作者：Steffen Ziegler, IMCORP

地下電纜系統(tǒng)不像高架線那么容易受到風暴、閃電、野火、冰暴和其他惡劣氣候事件的影響。但是，它們的維修成本更高，故障也更難精確定位和恢復。如果未能及時發(fā)現(xiàn)，電纜缺陷可能會導致電力供應中斷，甚至危及公眾安全。

據(jù) IEEE 稱，約有 90% 的地下電纜系統(tǒng)故障都與局部放電 (PD) 有關。所謂局部放電就是當電纜內的電場強度超過介電絕緣體對其的承受能力時產(chǎn)生的一種現(xiàn)象。局部放電在受到激發(fā)時會產(chǎn)生高頻信號，其振幅通常小于 100 毫伏。由于這些信號是電介質退化和最終發(fā)生故障的征兆，因此，盡早發(fā)現(xiàn)它們可以防止發(fā)生意外的電纜故障，從而在故障發(fā)生前進行修復。

IMCORP 使用 MATLAB 設計和訓練深度學習網(wǎng)絡，以加速和自動化局部放電信號的檢測和表征過程。這些網(wǎng)絡不僅可以檢測局部放電信號，而且還可以確定局部放電在電纜中的大致位置、產(chǎn)生局部放電的缺陷類型及其嚴重程度(圖 1)。

圖 1. 典型的“灌木型”電氣樹，供電期間在電纜絕緣體中形成。三維顯微 CT 掃描圖。以前的局部放電分析方法

在制造商局部放電測試方面，我們使用的是行業(yè)通用的質量控制標準。在該測試中，我們會將高于正常值的電壓施加到地下電纜和用于捕捉高頻時序信號的耦合器。耦合器帶有模數(shù)轉換器 (ADC)。過去，分析師手動處理捕獲的信號，以尋找表明存在局部放電的跡象。這個過程既乏味又緩慢，有時還會產(chǎn)生不一致的結果和誤報。為了簡化分析師的工作，我們實現(xiàn)了去噪和其他數(shù)字信號處理算法，但這個過程仍帶有強烈的主觀性，即使是訓練有素、經(jīng)驗豐富的分析師，有時也可能會對同一信號得出不同的結論。

最近，我們開始使用機器學習來對捕獲的信號進行自動分類。我們通過使用信號處理算法計算信號峰值之間的時間以及在局部放電分析中常用的其他特征來在 MATLAB 中提取信號數(shù)據(jù)特征(圖 2)。然后，我們使用分類學習器，通過邏輯回歸、支持向量機分類、隨機森林分類和集成學習等多種方法，對分類模型進行了訓練和評估。隨機森林模型對局部放電信號分類的準確率達到了 90%。其他模型的表現(xiàn)略勝一籌，其準確率約為 92%。雖然這些結果令人滿意，但我們還是決定探索深度學習，看看這種方法是否會提高分類準確率。

圖 2. 捕獲的信號中峰值之間的時間差。使用深度學習對局部放電信號進行分類

我們采用兩種不同方法通過深度學習網(wǎng)絡對局部放電信號進行了分類。在第一種方法中，我們利用我們的機器學習模型所用過的許多提取特征訓練了一個神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是基于一個數(shù)據(jù)集訓練的。該數(shù)據(jù)集包含 24 個特征的 400 多萬個標注的實例。在第二種方法中，我們直接基于我們團隊之前分析和標注的近 100 萬個時序信號訓練了一個長短期記憶 (LSTM) 網(wǎng)絡(圖 3)。鑒于我們在深度學習方面的經(jīng)驗有限，我們與 MathWorks 顧問進行了合作，讓他們幫助我們運用我們的領域專業(yè)知識，使用深度網(wǎng)絡設計器來設計和訓練神經(jīng)網(wǎng)絡和 LSTM。

(LSTM 網(wǎng)絡流程圖，從上到下依次排列為序列輸入層、LSTM 層、全連接層 1、全連接層 2、softmax 層、分類層)

圖 3. 使用 Deep Learning Toolbox 創(chuàng)建的 LSTM 網(wǎng)絡的示意圖。經(jīng)過超參數(shù)優(yōu)化后，這兩個網(wǎng)絡對局部放電信號分類的準確率均達到了 95% 左右，相比機器學習模型有了顯著改進。為了進一步提高準確率，我們通過應用小波變換和快速傅里葉變換增強了時序數(shù)據(jù)。我們看到準確率略有提高(約 0.1%)。目前，我們正在使用 MATLAB 進一步設計和優(yōu)化模型。

使用深度學習進行局部放電定位和類型識別

工程的第二階段是確定電纜中由絕緣缺陷導致的局部放電源的位置。在這一階段，我們訓練了兩個 LSTM 網(wǎng)絡。經(jīng)過訓練，一個網(wǎng)絡用于將局部放電源分類為 10 個可能的位置范圍(等長電纜段)之一，而另一個網(wǎng)絡將其分類為 20 個不同位置范圍之一。兩種模型的最高準確率均大于 94%。我們之所以訓練了這兩個網(wǎng)絡，是因為我們想看看模型的準確率是否隨分段的增加而保持不變。大約 20 個分段后，準確率開始下降。

最后，我們訓練了一個深度學習網(wǎng)絡來確定產(chǎn)生局部放電的缺陷類型。產(chǎn)生局部放電的最常見原因是工藝、操作和制造不完善等。典型的局部放電缺陷類型包括“終端局部放電”、“電氣樹”、“氣隙”、“表面局部放電”和“外部局部放電”(圖 4)。其中，電氣樹缺陷是造成電纜系統(tǒng)故障風險最高的類型。

圖 4. 缺陷類型示例：表面、電氣樹和外部。為了對缺陷類型進行分類，我們分析了來自單個缺陷的局部放電信號，并生成了經(jīng)過編碼的局部放電相位分布 (PRPD) 譜圖。局部放電相位分布譜圖中的圖案因缺陷類型而異：例如，電氣樹缺陷的局部放電相位分布譜圖看起來與氣隙缺陷的有所不同。

在工程的這一階段，我們使用了 ResNet-50，這是一個 50 層的卷積神經(jīng)網(wǎng)絡 (CNN)，基于一百多萬個圖像預訓練而成。我們又基于包含 3,390 多個局部放電相位分布譜圖的數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡進行了再訓練。此后，它對電纜缺陷類型分類的準確率可高達 96% 以上。

計劃的功能增強

我們的深度學習網(wǎng)絡表現(xiàn)出色，其結果準確率可與訓練有素的信號分析師相媲美。它們還提供更一致的質量水平，并為分析和解釋復雜數(shù)據(jù)集節(jié)省多達 500% 的時間。因此，我們的分析師可以減少處理單調的信號分析任務所花的時間，而將更多精力投入到其他同樣重要的任務上。

歸根結底，我們希望我們的深度學習網(wǎng)絡能夠近乎實時地執(zhí)行分類，以便于現(xiàn)場技術人員可以在數(shù)據(jù)捕獲后立即查看結果，并在需要時重新運行測試。我們還在繼續(xù)擴展我們的訓練數(shù)據(jù)集。憑借多年來在測試中捕獲了超過 1.2 億個波形，IMCORP 擁有全球最大的局部放電信號數(shù)據(jù)庫之一。我們計劃使用這些數(shù)據(jù)和面向 Databricks 的 MATLAB 接口，以在云中實現(xiàn)深度學習模型的大規(guī)模訓練。

審核編輯：湯梓紅