【《基于深度神经网络的局部放电诊断方法综述》3300字】

PAGE2基于深度神经网络的局部放电诊断方法综述目录TOC\o"1-3"\h\u261891.1.1深度神经网络算法 1322061.1.2基于DNN的局部放电诊断模型 36411.1.3结果与分析 7深度神经网络算法神经网络的前身是感知机，它是生物神经细胞的简单抽象，如图4-5(a)所示，通过中间的神经元学习得到输入和输出之间的线性关系，如式（4-9），然后通过神经元的激活函数得到最终结果，激活函数表示为式（4-10）。神经网络则在感知机的基础上进一步发展，模型中加入了隐藏层，并对激活函数进行了扩展，如图4-5(b)所示，更复杂的模型使得神经网络可以应用于更多较为复杂的情况。深度神经网络（DeepNeuralNetworks，DNN）则是由多个全连接层组成的神经网络，如图4-5(c)所示。（4-9）（4-10）(a)感知机(b)神经网络(c)深度神经网络图STYLEREF1\s4SEQ图\*ARABIC\s15神经网络的基本结构对于DNN而言，其神经网络层按位置的不同可以划分为三类：输入层、输出层和隐藏层，对于DNN局部结构而言，每层之间的关系也可以由式（4-9）和一个激活函数表示，DNN的前向传播算法即为将输入向量x与权重系数矩阵W和偏置向量b相结合进行运算，并从输入层开始层层向后推进到输出层，最后得出输出结果。计算步骤如下：1）输入总层数N，隐藏层和输出层所对应的权重系数矩阵W和偏置b，输入向量x，输出层记为；2）初始化；当n=2开始，计算式（4-11）（4-11）3）输出结果。DNN的前向传播算法确定了输出的计算，但权重系数矩阵W和偏置b的更新取决于DNN反向传播算法，其计算步骤如下：1）输入激活函数，损失函数L，迭代步长r，最大迭代次数s与停止迭代阈值，训练样本；2）当迭代次数从1开始至s时：（1）当i=1至m时：（a）初始化；当n=2开始至N时，计算式（4-1）；（b）当n=N-1开始至2时，反向计算损失，如式（4-12）和（4-13）；（4-12）（4-13）（2）当n=2开始至N时，根据式（4-14）和（4-15）重新计算和；（4-14）（4-15）（3）当W和b的变化小于停止迭代阈值时，结束迭代；3）输出权重系数矩阵W和偏置b。其中对于多分类问题的损失函数常由式（4-16）计算：（4-16）基于DNN的局部放电诊断模型根据前文的分析，本节分别将各波段下放电脉冲数、最大放电脉冲幅值和平均放电脉冲幅值占比作为放电类型识别的特征量，将开窗处理后各光谱波段下放电脉冲幅值分量的占比作为放电严重程度划分的特征量，基于DNN建立局部放电诊断模型，并根据模型训练结果对局部放电诊断效果进行评估。1）放电类型识别以基于多光谱放电脉冲数占比的放电类型识别为例，本节基于DNN的局部放电类型识别模型训练流程如下：=1\*GB3①构建DNN网络框架，设置6层网络结构，包括1层输入层、1层输出层和4层隐藏层，其中输入层和每层隐藏层神经元个数为512，输出层的神经元个数为3，并初始化网络权重。=2\*GB3②输入数据集，进行网络训练，用于模型训练的数据集是7个光谱波段下的放电脉冲数占比，样本容量为435，并按4:1的比例随机分配为训练集和测试集，其中训练集用于训练网络参数，测试集用于测试神经网络的鲁棒性。=3\*GB3③通过学习曲线、验证曲线、损失曲线及其收敛速度等判断神经网络训练效果。以多光谱放电脉冲数占比为特征量，用于放电类型识别的DNN网络参数设置如表4-7所示。利用平均脉冲幅值、最大脉冲幅值以及同时利用三种多光谱放电特征进行DNN模型训练实现放电类型识别的流程与放电脉冲数类似。表STYLEREF1\s4SEQ表\*ARABIC\s17用于放电类型识别的DNN网络参数网络参数数值/类型激活函数带泄露修正线性单元（LeakyReLU）损失函数交叉熵损失函数（CrossEntropyLoss）迭代次数200迭代步长0.001训练样本数435每批样本数（BatchSize）87每轮迭代训练样本数348学习曲线展示了模型在训练过程中随迭代次数增加对训练集的学习情况，验证曲线展示了每次迭代训练后模型在验证集的预测情况，曲线中得分情况表征了模型学习和预测的正确率。损失函数表征了模型预测值与实际目标的差距，损失值是模型预测值和真实值之间的误差。学习分数和验证分数越高、损失函数值越小，说明模型拟合的效果越好。以多光谱放电脉冲数、平均脉冲幅值和最大脉冲幅值这三种多光谱局部放电特征量为数据集进行DNN训练的学习曲线、验证曲线和损失曲线如图4-6所示。其中，(a-i),(b-i)和(c-i)分别为7个波段下放电脉冲数、平均脉冲幅值和最大脉冲幅值进行DNN训练的学习曲线，(a-ii),(b-ii),(c-ii)和(a-iii),(b-iii),(c-iii)分别为四种情况下的验证曲线和损失曲线。从图中可以看出，使用DNN进行局部放电类型识别正确率非常高，随着迭代次数的增加，使用上述三类多光谱局部放电特征量的识别正确率均为100%，损失值均下降至0。(a-i)学习曲线-脉冲数(a-ii)验证曲线-脉冲数(a-iii)损失曲线-脉冲数(b-i)学习曲线-平均幅值(b-ii)验证曲线-平均幅值(b-iii)损失曲线-平均幅值(c-i)学习曲线-最大幅值(c-ii)验证曲线-最大幅值(c-iii)损失曲线-最大幅值图STYLEREF1\s4SEQ图\*ARABIC\s16放电脉冲数、平均幅值、最大幅值和同时用三类特征量的放电类型识别(DNN)2）放电严重程度划分以沿面放电下的放电严重程度划分为例，本节基于DNN的放电严重程度评估模型训练流程如下：=1\*GB3①构建DNN网络框架，设置6层网络结构，包括1层输入层、1层输出层和4层隐藏层，其中输入层与每层隐藏层神经元个数为512，输出层神经元个数为3，并初始化网络权重。=2\*GB3②输入数据集，进行网络训练。其中，用于模型训练的数据集是7个光谱波段下经开窗处理后的放电脉冲幅值占比，样本容量为10800，并将数据集按8:2的比例随机分配为训练集和测试集，其中训练集用于训练网络参数，测试集用于测试神经网络的鲁棒性。=3\*GB3③通过学习曲线、验证曲线、损失函数值及其收敛速度等判断神经网络训练效果。沿面放电下，用于放电严重程度划分的DNN网络参数设置如表4-8所示。悬浮放电和尖端放电时的严重程度划分流程与沿面放电时类似。表STYLEREF1\s4SEQ表\*ARABIC\s18用于严重程度评估的DNN网络参数网络参数数值/类型激活函数带泄露修正线性单元（LeakyReLU）损失函数交叉熵损失函数（CrossEntropyLoss）迭代次数200迭代步长0.001训练样本数10800每批样本数（BatchSize）1080每轮迭代训练样本数8640沿面放电、悬浮放电和尖端放电三种放电类型下，以7个波段下放电脉冲幅值分量占比为特征量进行DNN训练所获取的学习曲线、验证曲线和损失曲线如图4-7所示。其中，(a-i),(b-i)和(c-i)分别为沿面放电、悬浮放电和尖端放电下基于DNN模型训练所得的学习曲线，(a-ii),(b-ii),(c-ii)分别为三种放电类型下的验证曲线，(a-iii),(b-iii),(c-iii)分别为三种放电类型下和损失曲线。从图中可以看出，随着迭代次数的增加，三种放电缺陷下的诊断结果趋于稳定，且模型训练的收敛速度也较快，放电严重程度评估效果优秀。其中，沿面放电和悬浮放电下基于DNN的放电严重程度评估正确率较高，分别为88.915%和82.635%；而尖端放电下的严重程度评估正确率为72.185%，虽识别效果不如另两种放电类型下的放电严重程度评估效果，仍属较好范畴。(a-i)学习曲线-沿面放电(a-ii)验证曲线-沿面放电(a-iii)损失曲线-沿面放电(b-i)学习曲线-悬浮放电(b-ii)验证曲线-悬浮放电(b-iii)损失曲线-悬浮放电(c-i)学习曲线-尖端放电(c-ii)验证曲线-尖端放电(c-iii)损失曲线-尖端放电图STYLEREF1\s4SEQ图\*ARABIC\s17沿面放电、悬浮放电和尖端放电的严重程度划分(DNN)结果与分析基于DNN的局部放电诊断结果如表4-9和4-10所示，可以看出，以多光谱放电脉冲数、最大脉冲幅值、平均脉冲幅值和同时将这三类多光谱局部放电特征量作为数据集进行放电类型识别，和以开窗后的放电脉冲幅值作为数据集进行放电严重程度划分，均具有良好的训练效果，尤其是放电类型划分，其正确率高达100%。表STYLEREF1\s4SEQ表\*ARABIC\s19基于不同放电特征的局部放电类型识别效果比较(DNN)放电特征正确率多光谱放电脉冲数占比100%多光谱平均脉冲幅值占比100%多光谱最大脉冲幅值占比100%表STYLEREF1\s4SEQ表\*ARABIC\s110三种缺陷下严重程度判别效果比较(DNN)放电类型正确率沿面放电88.915%悬浮放电82.635%尖端放电72.185%对于基于DNN的放电类型识别，以多光谱放电脉冲数、最大脉冲幅值、平均脉冲幅值和同时将这三类多光谱局部放电特征量作为数据集的识别正确率均为100%，损失值均降至0。并且以多光谱平均放电幅值为特征量进行DNN模型训练时学习曲线、验证曲线和损失曲线的收敛速度最快，表明虽然四种情况下的识别正确率都为100%，但以多光谱平均放电幅值为特征量进行DNN模型训练时的学习速度最快，识别效果最好。DNN算法是对数据集内部特征进行学