基于GADF和SE-MSCNN的GIS局部放电故障诊断

摘要

针对气体绝缘组合电器(gas insulated switchgear, GIS)局部放电信号特征提取依赖人工经验、难以全面表征数据分散性与复杂性全貌的问题，提出一种基于格拉姆角差场(gramian angular difference field, GADF)和融合注意力机制的多尺度卷积神经网络(squeeze excitation-multi-scale convol-utional neural network, SE-MSCNN)的故障诊断模型。该方法首先对实验采集的四种典型缺陷特高频(UHF)信号进行归一化与极坐标编码，利用GADF将其转化为二维灰度图像作为模型前置输入；继而构建多尺度卷积神经网络，通过并行采用最大池化与平均池化层从不同尺度提取深层特征，并引入注意力机制对各通道特征进行自适应权重校准，以强化关键信息表征；最后通过全连接层实现多尺度特征融合，并利用Softmax分类器完成故障类型识别。为验证模型有效性，搭建了GIS局部放电故障检测试验平台，采集四种缺陷工况下的UHF信号并构建图像数据集。理论与实验结果表明：基于GADF变换生成的二维图像对不同放电缺陷良好的区分效果；所提SE-MSCNN模型在测试集上的诊断准确率达到98.75%,较传统方法具有更优的特征提取能力与分类性能，实现了对GIS局部放电故障的有效诊断。

关键词

气体绝缘组合电器 / 局部放电 / 特高频 / 格拉姆角场 / 多尺度卷积神经网络 / 故障诊断