技术文章

使用深度学习对地下电力电缆系统进行预测性维护

作者 Steffen Ziegler, IMCORP


地下电缆系统不像高架线那么容易受到风暴、闪电、野火、冰暴和其他恶劣气候事件的影响。但是,它们的维修成本更高,故障也更难精确定位和恢复。如果未能及时发现,电缆缺陷可能会导致电力供应中断,甚至危及公众安全。

据 IEEE 称,约有 90% 的地下电缆系统故障都与局部放电 (PD) 有关。所谓局部放电就是当电缆内的电场强度超过介电绝缘体对其的承受能力时产生的一种现象。局部放电在受到激发时会产生高频信号,其振幅通常小于 100 毫伏。由于这些信号是电介质退化和最终发生故障的征兆,因此,尽早发现它们可以防止发生意外的电缆故障,从而在故障发生前进行修复。

IMCORP 使用 MATLAB® 设计和训练深度学习网络,以加速和自动化局部放电信号的检测和表征过程。这些网络不仅可以检测局部放电信号,而且还可以确定局部放电在电缆中的大致位置、产生局部放电的缺陷类型及其严重程度(图 1)。

在这张三维显微 C T 扫描图中,电缆绝缘体中形成的电气树高 1.5 毫米。

图 1. 典型的“灌木型”电气树,供电期间在电缆绝缘体中形成。三维显微 CT 扫描图。

以前的局部放电分析方法

在制造商局部放电测试方面,我们使用的是行业通用的质量控制标准。在该测试中,我们会将高于正常值的电压施加到地下电缆和用于捕捉高频时序信号的耦合器。耦合器带有模数转换器 (ADC)。过去,分析师手动处理捕获的信号,以寻找表明存在局部放电的迹象。这个过程既乏味又缓慢,有时还会产生不一致的结果和误报。为了简化分析师的工作,我们实现了去噪和其他数字信号处理算法,但这个过程仍带有强烈的主观性,即使是训练有素、经验丰富的分析师,有时也可能会对同一信号得出不同的结论。

最近,我们开始使用机器学习来对捕获的信号进行自动分类。我们通过使用信号处理算法计算信号峰值之间的时间以及在局部放电分析中常用的其他特征来在 MATLAB 中提取信号数据特征(图 2)。然后,我们使用分类学习器,通过逻辑回归、支持向量机分类、随机森林分类和集成学习等多种方法,对分类模型进行了训练和评估。随机森林模型对局部放电信号分类的准确率达到了 90%。其他模型的表现略胜一筹,其准确率约为 92%。虽然这些结果令人满意,但我们还是决定探索深度学习,看看这种方法是否会提高分类准确率。

以时间为 x 轴且以幅度为 y 轴绘制的图,显示了捕获的信号中峰值之间的时间差。图中有三个峰值,t2 跨越所有三个峰值,而 t1 跨越后两个峰值。

图 2. 捕获的信号中峰值之间的时间差。

使用深度学习对局部放电信号进行分类

我们采用两种不同方法通过深度学习网络对局部放电信号进行了分类。在第一种方法中,我们利用我们的机器学习模型所用过的许多提取特征训练了一个神经网络。神经网络是基于一个数据集训练的。该数据集包含 24 个特征的 400 多万个标注的实例。在第二种方法中,我们直接基于我们团队之前分析和标注的近 100 万个时序信号训练了一个长短期记忆 (LSTM) 网络(图 3)。鉴于我们在深度学习方面的经验有限,我们与 MathWorks 顾问进行了合作,让他们帮助我们运用我们的领域专业知识,使用深度网络设计器来设计和训练神经网络和 LSTM。

L S T M 网络流程图,从上到下依次排列为序列输入层、L S T M 层、全连接层 1、全连接层 2、softmax 层、分类层

图 3. 使用 Deep Learning Toolbox™ 创建的 LSTM 网络的示意图。

经过超参数优化后,这两个网络对局部放电信号分类的准确率均达到了 95% 左右,相比机器学习模型有了显著改进。为了进一步提高准确率,我们通过应用小波变换和快速傅里叶变换增强了时序数据。我们看到准确率略有提高(约 0.1%)。目前,我们正在使用 MATLAB 进一步设计和优化模型。

使用深度学习进行局部放电定位和类型识别

工程的第二阶段是确定电缆中由绝缘缺陷导致的局部放电源的位置。在这一阶段,我们训练了两个 LSTM 网络。经过训练,一个网络用于将局部放电源分类为 10 个可能的位置范围(等长电缆段)之一,而另一个网络将其分类为 20 个不同位置范围之一。两种模型的最高准确率均大于 94%。我们之所以训练了这两个网络,是因为我们想看看模型的准确率是否随分段的增加而保持不变。大约 20 个分段后,准确率开始下降。

最后,我们训练了一个深度学习网络来确定产生局部放电的缺陷类型。产生局部放电的最常见原因是工艺、操作和制造不完善等。典型的局部放电缺陷类型包括“终端局部放电”、“电气树”、“气隙”、“表面局部放电”和“外部局部放电”(图 4)。其中,电气树缺陷是造成电缆系统故障风险最高的类型。

四张显示表面、外部和电气树缺陷类型的图。

图 4. 缺陷类型示例:表面、电气树和外部。

为了对缺陷类型进行分类,我们分析了来自单个缺陷的局部放电信号,并生成了经过编码的局部放电相位分布 (PRPD) 谱图。局部放电相位分布谱图中的图案因缺陷类型而异:例如,电气树缺陷的局部放电相位分布谱图看起来与气隙缺陷的有所不同。

在工程的这一阶段,我们使用了 ResNet-50,这是一个 50 层的卷积神经网络 (CNN),基于一百多万个图像预训练而成。我们又基于包含 3,390 多个局部放电相位分布谱图的数据集对卷积神经网络进行了再训练。此后,它对电缆缺陷类型分类的准确率可高达 96% 以上。

计划的功能增强

我们的深度学习网络表现出色,其结果准确率可与训练有素的信号分析师相媲美。它们还提供更一致的质量水平,并为分析和解释复杂数据集节省多达 500% 的时间。因此,我们的分析师可以减少处理单调的信号分析任务所花的时间,而将更多精力投入到其他同样重要的任务上。

归根结底,我们希望我们的深度学习网络能够近乎实时地执行分类,以便于现场技术人员可以在数据捕获后立即查看结果,并在需要时重新运行测试。我们还在继续扩展我们的训练数据集。凭借多年来在测试中捕获了超过 1.2 亿个波形,IMCORP 拥有全球最大的局部放电信号数据库之一。我们计划使用这些数据和面向 Databricks 的 MATLAB 接口,以在云中实现深度学习模型的大规模训练。

2022年发布

查看文章,了解相关功能

查看文章,了解相关行业