基于残差卷积神经网络的开关柜局部放电模式识别.pdfVIP

基于残差卷积神经网络的开关柜局部放电模式识别

黄雪莜，熊俊，张宇，刘辉，陈鹭，孟祥麟，江秀臣

2

摘要：传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率

低，难以在实际工程中应用。提出了一种基于残差卷积神经网络的开关柜局部放

电模式识别方法，通过在网络中加入残差模块以解决随着网络层数加深导致准确

度饱和后出现退化的问题，并综合利用开关柜局部放电数据的浅层与深层特征融

合学习，实现模式识别。通过开关柜不同绝缘缺陷类别的局部放电模拟实验与配

电站现场检测，构建了开关柜局部放电数据样本库，并进行了实验分析。实验结

果表明：所提方法的识别正确率达96.06%，相比传统识别方法至少提高了

20.22%，且随着训练集样本数量的增加，识别率有更大提升。综合使用特征层

融合模块和残差模块，显著提升了模型的泛化性能，更适用于实际工程。

关键词：卷积神经网络；残差模块；特征层融合；局部放电；模式识别

0引言

开关柜是中国配电网中的主要设备，其运行状态与配电网息息相关。由于封

闭在柜内的电力设备长期运行后会不可避免的产生绝缘缺陷，严重时将会发展成

设备故障，影响配电网的安全可靠运行。局部放电是开关柜存在绝缘缺陷的重要

表现形式，利用局部放电带电检测数据对设备绝缘缺陷进行模式识别，能够提前

了解设备的缺陷和问题，有助于后期对设备进行有针对性的检测与检修。

基于局部放电检测数据进行模式识别的传统方法主要利用专家知识，对人工

经验依赖高，缺乏一定的泛化性能。近年来，随着深度学习（deeplearning，

DL）的快速发展，人工神经网络（ANN）、支持向量机（SVM）、卷积神经网

络（CNN）等模型被广泛应用于局部放电模式识别领域。深度学习网络基于数据

驱动，能够自主学习数据特征，具有更好的数据挖掘能力。其中，卷积神经网络

常用于处理二维矩阵数据，被广泛应用在图像识别领域中。开关柜局部放电模

[14]

式识别使用的数据主要包括脉冲序列相位分布（phaseresolvedpulse

sequence,PRPS）图谱和相位分布局部放电（phaseresolvedpartial

discharge,PRPD）图谱，与二维图像的格式表达有一定相似性。同时在检测过

程中，对于开关柜的局部放电，不同时刻、设备、操作等情况下都将导致检测得

到的数据具有一定的相位偏移、幅值波动等问题。卷积神经网络由于其结构特点，

对输入数据具有位移、缩放不变性，更适于对上述图谱数据进行模式识别。然而

文献[15]指出卷积神经网络模型性能的提升多依赖于深层网络结构，但随着网络

层数持续增加，性能反而下降，此时网络导致了信息丢失、梯度消失等退化问题。

针对此问题，出现了包括改进激活函数、使用批量正则化等技巧改善网络性能，

但未能完全解决。

据此，本文提出一种基于残差卷积神经网络的开关柜局部放电模式识别方法，

通过在网络中加入残差模块解决深度卷积网络准确度退化的问题。首先通过局部

放电模拟实验和配电站现场带电检测构建开关柜局部放电数据样本库，使用图像

处理技术对PRPS图谱数据进行预处理并将其用于识别模型输入。之后构建基于

残差的卷积神经网络模型，通过对开关柜设备PRPS图谱数据的浅层与深层特征

融合学习，实现模式识别。最后对比本文所提方法和其他传统识别方法的识别效

果以及残差模块与特征层融合对模型性能的影响。实验结果表明，本文所提方法

可显著提高开关柜局部放电模式识别的准确率且具有更好的泛化性能，工程应用

性强。

1开关柜局部放电数据样本库

通过开关柜局部放电模拟实验和配电站现场开关柜局部放电带电检测，搜集

整理得到不同绝缘缺陷类型以及不同严重程度的局部放电检测数据，并基于图像

处理方法对数据进行了滤波去噪，提升数据质量，构建了开关柜局部放电数据样

本库。

1.1开关柜局部放电模拟实验

针对开关柜设备绝缘缺陷类型，本文利用开关柜真型实验平台进行了模拟实

验。本文