近年来，数据驱动的人工智能模型在气体绝缘开关设备绝缘缺陷诊断方面取得了一些突破。然而，这些基于海量实验数据的模型难以在复杂工况和小样本条件下部署，使得现有的诊断方法难以在现场应用。
为了解决制约传统诊断方法应用的数据短缺问题和现有诊断模型难以现场应用的问题，电力设备绝缘国家重点实验室的王焰新、闫静、王建华、耿英三、刘志远等研究员在2022年第9期《电工学报》上撰文，提出了一种新型的小样本智能诊断GIS绝缘缺陷的域拮抗迁移卷积神经网络。该方法能够有效地学习可迁移特征，实现小样本GIS绝缘缺陷的高精度、稳健诊断。
作为输变电系统中的关键设备，气体绝缘开关设备的可靠运行是整个电力系统安全稳定运行的重要保证。为了保证GIS的可靠运行，采用了一系列的监测和诊断方法对GIS进行绝缘监测和故障诊断。
数据驱动的GIS绝缘缺陷诊断方法主要包括两个方面:①利用先进的信号处理手段，构建合理的故障表征信息，提取关键特征；②缺陷的模式识别分类。然而，传统的诊断方法，如支持向量机、人工神经网络等狭义模型，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限制。
随着人工智能技术的快速发展，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，已应用于GIS绝缘缺陷诊断，并取得了一些突破。但是，目前的方法都是建立在海量样本的前提下，假设训练样本和测试样本满足相同的概率分布。对于现场运行的GIS来说，一方面难以获得大量的缺陷样本；另一方面，数据的不断收集导致训练集和测试集不满足同分布的假设，阻碍了现有故障诊断方法的现场应用。
迁移学习作为一种新型的人工智能方法，旨在将在某一领域或任务中学习到的知识应用于不同但相关的领域，能够有效解决小数据量和样本不满足同一概率分布的问题。基于特征的迁移学习可以在源域和目标域之间找到相同的特征势空，在变压器智能保护、电机轴承故障诊断等领域取得了良好的效果。
为了解决传统的由海量样本训练的智能诊断方法难以在复杂工况和小样本情况下部署和应用的问题，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的研究人员提出了一种新型的抗域迁移卷积神经网络，用于小样本GIS的绝缘缺陷诊断，并在多个数据集上进行了验证。结果表明，该方法能够有效地学习迁移特征，实现小样本GIS绝缘缺陷的高精度、稳健诊断。
图1 GIS绝缘缺陷诊断框架为了提取优秀的故障特征，他们构建了自动优化的卷积神经网络，解决了现有卷积神经网络手工构建的复杂问题，有效提高了网络精度等性能。然后通过迁移学习实现源领域训练模型在目标领域的应用。在此过程中，将对抗训练引入卷积，通过min-max两人博弈学习类别差异和域不变特征，实现小样本g is绝缘缺陷诊断。在领域对抗训练中，引入两个领域分类器在决策边界和领域空之间进行匹配，实现了两个领域下更合适的特征匹配。
图2 GIS局部放电仿真模型研究组采用网络自搜索构建方法获得ASCNN。与其他人工构建的网络相比，不仅提高了源域的诊断精度，而且在相同的迁移策略下，显著提高了目标域的诊断精度，表明其能够有效地从故障样本中提取不变特征，为后续故障识别提供有力支持。此外，迁移学习的引入使得在海量样本下训练的诊断网络能够在小样本下部署，显著提高了复杂条件下和小样本下的诊断准确率，为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，域反迁移训练策略可以大大提高小样本的诊断精度，混淆矩阵结果表明其对表面放电诊断精度的提高效果最为明显。在领域对抗训练中引入两个领域分类器来对齐决策边界，可以实现更合适的特征对齐。
研究人员指出，与其他方法相比，这种方法在故障数据较少的情况下更加稳健有效。在实验室和现场实验中，该方法在目标域的诊断准确率分别为99.35%和90.35%，表明域反迁移卷积神经网络在现场小样本GIS绝缘缺陷诊断中具有明显的优势和广阔的前景。
本文编译自《电工技术学报》2022年第9期。论文题目是“基于域电阻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公司科技项目的支持。
