久久88香港三级台湾三级中文-久久91-久久91精品国产91久-久久91精品国产91久久-久久91精品国产91久久户

氣體絕緣組合電器（Gas-Insulated Switchgear, GIS）作為輸變電系統(tǒng)中的關(guān)鍵設(shè)備，其可靠運(yùn)行是整個(gè)電力系統(tǒng)安全、穩(wěn)定的重要保障。為確保GIS可靠運(yùn)行，一系列的監(jiān)測(cè)和診斷方法被用于GIS絕緣監(jiān)視和故障診斷。

以數(shù)據(jù)驅(qū)動(dòng)的GIS絕緣缺陷診斷方法主要包括兩個(gè)方面：①以先進(jìn)的信號(hào)處理手段構(gòu)造合理的故障表征信息并提取關(guān)鍵特征；②通過模式識(shí)別方法進(jìn)行缺陷分類。然而，傳統(tǒng)診斷方法，如支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)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(shù)的飛速發(fā)展，深度學(xué)習(xí)方法，尤其是卷積神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的特征提取和分類能力，被應(yīng)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(shè)訓(xùn)練和測(cè)試樣本滿足同一概率分布。對(duì)現(xiàn)場運(yùn)行中的GIS而言，一方面難以獲得海量缺陷樣本，另一方面數(shù)據(jù)不斷被收集導(dǎo)致訓(xùn)練和測(cè)試集不滿足同分布假設(shè)，導(dǎo)致現(xiàn)有的故障診斷方法的現(xiàn)場應(yīng)用受到掣肘。

作為一種新穎的人工智能方法，遷移學(xué)習(xí)旨在通過將某個(gè)領(lǐng)域或任務(wù)上學(xué)習(xí)到的知識(shí)（源域）應(yīng)用到不同但相關(guān)的領(lǐng)域（目標(biāo)域）中，能夠有效解決數(shù)據(jù)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(xué)習(xí)由于能夠找到源域和目標(biāo)域相同的特征潛在空間，在變壓器智能保護(hù)和電機(jī)軸承故障診斷等領(lǐng)域取得了良好的效果。

為解決傳統(tǒng)以海量樣本訓(xùn)練的智能診斷方法難以在現(xiàn)場復(fù)雜工況和小樣本下部署應(yīng)用的問題，受基于特征的遷移學(xué)習(xí)的啟發(fā)，電力設(shè)備電氣絕緣國家重點(diǎn)實(shí)驗(yàn)室（西安交通大學(xué)）的研究人員提出了一種新穎的域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)，用于小樣本GIS絕緣缺陷診斷，并在多個(gè)數(shù)據(jù)集下進(jìn)行了驗(yàn)證。研究結(jié)果表明該方法可以有效學(xué)習(xí)可遷移特征，實(shí)現(xiàn)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?yōu)樘崛?yōu)異的故障特征，構(gòu)建了自動(dòng)尋優(yōu)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neutral Networks, CNN），解決了現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)手動(dòng)構(gòu)建復(fù)雜的難題，有效提升了網(wǎng)絡(luò)精度等多方面性能。然后，通過遷移學(xué)習(xí)實(shí)現(xiàn)源域訓(xùn)練模型在目標(biāo)域的應(yīng)用。此過程中，在卷積中引入對(duì)抗訓(xùn)練，通過最小-最大二人博弈來學(xué)習(xí)類別差異和域不變特征，實(shí)現(xiàn)小樣本下的GIS絕緣缺陷診斷。在域?qū)褂?xùn)練中引入兩個(gè)領(lǐng)域分類器進(jìn)行決策邊界和域空間的匹配，實(shí)現(xiàn)了兩個(gè)域下更合適的特征匹配。

圖2 GIS局部放電仿真模型

研究團(tuán)隊(duì)采用網(wǎng)絡(luò)自搜尋構(gòu)建方法獲得了ASCNN，與其他手動(dòng)構(gòu)建的網(wǎng)絡(luò)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(biāo)域下的診斷準(zhǔn)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(xù)的故障識(shí)別提供了強(qiáng)有力的支持。另外，遷移學(xué)習(xí)的引入使海量樣本下訓(xùn)練的診斷網(wǎng)絡(luò)能夠部署到現(xiàn)場小樣本下，顯著提升了現(xiàn)場復(fù)雜工況和小樣本下的診斷精度，為目前海量數(shù)據(jù)下構(gòu)建的各種診斷網(wǎng)絡(luò)的現(xiàn)場應(yīng)用提供了有效途徑。

圖3 實(shí)驗(yàn)接線原理

他們表示，該域?qū)惯w移訓(xùn)練策略可大幅度提高小樣本下的診斷準(zhǔn)確率，混淆矩陣結(jié)果表明，其對(duì)沿面放電診斷準(zhǔn)確率的提升效果最為明顯。在域?qū)褂?xùn)練中引入兩個(gè)領(lǐng)域分類器進(jìn)行決策邊界的域?qū)R，能夠?qū)崿F(xiàn)更合適的特征對(duì)齊。

研究人員指出，與其他方法相比，該方法在故障數(shù)據(jù)量較少的情況下，具有更強(qiáng)的魯棒性和有效性。在實(shí)驗(yàn)室和現(xiàn)場實(shí)驗(yàn)驗(yàn)證中，該方法在目標(biāo)域下分別達(dá)到了99.35%和90.35%的診斷準(zhǔn)確率，說明域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)在現(xiàn)場小樣本GIS絕緣缺陷診斷中具有顯著的優(yōu)勢(shì)和廣闊前景。

本文編自2022年第9期《電工技術(shù)學(xué)報(bào)》，論文標(biāo)題為“基于域?qū)惯w移卷積神經(jīng)網(wǎng)絡(luò)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(wǎng)有限公司科技項(xiàng)目的支持。