基于多通道卷积神经网络的油纸绝缘局部放电模式识别方法

作者：陈健宁; 周远翔^*; 白正; 赵云舟; 张云霄; 张灵

来源：高电压技术, 2022, 48(05): 1705-1715.

DOI：10.13336/j.1003-6520.hve.20210613

• 多通道
• 卷积神经网络
• 油纸绝缘
• 局部放电
• 模式识别

为有效诊断高压输变电设备的绝缘状态，保证高压输电系统的安全稳定运行，提出了一种基于多通道卷积神经网络的油纸绝缘局部放电模式识别方法。首先，搭建了工频至低频局部放电试验平台，获取了50、30、5 Hz外施电压下4类典型缺陷的局部放电相位分布图谱，并通过重采样、调幅移相、噪声模拟等对其进行了样本扩充预处理。然后，搭建了具备3通道输入的卷积神经网络，通过该卷积神经网络将不同频率外施电压下同一缺陷的局部放电相位分布图谱进行了通道级无损融合，并对融合后的局部放电相位分布图谱进行了自主特征提取与模式识别。最后，与传统方法的识别结果进行了对比。结果表明：该方法可有效识别油纸绝缘局部放电的类型；相较于单频率单通道卷积神经网络及基于人工特征提取的支持向量机和反向传播神经网络，其对油纸绝缘不同缺陷的局部放电相位分布图谱信息提取得更全面，识别准确率分别提升1.5%、13%、30%；与Vgg、ResNet、DenseNet等深度卷积神经网络相比，该方法的过拟合得到改善，识别准确率分别提高0.25%、1.25%、2.25%，且模型参数文件可节约至少380倍存储空间，便于在边缘计算设备中进行部署。

• 单位
  清华大学; 电力系统及发电设备控制和仿真国家重点实验室; 新疆大学