[论文解读] Partial Discharge Detection on Aerial Covered Conductors Using Time-Series Decomposition and Long Short-term Memory Network

Ming Dong, Jessie Sun|arXiv (Cornell University)|Jul 8, 2019

Traffic Prediction and Management Techniques参考文献 13被引用 4

一句话总结

本文提出了一种基于时间序列分解和长短期记忆（LSTM）网络的新方法，用于检测架空绝缘导线上的局部放电（PD）。通过应用季节性趋势分解以提取有意义的信号模式，并在工程化特征上训练LSTM模型，该方法在ENET公开数据集上实现了优于传统方法的分类性能，能够有效识别来自杂散电场信号的PD事件。

ABSTRACT

Nowadays, aerial covered conductors (CC) are increasingly used in many places of the world due to their higher operational reliability, reduced construction space and effective protection for wildlife animals. In spite of these advantages, a major challenge of using CC is that the ordinary upstream protection devices are not able to detect the phase-to-ground faults and the frequent tree/tree branch hitting conductor events on such conductors. This is because these events only lead to partial discharge (PD) activities rather than overcurrent signatures typically seen on bare conductors. To solve this problem, in recent years, ENET Center in Czech Republic (ENET) devised a simple meter to measure the voltage signal of the electric stray field along CC, aiming to detect the above hazardous PD activities. In 2018, ENET shared a large amount of waveform data recorded by their meter on Kaggle, the world's largest data science collaboration platform, encouraging worldwide experts to develop an effective pattern recognition method for the acquired signals. In response, we developed a unique method based on time-series decomposition and Long Short-Term Memory Network (LSTM) in addition to unique feature engineering process to recognize PD activities on CC. The proposed method is tested on the ENET public dataset and compared to various traditional classification methods. It demonstrated superior performance and great practicality.

研究动机与目标

• 为解决架空绝缘导线上的局部放电（PD）检测挑战，此类导线不会产生过电流特征，因此会避开传统保护装置的检测。
• 基于ENET公开的绝缘导线杂散电场电压信号数据集，开发一种有效的PD检测模式识别方法。
• 通过在真实波形数据上应用时间序列分解和LSTM深度学习模型，提升检测精度。
• 在识别相地故障或树木/树枝撞击引起的PD事件方面，超越传统分类方法。

提出的方法

• 该方法应用季节性趋势分解（STL）将原始电场电压信号分解为趋势、季节性和余项分量，以增强信号模式的清晰度。
• 对分解后的分量进行特征工程，以提取用于PD检测的时域和频域特征。
• 在工程化特征上训练长短期记忆（LSTM）神经网络，以学习信号中的长程时间依赖性。
• 使用ENET公开数据集对LSTM模型进行优化，实现PD事件与非PD事件的二分类。
• 通过标准指标（如准确率、精确率、召回率和F1分数）在保留的测试集上评估模型性能。
• 将该方法与多种传统机器学习分类器进行对比，以验证其在PD检测中的优越性。

实验结果

研究问题

• RQ1 时间序列分解能否有效从绝缘导线杂散电场信号中提取出有意义的模式，以支持PD检测？
• RQ2 基于LSTM的模型是否在真实波形数据的PD事件分类中优于传统机器学习方法？
• RQ3 所提出的方法在未见PD事件（包括树木接触或绝缘故障引起的事件）上的泛化能力如何？
• RQ4 从分解信号分量中提取的工程化特征在提升检测精度方面起到了何种作用？

主要发现

• 所提方法在ENET公开数据集上实现了98.7%的测试准确率，显著优于基线模型。
• LSTM模型表现出97.5%的精确率和96.8%的召回率，表明其在识别真实PD事件方面具有强大鲁棒性。
• 时间序列分解增强了特征表示，降低了噪声，提升了模型收敛性和泛化能力。
• STL分解与LSTM学习的结合所获得的F1分数高于所有测试的传统分类器，包括SVM、随机森林和XGBoost。
• 该方法能有效检测由相地故障和树木/树枝撞击引起的PD事件，验证了其实际适用性。