使用深度學(xué)習(xí)對(duì)地下電力電纜系統(tǒng)進(jìn)行預(yù)測(cè)性維護(hù)

作者：Steffen Ziegler, IMCORP

地下電纜系統(tǒng)不像高架線那么容易受到風(fēng)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(fù)。如果未能及時(shí)發(fā)現(xiàn)，電纜缺陷可能會(huì)導(dǎo)致電力供應(yīng)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(guān)。所謂局部放電就是當(dāng)電纜內(nèi)的電場(chǎng)強(qiáng)度超過(guò)介電絕緣體對(duì)其的承受能力時(shí)產(chǎn)生的一種現(xiàn)象。局部放電在受到激發(fā)時(shí)會(huì)產(chǎn)生高頻信號(hào)，其振幅通常小于 100 毫伏。由于這些信號(hào)是電介質(zhì)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(jìn)行修復(fù)。

IMCORP 使用 MATLAB 設(shè)計(jì)和訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，以加速和自動(dòng)化局部放電信號(hào)的檢測(cè)和表征過(guò)程。這些網(wǎng)絡(luò)不僅可以檢測(cè)局部放電信號(hào)，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(yán)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(cè)試方面，我們使用的是行業(yè)通用的質(zhì)量控制標(biāo)準(zhǔn)。在該測(cè)試中，我們會(huì)將高于正常值的電壓施加到地下電纜和用于捕捉高頻時(shí)序信號(hào)的耦合器。耦合器帶有模數(shù)轉(zhuǎn)換器 (ADC)。過(guò)去，分析師手動(dòng)處理捕獲的信號(hào)，以尋找表明存在局部放電的跡象。這個(gè)過(guò)程既乏味又緩慢，有時(shí)還會(huì)產(chǎn)生不一致的結(jié)果和誤報(bào)。為了簡(jiǎn)化分析師的工作，我們實(shí)現(xiàn)了去噪和其他數(shù)字信號(hào)處理算法，但這個(gè)過(guò)程仍帶有強(qiáng)烈的主觀性，即使是訓(xùn)練有素、經(jīng)驗(yàn)豐富的分析師，有時(shí)也可能會(huì)對(duì)同一信號(hào)得出不同的結(jié)論。

最近，我們開始使用機(jī)器學(xué)習(xí)來(lái)對(duì)捕獲的信號(hào)進(jìn)行自動(dòng)分類。我們通過(guò)使用信號(hào)處理算法計(jì)算信號(hào)峰值之間的時(shí)間以及在局部放電分析中常用的其他特征來(lái)在 MATLAB 中提取信號(hào)數(shù)據(jù)特征(圖 2)。然后，我們使用分類學(xué)習(xí)器，通過(guò)邏輯回歸、支持向量機(jī)分類、隨機(jī)森林分類和集成學(xué)習(xí)等多種方法，對(duì)分類模型進(jìn)行了訓(xùn)練和評(píng)估。隨機(jī)森林模型對(duì)局部放電信號(hào)分類的準(zhǔn)確率達(dá)到了 90%。其他模型的表現(xiàn)略勝一籌，其準(zhǔn)確率約為 92%。雖然這些結(jié)果令人滿意，但我們還是決定探索深度學(xué)習(xí)，看看這種方法是否會(huì)提高分類準(zhǔn)確率。

圖 2. 捕獲的信號(hào)中峰值之間的時(shí)間差。使用深度學(xué)習(xí)對(duì)局部放電信號(hào)進(jìn)行分類

我們采用兩種不同方法通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)局部放電信號(hào)進(jìn)行了分類。在第一種方法中，我們利用我們的機(jī)器學(xué)習(xí)模型所用過(guò)的許多提取特征訓(xùn)練了一個(gè)神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是基于一個(gè)數(shù)據(jù)集訓(xùn)練的。該數(shù)據(jù)集包含 24 個(gè)特征的 400 多萬(wàn)個(gè)標(biāo)注的實(shí)例。在第二種方法中，我們直接基于我們團(tuán)隊(duì)之前分析和標(biāo)注的近 100 萬(wàn)個(gè)時(shí)序信號(hào)訓(xùn)練了一個(gè)長(zhǎng)短期記憶 (LSTM) 網(wǎng)絡(luò)(圖 3)。鑒于我們?cè)谏疃葘W(xué)習(xí)方面的經(jīng)驗(yàn)有限，我們與 MathWorks 顧問(wèn)進(jìn)行了合作，讓他們幫助我們運(yùn)用我們的領(lǐng)域?qū)I(yè)知識(shí)，使用深度網(wǎng)絡(luò)設(shè)計(jì)器來(lái)設(shè)計(jì)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)和 LSTM。

(LSTM 網(wǎng)絡(luò)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(luò)的示意圖。經(jīng)過(guò)超參數(shù)優(yōu)化后，這兩個(gè)網(wǎng)絡(luò)對(duì)局部放電信號(hào)分類的準(zhǔn)確率均達(dá)到了 95% 左右，相比機(jī)器學(xué)習(xí)模型有了顯著改進(jìn)。為了進(jìn)一步提高準(zhǔn)確率，我們通過(guò)應(yīng)用小波變換和快速傅里葉變換增強(qiáng)了時(shí)序數(shù)據(jù)。我們看到準(zhǔn)確率略有提高(約 0.1%)。目前，我們正在使用 MATLAB 進(jìn)一步設(shè)計(jì)和優(yōu)化模型。

使用深度學(xué)習(xí)進(jìn)行局部放電定位和類型識(shí)別

工程的第二階段是確定電纜中由絕緣缺陷導(dǎo)致的局部放電源的位置。在這一階段，我們訓(xùn)練了兩個(gè) LSTM 網(wǎng)絡(luò)。經(jīng)過(guò)訓(xùn)練，一個(gè)網(wǎng)絡(luò)用于將局部放電源分類為 10 個(gè)可能的位置范圍(等長(zhǎng)電纜段)之一，而另一個(gè)網(wǎng)絡(luò)將其分類為 20 個(gè)不同位置范圍之一。兩種模型的最高準(zhǔn)確率均大于 94%。我們之所以訓(xùn)練了這兩個(gè)網(wǎng)絡(luò)，是因?yàn)槲覀兿肟纯茨Ｐ偷臏?zhǔn)確率是否隨分段的增加而保持不變。大約 20 個(gè)分段后，準(zhǔn)確率開始下降。

最后，我們訓(xùn)練了一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)來(lái)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(fēng)險(xiǎn)最高的類型。

圖 4. 缺陷類型示例：表面、電氣樹和外部。為了對(duì)缺陷類型進(jìn)行分類，我們分析了來(lái)自單個(gè)缺陷的局部放電信號(hào)，并生成了經(jīng)過(guò)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(lái)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(gè) 50 層的卷積神經(jīng)網(wǎng)絡(luò) (CNN)，基于一百多萬(wàn)個(gè)圖像預(yù)訓(xùn)練而成。我們又基于包含 3,390 多個(gè)局部放電相位分布譜圖的數(shù)據(jù)集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了再訓(xùn)練。此后，它對(duì)電纜缺陷類型分類的準(zhǔn)確率可高達(dá) 96% 以上。

計(jì)劃的功能增強(qiáng)

我們的深度學(xué)習(xí)網(wǎng)絡(luò)表現(xiàn)出色，其結(jié)果準(zhǔn)確率可與訓(xùn)練有素的信號(hào)分析師相媲美。它們還提供更一致的質(zhì)量水平，并為分析和解釋復(fù)雜數(shù)據(jù)集節(jié)省多達(dá) 500% 的時(shí)間。因此，我們的分析師可以減少處理單調(diào)的信號(hào)分析任務(wù)所花的時(shí)間，而將更多精力投入到其他同樣重要的任務(wù)上。

歸根結(jié)底，我們希望我們的深度學(xué)習(xí)網(wǎng)絡(luò)能夠近乎實(shí)時(shí)地執(zhí)行分類，以便于現(xiàn)場(chǎng)技術(shù)人員可以在數(shù)據(jù)捕獲后立即查看結(jié)果，并在需要時(shí)重新運(yùn)行測(cè)試。我們還在繼續(xù)擴(kuò)展我們的訓(xùn)練數(shù)據(jù)集。憑借多年來(lái)在測(cè)試中捕獲了超過(guò) 1.2 億個(gè)波形，IMCORP 擁有全球最大的局部放電信號(hào)數(shù)據(jù)庫(kù)之一。我們計(jì)劃使用這些數(shù)據(jù)和面向 Databricks 的 MATLAB 接口，以在云中實(shí)現(xiàn)深度學(xué)習(xí)模型的大規(guī)模訓(xùn)練。

審核編輯：湯梓紅