直流电缆局部放电模式识别的新方法，提升识别正确率
针对现有的直流交联聚乙烯电缆局部放电模式识别对强随机性信号的特征提取缺乏一定自适应能力的问题，上海交通大学电气工程系、国网浙江省电力有限公司电力科学研究院的研究人员朱煜峰、许永鹏、陈孝信、盛戈皞、江秀臣，在2020年第3期《电工技术学报》上撰文，提出基于卷积神经网络的模式识别算法，采用卷积神经网络框架CAFFE进行网络训练和识别检测。该方法具有强大的自适应学习能力，为应用于直流电缆故障诊断的模式识别提供了新的思路。
随着柔性高压直流输电的快速发展，直流交联聚乙烯（Cross-Linked Polyethylene, XLPE）电缆凭借其优良的绝缘性能得到越来越多的应用。我国多个高压直流输电项目陆续投入运行，亟需完善在线监测和故障预警系统，以保证供电的可靠性。局部放电（Partial Discharge, PD）作为判断电力设备状态的一项重要指标已被国际电工委员会（IEC）列入检测标准，但是直流电缆局部放电的模式识别和故障诊断研究仍有待深入。
早在20世纪90年代，国外就有学者研究了直流电压下局部放电的机理。
荷兰Delft理工大学的F. H. Kreuger和M. J. P. Jeroense都对直流电压下局部放电中的空间电荷分布和电场分布做了详细的讨论。
U. Fromm进一步研究了有关放电重复次数n、放电量q和相邻两次脉冲时间间隔∆t的图谱，并将其应用于局部放电类型的分类；
A. Pirker提出使用NoDi*模式图来区分不同缺陷的直流电压下的局部放电。
国内也有不少学者对直流局部放电的模式识别做了一些研究，主要集中在储能电容器、气体绝缘金属封闭开关设备、变压器油纸绝缘上，但是涉及XLPE电缆的研究相对较少。
有学者研究了直流电压下的不同缺陷的XLPE电缆局部放电的放电量和放电重复率差异。
有学者研究了电树枝和局部放电的关系，将电树枝的长度与局部放电阶段进行了一一对应。
有学者采用非下采样轮廓变换和支持向量机。
有学者采用压缩感知算法对不同缺陷的直流电缆局部放电进行了模式识别。
但是现阶段的直流局部放电模式识别中常用偏斜度、互相关系数等统计算子进行特征提取，依赖人工经验，在随机性很强的直流电缆局部放电信号的分类中有一定局限性，而卷积神经网络（Convolutional Neural Network, CNN）则使用不断学习的卷积核，在提取图像固有特征的过程中自我改进，在不需要人为提取统计算子的基础上完成自适应特征提取。
目前，该方法已在变压器、交流电缆等模式识别中取得了一定的应用，但是鉴于直流电压下的局部放电缺少相位信息，该方法在直流局部放电中鲜有应用。
为此，上海交通大学电气工程系、国网浙江省电力有限公司电力科学研究院的研究人员，利用CNN针对线芯尖端毛刺、绝缘内部气隙、绝缘表面划痕和外半导电层爬电四种典型绝缘缺陷的局部放电信号进行模式识别研究。
图1 直流电缆局部放电试验系统
图2 XLPE电缆的四种缺陷模型
首先采集四种典型绝缘缺陷电缆的局部放电信号作为样本，再利用自适应的卷积核进行特征提取，池化层进行特征映射，非线性多分类器进行回归分类，最终得到训练完成的CAFFE网络。通过设置不同求解器参数、网络结构和训练样本数量对缺陷识别结果进行对比分析，发现利用改进的Alexnet网络，采用衰减学习率方式的模式识别框架的平均识别正确率最高，达到了91.32%，相比于传统模式识别算法至少提高了8.97%。
图3 模式识别流程
图4 改进后的Alexnet网络结构
研究者最后得到以下结论：
1）四类绝缘缺陷的局部放电特征图谱H(q,Δt)具有一定的典型性：尖端缺陷呈现较为集中的单一主峰，气隙缺陷和爬电缺陷则分散性较大，划痕缺陷可观测到两个主峰。CAFFE方法利用卷积神经网络CNN能自适应提取图像特征的特点，无需人为提取特征参数。
2）通过改变初始学习率、学习率模式、卷积层层数、激活函数选择可以发现求解器Solver配置参数和CAFFE网络结构对训练效果影响较大，本次实验中采用衰减学习率模式、5层卷积、Swish激活函数时训练效果最优。不同的训练样本数量对识别效果也有一定的影响，存在边际递减效应。综合考虑识别效果和运算效率，本文设定每种缺陷的训练样本数量为70个。
3）相比于传统模式识别算法BPNN和SVM，采用改进的Alexnet网络的CNN能捕捉到强随机性的直流局部放电图谱更高维的信号特征，平均识别正确率至少高出前者8.97%，达到91.32%。
4）本文直流电缆局部放电信号的采集在屏蔽房内进行，降低了外部干扰，现场采集的局部放电信号必定含有大量的噪声，因此本文提出的方法对不同噪声强度下局部放电信号的模式识别的有效性仍有待进一步研究。