《电子技术应用》
您所在的位置：首页 > 模拟设计 > 设计应用 > 基于残差注意力自适应去噪网络和Stacking集成学习的局部放电故障诊断
基于残差注意力自适应去噪网络和Stacking集成学习的局部放电故障诊断
电子技术应用
廖晓青1，陈历1，许建远1，金宝权1，姜自超1，刘俊峰2
1.广东电网有限责任公司茂名供电局；2.华南理工大学 自动化科学与工程学院
摘要： 针对传统局部放电（Partial Discharge， PD）故障诊断方法在处理复杂含噪PD信号存在局限性并依赖于人工去噪和专家经验，难以学习到PD特征多样化表达等问题，分别提出残差注意力自适应去噪网络（Residual Attention Adaptive Denoising Network， RAADNet）和基于Stacking集成学习的PD故障诊断模型。RAADNet基于残差网络结构设计，通过集成CAM注意力机制和软阈值函数实现自适应去噪；Stacking集成模型的基学习器分别由基于卷积神经网络的RAADNet、基于多头自注意力机制的Transformer以及基于Boosting集成策略的XGBoost多个差异化模型共同构建构成。实验结果表明，提出的RAADNet优于其他先进方法，识别准确率达到93.99%，Stacking集成模型则通过学习多样化特征表达，进一步提高模型性能，达到96.79%识别准确率。
中图分类号：TM85；TN91 文献标志码：A DOI: 10.16157/j.issn.0258-7998.245495
中文引用格式： 廖晓青，陈历，许建远，等. 基于残差注意力自适应去噪网络和Stacking集成学习的局部放电故障诊断[J]. 电子技术应用，2024，50(11)：66-73.
英文引用格式： Liao Xiaoqing，Chen Li，Xu Jianyuan，et al. Partial discharge fault diagnosis based on residual attention adaptive denoising network and stacking ensemble learning[J]. Application of Electronic Technique，2024，50(11)：66-73.
Partial discharge fault diagnosis based on residual attention adaptive denoising network and stacking ensemble learning
Liao Xiaoqing1，Chen Li1，Xu Jianyuan1，Jin Baoquan1，Jiang Zichao1，Liu Junfeng2
1.Maoming Power Supply Bureau of Guangdong Power Grid Co.， Ltd.； 2.School of Automation Science and Engineering， South China University of Technology
Abstract： To overcome the challenges posed by traditional Partial Discharge (PD) fault diagnosis methods, such as their inability to effectively process complex, noisy PD signals and their reliance on manual denoising and expert input, and the difficulty on learning diverse PD feature representations, this paper introduces two advanced solutions: Residual Attention Adaptive Denoising Network (RAADNet) and Stacking ensemble-based PD fault diagnosis model. RAADNet leverages a residual network framework integrated with a Channel Attention Module (CAM) and a soft thresholding function for adaptive noise reduction. The Stacking ensemble model comprises distinct base learners, including the RAADNet with convolutional neural network architecture, a Transformer featuring multi-head self-attention, and an XGBoost model that adopts a Boosting strategy. Experimental findings reveal that RAADNet surpasses competing advanced techniques, achieving an accuracy of 93.99%. The Stacking model further improves performance by leveraging diverse feature representations, reaching an accuracy of 96.79%.
Key words : gas insulated switchgear；partial discharge；Stacking ensemble learning；convolutional neural network；Transformer

引言

气体绝缘开关柜（Gas Insulated Switchgear, GIS）是电力系统的关键组成部分，其运行状况对电力用户的供电情况至关重要[1]。GIS的绝缘故障程度与局部放电（Partial Discharge, PD）的故障类型密切相关，因此对PD信号故障类型的检测和准确识别不仅能够有效保障GIS设备的稳定运行，也能够极大程度上提高供电稳定性和可靠性[2-3]。

传统机器学习的PD故障诊断方法主要包括：支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）、人工神经网络（Artificial Neural Networks, ANN）、XGBoost和BPNN等，此类方法模型结构较简单，具有较高的计算效率。相比于传统机器学习方法，深度学习方法在PD故障诊断中展示了更为卓越的表现，这主要得益于其深层次的网络结构和众多参数，使得模型具有更强的泛化能力和更高的识别准确率。其中基于卷积神经网络（Convolutional Neural Network，CNN）[4-6]及其变体（如ResNet[7]、DenseNet[8]、MobileNet[9]等）的模式识别方法在PD故障诊断领域中已取得显著成果。例如，Khan等人[5]和Fu等人[8]分別提出了基于一维卷积神经网络（1DCNN）和DenseNet的端到端的PD故障诊断模型，并在构成PD波形信号的原始一维时序样本点上进行实验，结果优于许多先进方法。许辰航等人[7]提出了一种基于深度残差网络的GIS局部放电模式识别方法，以解决传统统计参数分析方法识别准确率低的问题。高鹏等人[9]提出一种基于MobileNet的电缆PD识别方法，相比于传统方法，进一步提高了识别准确率。然而，上述方法并不具备去噪能力，通常需要额外设计去噪算法对原始PD信号进行预处理，在处理含噪的复杂PD信号中存在较大局限性，依赖于人工设置去噪阈值（典型代表如小波去噪算法[10]）。此外，现有方法大多基于同种神经网络模型设计，限制了模型对多样化PD故障特征的学习和捕捉能力，模型的泛化能力和识别精度仍有进一步提升空间。Stacking集成学习方法能够结合多个不同种类模型的预测进行故障诊断，从而学习到多样化故障特征表达，进一步提高PD故障识别准确率。该方法在许多研究成果中[11]展现出优秀的故障识别性能。

为解决上述问题，本文提出一种改进的残差注意力自适应去噪网络（Residual Attention Adaptive Denoising Network，RAADNet），通过集成通道注意力机制（Channel Attention Mechanism，CAM）和软阈值函数，借助深度结构自动获取去噪阈值，避免人工设置去噪阈值产生的误差。此外，为学习多样化特征表达并进一步提高对于PD故障诊断的识别准确率，提出一种改进的基于Stacking集成学习的PD故障诊断模型。本文提出的集成模型的基学习器由多个差异化模型RAADNet、Transformer以及XGBoost共同构建，其中RAADNet用于提取PD局部特征；Transformer用于学习PD全局特征；XGBoost则进一步增强了Stacking模型结构的多样性、泛化性并改善模型计算效率。此外，为保证实验可靠性，通过在高压实验室搭建PD实验平台并设计四种缺陷模型以模拟GIS内部的放电过程。


本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006212


作者信息：

廖晓青1，陈历1，许建远1，金宝权1，姜自超1，刘俊峰2

（1.广东电网有限责任公司茂名供电局，广东 茂名 525000；

2.华南理工大学 自动化科学与工程学院，广东 广州 510641）


Magazine.Subscription.jpg

此内容为AET网站原创，未经授权禁止转载。

相关内容