江苏省电力有限公司南京工程学院、镇江供电分公司研究员王菲菲、阮爱民、魏刚、孙海波在2019年第4期《电气技术》上撰文指出，目前的局部放电故障分类算法大多是浅层学习算法，人工提取的特征直接影响分类结果。与浅层学习算法相比，深层学习具有更深层的结构，能够自动从样本中学习特征。卷积神经网络是一种典型的深度学习算法。

本文的目的是研究卷积神经网络在开关柜局部放电中的应用，证明深度学习结构能有效提高识别率。在本实验中，采集了正常和故障声音信号，经过特征提取后，将上述两种声音信号分为SVM模型和卷积神经网络。实验结果表明，与传统的SVM方法相比，卷积神经网络提高了语音识别的准确性。

在电力系统中，10kV金属封闭型开关柜是直接面向用户的电力设备。电力系统的安全运行与开关柜状态密切相关。根据相关数据，绝缘劣化和接触不良是开关柜的主要故障。在这些故障发生之前，会有局部放电。因此，通过对局部放电信号的有效监测，可以在开关柜的绝缘层劣化之前采取措施降低事故率。

目前，高电压开关柜的故障检测方法包括电气测量和非电气测量。电学测量方法主要有脉冲电流法、超高频检测法和无线电干扰电压法。非电测量方法主要包括声发射检测法、光学测量法和红外检测法。与电测量方法相比，非电测量方法具有更强的抗电磁干扰能力。在非电测量方法中，超声波应用范围最广，但超声波衰减速度快，难以穿透设备的金属外壳。因此，我们检测的是声音信号的低频带，即听觉声音信号的故障检测。基于声学特征量的诊断技术不需要触摸设备，不干扰设备的正常运行，可以随时采集信号，安装方便。

与国外目前的研究状况相比，我国的音频在线监测技术起步较晚，但发展迅速。文学

图1正常工作信号的时域波形和频谱图

图2放电过程中信号的时域波形和频谱图

2个分类器(略)

目前，故障检测中的分类主要基于成熟的浅层学习算法，如SVM算法。浅层学习是一种隐含层较少的神经网络，算法结构简单。深度学习的概念提出后，各行各业的学者开始将其应用到各个领域。本文尝试将卷积神经网络应用于深度学习算法中的开关柜局部放电检测领域，证明深度学习比浅学习算法具有更高的识别率。与浅层学习相比，深层学习具有更深层的结构和更复杂的计算层次，因此在处理特征方面具有明显的优势。

图3卷积神经网络的结构图

3实验与分析(略)结论

实验结果表明，与SVM相比，卷积神经网络的故障识别率提高了1.81%，具有明显的优势。输入相同的样本数据，卷积神经网络具有较高的识别率，证明了卷积神经网络提取的特征比SVM提取的特征具有更高的识别率和更有效的分类。

实验中选取的样本数量较少，而卷积神经仍然达到了较高的分辨率，有效地证明了深度学习框架不依赖于样本数量来提取特征。因此，可以得出结论，这种卷积神经网络的深度学习结构在开关柜 PD故障检测系统中具有研究意义。

然而，上述故障诊断系统仍然存在一定的缺陷，例如局部放电故障没有详细分类。将来，可以建立一个实验平台来模拟各种故障，并且可以使用各种检测方法来进行联合检测。通过上位机对数据进行特征约简和特征值优化，最后利用多分类器的结果进行信息融合。根据上述方法，可以进一步提高分类精度。