基于深度學(xué)習(xí)的局部放電數(shù)據(jù)診斷系統(tǒng)的樣本處理方法研究

俞駿 謝敏 顧雨粟 李燁 徐凱

（1.無(wú)錫廣盈集團(tuán)有限公司，江蘇無(wú)錫 214100；2.國(guó)網(wǎng)無(wú)錫供電公司，江蘇無(wú)錫 214000）

0 引言

基于目前電力設(shè)備數(shù)量級(jí)迅猛增長(zhǎng)的電網(wǎng)的規(guī)模和運(yùn)維工作需求，國(guó)家電網(wǎng)在“十三五”規(guī)劃中設(shè)立了智能運(yùn)檢的建設(shè)目標(biāo)：2021年初步建成智能運(yùn)檢體系。通過(guò)應(yīng)用“大云物移”等新技術(shù)，以智能運(yùn)檢九大典型技術(shù)領(lǐng)域?yàn)橹攸c(diǎn)，以設(shè)備、通道、運(yùn)維、檢修和生產(chǎn)管理智能化為途徑，全面構(gòu)建智能運(yùn)檢體系，全面提升設(shè)備狀態(tài)管控力和運(yùn)檢管理穿透力。

由于電纜輸電安全性高，且敷設(shè)于地下，有利于節(jié)省用地，保證環(huán)境美觀，目前配電網(wǎng)輸電線(xiàn)路中電纜線(xiàn)路的占比普遍較高。而電纜中的局部放電信號(hào)特征是評(píng)價(jià)電纜絕緣水平的重要依據(jù)，因此對(duì)電纜局放信號(hào)的檢測(cè)有利于更加方便、快捷、準(zhǔn)確地掌握電纜絕緣的運(yùn)行狀態(tài)，有助于電纜的可靠運(yùn)行。

目前，電纜中局部放電信號(hào)的檢測(cè)和定位已成為國(guó)內(nèi)外研究的熱點(diǎn)，并且獲得了很多有價(jià)值的研究成果[1-6]。針對(duì)電力領(lǐng)域智能運(yùn)檢的需求，對(duì)電纜中的局部放電信號(hào)進(jìn)行圖像識(shí)別和智能診斷對(duì)于提高電力系統(tǒng)的智能運(yùn)維水平具有重要的意義。因此，基于深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)等前沿技術(shù)進(jìn)行電纜局部放電數(shù)據(jù)診斷系統(tǒng)的研究具有非常廣闊的前景。

高質(zhì)量的樣本數(shù)據(jù)是提高局部放電診斷模型訓(xùn)練準(zhǔn)確率的前提，本文分別采用樣本篩選技術(shù)和數(shù)據(jù)增強(qiáng)技術(shù)來(lái)解決殘缺、冗余樣本問(wèn)題和樣本不均衡問(wèn)題，為基于深度學(xué)習(xí)的局部放電診斷模型的準(zhǔn)確率提升提供技術(shù)支撐。

1 樣本篩選技術(shù)現(xiàn)狀

在局部放電樣本累積過(guò)程中，經(jīng)常出現(xiàn)大量幅值分布、相位分布均非常類(lèi)似的樣本，在對(duì)故障源同一時(shí)段的集中檢測(cè)中該現(xiàn)象尤為常見(jiàn)。而在深度學(xué)習(xí)的訓(xùn)練中，模型質(zhì)量和樣本數(shù)量并不完全成正比，損壞的樣本、大量重復(fù)的樣本不僅無(wú)法達(dá)到增強(qiáng)網(wǎng)絡(luò)性能的目的，反而會(huì)造成迭代緩慢、訓(xùn)練速度下降，甚至有可能引起過(guò)擬合。

在很多機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的研究中，都假設(shè)使用的訓(xùn)練樣本各類(lèi)別是同等數(shù)量的，或稱(chēng)訓(xùn)練樣本是均衡的。但是真實(shí)場(chǎng)景中遇到的實(shí)際問(wèn)題往往不符合這個(gè)假設(shè)。一般而言，非均衡的訓(xùn)練樣本會(huì)導(dǎo)致模型側(cè)重于樣本數(shù)目較多的類(lèi)別，而忽略樣本數(shù)目較少的類(lèi)別。如果在二分類(lèi)中有99個(gè)正樣本和1個(gè)負(fù)樣本，那么很多學(xué)習(xí)算法包括神經(jīng)網(wǎng)絡(luò)算法會(huì)放棄負(fù)例預(yù)測(cè)。這樣，即使訓(xùn)練出的模型也在樣本集上可以達(dá)到99% 的高準(zhǔn)確率，這樣的模型也不具備泛化性和實(shí)用價(jià)值。因此，對(duì)樣本的均衡處理是訓(xùn)練深度學(xué)習(xí)模型之前的必要措施。

2 局放信號(hào)的樣本篩選和處理

2.1 樣本篩選

本文采用的樣本篩選技術(shù)包括樣本清洗和樣本查重。

清洗的主要目的是去除格式不正確的、殘缺的圖譜。對(duì)原始數(shù)據(jù)進(jìn)行有效性檢查，檢查其相位、周期是否在有效性范圍內(nèi)，以及每個(gè)點(diǎn)的數(shù)據(jù)是否在量程范圍內(nèi)。對(duì)繪制出的圖譜像素檢查包括對(duì)R（Red）、G（Green）、B（Blue）三個(gè)色彩值分別進(jìn)行的合法性檢查。

查重的目的是去除重復(fù)的、冗余的樣本。本文采用的查重分為人工查重和自動(dòng)查重。人工查重依賴(lài)人工經(jīng)驗(yàn)，主要關(guān)注的是圖譜的幅值、相位、是否對(duì)稱(chēng)、簇?cái)?shù)和噪聲來(lái)源是否相同等特征。自動(dòng)查重通過(guò)對(duì)數(shù)據(jù)進(jìn)行相關(guān)性計(jì)算來(lái)完成。對(duì)同測(cè)點(diǎn)的一批數(shù)據(jù)隨機(jī)抽取一部分作為基礎(chǔ)數(shù)據(jù)，統(tǒng)計(jì)剩余數(shù)據(jù)對(duì)基礎(chǔ)數(shù)據(jù)的相關(guān)性，刪除相關(guān)性高于閾值的數(shù)據(jù)，閾值設(shè)置為0.95。相關(guān)性的計(jì)算采用的是Pearson相關(guān)系數(shù)，其計(jì)算公式如下所示：

式中：ρX，Y為X和Y之間的Pearson相關(guān)系數(shù)。

與人工查重相比，自動(dòng)查重效率較高，且減少了人工參與比例，提高了自動(dòng)化程度。

2.2 樣本數(shù)據(jù)增強(qiáng)

樣本庫(kù)中的訓(xùn)練和測(cè)試數(shù)據(jù)來(lái)自于多個(gè)變電站現(xiàn)場(chǎng)的實(shí)測(cè)局部放電數(shù)據(jù)?，F(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)的特點(diǎn)在于特征鮮明、數(shù)據(jù)真實(shí)。然而，因數(shù)據(jù)來(lái)源各異、缺陷持續(xù)時(shí)間各不相同，對(duì)不同缺陷采集到的樣本數(shù)量有較大的差異，容易造成樣本不均衡。如果基于不均衡的樣本直接進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，會(huì)導(dǎo)致訓(xùn)練出的模型泛化能力差，容易發(fā)生過(guò)擬合。數(shù)據(jù)增強(qiáng)是解決樣本不均衡問(wèn)題的重要手段之一。

本文針對(duì)數(shù)量較少的樣本，通過(guò)對(duì)已有樣本進(jìn)行處理，生成新的樣本，平衡各類(lèi)標(biāo)簽的樣本數(shù)量，避免樣本不平衡對(duì)訓(xùn)練結(jié)果的影響。

使用噪聲疊加法進(jìn)行數(shù)據(jù)增強(qiáng)，如圖1所示。在缺陷圖譜上疊加現(xiàn)場(chǎng)常見(jiàn)的噪聲信號(hào)，生成新的樣本。疊加方式為：將采集前端采集到的局部放電原始數(shù)據(jù)轉(zhuǎn)成以相位為x軸，周期為y軸，幅值為z軸的三維數(shù)據(jù)；然后按照現(xiàn)場(chǎng)干擾的數(shù)據(jù)特征，分別生成各干擾對(duì)應(yīng)的三維數(shù)據(jù)；再對(duì)局部放電原始數(shù)據(jù)和干擾數(shù)據(jù)進(jìn)行幅值累加，得到干擾疊加后的數(shù)據(jù)。

圖1 噪聲疊加數(shù)據(jù)增強(qiáng)法

同時(shí)，本文還采用了稀疏處理法來(lái)進(jìn)行數(shù)據(jù)增強(qiáng)，如圖2所示。在真實(shí)缺陷數(shù)據(jù)的基礎(chǔ)上，隨機(jī)去除部分脈沖，生成新的樣本。依此種辦法生成的圖譜和原圖譜相似但不相同，又同樣具備缺陷特征。稀疏處理方法是補(bǔ)充原有樣本集的優(yōu)秀手段。

圖2 稀疏處理數(shù)據(jù)增強(qiáng)法

高質(zhì)量的樣本數(shù)據(jù)是提高模型訓(xùn)練準(zhǔn)確率的前提，樣本收集工作是一個(gè)持續(xù)的過(guò)程，需要持續(xù)收集更多的樣本數(shù)據(jù)。

3 結(jié)語(yǔ)

基于局部放電智能診斷模型對(duì)高質(zhì)量的樣本數(shù)據(jù)的需求，本文提出采用樣本篩選技術(shù)和數(shù)據(jù)增強(qiáng)技術(shù)來(lái)解決殘缺、冗余樣本問(wèn)題和樣本不均衡問(wèn)題。在樣本篩選中使用了樣本清洗和樣本查重等方法，同時(shí)使用了噪聲疊加法和稀疏處理法對(duì)樣本進(jìn)行數(shù)據(jù)增強(qiáng)，可以為提高局放診斷系統(tǒng)的準(zhǔn)確率提供技術(shù)支撐。