引言

氣體絕緣開關柜（Gas Insulated Switchgear, GIS）是電力系統的關鍵組成部分，其運行狀況對電力用戶的供電情況至關重要[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，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設備的穩定運行，也能夠極大程度上提高供電穩定性和可靠性[2-3]。

傳統機器學習的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）、人工神經網絡（Artificial Neural Networks, ANN）、XGBoost和BPNN等，此類方法模型結構較簡單，具有較高的計算效率。相比于傳統機器學習方法，深度學習方法在PD故障診斷中展示了更為卓越的表現，這主要得益于其深層次的網絡結構和眾多參數，使得模型具有更強的泛化能力和更高的識別準確率。其中基于卷積神經網絡（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網絡（1DCNN）和DenseNet的端到端的PD故障診斷模型，并在構成PD波形信號的原始一維時序樣本點上進行實驗，結果優于許多先進方法。許辰航等人[7]提出了一種基于深度殘差網絡的GIS局部放電模式識別方法，以解決傳統統計參數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，通常需要額外設計去噪算法對原始PD信號進行預處理，在處理含噪的復雜PD信號中存在較大局限性，依賴于人工設置去噪閾值（典型代表如小波去噪算法[10]）。此外，現有方法大多基于同種神經網絡模型設計，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合多個不同種類模型的預測進行故障診斷，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]展現出優秀的故障識別性能。

為解決上述問題，本文提出一種改進的殘差注意力自適應去噪網絡（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，借助深度結構自動獲取去噪閾值，避免人工設置去噪閾值產生的誤差。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模型結構的多樣性、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實驗平臺并設計四種缺陷模型以模擬GIS內部的放電過程。

本文詳細內容請下載：

http://www.cowatch.cn/resource/share/2000006212

作者信息：

廖曉青1，陳歷1，許建遠1，金寶權1，姜自超1，劉俊峰2

（1.廣東電網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）