摘要：電纜局部放電模式識別過程中，傳統人工特征提取依賴特定領域知識及經驗，特征選擇和優化工作量較大。針對該問題并為了避免非均衡小樣本數據下分類器的過擬合，文中提出了一種在小樣本的情況下基于CNN-DCGAN的電纜局部放電模式的識別方法。利用滑動時間窗將局部放電時域信號轉化為二維圖像信息，構建深度卷積生成對抗網絡，在原始數據集的基礎上進行樣本增強，將原始樣本和增強樣本作為系統輸入，構造卷積神經網絡，利用其非線性編碼器自動提取局部放電特征，并通過Softmax層訓練特征分類模型。實驗結果表明，相較于人工特征，基于自動特征提取的CNN分類器識別準確率提高了4.18%。相較于原有數據集，基于樣本增強數據集的系統識別準確率提高了3.175%。

　　關鍵詞：局部放電;特征提取;樣本增強;卷積神經網絡;生成對抗網絡;模式識別;絕緣缺陷;時域信號

　　局部放電(PartialDischarge，PD，簡稱“局放”)不僅會對電纜絕緣缺陷造成較大影響，同時也是絕緣缺陷的重要表征，根據導致絕緣缺陷的因素不同，絕緣缺陷的表現形式也是多種多樣的。不同形式的絕緣缺陷造成的局放具有不同的表現形式，造成的危害程度也有所差別[1]。因此，對絕緣缺陷的類型進行有效識別具有重要的意義。

　　電纜局放模式識別系統的性能很大程度上依賴有效特征的提取，目前主要通過構造人工特征來實現。文獻[2]采用線性和非線性特征分析技術對電纜局放信號進行特征提取然后通過這些特征進行模式識別分類。文獻[3]采用隨機森林在訓練過程中對局放特征重要性進行評判，根據評判結果進行特征優選，然后通過支持向量機(SupportVectorMachine，SVM)[4]和BP神經網絡(BackPropagationNeuralNetworks，BPNN)[5]進行驗證。

　　文獻[6]研究了BPNN的算法和結構，并利用BPNN對電纜典型絕緣缺陷局部放電類型進行模式識別。上述人工特征本質上是一種經驗性方法，主觀性強，信號的本質特征也很難完整表達[7]。雖然有效的特征選擇和特征組合可一定程度上降低影響，但工作量巨大。深度學習[8-10]通過學習深層非線性網絡結構，自動從大量數據中學習特征，表征輸入數據，在使用中減少了手工設計特征的工作量。

　　同時，它把特征提取和分類器結合到一起，實現了端到端(End-to-End)模式分類[11]。近年來，在圖像處理和自然語言處理領域取得了巨大成功。但由于深度學習模型本身的表達能力強，需要大量標注或非標注訓練樣本避免模型過擬合。電纜現場故障樣本匱乏，局放信息記錄并不完善，實驗室采集的數據量有限，用于模型訓練的樣本集實際上是故障類別分布非均衡的小樣本數據。這就使得分類器在實際應用中容易出現漏判及誤判，可用性較低。

　　在現有樣本數據的基礎上，通過有效的樣本增強方法增加訓練樣本的數量，為解決電纜局放模式識別系統依賴有效特征提取的問題提供了新的思路。相比于傳統過采樣方法，生成對抗網絡(GenerativeAdversarialNetworks，GAN)不依賴先驗條件，通過無監督學習獲得數據間的潛在分布規律并生成新的樣本，可有效提升模型分類性能。

　　文獻[12]將故障機理和個性特征結合，以原始數據為基礎，通過GAN理論建立生成模型，生成新的樣本數據。文獻[13]在GAN模型的基礎上，將數據和機理結合，改善了能源系統中模型切換的問題。文獻[14]通過提出了一種基于生成對抗網絡的配電數據增殖方法，解決配電數據分布不均勻及利用率較低的問題。上述樣本增強方法是基于一維信號通過全連接層或一維卷積層生成新數據，生成數據質量差，訓練時間長，并不能直接用于電纜局放模式識別。

　　基于上述分析，本文提出了一種小樣本下基于CNN-DCGAN的電纜局放模式識別新方法。首先，利用滑動時間窗直接將電纜局放時域信號轉化為二維圖像信息;其次構建深度卷積生成對抗網絡模型對局放樣本進行樣本增強;最后，利用卷積神經網絡(ConvolutionalNeuralNetworks，CNN)[15-17]的非線性編碼器自動提取局放特征，利用Softmax層訓練特征分類模型，最終實現電纜局放模式識別。實驗結果表明，文中提出的方法與傳統人工特征提取方法相比降低了人工特征選擇中造成部分信息丟失的風險，同時降低了工作量。增強后的樣本庫包含更多的局放信息，提高了模型泛化能力，具有較強的實際應用價值。

　　1局放信號的表達及樣本增強

　　1.1局放時域信號的二維圖像

　　表達局放時域信號包含大量的特征信息，但是一維的局放信號并不能直接應用于CNN。在采用CNN進行識別分類之前，需要將原始的一維局放信號轉化為二維圖像。二維圖像是原始一維信號的同步轉換，將時域信號中的電壓和時間信息通過特征圖的像素值和其所在的位置進行一對一還原，保留了原始局放數據的全部特征。同時，轉換成局放圖像后，時域信號中存在的噪聲可被認為是光照干擾[18]，通過CNN中的卷積運算可方便地進行消除。

　　1.2基于DCGAN的樣本

　　增強樣本增強技術利用有限的樣本數據生成同分布的新樣本，擴充訓練樣本集，增加訓練樣本的數量，一定程度上克服了電纜局放小樣本數據集在訓練CNN模型時的過擬合的缺陷，提升小樣本條件下模型的泛化能力。深度卷積生成對抗網絡(DeepConvolutionGenerateAgainstNetworks，DCGAN)是在生成對抗網絡(GenerateAgainstNetwork，GAN)基礎上的一種改進，它利用CNN代替GAN中的判別器(Discriminator)和生成器(Generator)中的多層感知機，提升了GAN模型的穩定性。同時DCGAN利用CNN強大的特征對生成器和判別器進行建模。與GAN利用多層感知機進行特征提取相比，DCGAN提取到的特征更為豐富，對于圖像特征的提取效果也更加突出[19]。

　　2基于CNN的局放模式識別

　　2.1CNN的網絡結構設計

　　CNN是深度學習中最常用的結構之一，它能解決空間共享權重而導致的過擬合問題。近年來，CNN在圖像處理和自然語言處理等方面取得了一定的成果[20]。CNN的輸入是二維數據矩陣，卷積層通過不同的卷積核與輸入的數據矩陣進行卷積操作，得到不同的特征子圖，完成特征提取。池化層對提取的特征圖子圖進行降維操作，減少計算量。全連接層對所提取到的特征進行預測，完成識別分類。

　　實驗采用銅芯交聯聚乙烯絕緣非鎧裝電纜進行測試，絕緣缺陷加工前，先剝除電纜兩端的外屏蔽層，將絕緣層切面打磨光滑并套入均壓球。在電纜一端施加高壓，電纜護套通過包裹銅皮接地，若在試驗電壓范圍內無局放產生，再制作絕緣缺陷，這樣能夠保證放電源的單一性。實驗中制作了外導電爬層、絕緣內部氣隙、絕緣表面劃傷、絕緣表面金屬污穢4種典型電纜絕緣缺陷。

　　3.識別結果及其分析

　　3.1與人工提取特征對比

　　在文獻[21]中，人工選取并構造了33種局部放電特征，將其作為模式識別方法的輸入參數，采用CNN進行識別分類。本文采用和文獻[21]相同的CNN結構模型，其它參數配置采用最大池化法、Swish激活函數。本文采用樣本集1+3作為訓練樣本集，2作為測試樣本集，使用CNN-DCGAN的電纜局放模式識別方法得到相應的混淆矩陣。缺陷類型0、1、2、3分別代表外導電爬層、絕緣內部氣隙、絕緣表面劃傷、絕緣表面金屬污穢4種絕緣缺陷。

　　局放類型0的識別準確率為100%，類型1和類型2相似性較高，存在一定的錯誤率，類型1的100個樣本中有4個錯誤識別成類型2，類型2的100個樣本中有7個錯誤識別為類型1，類型3的100個樣本中有2個錯誤識別為類型0。但每類缺陷識別精度都在93%以上，整體識別精度為96.75%。與文獻[21]中使用人工構造算法提取特征，再使用CNN進行識別分類的方法相比，本文提出的方法識別準精度提高了4.18%。

　　訓練樣本的數量對識別結果有重要的影響，為了驗證樣本增強在小樣本情況下，對樣本數量不足造成模式識別準確率過低的解決效率，本文使用基于CNN-DCGAN的電纜局放模式識別方法對使用樣本增強和未使用樣本增強兩種情況的識別準確率進行了對比。

　　對比結果取10次實驗的平均值。測試集樣本均使用樣本集2，在只使用樣本集1作為訓練樣本，即未進行樣本增強，識別精度為93.425%，而在使用樣本集1+3作為訓練樣本，即采用了樣本增強，識別精度達到了96.6%，與未使用樣本增強之前相比，識別精度提高了3.175%。上述實驗表明使用樣本增強，能夠顯著提高識別準確率，能夠解決樣本數量不足造成模式識別準確率的問題。

　　4結束語

　　本文提出了一種小樣本下基于CNN-DCGAN的電纜局放模式識別方法。此方法首先基于信號到圖像的思想，將一維時域信號轉化為二維圖像;然后通過DCGAN在樣本生成領域的優勢進行樣本增強;最后通過CNN進行自動提取特征，建立特征分類模型，實現端到端的模式分類。實驗結果驗證了該方法的有效性。需要指出的是，本文所采用的電纜缺陷基于實驗室環境制作，而在實際工程應用中，絕緣缺陷的嚴重程度不完全相同，可能會造成檢測到的缺陷信號存在差異，對識別結果造成影響。后續研究中需要考慮缺陷程度不同對識別系統帶來的負面影響，增加數據來源的多樣性。

　　參考文獻

　　[1]楊帆,王干軍,彭小圣,等.基于卷積神經網絡的高壓電纜局部放電模式識別[J].電力自動化設備,2018,38(5):123-128.YangFan,WangGanjun,PengXiaosheng,etal.Partialdischargepatternrecognitionofhighvoltagecablebasedonconvolutionalneuralnetwork[J].ElectricPowerAutomationEquipment,2018,38(5):123-128.

　　[2]YangF,XuY,QianY,etal.ApplicationofcorrelationanalysistechniquesinfeatureextractionandselectionforDCpartialdischargesignalsofXLPEcables[J].PowerSystemTechnology,2018,42(5):1653-1660.

　　[3]PengX,LiJ,WangG,etal.RandomforestbasedoptimalfeatureselectionforpartialdischargepatternrecognitioninHVcables[J].IEEETransactionsonPowerDelivery,2019,34(4):1715-1724.

　　[4]李程,李強,張啟超,等.基于支持向量機遞歸特征消除的電纜局部放電特征尋優[J].電氣技術,2020,21(1):67-71.

　　作者：孫抗1,軒旭陽1,劉鵬輝1,趙來軍1,龍潔2