西安交通大学考研，西安交通大学考研分数线
中国电工技术学会活动专区
CES Conference
阅读提示：本文约 1800 字
近年来，数据驱动的人工智能模型在气体绝缘组合电器（GIS）绝缘缺陷诊断上取得了一定突破。然而，这些以海量实验数据构建的模型难以部署到现场复杂工况和小样本条件下，导致现有诊断方法现场应用困难。为了解决现场制约传统诊断方法应用的数据匮乏难题和现有诊断模型现场应用困难的问题，电力设备电气绝缘国家重点实验室（西安交通大学）的研究人员王艳新、闫静、王建华、耿英三、刘志远，在2022年第9期《电工技术学报》上撰文，提出了一种新颖的域对抗迁移卷积神经网络用于小样本下的GIS绝缘缺陷智能诊断。该方法可以有效学习可迁移特征，实现小样本GIS绝缘缺陷的高精度、鲁棒性诊断。
气体绝缘组合电器（Gas-Insulated Switchgear, GIS）作为输变电系统中的关键设备，其可靠运行是整个电力系统安全、稳定的重要保障。为确保GIS可靠运行，一系列的监测和诊断方法被用于GIS绝缘监视和故障诊断。
以数据驱动的GIS绝缘缺陷诊断方法主要包括两个方面：①以先进的信号处理手段构造合理的故障表征信息并提取关键特征；②通过模式识别方法进行缺陷分类。然而，传统诊断方法，如支持向量机、人工神经网络等窄模型由于难以获得故障样本与故障信息之间的非线性表示而受到掣肘。
随着人工智能技术的飞速发展，深度学习方法，尤其是卷积神经网络因其强大的特征提取和分类能力，被应用于GIS绝缘缺陷诊断中，并取得了一定的突破。然而，目前的方法都建立在海量样本的前提下，并且假设训练和测试样本满足同一概率分布。对现场运行中的GIS而言，一方面难以获得海量缺陷样本，另一方面数据不断被收集导致训练和测试集不满足同分布假设，导致现有的故障诊断方法的现场应用受到掣肘。
作为一种新颖的人工智能方法，迁移学习旨在通过将某个领域或任务上学习到的知识（源域）应用到不同但相关的领域（目标域）中，能够有效解决数据量小和样本不满足同一概率分布的问题。基于特征的迁移学习由于能够找到源域和目标域相同的特征潜在空间，在变压器智能保护和电机轴承故障诊断等领域取得了良好的效果。
为解决传统以海量样本训练的智能诊断方法难以在现场复杂工况和小样本下部署应用的问题，受基于特征的迁移学习的启发，电力设备电气绝缘国家重点实验室（西安交通大学）的研究人员提出了一种新颖的域对抗迁移卷积神经网络，用于小样本GIS绝缘缺陷诊断，并在多个数据集下进行了验证。研究结果表明该方法可以有效学习可迁移特征，实现小样本GIS绝缘缺陷的高精度、鲁棒性诊断。
图1 GIS绝缘缺陷诊断框架
他们为提取优异的故障特征，构建了自动寻优卷积神经网络（Convolutional Neutral Networks, CNN），解决了现有卷积神经网络手动构建复杂的难题，有效提升了网络精度等多方面性能。然后，通过迁移学习实现源域训练模型在目标域的应用。此过程中，在卷积中引入对抗训练，通过最小-最大二人博弈来学习类别差异和域不变特征，实现小样本下的GIS绝缘缺陷诊断。在域对抗训练中引入两个领域分类器进行决策边界和域空间的匹配，实现了两个域下更合适的特征匹配。
图2 GIS局部放电仿真模型
研究团队采用网络自搜寻构建方法获得了ASCNN，与其他手动构建的网络相比，不仅提升了源域下的诊断精度，而且明显提升了同一迁移策略的目标域下的诊断准确率，表明其可以有效地从故障样本中提取不变特征，为后续的故障识别提供了强有力的支持。另外，迁移学习的引入使海量样本下训练的诊断网络能够部署到现场小样本下，显著提升了现场复杂工况和小样本下的诊断精度，为目前海量数据下构建的各种诊断网络的现场应用提供了有效途径。
图3 实验接线原理
他们表示，该域对抗迁移训练策略可大幅度提高小样本下的诊断准确率，混淆矩阵结果表明，其对沿面放电诊断准确率的提升效果最为明显。在域对抗训练中引入两个领域分类器进行决策边界的域对齐，能够实现更合适的特征对齐。
研究人员指出，与其他方法相比，该方法在故障数据量较少的情况下，具有更强的鲁棒性和有效性。在实验室和现场实验验证中，该方法在目标域下分别达到了99.35%和90.35%的诊断准确率，说明域对抗迁移卷积神经网络在现场小样本GIS绝缘缺陷诊断中具有显著的优势和广阔前景。
本文编自2022年第9期《电工技术学报》，论文标题为“基于域对抗迁移卷积神经网络的小样本GIS绝缘缺陷智能诊断方法”。本课题得到了国家电网有限公司科技项目的支持。
扫码参会 ACCES 2022
（点击上方文字，访问会议官网）
2022年9月16-18日 重庆市
中国电工技术学会
新媒体平台
学会官方微信
电工技术学报
CES电气
学会官方B站
CES TEMS
今日头条号
学会科普微信
新浪微博
抖音号
《电工技术学报》：010-63256949/6981 邮箱：dgjsxb@vip.126.com 《电气技术》：010-63256943 邮箱：dianqijishu@126.com 编务：010-63256994；订阅：010-63256817 广告合作：010-63256867/6838
西安交通大学考研(西安交通大学考研分数线)
未经允许不得转载：在线考研网 » 西安交通大学考研(西安交通大学考研分数线)
