《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計 > 設(shè)計應(yīng)用 > 基于殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)和Stacking集成學(xué)習(xí)的局部放電故障診斷
基于殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)和Stacking集成學(xué)習(xí)的局部放電故障診斷
電子技術(shù)應(yīng)用
廖曉青1，陳歷1,，許建遠(yuǎn)1,，金寶權(quán)1，姜自超1,，劉俊峰2
1.廣東電網(wǎng)有限責(zé)任公司茂名供電局,；2.華南理工大學(xué) 自動化科學(xué)與工程學(xué)院
摘要： 針對傳統(tǒng)局部放電（Partial Discharge， PD）故障診斷方法在處理復(fù)雜含噪PD信號存在局限性并依賴于人工去噪和專家經(jīng)驗,，難以學(xué)習(xí)到PD特征多樣化表達(dá)等問題,，分別提出殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)（Residual Attention Adaptive Denoising Network， RAADNet）和基于Stacking集成學(xué)習(xí)的PD故障診斷模型,。RAADNet基于殘差網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計,，通過集成CAM注意力機(jī)制和軟閾值函數(shù)實現(xiàn)自適應(yīng)去噪；Stacking集成模型的基學(xué)習(xí)器分別由基于卷積神經(jīng)網(wǎng)絡(luò)的RAADNet,、基于多頭自注意力機(jī)制的Transformer以及基于Boosting集成策略的XGBoost多個差異化模型共同構(gòu)建構(gòu)成,。實驗結(jié)果表明，提出的RAADNet優(yōu)于其他先進(jìn)方法,，識別準(zhǔn)確率達(dá)到93.99%,，Stacking集成模型則通過學(xué)習(xí)多樣化特征表達(dá),，進(jìn)一步提高模型性能,，達(dá)到96.79%識別準(zhǔn)確率。
中圖分類號：TM85,；TN91 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.245495
中文引用格式： 廖曉青,，陳歷，許建遠(yuǎn),，等. 基于殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)和Stacking集成學(xué)習(xí)的局部放電故障診斷[J]. 電子技術(shù)應(yīng)用,，2024，50(11)：66-73.
英文引用格式： Liao Xiaoqing,，Chen Li,，Xu Jianyuan，et al. Partial discharge fault diagnosis based on residual attention adaptive denoising network and stacking ensemble learning[J]. Application of Electronic Technique,，2024,，50(11)：66-73.
Partial discharge fault diagnosis based on residual attention adaptive denoising network and stacking ensemble learning
Liao Xiaoqing1，Chen Li1,，Xu Jianyuan1,，Jin Baoquan1,，Jiang Zichao1，Liu Junfeng2
1.Maoming Power Supply Bureau of Guangdong Power Grid Co.,， Ltd.,； 2.School of Automation Science and Engineering， South China University of Technology
Abstract： To overcome the challenges posed by traditional Partial Discharge (PD) fault diagnosis methods, such as their inability to effectively process complex, noisy PD signals and their reliance on manual denoising and expert input, and the difficulty on learning diverse PD feature representations, this paper introduces two advanced solutions: Residual Attention Adaptive Denoising Network (RAADNet) and Stacking ensemble-based PD fault diagnosis model. RAADNet leverages a residual network framework integrated with a Channel Attention Module (CAM) and a soft thresholding function for adaptive noise reduction. The Stacking ensemble model comprises distinct base learners, including the RAADNet with convolutional neural network architecture, a Transformer featuring multi-head self-attention, and an XGBoost model that adopts a Boosting strategy. Experimental findings reveal that RAADNet surpasses competing advanced techniques, achieving an accuracy of 93.99%. The Stacking model further improves performance by leveraging diverse feature representations, reaching an accuracy of 96.79%.
Key words : gas insulated switchgear,；partial discharge,；Stacking ensemble learning；convolutional neural network,；Transformer

引言

氣體絕緣開關(guān)柜（Gas Insulated Switchgear, GIS）是電力系統(tǒng)的關(guān)鍵組成部分,，其運(yùn)行狀況對電力用戶的供電情況至關(guān)重要[1]。GIS的絕緣故障程度與局部放電（Partial Discharge, PD）的故障類型密切相關(guān),，因此對PD信號故障類型的檢測和準(zhǔn)確識別不僅能夠有效保障GIS設(shè)備的穩(wěn)定運(yùn)行,，也能夠極大程度上提高供電穩(wěn)定性和可靠性[2-3]。

傳統(tǒng)機(jī)器學(xué)習(xí)的PD故障診斷方法主要包括：支持向量機(jī)（Support Vector Machine, SVM）,、隨機(jī)森林（Random Forest, RF）,、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks, ANN）、XGBoost和BPNN等,，此類方法模型結(jié)構(gòu)較簡單,，具有較高的計算效率。相比于傳統(tǒng)機(jī)器學(xué)習(xí)方法,，深度學(xué)習(xí)方法在PD故障診斷中展示了更為卓越的表現(xiàn),，這主要得益于其深層次的網(wǎng)絡(luò)結(jié)構(gòu)和眾多參數(shù)，使得模型具有更強(qiáng)的泛化能力和更高的識別準(zhǔn)確率,。其中基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,，CNN）[4-6]及其變體（如ResNet[7]、DenseNet[8],、MobileNet[9]等）的模式識別方法在PD故障診斷領(lǐng)域中已取得顯著成果,。例如，Khan等人[5]和Fu等人[8]分別提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）和DenseNet的端到端的PD故障診斷模型,，并在構(gòu)成PD波形信號的原始一維時序樣本點上進(jìn)行實驗,，結(jié)果優(yōu)于許多先進(jìn)方法。許辰航等人[7]提出了一種基于深度殘差網(wǎng)絡(luò)的GIS局部放電模式識別方法,，以解決傳統(tǒng)統(tǒng)計參數(shù)分析方法識別準(zhǔn)確率低的問題,。高鵬等人[9]提出一種基于MobileNet的電纜PD識別方法，相比于傳統(tǒng)方法,，進(jìn)一步提高了識別準(zhǔn)確率,。然而，上述方法并不具備去噪能力，通常需要額外設(shè)計去噪算法對原始PD信號進(jìn)行預(yù)處理,，在處理含噪的復(fù)雜PD信號中存在較大局限性,，依賴于人工設(shè)置去噪閾值（典型代表如小波去噪算法[10]）。此外,，現(xiàn)有方法大多基于同種神經(jīng)網(wǎng)絡(luò)模型設(shè)計,，限制了模型對多樣化PD故障特征的學(xué)習(xí)和捕捉能力，模型的泛化能力和識別精度仍有進(jìn)一步提升空間,。Stacking集成學(xué)習(xí)方法能夠結(jié)合多個不同種類模型的預(yù)測進(jìn)行故障診斷,，從而學(xué)習(xí)到多樣化故障特征表達(dá)，進(jìn)一步提高PD故障識別準(zhǔn)確率,。該方法在許多研究成果中[11]展現(xiàn)出優(yōu)秀的故障識別性能,。

為解決上述問題，本文提出一種改進(jìn)的殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)（Residual Attention Adaptive Denoising Network,，RAADNet）,，通過集成通道注意力機(jī)制（Channel Attention Mechanism，CAM）和軟閾值函數(shù),，借助深度結(jié)構(gòu)自動獲取去噪閾值,，避免人工設(shè)置去噪閾值產(chǎn)生的誤差。此外,，為學(xué)習(xí)多樣化特征表達(dá)并進(jìn)一步提高對于PD故障診斷的識別準(zhǔn)確率,，提出一種改進(jìn)的基于Stacking集成學(xué)習(xí)的PD故障診斷模型。本文提出的集成模型的基學(xué)習(xí)器由多個差異化模型RAADNet,、Transformer以及XGBoost共同構(gòu)建,，其中RAADNet用于提取PD局部特征；Transformer用于學(xué)習(xí)PD全局特征,；XGBoost則進(jìn)一步增強(qiáng)了Stacking模型結(jié)構(gòu)的多樣性,、泛化性并改善模型計算效率。此外,，為保證實驗可靠性,，通過在高壓實驗室搭建PD實驗平臺并設(shè)計四種缺陷模型以模擬GIS內(nèi)部的放電過程,。


本文詳細(xì)內(nèi)容請下載：

http://forexkbc.com/resource/share/2000006212


作者信息：

廖曉青1,，陳歷1，許建遠(yuǎn)1,，金寶權(quán)1,，姜自超1，劉俊峰2

（1.廣東電網(wǎng)有限責(zé)任公司茂名供電局,，廣東 茂名 525000,；

2.華南理工大學(xué) 自動化科學(xué)與工程學(xué)院，廣東 廣州 510641）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。