利用时频能量灰度图和改进的变分贝叶斯自动编码器对GIS中的部分放电模式进行识别

时间-频率能量灰度图与改进变分贝叶斯自编码器结合的GIS局部放电模式识别方法。通过D-AMP算法优化多噪声环境下的信号去噪，结合Hilbert-Huang变换构建二维时频能量灰度图，采用改进的变分贝叶斯自编码器（IVBAE）实现特征降维与分类不确定性量化。实验表明，该方法在金属微粒、悬浮电位和自由粒子三种典型缺陷分类中平均准确率达93.3%，较传统SVM、CNN和VAE提升8%-29%，并通过综合不确定性指数实现黑箱决策的可解释性分析。

　　
本文针对气体绝缘开关设备（GIS）局部放电（PD）检测中存在的噪声干扰强、特征冗余、分类可靠性不足等问题，提出了一套融合信号去噪、时频特征提取与深度学习分类的创新方法。该研究通过理论分析与实验验证，展示了在复杂噪声环境下对PD信号的高效处理能力，以及基于深度生成模型的不确定性量化优势。

### 一、研究背景与问题提出
GIS作为现代电力系统核心设备，其绝缘状态直接影响电网安全。局部放电作为绝缘劣化的早期预警信号，其检测面临两大技术瓶颈：
1. **信号质量差**：现场采集的UHF信号常包含高斯白噪声、窄带周期干扰等混合噪声，传统去噪方法（如小波变换、奇异值分解）在复杂噪声场景下效果不足
2. **特征选择困难**：传统方法依赖人工提取的统计参数（如脉冲数量、相位特征），存在主观性强、适应性差的问题
3. **分类可靠性低**：现有AI方法（CNN、VAE等）虽能实现自动化分类，但缺乏对模型不确定性的量化，难以评估诊断结果的置信度

### 二、创新方法体系
#### （一）信号去噪技术
采用近似消息传递算法（D-AMP）结合改进BM3D去噪器，解决传统方法在多噪声场景下的局限性：
1. **双通道降噪**：将信号分解为时域DCT和频域小波变换的联合特征，保留脉冲上升沿和幅度信息
2. **动态噪声建模**：通过Onsager修正项实时估计有效噪声分布，使迭代过程始终满足高斯假设，在保持信号完整性的同时提升去噪效率
3. **参数自适应优化**：通过误差传播模型确定最优采样率（0.5倍原始频率）和阈值系数（1.4），在200次实验验证中达到最佳降噪效果

#### （二）时频特征提取
构建三维能量分布图，经二维映射形成特征图像：
1. **HHT分解流程**：
- **信号包络提取**：通过Hilbert变换消除高频载波干扰，保留脉冲强度时变特征
- **经验模态分解（EMD）**：将包络信号分解为多个本征模态函数（IMFs），每个分量对应特定频段能量分布
- **瞬时频率计算**：基于相位导数分析，精确捕捉放电脉冲的频谱瞬态特性
2. **能量灰度图构建**：
- 计算各IMF分量的时频能量分布矩阵
- 经归一化（最小-最大值缩放）和线性映射（0-255灰度级）生成图像特征
- 通过局部窗口平均消除随机噪声，增强特征鲁棒性

#### （三）深度生成模型
设计改进变分贝叶斯自编码器（IVBAE），实现：
1. **混合特征编码**：
- 使用卷积神经网络提取空间局部特征（窗口尺寸3×3）
- 引入全局平均池化层压缩时频信息维度
2. **不确定性建模**：
- **重建不确定性**：计算图像像素级重构概率，定义置信度指标为1-重构概率
- **隐空间方差**：量化连续隐变量z的分布离散度
- **综合置信度**：通过加权平均（0.6+0.4）实现多维度不确定性融合
3. **聚类增强训练**：
- 分两阶段优化：预训练阶段（100轮）建立基础重构能力
- 细化阶段（200轮）引入聚类损失，强制同类样本在隐空间集聚

### 三、实验验证与结果分析
#### （一）去噪性能对比
在混合噪声（Gaussian+窄带干扰）场景下：
- D-AMP相比传统方法（小波变换、SVD）的ΔSNR提升11.8dB（Gaussian噪声）和10.7dB（窄带干扰）
- MSE降低至1.3×10?3，仅为SVD方法的1/3
- 保留关键特征：脉冲上升沿误差<5%，幅度恢复率>95%

#### （二）特征可视化验证
通过时频能量分布图（三维投影+二维灰度图）直观展示不同缺陷特征：
1. **金属尖端放电**：0.8-1.2GHz频段呈现连续垂直能量带，反映周期性放电特性
2. **悬浮电位放电**：1.0-1.5GHz周期性能量峰，与50Hz工频周期严格对应
3. **游离粒子放电**：0.5-2.0GHz随机分布斑点，呈现非周期、非定向特征

#### （三）分类性能评估
在600个真实样本（200×3类）测试中：
- IVBAE平均准确率93.3%，显著高于：
- SVM（72.2%）依赖人工特征组合
- CNN（82.2%）受限于局部特征捕捉
- 传统VAE（86.1%）缺乏聚类约束
- 对金属尖端和悬浮电位识别准确率>96%，对游离粒子达90.0%
- 高置信样本占比87.8%，其中金属尖端和悬浮电位达93.3%

#### （四）不确定性量化
建立双维度置信评估体系：
1. **重建置信度**：通过残差方差分析，确定噪声水平与图像保真度
2. **隐空间离散度**：计算z维度方差，值越小说明特征分布越集中
3. **综合指数**：U=0.6×U_rec+0.4×U_lat，当U>0.3时触发人工复核机制

### 四、技术优势与应用价值
1. **去噪模块创新**：
- BM3D改进：融合时域DCT与频域小波变换，保留脉冲前沿特征
- 动态噪声建模：通过Onsager修正项实现噪声分布的实时自适应
2. **特征工程突破**：
- 时频能量灰度图：将三维特征降维为2D图像，计算量降低60%
- 灰度映射算法：采用分段线性插值法，保留原始信号80%以上的边缘信息
3. **不确定性管理**：
- 双路径置信评估：结合图像重建质量与隐空间分布离散度
- 动态阈值控制：根据噪声水平自适应调整置信阈值（0.3-0.5）

### 五、工程应用展望
1. **在线监测系统**：
- 集成D-AMP去噪模块与IVBAE分类器
- 开发边缘计算架构，满足实时性要求（响应时间<50ms）
2. **智能诊断平台**：
- 建立多传感器数据融合机制（内置/外置传感器）
- 开发置信度可视化界面，实现分级报警（高/中/低置信度）
3. **标准化接口**：
- 定义统一的特征灰度图尺寸（256×256像素）
- 开发OPC UA协议适配层，兼容现有电力系统SCADA平台

### 六、研究局限与改进方向
1. **当前局限**：
- 隐空间聚类数目需人工预设（K=3）
- 跨设备迁移学习效果待验证
2. **改进计划**：
- 引入元学习机制自动优化K值
- 开发联邦学习框架支持多站点数据协同训练

本研究通过理论创新与工程实践的结合，为解决GIS局部放电检测中的噪声、特征和可靠性难题提供了系统性解决方案，其技术路径对其他高噪声场景（如工业设备状态监测）具有普适性价值。