融合插值技术与轻量卷积神经网络:油纸变压器套管局部放电图像信号识别新方法

《Electronics》:Combining Interpolation Techniques and Lightweight Convolutional Neural Networks for Partial Discharge Image Signal Identification in Transformer Bushings Yi-Pin Hsu

【字体: 大 中 小 】 时间:2026年04月12日 来源:Electronics 2.6

编辑推荐:

  为解决小样本条件下油纸变压器套管局部放电(PD)识别精度低、现有轻量网络性能受限的问题,研究人员开展了融合Lanczos插值算法与轻量卷积神经网络(CNN)的研究。该方法在保持低计算复杂度的同时,将识别准确率从97%提升至99%以上,并在嵌入式系统中验证了其优良实时性能,为电力设备在线智能诊断提供了高效、可靠的解决方案。

  
在人工智能技术蓬勃发展的今天,稳定、可靠的电力供应是保障其高效运行的最关键基石。然而,电力系统中的核心设备,例如连接变压器与电网的油纸套管,其绝缘性能会随着时间推移,在电场、温度、湿度等多种环境与运行因素影响下逐渐劣化。绝缘劣化会引发局部放电(Partial Discharge, PD),这不仅可能导致设备自身故障,引发电压不稳甚至短路,更对整个电力系统的安全稳定运行构成重大威胁。因此,对油纸套管等关键设备进行局部放电的在线监测与绝缘缺陷的自动识别,是保障电力系统和人员安全的前沿课题。
尽管相位分辨局部放电(Phase-Resolved Partial Discharge, PRPD)模式作为一种成熟、稳定且数据要求相对较低的检测技术已被广泛采用,但传统的缺陷类型识别主要依赖基于人工经验的统计特征提取算法,在面对油纸套管局部放电信号的强随机性时,存在不稳定和局限性。近年来,深度学习,特别是卷积神经网络(Convolutional Neural Network, CNN)在局部放电模式识别领域展现出强大潜力。但深度学习通常需要海量的不同类型故障样本进行训练,而基于绝缘劣化的放电现象本身属于小概率事件,导致故障样本严重不足,这对需要大量数据进行训练的神经网络构成了巨大挑战。虽然已有研究团队针对小样本设计了微卷积神经网络结构,在保持较高实时性的同时达到了约97%的分类准确率,但其输入数据仍需降至28×28的分辨率,且在真实工业环境有限硬件资源下的可行性仍有待探索。如何在样本量小、计算资源受限的条件下,进一步提升识别精度并满足工业应用的实时性要求,成为了一个亟待解决的关键难题。
为此,本项发表在《Electronics》期刊上的研究,提出了一种创新的解决方案:将先进的Lanczos插值算法与一个轻量级CNN相结合,旨在攻克小样本、轻量化网络下的局部放电图像信号高精度识别难题。
研究人员开展此项研究,主要运用了以下几项关键技术方法:首先,引入了Lanczos重采样这一先进的数字信号处理插值算法,用于在信号下采样过程中保持清晰度并最小化混叠失真,从而在将高分辨率(如570×440)PRPD谱图下采样至28×28输入尺寸时,补偿信号失真。其次,构建并优化了一个专为小样本设计的轻量级CNN架构,用于自适应提取局部放电特征。然后,研究使用了一个公开的发电机局部放电相位模式数据集(包含电晕、内部和表面放电三种缺陷类型,共1857个PRPD谱)进行模型训练与验证,以模拟油纸套管放电信号。最后,将训练好的集成模型(Lanczos插值+轻量CNN)部署到搭载双核Arm Cortex-A9处理器的Zynq 7000系列嵌入式系统上,并利用板载的数模转换器(DAC)和模数转换器(ADC)模拟传感器信号输出与采集,完成了在真实硬件平台上的实现与性能验证。
3.1. 局部放电梯子集描述
研究使用了公开的发电机局部放电相位模式数据集,该数据集通过聚类分析将PRPD谱分为电晕、内部和表面放电三类。为匹配现有工业硬件中常见的50M采样率ADC规格,研究将原始高分辨率图像下采样至28×28。数据集按7:1.5:1.5的比例随机划分为训练集、验证集和测试集。
3.2. 数据仿真分析
在参数配置(批量大小为4,迭代500次,学习率0.0001,使用Adam优化器和ReLU激活函数)下,研究人员测试了所提方法(Lanczos+轻量CNN)的性能。评估指标包括准确率、精确率、召回率和F1分数。结果表明,所提方法在测试集上的整体准确率超过99%,且精确率、召回率和F1分数均超过99%,显著优于先前研究(直接下采样,准确率约97%)。为对比不同插值方法的效果,研究还模拟了双线性、双三次和B样条插值结合同一CNN的性能。结果显示,Lanczos方法表现最佳,双线性和双三次方法准确率约为98%,B样条方法约为97%。混淆矩阵分析进一步揭示,Lanczos方法仅在内部和表面放电信号间存在少量误判,而其他方法则存在更多的类别间混淆。
3.3. 在带有ADC和DAC的嵌入式系统中实现神经网络
为验证方法的实际应用可行性,研究在Zynq 7000嵌入式系统上实现了整个流程。利用DAC将不同放电类型的PRPD谱图数据转换为模拟信号输出,模拟传感器实测信号;随后利用ADC采集这些信号,并由部署在嵌入式系统上的神经网络进行识别。计算时间对比显示,所提的“Lanczos插值+轻量CNN”方案处理单张图像仅需49.67毫秒(其中插值15毫秒,神经网络推理34毫秒),速度快于ShuffleNetV2、MobileNetV2和ResNet-18等其他轻量网络。参数量和权重对比也表明,所提网络架构更为轻量。通过显著性图和特征图可视化,可以看出所提网络能更清晰地聚焦于与放电模式相关的关键区域。
3.4. 系统适用性与过拟合实验分析
为评估模型的鲁棒性和过拟合风险,研究在原数据集基础上添加了三种噪声(加性高斯噪声、均匀噪声、语音噪声)、10度左右旋转以及±5%信号偏移,共七种干扰条件。训练时每个样本随机施加一种干扰。测试结果表明,即使在多种干扰条件下训练和测试,所提方法仍能保持接近原有的高性能(准确率等指标接近99%),且混淆矩阵结果稳定,表明模型具有强鲁棒性且不存在过拟合风险。
综上所述,本研究成功提出并验证了一种融合Lanczos插值技术与轻量卷积神经网络的油纸套管局部放电图像识别新方法。该研究的主要结论与重要意义在于:首先,该方法有效解决了小样本条件下局部放电模式识别精度提升的难题,通过Lanczos插值补偿下采样信号失真,将识别准确率从基准的97%显著提升至99%以上。其次,所设计的网络在保持极高精度的同时,兼具结构简单、参数量少、计算成本低的优点,完美契合工业嵌入式设备资源受限的环境。最后,研究首次将该算法成功部署到真实的嵌入式硬件平台(Zynq 7000),并利用DAC/ADC完成了从信号模拟、采集到识别的全流程验证,证明了其在在线诊断系统中的实际应用可行性与优异的实时性能(约24帧/秒)。这项工作不仅为油纸套管等电力设备的绝缘缺陷早期预警提供了一种高效、可靠的智能诊断工具,也为小样本、轻量化条件下的其他类似工业图像识别问题提供了有益的技术参考和实现范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号