基于深度-广度联合剪枝的电力设备局部放电轻量化诊断方法.pdfVIP

2023 年 4 月 电 工 技 术 学 报 Vol.38 No. 7 第 38 卷第 7 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Apr. 2023 DOI: 10.19595/ki.1000-6753.tces.221585 基于深度-广度联合剪枝的电力设备 局部放电轻量化诊断方法 张 翼 朱永利 （华北电力大学电气与电子工程学院 保定 071003 ） 摘要 边缘计算技术使在智能电力设备端开展基于神经网络的就地智能诊断成为可能，但存 在电力智能终端资源受限与局部放电诊断模型高资源占用之间的矛盾。为解决此问题，该文提出 了基于深度-广度联合剪枝的电力设备局部放电轻量化诊断方法。该方法将MobileNetV2 作为基础 模型，在训练中引入可迭代重要度因子，“端到端”地感知并裁剪模型中的冗余模块，实现深度方 向的结构压缩；采用几何中值滤波器剪枝（FPGM ）进一步去除各卷积层的冗余滤波器，并提出增 强型模拟退火搜索算法（ESA ）自主求解各层的剪枝比例，循环搜索直至获得最大限度的无损压 缩模型。结果表明，该方法可以在数据驱动下自主设计高精度、轻量化、低延迟的局部放电深度 诊断模型，相较于现有的深度模型，资源占用大幅降低、推理速度显著提升，为资源受限的电力 设备边缘侧部署提供了技术支持。 关键词：局部放电 深度学习 自动化剪枝 轻量化诊断 结构设计 中图分类号：TM85 0 引言 道数对局放时域序列识别的影响，并取得了优于传 统机器学习方法的效果；也有学者利用 AlexNet[9] 、 局部放电（简称局放）是电力设备绝缘劣化的 [10] [11] ResNet 和 VGG （visual geometry group ） 等大规 先兆，同时也是加速劣化的重要原因，威胁着电力 设备的安全稳定运行[1-2] 。由于电力设备绝缘缺陷的 模网络进行局放诊断，进一步提升了识别率和泛化 表现。然而，上述方法显著增加了计算复杂性、参 放电机理不尽相同，因此准确地诊断放电类型对于 数量和推理耗时，对部署环境的硬件要求较高，其 评估绝缘状况具有重要意义。早期研究将 BP （back [3] [4] 推广应用受到了限制。 propagation ）神经网络 、支持向量机 等传统机器 尽管利用云计算强大的计算资源可以完成深度 学习方法引入局放诊断领域，提高了诊断的自动化 诊断模型的部署，但随着电网监测数据的爆炸式增 程度，但此类方法的输入特征量依赖人工设计，存 长，直接将海量数据向云端传送将造成通信拥塞和 在主观性，可能遗漏某些关键特征，致使诊断正确 云计算资源的大量消耗，制约了“云端部署”模式 率受到限制。 的大规模应用[12-13] 。幸运的是，当前边缘计算技术 深度学习技术能够从大规模数据中自主挖掘数 的发展为电力设备的信息采集和就地智能诊断带来 据特