复步骤3和4。若实验正常进行，模型未被击穿，则使用上位机存储特高频局部放电检测仪的数据。

6）重复步骤4，完成指定组数的电压水平下的绝缘缺陷局部放电实验。

7）完成单个模型的实验后，降压，关闭加压台电源，实验平台中的设备可靠接地后更换模型，重复步骤3到6。

8）完成所有缺陷模型的实验后，降压，断开加压台电源，使用接地杆对电容器等设备放电后，拆除系统接线。

9）回收GIS残留的SF₆整理实验仪器，清理实验杂物，关闭电源结束实验。

根据获取到的PRPD彩色图像样本，获取图像样本的类型标签，并对PRPD彩色图像样本每一颜色通道进行像素的归一化处理。

数据集的划分方式基于小样本训练，采取训练集20%、测试集80%的分割方式对数据集进行划分，以此模拟在实际应用中PD数据集远小于计算机视觉研究中常用数据集的情形，实验平台获取的数据是仿真数据，与真实数据存在差异，因此在实际应用中，算法还要根据实际数据进行迭代和修正。且为了避免数据集内各局部放电类型数据间因为样本分布不平衡带来的影响，每类设置相同的样本数，训练集每类样本数为126，测试集每类样本书为497。

使用基于CIFAR图像集的CNN迁移学习模型对处理后的PRPD图像数据及其类型标签进行训练，生成用于判断局部放电类型的数据集，并在参数更新过程中禁止除新建全连接层以外的网络参数的更新。

将所述数据集以及类型标签输入原始迁移模型，并添加SoftMax层，构建局部放电类型图像模型。

其中，原始迁移模型是基于ResNet50V2，并在此基础上提出的三种模型，其网络模型比普通CNN深度学习模型具有学习更加深入的优势。随着深度学习模型达到更加深层次的网络时，就会暴露出退化的问题，当网络深度增加时，精度趋于饱和，在深度网络中添加更多的层会导致更高的训练误差，而ResNet模型可以很好的解决这个问题。如图3，包括：

1）ResNet50V2_C1：基线冻结模型，是一种迁移学习模型，输入先通过冻结层，冻结除密集层之外的所有层或参数；再通过密集层进行训练，输出结果。

2）ResNet50V2_C2:具有最接近输入的修改层的微调模型，输入先通过修改层进行训练微调；再通过冻结层，冻结除修改层、密集层之外的所有层或参数；最后通过密集层进行训练，输出结果。

3）ResNet50V2_C3:具有最接近输出的修改层的微调模型，输入先通过冻结层，冻结除修改层、密集层之外的所有层或参数；再通过修改层进行训练微调；最后通过密集层进行训练，输出结果。

使用训练集PRPD彩色图像训练局部放电类型图像模型的顶层权重参数，采用随机梯度下降法训练网络顶层的全连接层以及分类层，随机划分训练集为若干批次，在一个周期内一次使用各个批次数据更新网络参数，计算输出类别与对应真实类别标签间的误差，使用反向传播算法并进行指定迭代次数的网络参数更新。

反向传播使用链式法则计算梯度，当层变深时，用于网络更新的偏导数链可以变长，链越长，训练模型的计算复杂度越高，而ResNet模型的输出是f（（x）+x），意味着求导值总是大于1，因此网络深度加深了，梯度不会消失，总是会大于1。因此，ResNet模型可以解决梯度消失问题。

将测试集PRPD彩色图像依次输入基于CIFAR图像集的网络和局部放电类型图像模型，SoftMax层输出局部放电类型的识别结果，此外，测试集数据还用于测试网络完成测试集的若干次迭代后的识别准确率。测试所得各个改进模型识别准确率如图4所示，可见三种改进模型对不同局部放电故障类型的识别准确率各有优劣，因此，在实际应用中，根据实际情况从候选的三个改进模型中选择效果最优的模型。

实施例2

在一个或多个实施例中，公开了一种基于深度学习的变压器高频电流局部放电类型识别系统，包括：

数据采集模块：用于获取不同局部放电类型的PRPD彩色图像样本，确定所述样本对应的局部放电类型标签；

模型生成模块：将所述PRPD彩色图像样本输入基于CIFAR图像集的网络，生成用于判断局部放电类型的数据集，将所述数据集以及类型标签输入原始迁移模型，训练得到局部放电类型图像模型；

将PRPD彩色图像输入模型生成模块，输出局部放电类型的识别结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的变压器高频电流局部放电类型识别方法，其特征在于，包括：

获取不同的局部放电类型的PRPD彩色图像样本，确定所述样本对应的局部放电类型标签；

将所述PRPD彩色图像样本输入基于CIFAR图像集的网络，生成用于判断局部放电类型的数据集；

将所述数据集以及类型标签输入原始迁移模型，训练得到局部放电类型图像模型；

将PRPD彩色图像依次输入基于CIFAR图像集的网络和局部放电类型图像模型，输出局部放电类型的识别结果。

2.根据权利要求1所述的基于深度学习的变压器高频电流局部放电类型识别方法，其特征在于，所述原始迁移模型是ResNet50V2。

3.根据权利要求2所述的基于深度学习的变压器高频电流局部放电类型识别方法，其特征在于，包括：

ResNet50V2_C1：基线冻结模型，用于冻结所有层或参数，但层末的密集层除外；

ResNet50V2_C2：具有最接近输入的修改层的微调模型，它具有最接近输入的修改层，包括密集层；

ResNet50V2_C3：具有最接近输出的修改层的微调模型，其修改层最接近输出，包括密集层。

4.根据权利要求1所述的基于深度学习的变压器高频电流局部放电类型识别方法，其特征在于，数据集划分方式基于小样本训练，采取训练集20%、测试集80%的分割方式对数据集样本进行划分。

5.根据权利要求1所述的基于深度学习的变压器高频电流局部放电类型识别方法，其特征在于，局部放电类型检测网络的训练过程包括：

S1：用训练集PRPD彩色图像样本训练网络顶层权重参数；

S2：计算输出类别与对应真实类别标签间的误差，使用反向传播算法进行指定迭代次数的网络参数更新。

6.根据权利要求1所述的基于深度学习的变压器高频电流局部放电类型识别方法，其特征在于，添加SoftMax层输出局部放电类型的识别结果。

7.根据权利要求1所述的不同局部放电类型的PRPD彩色图像样本的获取方法，其特征在于，所述局部放电类型包括：高压端金属尖端放电缺陷、悬浮电极放电缺陷、自由金属颗粒放电缺陷、绝缘子沿面放电缺陷和气隙放电缺陷。

8.一种基于深度学习的变压器高频电流局部放电类型识别系统，其特征在于，包括

数据采集模块：用于获取不同局部放电类型的PRPD彩色图像样本，确定所述样本对应的局部放电类型标签；

模型生成模块：将所述PRPD彩色图像样本输入基于CIFAR图像集的网络，生成用于判断局部放电类型的数据集，将所述数据集以及类型标签输入原始迁移模型，训练得到局部放电类型图像模型；

将PRPD彩色图像输入模型生成模块，输出局部放电类型的识别结果。

Images