杨 帆，彭小圣，文劲宇，等：基于卷积神经网络的高压电缆局部放电模式识别

（以下为本文主干内容，原文详见《电力自动化设备》2018年第38卷第5期）

基于卷积神经网络的高压电缆局部放电模式识别

杨 帆1，王干军2，彭小圣1，文劲宇1，陈清江2，

杨光垚1，李朝晖1

（1. 华中科技大学 电气与电子工程学院 强电磁工程与新技术国家重点实验室；

2. 广东电网公司中山供电局）

1

研究背景

高压电缆是电力系统中重要的电力设备，其运行状态关乎电网供电的安全性与可靠性。局部放电(PD)既是电缆绝缘劣化的主要原因，又是电缆绝缘缺陷和绝缘老化的重要表征。准确识别出电缆PD模式进而判断绝缘缺陷类型对于电缆绝缘状态评估有着十分重要的意义。然而，高压电缆不同类型PD的识别难度较大，其中某些相似度较高的PD尤其难以区分。近年来，以卷积神经网络(CNN)为典型代表的深度学习算法由于其出色的特征提取能力在语音识别、图像识别等诸多领域得到了成功应用，在电力行业也引起了研究人员的广泛关注。因此，有必要研究深度学习理论在高压电缆PD模式识别问题中的应用。

2

整体研究思路及创新点

本文提出了基于CNN的高压电缆PD模式识别方法，首先在实验室环境下模拟了5种电缆绝缘缺陷类型，通过加压测试获取了大量的PD实验数据，然后提取PD瞬时脉冲，并构建了34个特征参数，最后通过CNN实现缺陷类型的识别。为证明所提方法的有效性，本文分别研究了不同网络层数、不同激活函数以及不同池化方式对CNN性能的影响，并将CNN识别效果与传统的浅层分类器支持向量机(SVM)和反向传播神经网络(BPNN)进行了比较。结果表明，CNN在识别精度上具备优势，优于传统的BPNN和SVM模式识别方法，且能较好识别具有高相似度的PD模式。

3

典型CNN架构

典型CNN架构如图1所示，由输入层、1个或多个交替连接的卷积层和池化层、全连接层以及输出层组成。CNN输入是二维数据矩阵，即原始图像。卷积层能直接从二维图像中提取特征并形成特征图，多个卷积层间穿插着池化层能够减小特征图大小并逐渐建立更高程度的空间和结构不变性。经过多个卷积层和池化层的交替传递，全连接层使用所提取的特征进行预测。最后由输出层给出识别结果。CNN本质上是使原始输入经过多个层次的数据变换与降维而映射到一个新的特征表达的数学模型。

图1 CNN架构

3

电缆绝缘缺陷类型

实验采用无缺陷电缆构建5种典型的电缆绝缘缺陷如图2所示，图中各数据单位为mm。5种电缆绝缘缺陷的具体设置详见原文。

图2 5种典型的电缆绝缘缺陷

4

基于CNN的PD模式识别

基于CNN的PD模式识别流程如图3所示。首先开展5种电缆绝缘缺陷的测试实验并收集原始数据，进行数据去噪和PD脉冲提取，构建34个PD特征参数，得到包含3500个样本的PD特征数据集。然后将特征数据集划分为训练集和测试集(两者所占比重分别为85%和15%)，通过在训练集上使用小批量随机梯度下降算法以最小化模型预测输出和实际输出之间的误差来训练优化CNN，通过测试集来评估基于CNN的PD模式识别的性能。

图3 基于CNN的PD模式识别流程

5

结果与评估

5.1

不同网络层数CNN的比较

当网络层数减少时，CNN对样本数据的拟合能力会降低；当网络层数增加时，网络学习能力增强，但所需训练的参数会增多，对样本数据量的需求也会相应增大，对于小样本数据会产生过拟合的风险。而本文有3500个样本，数量较少，对应的最佳网络层数也应该较少。由图4可知，6种模型中2层CNN效果最好，不同迭代轮次的误差率均低于其他5种模型。

图4 不同网络层数CNN的PD模式识别误差对比

5.2

采用不同激活函数的CNN的比较

Swish函数无上界有下界、平滑且非单调的特点使其收敛性能好于ReLU函数。图5中使用Swish激活函数的CNN在不同迭代轮次的误差均小于使用ReLU的CNN。在迭代至40轮的时候，采用Swish激活函数的识别精度比使用ReLU激活函数高0.7%。

图5 不同池化方式和激活函数CNN识别误差对比

5.3

采用不同池化方式的CNN的比较

由图5可知，在本文数据集中，最大池化方式由于能够提取最有表征能力的特征，相比平均池化方式具有更好的识别精度。

5.4

与传统浅层分类器的比较

从表1可知，3种方法中CNN总体识别准确率最高，达到了90.67%；SVM其次， 总体精度为86.96%；BPNN最差，总体精度为86.61%。相比BPNN和SVM，CNN方法总体识别率分别提高了4.06%和3.71%。缺陷类型1、4、5差异较为明显，比较容易识别，CNN对三者的识别准确率与BPNN和SVM方法相同。而缺陷类型2和3的相似度较高，识别难度较大。CNN特殊的网络结构能够对数据特征进行深入挖掘，可以较好地捕捉细节信息并学习到更全面、更抽象的特征。CNN对缺陷类型2的识别准确率为80.86%，相比BPNN和SVM分别提高了3.55%和14.20%；CNN对缺陷类型3的识别准确率为78.90%，相比BPNN和SVM分别提高了16.51%和5.20%。

表1 CNN、BPNN和SVM的识别精度对比

6

结论

本文将CNN应用于5种高压电缆缺陷类型的模式识别，研究了不同网络层数、不同激活函数和不同池化方式下CNN的性能，并与传统方法的识别效果进行了比较，得到的结论如下。

a.网络层数、激活函数、池化方式、迭代轮数对CNN的识别精度具有较大的影响。在CNN网络构建时，应该充分考虑这些因素。

b.本文采用Swish函数的CNN识别精度比使用ReLU激活函数高0.7%。Swish函数无上界有下界、平滑且非单调的特点使其收敛性能好于ReLU活函数。

c.CNN中的卷积层和池化层具有优异的特征学习能力，能捕捉到数据的细节特征，信息丢失少，对高相似度缺陷识别能力强、鲁棒性好，对于相似度较高的缺陷类型2和3的识别准确率，相比SVM分别提高了14.20%和5.20%，相比BPNN分别提高了3.55%和16.51%。

d.CNN能更全面地捕捉到输入数据表现的高阶相关性，在顶层形成更具表征能力的高维抽象特征向量，相比传统浅层分类器BPNN和SVM，总体识别准确率分别提高了4.06%和3.71%。

作者简介

彭小圣

彭小圣，英国工学博士，IEEE会员，IET会员。2006年6月和2009年3月分别获得华中科技大学本科和硕士学位，2009年2月—2012年2月在英国国家自然科学

基金（EPSRC）的资助下在格拉斯哥卡里多尼亚大学攻读博士学位，2012年3月—2013年8月在EDF Energy资助下开展博士后研究，2013年9月到华中科技大学工作。研究方向为：电力系统大数据理论与应用；电力系统主设备监测与诊断；智能微网多尺度控制；基于大数据挖掘的新能源功率预测；电力设备局部放电检测与识别；基于大数据深度学习的模式识别与预测等。

杨 帆

杨 帆，华中科技大学硕士研究生，主要研究方向为电力设备状态监测与故障诊断、新能源功率预测等。

研究团队简介

华中科技大学彭小圣博士团队长期致力于先进人工智能方法在电力系统主设备状态监测、新能源并网、局部放电模式识别与诊断、数据挖掘与预测等领域的应用，近年来参与和承担了英国国家自然科学基金（EPSRC）项目、英国能源公司（British Energy）项目、法国电力公司（EDF Energy）项目、罗尔斯罗伊斯（Rolls-Royce）国际合作项目、国家重点研发计划子课题、国家自然科学基金、湖北省自然科学基金、国网总部项目子课题、中国电力科学研究院、国网技术学院、AEET国家重点实验室项目等10余项。

引文信息

杨帆，王干军，彭小圣，等. 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（5）：123-128.

DOI：10.16081/j.issn.1006-6047.2018.05.018

YANG Fan，WANG Ganjun，PENG Xiaosheng，et al. Partial discharge pattern recognition of high-voltage cablesbasedonconvolutionalneuralnetwork[J]. Electric power Automation Equipment，2018，38（5）：123-128.

欢迎个人转发至朋友圈分享

（媒体转载请在后台联系我们）

传承丨探索丨引领