基于双分类器的无监督领域对抗性部分放电识别模型，用于SF6和C4F7N/CO2/O2气体绝缘开关设备

《IEEE Transactions on Power Delivery》：An Unsupervised Domain Adversarial Partial Discharge Recognition Model Based on Dual Classifiers for SF6 and C4F7N/CO2/O2 GIS

部分放电类型识别对GIS稳定运行至关重要。当C4F7N/CO2/O2混合气体替代SF6时，传统模型识别准确率显著下降。本文通过时频域分析对比两种气体的PD信号特征，构建了包含编码器、双分类器和域判别器的DCUDA模型，采用对抗训练最大化跨域共享特征，仅需少量目标域数据即可实现SF6（99.99%）和混合气体（99.81%）的高精度识别。

　　

摘要：

准确识别气体绝缘开关设备（GIS）中的局部放电（PD）类型对电网的稳定运行至关重要。作为一种环保型气体，C4F7N/CO2/O2有望在未来取代GIS中的SF6。然而，当使用现有的PD识别模型来检测C4F7N/CO2/O2气体混合物时，识别精度会显著下降。本文在时域和频域比较了SF6气体与C4F7N/CO2/O2气体混合物的PD信号，并可视化了编码器提取的高维特征。此外，本文提出了一种双分类器无监督域对抗（DCUDA）PD识别模型。具体而言，DCUDA模型由三个主要部分组成：编码器、两个分类器和一个域鉴别器。DCUDA模型通过对抗训练来最大化源域和目标域之间的特征共享，且仅需少量的C4F7N/CO2/O2气体混合物PD数据进行训练。实验结果表明，在混合输入超高频（UHF）信号和超声波（UL）信号的情况下，DCUDA模型在SF6气体和C4F7N/CO2/O2气体混合物中的识别精度分别达到了99.99%和99.81%，为未来C4F7N/CO2/O2气体混合物GIS的PD识别提供了重要的理论和技术参考。