小样本下基于CNN-DCGAN的电缆局部放电模式识别方法

　　摘要：电缆局部放电模式识别过程中，传统人工特征提取依赖特定领域知识及经验，特征选择和优化工作量较大。针对该问题并为了避免非均衡小样本数据下分类器的过拟合，文中提出了一种在小样本的情况下基于CNN-DCGAN的电缆局部放电模式的识别方法。利用滑动时间窗将局部放电时域信号转化为二维图像信息，构建深度卷积生成对抗网络，在原始数据集的基础上进行样本增强，将原始样本和增强样本作为系统输入，构造卷积神经网络，利用其非线性编码器自动提取局部放电特征，并通过Softmax层训练特征分类模型。实验结果表明，相较于人工特征，基于自动特征提取的CNN分类器识别准确率提高了4.18%。相较于原有数据集，基于样本增强数据集的系统识别准确率提高了3.175%。

　　关键词：局部放电;特征提取;样本增强;卷积神经网络;生成对抗网络;模式识别;绝缘缺陷;时域信号

　　局部放电(PartialDischarge，PD，简称“局放”)不仅会对电缆绝缘缺陷造成较大影响，同时也是绝缘缺陷的重要表征，根据导致绝缘缺陷的因素不同，绝缘缺陷的表现形式也是多种多样的。不同形式的绝缘缺陷造成的局放具有不同的表现形式，造成的危害程度也有所差别[1]。因此，对绝缘缺陷的类型进行有效识别具有重要的意义。

　　电缆局放模式识别系统的性能很大程度上依赖有效特征的提取，目前主要通过构造人工特征来实现。文献[2]采用线性和非线性特征分析技术对电缆局放信号进行特征提取然后通过这些特征进行模式识别分类。文献[3]采用随机森林在训练过程中对局放特征重要性进行评判，根据评判结果进行特征优选，然后通过支持向量机(SupportVectorMachine，SVM)[4]和BP神经网络(BackPropagationNeuralNetworks，BPNN)[5]进行验证。

　　文献[6]研究了BPNN的算法和结构，并利用BPNN对电缆典型绝缘缺陷局部放电类型进行模式识别。上述人工特征本质上是一种经验性方法，主观性强，信号的本质特征也很难完整表达[7]。虽然有效的特征选择和特征组合可一定程度上降低影响，但工作量巨大。深度学习[8-10]通过学习深层非线性网络结构，自动从大量数据中学习特征，表征输入数据，在使用中减少了手工设计特征的工作量。

　　同时，它把特征提取和分类器结合到一起，实现了端到端(End-to-End)模式分类[11]。近年来，在图像处理和自然语言处理领域取得了巨大成功。但由于深度学习模型本身的表达能力强，需要大量标注或非标注训练样本避免模型过拟合。电缆现场故障样本匮乏，局放信息记录并不完善，实验室采集的数据量有限，用于模型训练的样本集实际上是故障类别分布非均衡的小样本数据。这就使得分类器在实际应用中容易出现漏判及误判，可用性较低。

　　在现有样本数据的基础上，通过有效的样本增强方法增加训练样本的数量，为解决电缆局放模式识别系统依赖有效特征提取的问题提供了新的思路。相比于传统过采样方法，生成对抗网络(GenerativeAdversarialNetworks，GAN)不依赖先验条件，通过无监督学习获得数据间的潜在分布规律并生成新的样本，可有效提升模型分类性能。

　　文献[12]将故障机理和个性特征结合，以原始数据为基础，通过GAN理论建立生成模型，生成新的样本数据。文献[13]在GAN模型的基础上，将数据和机理结合，改善了能源系统中模型切换的问题。文献[14]通过提出了一种基于生成对抗网络的配电数据增殖方法，解决配电数据分布不均匀及利用率较低的问题。上述样本增强方法是基于一维信号通过全连接层或一维卷积层生成新数据，生成数据质量差，训练时间长，并不能直接用于电缆局放模式识别。

　　基于上述分析，本文提出了一种小样本下基于CNN-DCGAN的电缆局放模式识别新方法。首先，利用滑动时间窗直接将电缆局放时域信号转化为二维图像信息;其次构建深度卷积生成对抗网络模型对局放样本进行样本增强;最后，利用卷积神经网络(ConvolutionalNeuralNetworks，CNN)[15-17]的非线性编码器自动提取局放特征，利用Softmax层训练特征分类模型，最终实现电缆局放模式识别。实验结果表明，文中提出的方法与传统人工特征提取方法相比降低了人工特征选择中造成部分信息丢失的风险，同时降低了工作量。增强后的样本库包含更多的局放信息，提高了模型泛化能力，具有较强的实际应用价值。

　　1局放信号的表达及样本增强

　　1.1局放时域信号的二维图像

　　表达局放时域信号包含大量的特征信息，但是一维的局放信号并不能直接应用于CNN。在采用CNN进行识别分类之前，需要将原始的一维局放信号转化为二维图像。二维图像是原始一维信号的同步转换，将时域信号中的电压和时间信息通过特征图的像素值和其所在的位置进行一对一还原，保留了原始局放数据的全部特征。同时，转换成局放图像后，时域信号中存在的噪声可被认为是光照干扰[18]，通过CNN中的卷积运算可方便地进行消除。

　　1.2基于DCGAN的样本

　　增强样本增强技术利用有限的样本数据生成同分布的新样本，扩充训练样本集，增加训练样本的数量，一定程度上克服了电缆局放小样本数据集在训练CNN模型时的过拟合的缺陷，提升小样本条件下模型的泛化能力。深度卷积生成对抗网络(DeepConvolutionGenerateAgainstNetworks，DCGAN)是在生成对抗网络(GenerateAgainstNetwork，GAN)基础上的一种改进，它利用CNN代替GAN中的判别器(Discriminator)和生成器(Generator)中的多层感知机，提升了GAN模型的稳定性。同时DCGAN利用CNN强大的特征对生成器和判别器进行建模。与GAN利用多层感知机进行特征提取相比，DCGAN提取到的特征更为丰富，对于图像特征的提取效果也更加突出[19]。

　　2基于CNN的局放模式识别

　　2.1CNN的网络结构设计

　　CNN是深度学习中最常用的结构之一，它能解决空间共享权重而导致的过拟合问题。近年来，CNN在图像处理和自然语言处理等方面取得了一定的成果[20]。CNN的输入是二维数据矩阵，卷积层通过不同的卷积核与输入的数据矩阵进行卷积操作，得到不同的特征子图，完成特征提取。池化层对提取的特征图子图进行降维操作，减少计算量。全连接层对所提取到的特征进行预测，完成识别分类。

　　实验采用铜芯交联聚乙烯绝缘非铠装电缆进行测试，绝缘缺陷加工前，先剥除电缆两端的外屏蔽层，将绝缘层切面打磨光滑并套入均压球。在电缆一端施加高压，电缆护套通过包裹铜皮接地，若在试验电压范围内无局放产生，再制作绝缘缺陷，这样能够保证放电源的单一性。实验中制作了外导电爬层、绝缘内部气隙、绝缘表面划伤、绝缘表面金属污秽4种典型电缆绝缘缺陷。

　　3.识别结果及其分析

　　3.1与人工提取特征对比

　　在文献[21]中，人工选取并构造了33种局部放电特征，将其作为模式识别方法的输入参数，采用CNN进行识别分类。本文采用和文献[21]相同的CNN结构模型，其它参数配置采用最大池化法、Swish激活函数。本文采用样本集1+3作为训练样本集，2作为测试样本集，使用CNN-DCGAN的电缆局放模式识别方法得到相应的混淆矩阵。缺陷类型0、1、2、3分别代表外导电爬层、绝缘内部气隙、绝缘表面划伤、绝缘表面金属污秽4种绝缘缺陷。

　　局放类型0的识别准确率为100%，类型1和类型2相似性较高，存在一定的错误率，类型1的100个样本中有4个错误识别成类型2，类型2的100个样本中有7个错误识别为类型1，类型3的100个样本中有2个错误识别为类型0。但每类缺陷识别精度都在93%以上，整体识别精度为96.75%。与文献[21]中使用人工构造算法提取特征，再使用CNN进行识别分类的方法相比，本文提出的方法识别准精度提高了4.18%。

　　训练样本的数量对识别结果有重要的影响，为了验证样本增强在小样本情况下，对样本数量不足造成模式识别准确率过低的解决效率，本文使用基于CNN-DCGAN的电缆局放模式识别方法对使用样本增强和未使用样本增强两种情况的识别准确率进行了对比。

　　对比结果取10次实验的平均值。测试集样本均使用样本集2，在只使用样本集1作为训练样本，即未进行样本增强，识别精度为93.425%，而在使用样本集1+3作为训练样本，即采用了样本增强，识别精度达到了96.6%，与未使用样本增强之前相比，识别精度提高了3.175%。上述实验表明使用样本增强，能够显著提高识别准确率，能够解决样本数量不足造成模式识别准确率的问题。

　　4结束语

　　本文提出了一种小样本下基于CNN-DCGAN的电缆局放模式识别方法。此方法首先基于信号到图像的思想，将一维时域信号转化为二维图像;然后通过DCGAN在样本生成领域的优势进行样本增强;最后通过CNN进行自动提取特征，建立特征分类模型，实现端到端的模式分类。实验结果验证了该方法的有效性。需要指出的是，本文所采用的电缆缺陷基于实验室环境制作，而在实际工程应用中，绝缘缺陷的严重程度不完全相同，可能会造成检测到的缺陷信号存在差异，对识别结果造成影响。后续研究中需要考虑缺陷程度不同对识别系统带来的负面影响，增加数据来源的多样性。

　　参考文献

　　[1]杨帆,王干军,彭小圣,等.基于卷积神经网络的高压电缆局部放电模式识别[J].电力自动化设备,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,李强,张启超,等.基于支持向量机递归特征消除的电缆局部放电特征寻优[J].电气技术,2020,21(1):67-71.

　　作者：孙抗1,轩旭阳1,刘鹏辉1,赵来军1,龙洁2