南京工程学院、江苏省电力有限公司镇江供电分公司的研究人员王菲菲、阮爱民、魏刚、孙海渤，在2019年第4期《电气技术》杂志上撰文（论文标题为“基于卷积神经网络的开关柜局部放电故障识别”）指出，目前的局部放电故障的分类算法大多是浅层学习算法，人工提取的特征直接影响分类结果。与浅层学习算法相对，深度学习具有更深的架构，能够自动从样本中学习特征，卷积神经网络是典型的深度学习算法。

本文旨在研究卷积神经网络在开关柜局部放电的应用，证明深度学习架构能够有效提高识别率。本实验共采集正常和故障两种可听声信号，将以上两类声音信号进行提取特征后，分别放入SVM模型和卷积神经网络中进行分类。实验结果表明，卷积神经网络比传统的SVM提高了声音识别的准确度。

电力系统中，10kV金属封闭式开关柜是直接面向用户的电力设备，电力系统的安全运行与开关柜的状态息息相关。根据相关资料显示，绝缘劣化和接触不良是开关柜的主要故障。而这些故障发生之前，会有局部放电现象。因此，通过对局部放电信号的有效监测，可以在开关柜的绝缘层发生劣化前采取措施，降低事故发生率。

目前，高压开关柜的故障检测方法有电测法和非电测法。电测法主要包括脉冲电流法、特高频检测法、无线电干扰电压法。非电测法主要有声发射检测法、光测法、红外检测法。非电测法与电测法比较，具有更强的抗电磁干扰能力。在非电测法中，超声波的使用范围最广，但是超声波衰减速度快，很难穿透设备的金属外壳。因此我们检测的是声波信号的低频段，即对可听声信号进行故障检测。基于声学特征量的诊断技术，不需要接触设备，不会干扰设备的正常运行，可以随时采集信号，方便安装。

对比国外的研究现状，我国的可听声在线监测技术起步较晚，但发展迅速。文献[3]提出一种基于语谱特征的开关柜局部放电检测算法，相比基于MFCC特征故障检测率提高2.5%，但由于特征选取单一，算法存在一定的认假率。文献[4]通过模糊C均值聚类和分裂层次法来构建完全二叉树，有效解决了传统一对一支持向量机与一对多支持向量机所存在的不可分等问题，更好地提高了局部放电诊断的效率。

但是由于支持向量机依赖人工构造特征，在处理环境特征复杂的场景（例如语音）时，错误率仍然较高。为此，本文提出一种基于多模态特征和卷积神经网络的高压开关柜的故障识别系统，并与基于支持向量机的检测系统进行对比。

1 局部放电的声信号表现及特点

开关柜在正常运行时存在机械振动，此时的声音信号为“嗡嗡”声，音量一般较小。而当开关柜开始出现局部放电现象时，在局部放电区域会出现“滋滋”的放电声，声音比“嗡嗡”的正常运行声稍大，并且随着放电程度的加深，最终会导致开关柜的绝缘层击穿。绝缘击穿时可以听到短暂尖锐的“啪嗒”声。因此，根据开关柜声音信号的音频特征变化，可判断出开关柜是否出现故障。

图1和图2为正常运行和故障运行时的时域波形和语谱图。在时域波形图中，设备正常运行时，波形平稳，发生局部放电故障时，幅值较之前增大，但是波形仍然保持平稳，而当绝缘层击穿时，信号幅值呈现瞬间增大又缓慢下降的趋势。

从语谱图可以看出，正常运行时频率分布均匀，而发生故障时信号频率突然增大又变小，此时语谱图颜色变浅，也就是说信号能量有所降低。由以上对比可知，正常运行和故障运行差异明显，因此可根据信号分析来判断设备的运行状态。

图1 正常运行信号的时域波形及语谱图

图2 放电时信号时域波形及语谱图

2 分类器（略）

目前故障检测中的分类大多还是沿用已经发展成熟的浅层学习算法，例如SVM。浅层学习是隐藏层比较少的神经网络，算法结构简单。在深度学习的概念被提出后，各界学者开始将其应用到各个领域。本文试图将深度学习算法中的卷积神经网络应用到开关柜局部放电检测领域，证明深度学习比浅层学习算法具有更高的识别率。相比于浅层学习，深度学习拥有更深的架构，计算层次也更加复杂，因此在处理特征方面具有明显的优越性。

图3 卷积神经网络的结构图

3 实验与分析（略）

结论

根据实验结果显示，卷积神经网络故障识别率相比于SVM提高了1.81%，具有明显的优越性。同样的样本数据输入，而卷积神经网络具有更高的识别率，证明在卷积神经中提取的特征比SVM提取的特征更有辨识度，更能有效分类。

本实验选取的样本数较少，卷积神经仍然达到了较高的分辨率，有效证明了深度学习架构不依赖样本数量提取特征。因此可以得出结论，卷积神经网络的这样深度学习架构在开关柜局部放电故障检测系统存在研究意义。

但以上的故障诊断系统仍然存在一定缺陷，例如局部放电的故障没有进行详细分类。未来可以建立实验平台模拟各种故障，采用多种检测方法联合检测，数据通过上位机进行特征降维和特征值优化，最后由多个分类器的结果进行信息融合。根据以上方法可进一步提高分类的准确率。