利用深度学习进行地下电力电缆系统的预测性维护

地下电力电缆系统比架空电缆更不容易受到暴风雨、闪电、野火、冰暴和其他不利天气事件的影响。然而，它们的修复成本更高，而且故障更难查明和恢复。如果不被发现，电缆缺陷可能会导致停电并对公众造成危险。

根据IEEE，地下电缆系统中大约90%的故障与局部放电(PD)，当电缆内的电场超过介电绝缘的承受能力时发生的一种现象。当被激活时，PD会产生高频信号——通常，振幅小于100毫伏。由于这些信号是介电劣化和最终故障的症状，因此早期检测它们可以阻止意外的电缆故障，并允许在故障发生之前进行修复。

在IMCORP，我们使用MATLAB^®设计和训练深度学习网络，加速和自动化检测和表征PD信号的过程。这些网络不仅检测PD信号;他们还确定了PD在电缆中的大致位置，产生它的缺陷类型及其严重程度(图1)。

以往的PD分析方法

我们遵循行业标准的质量控制，用于制造商的PD测试，在测试中，将高于正常水平的电压应用于地下电缆和带有模数转换器(ADC)的耦合器，以捕捉高频时间序列信号。在过去，分析人员手动处理捕获的信号，寻找表明PD存在的模式。这个过程既乏味又缓慢，有时会产生不一致的结果和误报。为了简化分析师的工作，我们实现了去噪和其他数字信号处理算法，但这个过程仍然是高度主观的——即使是训练有素、经验丰富的分析师，有时也会对同一个信号得出不同的结论。

最近，我们开始使用机器学习来自动分类捕获的信号。我们在MATLAB中从信号数据中提取特征，使用信号处理算法计算信号峰值之间的时间和PD分析中常用的其他特征(图2)分类学习者App使用各种方法训练和评估分类模型，包括逻辑回归、支持向量机分类、随机森林分类和集成学习。随机森林模型对PD信号的分类准确率为90%。其他模型表现稍好，准确率约为92%。虽然这些结果很有希望，但我们决定探索深度学习，看看它是否会提高分类精度。

基于深度学习的PD信号分类

我们应用了两种不同的方法对深度学习网络的PD信号进行分类。首先，我们使用我们在机器学习模型中使用的许多提取的特征来训练神经网络。该网络是在一个包含24个特征的400多万个标记实例的数据集上进行训练的。在第二种方法中，我们直接在我们团队之前分析和标记的近100万个时间序列信号上训练长短期记忆(LSTM)网络(图3)。由于我们在深度学习方面的经验有限，我们与MathWorks顾问合作，他们帮助我们应用我们的领域专业知识来设计和训练神经网络和LSTM深度网络设计器App．

经过超参数优化后，这两个网络对PD信号的分类准确率都达到了95%左右，比机器学习模型有了很大的改善。为了进一步提高精度，我们利用小波变换和快速傅里叶变换对时间序列数据进行增强。我们看到在准确度上有一个小的提高(大约0.1%)。目前正在MATLAB中进行进一步的模型设计和优化。

PD定位和类型识别的深度学习

对于项目的第二阶段，从电缆内的绝缘缺陷识别PD源的位置，我们训练了两个LSTM网络。其中一个经过训练，可以将PD源分为10个可能的位置范围(等长电缆段)中的任何一个，另一个分为20个不同的位置范围。两种模型的最大准确度均大于94%。我们训练了这两个网络，因为我们想看看随着分割的增加，模型的准确性是否保持不变。在大约20段之后，准确率开始下降。

最后，我们训练了一个深度学习网络来确定产生PD的缺陷类型。PD最常见的原因是工艺、操作和制造。典型的局部放电缺陷类型包括“终端局部放电”、“电气树状”、“空洞”、“界面局部放电”和“外部局部放电”(图4)。其中，电气树状缺陷造成电缆系统故障的风险最高。

为了分类缺陷类型，我们分析了来自单个缺陷的PD信号，并生成了编码的相位分辨部分放电(PRPD)图。PRPD图中的模式取决于缺陷的类型:例如，电气树缺陷的PRPD图与空洞缺陷的PRPD图看起来不同。

对于项目的这一部分，我们使用了ResNet-50，这是一个50层卷积神经网络(CNN)，经过100多万张图像的预训练。我们用超过3390个PRPD图的数据集重新训练CNN。然后，它能够对电缆缺陷类型进行分类，准确率超过96%。

改进计划

我们的深度学习网络提供的结果可以与训练有素的信号分析师的准确性相媲美。它们还提供了更一致的质量水平，以及在复杂数据集上节省高达500%的分析和解释时间。因此，我们的分析师在单调的信号分析任务上花费的时间更少，可以专注于其他同样重要的任务。

最终，我们希望我们的深度学习网络能够近乎实时地执行分类，以便现场技术人员能够在数据捕获后很快看到结果，并在需要时重新运行测试。我们也在努力扩大我们的培训数据集。IMCORP拥有世界上最大的PD信号数据库之一，在多年的测试中捕获了超过1.2亿种波形。我们计划使用这些数据和MATLAB的Databricks接口，在云中实现深度学习模型的大规模训练。