文章推荐电力物联网下基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法研究
Posted 高压电器资讯
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了文章推荐电力物联网下基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法研究相关的知识，希望对你有一定的参考价值。
文章推荐
电力物联网下基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法研究
原文发表在《高压电器》2020年第9期。
请进《高压电器》网站（www.zgydq.com）下载全文。
DOI：10.13296/j.1001-1609.hva.2020.09.003
电力物联网下基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法研究
杨为1，朱太云1，张国宝1，田宇2，柯艳国2，赵恒阳1，蔡梦怡1，王艳新3，闫静3
(1. 国网安徽省电力有限公司电力科学研究院， 合肥 230022；2. 国网安徽省电力有限公司， 合肥 230022；3. 西安交通大学电力设备电气绝缘国家重点实验室， 西安 710049)
随着电力物联网建设的快速推进，对实时监测气体绝缘金属封闭开关设备（GIS）内部局部放电信号的特高频法提出了新的和更高的要求。在充分利用表征GIS局部放电信息构建模型以提升模式识别准确率的同时，将模型移植到嵌入式系统，进而构成以边缘计算为支撑的物联网智能终端，成为亟待解决的一个关键问题。为此，文中深入研究了基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法，在多种典型缺陷下对比了不同模型在训练时间、准确率、参数量和存储花销等方面的性能。结果表明，Mobilenet模型具有最小的参数量和存储花销以及较短的训练时间，在电力物联网下基于智能终端的GIS局部放电模式识别中具有明显优势。
以全面感知、互联互通和智能决策为目标的泛在电力物联网建设，为气体绝缘金属封闭开关设备(gas-insulated metal-closed switchgear，GIS)在线监测和故障诊断提供了新的机遇，同时也对实时快速诊断提出了新的挑战。作为泛在电力物联网建设中重要的环节之一，在线检测和故障诊断是设备信息全面感知和整个电力系统互联互通及多方位服务性应用的前提和基础。尽管GIS局部放电形成机理复杂，但泛在电力物联网建设的推进使设备信息得以保存，从而解决了缺陷和故障样本的代表性和全面性问题，对于实现GIS的智能状态感知和评估，保障电力系统安全稳定运行具有重要意义。
GIS故障主要有机械、绝缘和发热故障3种，据统计绝缘缺陷占GIS故障的一半以上，且多以局部放电的形式展现出来，同时也会进一步加剧设备老化。根据GIS局部放电过程中激发的各种声、光、电和热等物理现象和SF6分解等化学现象，GIS绝缘缺陷的检测方法主要有特高频法、光纤法、超声波法、红外法和微量产物法。特高频法因具有灵敏度高、抗干扰能力强和可实现局部放电在线定位等优点而被广泛应用，而GIS局部放电模式识别方法则是实现准确检测的关键。
目前，通常采用傅里叶变换、小波变换、S参数变换等分析方法对GIS局部放电信号进行特征提取，用支持向量机、人工神经网络、决策树以及随机森林等机器学习方法进行模式识别分类，取得了一定的效果。为了避免特征工程对专家经验的干扰，进行自动特征提取的Lenet5、Alexnet、残差网络以及LSTM等深度学习方法已超越传统机器学习方法并成为当前的研究热点。
随着泛在电力物联网建设的推进，以边缘计算为支撑的设备级智能终端不仅可以完成GIS局部放电信号实时处理，减轻物联网云存储和云计算的压力，而且能够实现设备状态的实时检测和智能诊断。如何对海量数据进行处理，缩短信号处理的耗时，将故障诊断模型嵌入到物联网智能终端，有效提升故障诊断的准确率成为亟需解决的问题。
1 卷积神经网络
1.1 网络结构
1.2 网络计算与分类
2 迁移学习
3 基于卷积神经网络和迁移学习的GIS局部放电模式识别分类过程
4 结果与分析
4.1 数据获取
4.2 模型训练
4.3 识别结果分析
文中采用卷积神经网络和迁移学习进行GIS局部放电模式识别分类，对主要模型的性能特点进行对比分析，为泛在电力物联网下的设备实时检测和故障诊断提供理论依据。通过对不同模型的参数量、存储花销、训练测试时间和识别精度等进行比较，发现Mobilenet模型具有最小的参数量和存储花销，更加适合嵌入到物联网移动终端，从而实现以边缘计算为支撑的故障诊断，同时其较短的时间花销也有利于实时快速处理和模型的更新。对于GIS局部放电识别准确率这一最重要的性能指标，Mobilenet模型也优于其他模型，从而提高了在线检测和故障诊断的可靠性，更加适合在泛在电力物联网下应用。
杨 为(1984—)，男，硕士，高级工程师，主要从事高压开关直流电源设备运维检测技术、标准修制订方面的研究工作。
闫 静(1973—)，男，博士，副教授，主要从事新型开关电器理论与技术方面的研究工作(通讯作者)(E-mail:yanjing@mail.xjtu.edu.cn)。
杨 为，朱太云，张国宝，等. 电力物联网下基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法研究[J]. 高压电器，2020，56(9)：20-25.
YANG Wei，ZHU Taiyun，ZHANG Guobao，et al. Research on partial discharge pattern recognition and classification in GIS based on convolutional neural network and transfer learning in power internet[J]. High Voltage Apparatus，2020，56(9)：20-25.
《高压电器》简介
《高压电器》期刊由中国高压电器行业的归口单位——西安高压电器研究院有限责任公司主管、主办，1958年创刊，刊名由当时的人大常委会副委员长、中国科学院院长郭沫若同志亲笔题写。迄今已有六十余年的历史。
《高压电器》(国际标准刊号：ISSN 1001-1609、国内统一刊号：CN 61-1127/TM)对国内外公开发行，是我国高压电器行业具有权威性的国家级刊物，它立足于高压电器行业，同时为致力于高压电器研究、开发、制造和使用的专业技术人员提供最新的技术资讯服务，具有较高的技术水平和专业知名度。主要报道高压电器、高电压技术、电力系统及其相关领域中的新技术、新方法和新的应用性研究成果。主要栏目有：研究与分析、技术讨论、设计技术、测试技术、智能电器、综述、技术交流、经验点滴、新产品新技术、新书介绍、简讯等。另外，期刊还开设相关的专题栏目，如高压电器专题、 触头材料专题、清洁能源与微电网专题、直流开断技术专题、SF6替代气体研究专题、真空开断技术专题、高电压与放电等离子体专题、GIS/GIL用环氧复合绝缘件研究专题、电气设备局部放电及状态检测技术专题、电气设备振动与噪声专题等，及时报道高压电器行业发展的新动向、新热点。
《高压电器》的读者群为高压电器、高电压技术、电力系统及其相关行业领域的科研院所、工矿企业的高级管理人员、科研人员、开发设计人员、销售人员，以及全国高等院校相关专业的师生等。
《高压电器》是兼有“学术性期刊”、“技术性期刊”和“普及性期刊”的特征，又以技术性为主的国内知名专业刊物。《高压电器》既刊登高压电器及其相关专业具有较高水平的文章，以反映高压电器发展的前瞻性技术问题；也刊登大量的应用已有理论解决具体设计、工艺、检验、运行与维修技术问题的文章；还刊登一些技术交流文章；以满足各阶层读者的需要。
《高压电器》入选的数据库有：中文核心期刊、中国科技期刊论文统计源期刊、Scopus数据库、RCCSE中国核心学术期刊、中国科学引文数据库（CSCD）、美国《化学文摘》、俄罗斯《文摘杂志》、英国《科学文摘》及美国的《剑桥科学文摘》等。
以上是关于文章推荐电力物联网下基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法研究的主要内容，如果未能解决你的问题，请参考以下文章
科研成果 | 基于卷积神经网络和迁移学习的无监督变化检测算法
案例分享——基于物联网的电能质量监测系统（各种基本电力参数电网谐波远程通信监测终端上位机）