中文引用格式: 廖曉青,,陳歷,許建遠,,等. 基于殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)和Stacking集成學習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.
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確識別不僅能夠有效保障GIS設(shè)備的穩(wěn)定運行,,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)機器學習的PD故障診斷方法主要包括:支持向量機(Support Vector Machine, SVM),、隨機森林(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)機器學習方法,,深度學習方法在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),使得模型具有更強的泛化能力和更高的識別準確率,。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行實驗,,結(jié)果優(yōu)于許多先進方法。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,,進一步提高了識別準確率,。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信號進行預(yù)處理,,在處理含噪的復雜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故障特征的學習和捕捉能力,模型的泛化能力和識別精度仍有進一步提升空間,。Stacking集成學習方法能夠結(jié)合多個不同種類模型的預(yù)測進行故障診斷,,從而學習到多樣化故障特征表達,進一步提高PD故障識別準確率,。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,,為學習多樣化特征表達并進一步提高對于PD故障診斷的識別準確率,,提出一種改進的基于Stacking集成學習的PD故障診斷模型。本文提出的集成模型的基學習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用于學習PD全局特征,;XGBoost則進一步增強了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1,,金寶權(quán)1,,姜自超1,劉俊峰2
(1.廣東電網(wǎng)有限責任公司茂名供電局,,廣東 茂名 525000,;
2.華南理工大學 自動化科學與工程學院,,廣東 廣州 510641)