- 頭條西安交通大學科研團隊提出小樣本GIS絕緣缺陷智能診斷的新方法2022-09-27 作者：王艷新、閆靜 等 | 來源：《電工技術學報》 | 點擊率：導語近年來，數據驅動的人工智能模型在氣體絕緣組合電器（GIS）絕緣缺陷診斷上取得了一定突破。然而，這些以海量實驗數據構建的模型難以部署到現場復雜工況和小樣本條件下，導致現有診斷方法現場應用困難。 為了解決現場制約傳統診斷方法應用的數據匱乏難題和現有診斷模型現場應用困難的問題，電力設備電氣絕緣國家重點實驗室（西安交通大學）的研究人員王艷新、閆靜、王建華、耿英三、劉志遠，在2022年第9期《電工技術學報》上撰文，提出了一種新穎的域對抗遷移卷積神經網絡用于小樣本下的GIS絕緣缺陷智能診斷。該方法可以有效學習可遷移特征，實現小樣本GIS絕緣缺陷的高精度、魯棒性診斷。
氣體絕緣組合電器（Gas-Insulated Switchgear, GIS）作為輸變電系統中的關鍵設備，其可靠運行是整個電力系統安全、穩定的重要保障。為確保GIS可靠運行，一系列的監測和診斷方法被用于GIS絕緣監視和故障診斷。
以數據驅動的GIS絕緣缺陷診斷方法主要包括兩個方面：①以先進的信號處理手段構造合理的故障表征信息并提取關鍵特征；②通過模式識別方法進行缺陷分類。然而，傳統診斷方法，如支持向量機、人工神經網絡等窄模型由于難以獲得故障樣本與故障信息之間的非線性表示而受到掣肘。
隨著人工智能技術的飛速發展，深度學習方法，尤其是卷積神經網絡因其強大的特征提取和分類能力，被應用于GIS絕緣缺陷診斷中，并取得了一定的突破。然而，目前的方法都建立在海量樣本的前提下，并且假設訓練和測試樣本滿足同一概率分布。對現場運行中的GIS而言，一方面難以獲得海量缺陷樣本，另一方面數據不斷被收集導致訓練和測試集不滿足同分布假設，導致現有的故障診斷方法的現場應用受到掣肘。
作為一種新穎的人工智能方法，遷移學習旨在通過將某個領域或任務上學習到的知識（源域）應用到不同但相關的領域（目標域）中，能夠有效解決數據量小和樣本不滿足同一概率分布的問題。基于特征的遷移學習由于能夠找到源域和目標域相同的特征潛在空間，在變壓器智能保護和電機軸承故障診斷等領域取得了良好的效果。
為解決傳統以海量樣本訓練的智能診斷方法難以在現場復雜工況和小樣本下部署應用的問題，受基于特征的遷移學習的啟發，電力設備電氣絕緣國家重點實驗室（西安交通大學）的研究人員提出了一種新穎的域對抗遷移卷積神經網絡，用于小樣本GIS絕緣缺陷診斷，并在多個數據集下進行了驗證。研究結果表明該方法可以有效學習可遷移特征，實現小樣本GIS絕緣缺陷的高精度、魯棒性診斷。
圖1 GIS絕緣缺陷診斷框架
他們為提取優異的故障特征，構建了自動尋優卷積神經網絡（Convolutional Neutral Networks, CNN），解決了現有卷積神經網絡手動構建復雜的難題，有效提升了網絡精度等多方面性能。然后，通過遷移學習實現源域訓練模型在目標域的應用。此過程中，在卷積中引入對抗訓練，通過最小-最大二人博弈來學習類別差異和域不變特征，實現小樣本下的GIS絕緣缺陷診斷。在域對抗訓練中引入兩個領域分類器進行決策邊界和域空間的匹配，實現了兩個域下更合適的特征匹配。
圖2 GIS局部放電仿真模型
研究團隊采用網絡自搜尋構建方法獲得了ASCNN，與其他手動構建的網絡相比，不僅提升了源域下的診斷精度，而且明顯提升了同一遷移策略的目標域下的診斷準確率，表明其可以有效地從故障樣本中提取不變特征，為后續的故障識別提供了強有力的支持。另外，遷移學習的引入使海量樣本下訓練的診斷網絡能夠部署到現場小樣本下，顯著提升了現場復雜工況和小樣本下的診斷精度，為目前海量數據下構建的各種診斷網絡的現場應用提供了有效途徑。
圖3 實驗接線原理
他們表示，該域對抗遷移訓練策略可大幅度提高小樣本下的診斷準確率，混淆矩陣結果表明，其對沿面放電診斷準確率的提升效果最為明顯。在域對抗訓練中引入兩個領域分類器進行決策邊界的域對齊，能夠實現更合適的特征對齊。
研究人員指出，與其他方法相比，該方法在故障數據量較少的情況下，具有更強的魯棒性和有效性。在實驗室和現場實驗驗證中，該方法在目標域下分別達到了99.35%和90.35%的診斷準確率，說明域對抗遷移卷積神經網絡在現場小樣本GIS絕緣缺陷診斷中具有顯著的優勢和廣闊前景。
本文編自2022年第9期《電工技術學報》，論文標題為“基于域對抗遷移卷積神經網絡的小樣本GIS絕緣缺陷智能診斷方法”。本課題得到了國家電網有限公司科技項目的支持。
