基于深度学习的变压器局部放电识别及其增量学习策略

引言

伴随电力系统向智能化方向升级发展，变压器状态监测技术变成保障电网可靠性的关键要素。局部放电现象与绝缘老化、机械损伤等缺陷存在紧密关联，其信号蕴含着丰富多样的故障信息。以往传统的局部放电识别方式依靠人工来进行特征提取，由于受到经验方面的局限，识别精度并不充足。深度学习依靠自身自动进行特征学习的能力，在放电模式识别过程中彰显出优势，然而却面临着模型训练数据覆盖不够全面的难题。当有全新的放电类型出现时，对模型进行重新训练极有可能引发历史知识的遗忘状况。本文针对基于深度学习的局部放电识别方法展开研究工作，着重对增量学习策略予以设计，从而达成对新旧放电类型的高效能识别目标，为变压器的状态评估事宜提供具备智能化特质的解决办法。

一、变压器局部放电识别的相关基础

（一）局部放电信号的特性

变压器的局部放电信号呈现出非平稳性以及非线性的特性，由不同缺陷类型（绝缘沿面放电、气隙放电、悬浮放电等）所产生的信号，在波形方面以及频谱分布方面存在着十分明显的差别。沿面放电信号经常会伴随着较为明显的脉冲簇现象，气隙放电信号的脉冲间隔相对比较均匀，而悬浮放电则体现出不规则的脉冲幅值变动情况。这些特征会受到设备的结构、绝缘材料、运行的环境等多种因素的影响，需要借助高精度的传感器（例如超高频传感器、超声波传感器）采集原始信号，经过滤波、降噪等预处理后，将信号用于后续的技术、信息等分析工作。

（二）深度学习识别框架

深度学习识别框架大体涵盖数据预处理、特征提取以及分类决策这三个步骤。在预处理的阶段，会针对原始的放电信号开展归一化、去噪等操作，将一维的时域信号转变为二维的频谱图或者时频矩阵，以此强化特征的可识别程度。特征提取运用卷积神经网络（CNN），依靠卷积层与池化层的交替运转，自动捕捉信号的局部纹理特征以及全局分布特征，从而取代传统的人工设计特征流程。分类决策层运用全连接网络以及 Softmax 函数，将不同放电类型的概率分布输出呈现出来，达成缺陷类型的自动判别。

二、基于深度学习原理构建局部放电识别模型

（一）数据集构建与预处理

实验所采用的数据集，是源自实验室针对变压器典型缺陷所模拟产生的放电信号，涵盖四类样本，分别是沿面放电样本、气隙放电样本、悬浮放电样本以及正常状态样本，每个样本都囊括在不同电压等级状况下、不同环境温度情形中所采集到的数据，总共有 10000 组。对于这些数据所进行的预处理步骤如下：其一，运用小波阈值去噪的办法，以此来消除工频干扰以及白噪声；其二，借助短时傅中叶变换，将时域信号转变成为像素为 224×224 的频谱图；其三，对图像数据开展随机翻转、亮度调整等数据增强操作，这样做的目的是为了让样本的多样性得到扩大，进而避免模型出现过拟合的现象。

（二）CNN 模型结构设计

该模型是基于经过改进的 VGG16 架构来进行构建的，其输入内容为放电信号频谱图，此频谱图会依次通过 6 个卷积块（在每个卷积块当中，包含 2-3 个卷积层以及 1个最大池化层），借助 3×3 的卷积核提取具备多尺度特点的特征，而池化层则运用 2×2 的步长，以此降低特征图的维度。在完成特征提取之后，会连接上 2 个全连接层，这两个全连接层分别包含 512 个神经元和 256 个神经元，并且采用 ReLU 激活函数，从而增强非线性的表达能力。输出层依据放电类型的数量来对神经元予以设置，借助交叉熵损失函数来对模型的参数加以优化，运用 Adam 优化器开展迭代训练，将初始学习率设定为 0.001，迭代的次数为 50 轮。

（三）模型的训练以及性能的验证

在训练进程当中，按照 8：2 的比例对训练集以及验证集予以划分，借助早停策略来避免出现过拟合的状况，一旦验证集的准确率连续 5 轮都没有出现提升，便停止训练。实验得出的结果表明，模型于测试集之上的整体识别准确率达到 96.3% ，气隙放电的识别准确率是最高的，为 98.1% 。沿面放电的识别准确率次之，为 95.7% ，悬浮放电由于信号具备复杂性，其识别准确率为 94.2% 。对比传统的支持向量机以及 BP 神经网络，此模型在特征提取方面更为周详完备，分类的精确程度提高 10%-15% ，证实深度学习在局部放电识别当中所具备的优越性。

三、增量学习策略设计及实现

（一）增量学习需求与挑战

在实际的应用情形当中，变压器或许会出现一些全新的局部放电类型，若要让传统的深度学习模型去识别这些新的类别，就必须对其进行重新训练，然而，重新训练会使得该模型对于历史类别的识别性能出现大幅度的降低，上述现象是“灾难性遗忘”。增量学习需要应对两个主要方面的问题：其一是要高效地学习新类别的特征；其二，是要将已经学习到的知识保留下来。就变压器局部放电场景而言，新样本的数据量较少，很容易出现类别不平衡的状况，进一步加大增量学习的困难程度。

（二）以参数微调为基础的知识保留机制

运用模型参数微调策略达成历史知识保留，在已经完成训练的基础模型上，将卷积层的大部分参数予以冻结，将新类别样本和少量具备代表性的历史类别样本组合起来，构成增量训练集，着重对全连接层以及解冻的卷积层的参数加以更新，借助设定数值较小的学习率（0.0001），降低对历史特征提取能力所造成的破坏。实验结果显示，此机制能够让历史类别的识别精准比率维持在 95% 以上的水平。

（三）动态数据重放以及类别平衡策略

应对因新样本数量匮乏而引发的过拟合状况，设计动态的数据重放机制：构建历史样本的记忆库，在其中存放每个历史类别的具有代表性的样本（每个样本数量处于50 到 100 个之间），在进行增量训练时，随机选取记忆库中的样本，将其与新样本放在一起开展混合训练，以此来维持类别的均衡状态。与此同时，运用加权交叉熵损失函数，给新类别样本赋予相对较高的权重（达到原有权重的 1.5 倍），从而增强模型对新特征的关注程度。通过优化之后，新类别的识别准确率提高到 94.5% ，而且各个类别识别精度之间的差异缩小到 3% 以内，模型的鲁棒性得到明显的增强。

（四）增量学习性能评估

在涵盖 6 种放电类型的拓展数据集上，对增量学习成效予以评估，分 3 回依次增添新类别，结果表明，每一回进行增量之后，模型的整体准确率均维持在 95% 以上，相较于未运用增量策略的模型（其准确率下降至 78.3% ）有着明显的提升，训练时长较重新训练完整模型减少 60% ，内存占用降低 50% ，能够满足在线监测的实时性要求。达成对新旧放电类型的高效辨识，给变压器局部放电的动态诊断供给可行的途径。

结论

本文聚焦于变压器局部放电识别问题，给出基于深度学习以及增量学习的解决办法，借助搭建 CNN 模型，对放电信号频谱图开展特征学习，达成典型缺陷类型的高精准度识别，整体准确率达到 96.3% ，比传统方法更为出色。就新放电类型识别难题而言，设计将参数微调与动态数据重放相互结合的增量学习策略，切实避免灾难性遗忘现象，在新增类别这种情形下依旧维持 95% 以上的整体准确率。此方法对识别的精准度以及动态的适应性都有兼顾，给电力系统变压器的状态监测供给智能化的技术支持。

参考文献：

[1]宋爽.基于改进时序卷积网络的电力变压器故障诊断研究[D].石家庄铁道大学，2024.

[2]黄松.基于深度学习和改进 D-S 证据理论的变压器故障诊断[D].河北科技大学，2024.

[3]鲁善辉.变压器多源局部放电信号分类算法研究与嵌入式应用[D].山东大学，2024.