江蘇省電力有限公司南京工程學院、鎮江供電分公司研究員王菲菲、阮愛民、魏剛、孫海波在2019年第4期《電氣技術》上撰文指出，目前的局部放電故障分類算法大多是淺層學習算法，人工提取的特征直接影響分類結果。與淺層學習算法相比，深層學習具有更深層的結構，能夠自動從樣本中學習特征。卷積神經網絡是一種典型的深度學習算法。

本文的目的是研究卷積神經網絡在開關柜局部放電中的應用，證明深度學習結構能有效提高識別率。在本實驗中，采集了正常和故障聲音信號，經過特征提取后，將上述兩種聲音信號分為SVM模型和卷積神經網絡。實驗結果表明，與傳統的SVM方法相比，卷積神經網絡提高了語音識別的準確性。

在電力系統中，10kV金屬封閉型開關柜是直接面向用戶的電力設備。電力系統的安全運行與開關柜狀態密切相關。根據相關數據，絕緣劣化和接觸不良是開關柜的主要故障。在這些故障發生之前，會有局部放電。因此，通過對局部放電信號的有效監測，可以在開關柜的絕緣層劣化之前采取措施降低事故率。

目前，高電壓開關柜的故障檢測方法包括電氣測量和非電氣測量。電學測量方法主要有脈沖電流法、超高頻檢測法和無線電干擾電壓法。非電測量方法主要包括聲發射檢測法、光學測量法和紅外檢測法。與電測量方法相比，非電測量方法具有更強的抗電磁干擾能力。在非電測量方法中，超聲波應用范圍最廣，但超聲波衰減速度快，難以穿透設備的金屬外殼。因此，我們檢測的是聲音信號的低頻帶，即聽覺聲音信號的故障檢測。基于聲學特征量的診斷技術不需要觸摸設備，不干擾設備的正常運行，可以隨時采集信號，安裝方便。

與國外目前的研究狀況相比，我國的音頻在線監測技術起步較晚，但發展迅速。文學

圖1正常工作信號的時域波形和頻譜圖

圖2放電過程中信號的時域波形和頻譜圖

2個分類器(略)

目前，故障檢測中的分類主要基于成熟的淺層學習算法，如SVM算法。淺層學習是一種隱含層較少的神經網絡，算法結構簡單。深度學習的概念提出后，各行各業的學者開始將其應用到各個領域。本文嘗試將卷積神經網絡應用于深度學習算法中的開關柜局部放電檢測領域，證明深度學習比淺學習算法具有更高的識別率。與淺層學習相比，深層學習具有更深層的結構和更復雜的計算層次，因此在處理特征方面具有明顯的優勢。

圖3卷積神經網絡的結構圖

3實驗與分析(略)結論

實驗結果表明，與SVM相比，卷積神經網絡的故障識別率提高了1.81%，具有明顯的優勢。輸入相同的樣本數據，卷積神經網絡具有較高的識別率，證明了卷積神經網絡提取的特征比SVM提取的特征具有更高的識別率和更有效的分類。

實驗中選取的樣本數量較少，而卷積神經仍然達到了較高的分辨率，有效地證明了深度學習框架不依賴于樣本數量來提取特征。因此，可以得出結論，這種卷積神經網絡的深度學習結構在開關柜 PD故障檢測系統中具有研究意義。

然而，上述故障診斷系統仍然存在一定的缺陷，例如局部放電故障沒有詳細分類。將來，可以建立一個實驗平臺來模擬各種故障，并且可以使用各種檢測方法來進行聯合檢測。通過上位機對數據進行特征約簡和特征值優化，最后利用多分類器的結果進行信息融合。根據上述方法，可以進一步提高分類精度。