基于深度森林模型的GIS局部放電模式識(shí)別

劉東超，熊慕文，高森，趙森林，朱何榮，李海濤

（南京南瑞繼保電氣有限公司，江蘇 南京 211102）

氣體絕緣組合開(kāi)關(guān)電器（gas insulated switchgear，GIS）以其占地面積小、工程建設(shè)速度快、運(yùn)行穩(wěn)定性高、故障率低等特點(diǎn)，在電網(wǎng)中得到廣泛應(yīng)用，其設(shè)備的絕緣狀態(tài)與電網(wǎng)安全息息相關(guān)[1]。局部放電作為反映GIS內(nèi)部絕緣故障的重要特征參量，不同類(lèi)型的局放對(duì)絕緣造成的破壞程度有較大差異，因此對(duì)局放類(lèi)型進(jìn)行有效的識(shí)別對(duì)于評(píng)價(jià)GIS絕緣狀況非常重要[2-4]。

目前局放模式識(shí)別領(lǐng)域研究的熱點(diǎn)主要是特征參量提取與模式分類(lèi)兩方面。局放信號(hào)特征參量常用的提取方法主要包括統(tǒng)計(jì)特征參量法[5]、波形特征參量法[6]、分形特征參量法[7]、矩特征參量法[8]和小波特征參量法[9]等；在模式分類(lèi)領(lǐng)域，反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)[10]、支持向量機(jī)[11-12]（support vector machine，SVM）、K鄰近[13]（K-nearest neighbor，KNN）以及隨機(jī)森林[14]等方法得到大量應(yīng)用，取得的分類(lèi)效果較好[10-14]。但是傳統(tǒng)的局放模式識(shí)別方法都需要人為對(duì)局放信號(hào)進(jìn)行特征參量提取，這些選取的特征參量具有較強(qiáng)的主觀性，過(guò)于依賴(lài)自然領(lǐng)域?qū)＜覍?duì)于某個(gè)問(wèn)題而確立的方法，缺乏很好的泛化性，且在特征參量提取過(guò)程中會(huì)損失部分局部放電特征信息，造成識(shí)別率降低。最近幾年在學(xué)術(shù)界與工業(yè)界興起的深度學(xué)習(xí)（deep learning）由于具有強(qiáng)大的特征學(xué)習(xí)能力，能自動(dòng)從大數(shù)據(jù)中學(xué)習(xí)樣本的特征信息，避免了人工選取特征參量的主觀性，在圖像識(shí)別、語(yǔ)音辨識(shí)等領(lǐng)域取得了良好的效果，但是將深度學(xué)習(xí)應(yīng)用在電氣設(shè)備局放類(lèi)型模式識(shí)別的研究較少[15-18]。基于此，本文提出一種基于深度森林模型的GIS局放模式識(shí)別方法。

本文依據(jù)GIS設(shè)備典型放電發(fā)展過(guò)程中出現(xiàn)的特征，制作了4種典型放電模型，搭建了252 kV GIS局部放電實(shí)驗(yàn)平臺(tái)，獲取局放時(shí)域波形圖，由此構(gòu)造GIS局部放電灰度圖像。在此基礎(chǔ)上，設(shè)計(jì)深度森林網(wǎng)絡(luò)模型，以局部放電灰度圖像作為深度森林模型的輸入，采用多粒度掃描結(jié)構(gòu)實(shí)現(xiàn)局部放電灰度圖像特征的自動(dòng)提取，利用級(jí)聯(lián)森林結(jié)構(gòu)作為分類(lèi)器，完成對(duì)局放類(lèi)型的分類(lèi)。

1 深度森林模型介紹

深度森林算法是一種以隨機(jī)森林（random forest，RF）為基礎(chǔ)的新型分類(lèi)算法[19]。深度森林模型（依托于深度森林算法）由多粒度掃描結(jié)構(gòu)（multi-grained scanning）和級(jí)聯(lián)森林結(jié)構(gòu)（cascade forest）組成，基于決策樹(shù)實(shí)現(xiàn)樣本的預(yù)測(cè)分類(lèi)。

1.1 隨機(jī)森林算法

RF算法是一種重要的基于Bagging的集成學(xué)習(xí)方法[20]，可以用來(lái)解決分類(lèi)等問(wèn)題。該算法采用的模型屬于一種集成分類(lèi)模型，由一組決策樹(shù)分類(lèi)器{f（X，θk），k=1，…，N}構(gòu)成。其中參數(shù)X代表的是待分類(lèi)樣本；θk代表的是與第k棵決策分類(lèi)樹(shù)之間滿足獨(dú)立同分布關(guān)系的一個(gè)隨機(jī)向量。該模型的具體分類(lèi)過(guò)程如圖1所示。

圖1 隨機(jī)森林分類(lèi)過(guò)程Fig.1 Classification procedure of random forest

將待分類(lèi)的樣本X輸入隨機(jī)森林模型后，樣本X將進(jìn)入到所有已經(jīng)通過(guò)訓(xùn)練產(chǎn)生的決策樹(shù)，以此進(jìn)行分類(lèi)；每棵決策樹(shù)通過(guò)判斷樣本的特征屬性，以此獨(dú)立地分析樣本X的所屬類(lèi)型；當(dāng)每棵決策分類(lèi)樹(shù)各自得到自己的分類(lèi)識(shí)別結(jié)果后，由隨機(jī)森林模型開(kāi)始進(jìn)行集中投票，把獲得票數(shù)最多的分類(lèi)結(jié)果作為待分類(lèi)樣本X的最終分類(lèi)結(jié)果。因此，可用下式表示隨機(jī)森林的分類(lèi)決策結(jié)果[21]：

式中：F（x）為隨機(jī)森林分類(lèi)決策結(jié)果；fi為第i個(gè)決策樹(shù)分類(lèi)模型；Y為目標(biāo)變量；I為度量函數(shù)；N為決策樹(shù)數(shù)量。

1.2 多粒度掃描結(jié)構(gòu)

多粒度掃描結(jié)構(gòu)在深度森林算法中用來(lái)挖掘樣本圖像的特征，最大限度提取樣本圖像的特征參量。其定義如下[19]：設(shè)W=（XN×M，v×v，b，l），其中，XN×M代表原始輸入圖像的特征，N×M代表其維度，v×v代表掃描窗口維度，b代表掃描步長(zhǎng)，l表示掃描窗口的數(shù)量。則經(jīng)過(guò)掃描之后的特征數(shù)為：r=[(N-v)/b+1]×[(M-v)/b+1]。

整個(gè)多粒度圖像掃描過(guò)程為：先將一個(gè)完整的N×M維樣本圖像輸入模型，然后通過(guò)一個(gè)維度為v×v的采樣窗口對(duì)樣本圖像進(jìn)行滑動(dòng)采樣，得到r=[（N-v）/b+1]×[（M-v）/b+1]個(gè)特征子樣本，接著隨機(jī)森林和完全隨機(jī)樹(shù)森林會(huì)對(duì)每個(gè)采集到的子樣本進(jìn)行訓(xùn)練，并且每次訓(xùn)練都將產(chǎn)生一個(gè)長(zhǎng)為S的概率向量。由此可知，訓(xùn)練完成后隨機(jī)森林與完全隨機(jī)樹(shù)森林都將會(huì)得到一個(gè)長(zhǎng)度為r×S的特征向量，把這2個(gè)特征向量組合在一起即可得到本層輸出。這里的多粒度掃描類(lèi)似于CNN的卷積過(guò)程，但相比于卷積運(yùn)算，該方法運(yùn)算速度更快。當(dāng)采用不同v值的采樣窗同時(shí)采樣時(shí)，就完成了真正意義上的多粒度采樣，從而獲得更多的特征子樣本。

1.3 級(jí)聯(lián)森林結(jié)構(gòu)

級(jí)聯(lián)森林結(jié)構(gòu)在該模型中的作用是一層一層地對(duì)樣本特征進(jìn)行處理，增強(qiáng)該算法的特征挖掘能力，提升模式識(shí)別的準(zhǔn)確率。其定義如下[19]：設(shè)CF={z，F(xiàn)，t，c}表示級(jí)聯(lián)森林。其中，z={1，2，…，Z}代表級(jí)聯(lián)森林的層數(shù)，每一層包含m個(gè)森林F，m={1，2，…，MZ}。而F是由t棵決策樹(shù)組成的訓(xùn)練森林（包括隨機(jī)森林和完全隨機(jī)樹(shù)森林），t={1，2，…，Tm，Z}，c={1，2，…，C}代表樣本的類(lèi)別標(biāo)簽。

在訓(xùn)練階段，級(jí)聯(lián)森林的每一層都會(huì)生成對(duì)樣本x的類(lèi)分布向量，如下式所示：

式中：pc(t，m)（x）為每棵決策樹(shù)計(jì)算的樣本x屬于類(lèi)別c的概率。

然后每個(gè)森林會(huì)根據(jù)該概率得到自己對(duì)樣本x的類(lèi)分布估計(jì)，表示為

然后，在級(jí)聯(lián)森林結(jié)構(gòu)中，各層輸出的結(jié)果向量和初始特征向量拼接在一起作為下一層森林的輸入，表示為

由此方法不斷迭代計(jì)算，直到準(zhǔn)確率不再上升，停止訓(xùn)練并得出最終結(jié)果。

2 基于深度森林模型的GIS局放模式識(shí)別

2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

本文采用高速示波器獲取典型的局放信號(hào)時(shí)域波形圖，將局放信號(hào)時(shí)域波形圖轉(zhuǎn)換成灰度圖（灰度值為0～255），然后將所有圖像的分辨率（采用雙線性插值算法）壓縮到80×30，最后將圖片像素歸一化到[0，1]之間。在此基礎(chǔ)上，設(shè)計(jì)用于GIS設(shè)備局放模式識(shí)別的深度森林模型，具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 深度森林分類(lèi)過(guò)程Fig.2 Forecasting procedure of deep forest

從圖2可以看出，首先輸入層輸入一個(gè)分辨率為80×30的灰度圖像，作為深度森林多粒度掃描結(jié)構(gòu)的輸入。多粒度掃描結(jié)構(gòu)通過(guò)使用多個(gè)滑動(dòng)采樣窗口掃描預(yù)處理的局部放電灰度圖，將從窗口提取的實(shí)例用于訓(xùn)練隨機(jī)森林和完全隨機(jī)樹(shù)森林，獲取局部放電灰度圖的特征向量，并作為級(jí)聯(lián)森林結(jié)構(gòu)的輸入。如圖2中的多粒度掃描階段所示，圖像分辨率為80×30，為提高算法快速性且不失準(zhǔn)確性，僅使用9×9的滑動(dòng)窗口產(chǎn)生1 584個(gè)實(shí)例（即1 584個(gè)9×9的矩陣）；然后把從窗口提取的實(shí)例模型用于訓(xùn)練隨機(jī)森林（Forest A）和完全隨機(jī)樹(shù)森林（Forest B），每個(gè)實(shí)例生成一個(gè)二維的類(lèi)向量，即Forest A生成1 584個(gè)類(lèi)向量，F(xiàn)orest B生成1 584個(gè)類(lèi)向量；最終把這2個(gè)分類(lèi)向量拼接成一個(gè)3 168維的新特征向量，作為級(jí)聯(lián)森林結(jié)構(gòu)的第一層輸入。

在級(jí)聯(lián)森林結(jié)構(gòu)中，除了第一層采用多粒度掃描結(jié)構(gòu)輸出的特征向量作為輸入之外，隨后的每一層都是把從上一層輸出的特征向量與初始特征向量拼接作為自身的輸入。如圖2中的級(jí)聯(lián)森林階段所示，將多粒度掃描結(jié)構(gòu)輸出的3 168維特征向量作為輸入。首先，特征向量經(jīng)過(guò)Forest A，F(xiàn)orest B分類(lèi)處理后，獲得2個(gè)二維類(lèi)別向量；然后把這2個(gè)二維類(lèi)別向量與3 168維初始特征向量相拼接，構(gòu)成一個(gè)3 172維的新特征向量作為第二層的輸入；按照該方法類(lèi)推，第N-1層將產(chǎn)生3 168+2×2×（N-1）維的新特征向量，作為第N層的輸入；最后，對(duì)第N層輸出的類(lèi)別向量求平均值，選擇其中最大值所對(duì)應(yīng)的類(lèi)別作為局部放電灰度圖的最終分類(lèi)結(jié)果。

2.2 深度森林算法流程

算法的實(shí)現(xiàn)主要包括：

1）對(duì)分類(lèi)所需的局部放電圖像進(jìn)行預(yù)處理，將圖像轉(zhuǎn)換為灰度圖，并依據(jù)算法的需要，劃分出訓(xùn)練樣本集。

2）利用訓(xùn)練灰度圖對(duì)深度森林算法進(jìn)行訓(xùn)練，直到某層的準(zhǔn)確率不再提高則停止訓(xùn)練。

3）利用預(yù)測(cè)樣本灰度圖的特征數(shù)據(jù)進(jìn)行預(yù)測(cè)，將預(yù)測(cè)局部放電灰度圖的特征數(shù)據(jù)通過(guò)深度森林模型進(jìn)行訓(xùn)練，得到最終的分類(lèi)結(jié)果。

算法的實(shí)現(xiàn)流程如圖3所示。

圖3 深度森林算法流程Fig.3 Flow chart of deep forest algorithm

3 實(shí)驗(yàn)結(jié)果分析

3.1 缺陷模型及實(shí)驗(yàn)平臺(tái)設(shè)計(jì)

為使放電模型不僅突出GIS設(shè)備典型放電發(fā)展過(guò)程的特征，而且盡量符合GIS設(shè)備的實(shí)際運(yùn)行情況，設(shè)計(jì)制作了4種典型的絕緣缺陷模型來(lái)模擬GIS內(nèi)部可能發(fā)生的絕緣故障，分別是針-板放電模型、沿面放電模型、自由金屬微粒放電模型和懸浮放電模型[22]，缺陷模型示意圖如圖4所示。4個(gè)模型材質(zhì)均為鋁，并且為了減小干擾，所有電極均打磨光滑。置于GIS內(nèi)部腔體的實(shí)物模型如圖5所示。

圖4 缺陷模型示意圖Fig.4 Schematic diagram of defect model

圖5 缺陷模型和GIS腔體Fig.5 Defect model and GIS cavity

在外界干擾較小的實(shí)驗(yàn)室條件下，搭建GIS局部放電實(shí)驗(yàn)平臺(tái)，采用外置特高頻天線傳感器檢測(cè)局部放電。實(shí)驗(yàn)平臺(tái)如圖6所示，包括252 kV GIS模型、250 kV無(wú)局放電源、局部放電檢測(cè)儀、耦合電容、檢測(cè)阻抗、外置超高頻天線、寬帶示波器及缺陷模型等。實(shí)驗(yàn)時(shí)外置特高頻天線傳感器采用改進(jìn)的平面小型化螺旋天線[23]，其工作帶寬為300～2 000 MHz，增益變化范圍為 2.5～4.3 dB，尺寸為 130 mm×115 mm×45 mm，質(zhì)量為650 g；采用型號(hào)為T(mén)ektronix DPO7254的泰克高速數(shù)字示波器(該示波器為4通道數(shù)字存儲(chǔ)示波器，每個(gè)通道可提供2.5 GHz帶寬和10 GS/s采樣速率，單通道最高采樣速率可達(dá)40 GS/s)采集局部放電信號(hào)時(shí)域波形圖。由于在實(shí)驗(yàn)室采集到的局部放電信號(hào)存在各種隨機(jī)干擾噪聲和窄帶周期性干擾噪聲，為提高模式識(shí)別的準(zhǔn)確率，本文采用對(duì)偶樹(shù)復(fù)小波變換（dual-tree complex wavelet transform，DT-CWT）對(duì)采集的信號(hào)進(jìn)行降噪處理，采用該方法對(duì)局放信號(hào)進(jìn)行降噪，局放信號(hào)沒(méi)有出現(xiàn)明顯的畸變，較好地保持了原有特高頻局放信號(hào)的特征。圖7所示為GIS 4種典型缺陷對(duì)應(yīng)的局部放電灰度圖。

圖6 局部放電實(shí)驗(yàn)平臺(tái)Fig.6 Partial discharge experimental platform

圖7 局部放電灰度圖Fig.7 Partial discharge gray-scales

3.2 基于不同特征提取方法的局部放電模式識(shí)別結(jié)果

利用圖6所示GIS局部放電實(shí)驗(yàn)平臺(tái)對(duì)每種局部放電類(lèi)型采集205張圖像，共820張規(guī)范化為80×30大小的灰度圖作為樣本，采用圖2設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)局部放電灰度圖進(jìn)行訓(xùn)練、測(cè)試。隨機(jī)選擇每種放電類(lèi)型的灰度圖建立訓(xùn)練樣本和測(cè)試樣本比分別為0.7:0.3，0.5:0.5，0.3:0.7的樣本集。為保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性與客觀性，采用3次交叉驗(yàn)證的方式訓(xùn)練網(wǎng)絡(luò)，把每個(gè)樣本集平均分成3組，每一次隨機(jī)選擇其中的一組充當(dāng)測(cè)試樣本集，剩下的兩組充當(dāng)訓(xùn)練樣本集，進(jìn)行3次訓(xùn)練，最后獲得3個(gè)模型，將這3個(gè)模型在測(cè)試樣本集上得到的分類(lèi)準(zhǔn)確率求平均值，作為該分類(lèi)器最終識(shí)別局部放電類(lèi)型的準(zhǔn)確率。

基于上述樣本集，分別采用多粒度掃描、稀疏自編碼器的方法提取局部放電灰度圖的特征，并將提取的這2種不同特征輸入到RF集成分類(lèi)器、SVM集成分類(lèi)器、BPNN集成分類(lèi)器對(duì)局部放電模式進(jìn)行識(shí)別，結(jié)果見(jiàn)表1。

表1 基于不同特征提取方法的局部放電模式識(shí)別準(zhǔn)確率Tab.1 Recognition accuracy of partial discharge pattern based on different features extraction method

從表1可以看出，在一個(gè)樣本集中對(duì)于同一個(gè)分類(lèi)器，使用多粒度掃描結(jié)構(gòu)提取局部放電灰度圖特征的局放模式識(shí)別準(zhǔn)確率均高于使用稀疏自編碼器提取局部放電灰度圖特征的局放模式識(shí)別準(zhǔn)確率，且隨著訓(xùn)練灰度圖的增加，各個(gè)分類(lèi)器模式識(shí)別的準(zhǔn)確度也在上升。說(shuō)明多粒度掃描結(jié)構(gòu)具有優(yōu)異的特征學(xué)習(xí)能力，可以深度挖掘局部放電灰度圖的內(nèi)在特征，局放信息丟失較少，故基于多粒度掃描方法自適應(yīng)提取的特征具有較好的辨識(shí)度，有利于分類(lèi)。

同時(shí)基于上述樣本集，統(tǒng)計(jì)采用多粒度掃描、稀疏自編碼器提取局部放電灰度圖特征參數(shù)所需時(shí)間如表2所示。從表2可以看出，在同一個(gè)樣本集中對(duì)于同一個(gè)分類(lèi)器，使用多粒度掃描結(jié)構(gòu)提取局部放電灰度圖特征的時(shí)間均小于使用稀疏自編碼器提取局部放電灰度圖特征的時(shí)間，表明該算法模型的收斂速度較好，訓(xùn)練時(shí)間較短，能夠克服傳統(tǒng)算法訓(xùn)練時(shí)間過(guò)長(zhǎng)的缺點(diǎn)。

表2 不同數(shù)據(jù)集特征參數(shù)提取時(shí)間Tab.2 Extraction time of feature parameters from different datasets

對(duì)于同一個(gè)分類(lèi)器，使用多粒度掃描方法提取局部放電灰度圖特征的模式識(shí)別準(zhǔn)確率均高于使用稀疏自編碼器提取局部放電灰度圖特征的模式識(shí)別準(zhǔn)確率，原因可能是文中提供的樣本數(shù)據(jù)量不是很大，基于深度森林的多粒度掃描方法不僅適用于海量大數(shù)據(jù)，也適用于小樣本數(shù)據(jù)，而稀疏自編碼器則更適用于海量大數(shù)據(jù)的情況。猜測(cè)隨著樣本數(shù)據(jù)量的增加，稀疏自編碼器的特征提取能力或許將超過(guò)本文方法。但是，考慮到實(shí)際運(yùn)行中GIS設(shè)備的故障樣本并不多，因此使用多粒度方法提取局部放電特征更符合工程實(shí)際的要求。

3.3 分類(lèi)器識(shí)別結(jié)果

為衡量級(jí)聯(lián)森林結(jié)構(gòu)分類(lèi)的性能，選取0.7:0.3的樣本集，在使用多粒度掃描方法提取局部放電灰度圖像特征的情況下，分別采用級(jí)聯(lián)森林分類(lèi)器、RF分類(lèi)器、SVM分類(lèi)器、BPNN集成分類(lèi)器的局部放電模式識(shí)別準(zhǔn)確率如表3所示。

表3 基于不同分類(lèi)器的局部放電模式識(shí)別準(zhǔn)確率Tab.3 Recognition accuracy of partial discharge pattern based on different classifiers

從識(shí)別結(jié)果可以看出，采用級(jí)聯(lián)森林分類(lèi)器的綜合識(shí)別準(zhǔn)確率高于BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器、SVM分類(lèi)器和RF分類(lèi)器的綜合識(shí)別準(zhǔn)確率，基于深度森林模型的局放模式識(shí)別方法的綜合識(shí)別高達(dá)99%。分析數(shù)據(jù)可知，分類(lèi)器對(duì)針-板放電、懸浮放電的識(shí)別率高于對(duì)沿面放電、金屬微粒放電的識(shí)別率，這主要是因?yàn)獒?板放電、懸浮放電和其余兩種放電的放電波形灰度圖差別較大，其特征量之間存在較大的差異，較容易與其他類(lèi)型分類(lèi)；而沿面放電和金屬微粒放電的時(shí)域波形灰度圖相似性較高，容易造成誤判，故識(shí)別率相對(duì)偏低。隨后，對(duì)各種算法的訓(xùn)練速度進(jìn)行分析，經(jīng)研究發(fā)現(xiàn)，級(jí)聯(lián)森林的訓(xùn)練速度與BP神經(jīng)網(wǎng)絡(luò)相近，但要慢于SVM分類(lèi)器和RF分類(lèi)器，但考慮到現(xiàn)場(chǎng)對(duì)GIS局放模式識(shí)別準(zhǔn)確性的要求較高，故本文提出的深度森林算法模型具有一定的工程實(shí)用價(jià)值。

4 結(jié)論

基于深度森林模型的局部放電模式識(shí)別方法能有效區(qū)分GIS設(shè)備的4種絕緣缺陷，綜合識(shí)別率高達(dá)99%；且該算法的收斂速度較好，訓(xùn)練時(shí)間較短，能夠克服傳統(tǒng)算法訓(xùn)練時(shí)間過(guò)長(zhǎng)的缺點(diǎn)，在GIS設(shè)備局部放電類(lèi)型識(shí)別領(lǐng)域具有良好的發(fā)展前景。

深度森林模型中的多粒度掃描結(jié)構(gòu)具有優(yōu)異的特征學(xué)習(xí)能力，級(jí)聯(lián)森林結(jié)構(gòu)具有逐層加強(qiáng)特征學(xué)習(xí)的能力，采用該模型可以深度挖掘局部放電信號(hào)的內(nèi)在特征，其自適應(yīng)提取出的特征具有較好的辨識(shí)度，有利于分類(lèi)。