郗晓光， 何金， 曹梦， 陈荣， 宋晓博， 李苏雅

(国网天津市电力公司电力科学研究院，天津 300384)

0 引 言

随着电力系统的发展，用电量不断增加，电网逐渐复杂化，电压等级也逐渐升高，电力系统的安全稳定运行面临着更大的挑战。

局部放电(Partial Discharge，PD)是引起高压设备故障的重要原因之一，长时间的PD累积会造成高压设备的一系列物理化学反应，加剧绝缘损坏，从而引起设备故障。PD状态检测是保障高压设备可靠运行的重要手段，而PD模式识别是局放检测的核心环节。近年来，国内外学者对于PD模式识别已经有了较深的研究，如神经网络、支持向量机(Support Vector Machine,SVM)等。神经网络诊断技术通过对故障样本的学习，以神经网络连接权值来表达所学故障诊断知识，具有对故障模糊匹配、相似归纳和联想记忆等能力[1]。SVM是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷方案,以获得最好的推广能力[2]。

然而由于变电站现场的电磁环境非常复杂，PD检测易受各种电磁干扰的影响。电磁干扰在多因素影响下，其特征是动态变化的，从而增大了电磁干扰辨识和抑制的难度，大大降低了传统的基于统计特征的模式识别方法的识别正确率，出现误报漏报的情况[3]。2006年，Hinton等人提出了用深度学习思想用于降噪处理[4]。深度学习其本质是通过构造含有多层隐含层的神经网络，将数据进行特征映射，获取数据深层本质信息，减少了人工特征提取的巨大工作量且提高了特征提取的信息量[5]。……