摘要：本文聚焦电力工程领域，深入探讨基于深度学习的变压器局部放电模式识别技术。阐述变压器局部放电的危害及传统识别方法的局限，分析深度学习在该领域应用的可行性。详细介绍多种基于深度学习的变压器局部放电模式识别模型及方法，如结合生成对抗网络的数据增强、图卷积网络与虚拟对抗训练的半监督识别、知识蒸馏与图神经网络的增量学习策略等。通过实际案例验证这些方法的有效性，结果表明深度学习技术能显著提高变压器局部放电模式识别的准确率和效率，为电力工程中变压器的状态监测和故障诊断提供有力支持。

关键词：电力工程；变压器；局部放电；深度学习；模式识别

一、引言

近年来，深度学习技术凭借其强大的特征学习和模式识别能力，在图像识别、语音识别、自然语言处理等众多领域取得突破性进展。深度学习通过构建具有多个层次的神经网络模型，能够自动从大量数据中学习复杂的数据特征和模式，无需人工手动提取特征，大大提高了模型的准确性和泛化能力。将深度学习技术引入变压器局部放电模式识别领域，为解决传统方法面临的困境提供了新思路和新方法。深度学习模型可对海量局部放电数据进行深度分析和学习，挖掘数据中隐藏的特征和规律，实现对不同类型局部放电模式的准确识别和分类，有效提高故障诊断的及时性和准确性，为变压器状态监测和故障预警提供可靠技术支持，推动电力行业向智能化、高效化方向发展。因此，开展基于深度学习的变压器局部放电模式识别技术研究及应用具有重要的理论意义和实际应用价值。

二、基于深度学习的变压器局部放电模式识别模型与方法

2.1 结合生成对抗网络的数据增强方法

在实际应用中，变压器局部放电数据存在类别不平衡和标签缺失的问题，这严重影响了深度学习模型的训练效果和识别精度。为解决这些问题，可采用基于生成式对抗网络（GAN）的数据增强方法。传统GAN由生成器和判别器组成，通过二者对抗训练生成与真实数据相似的样本。但传统GAN在生成局部放电数据时，存在生成样本质量不高、类别分布不均衡等问题。

改进的GAN通过改进判别器和生成器，增强模型的生成能力。在生成器中，引入附加标签信息，实现按类别扩充样本的功能。例如，在生成局部放电相位分布图谱（PRPD）数据时，根据不同放电类型（如尖端放电、油中气隙放电、悬浮放电、沿面放电和油隙放电等）的标签信息，生成相应类别的样本，使生成的数据类别分布更加均衡。同时，通过优化生成器的网络结构，如增加卷积层和全连接层的神经元数量，提高生成样本的质量和多样性。实验结果表明，与传统方法相比，所提方法生成的样本质量更高，能够有效改善深度模型对少数类放电缺陷的识别能力。

2.2 图卷积网络与虚拟对抗训练的半监督识别方法

针对无标签局部放电数据的利用问题，可采用基于图卷积网络（GCN）和虚拟对抗训练（VAT）的半监督识别方法。GCN是一种用于处理图结构数据的神经网络模型，它能够考虑节点之间的局部空间相邻性和特征相似性。在变压器局部放电模式识别中，将PRPD图谱看作图结构数据，其中每个数据点作为节点，节点之间的相似性作为边。通过GCN可以挖掘PRPD图谱中的局部结构信息和特征关系。

VAT是一种半监督学习策略，它通过对输入数据添加微小的扰动，使模型在扰动前后的输出保持一致，从而提高模型对无标签数据的利用能力。将VAT和伪标签（PL）策略融合到GCN中，将无标签样本纳入到特征挖掘过程中。具体来说，首先利用少量有标签样本训练GCN模型，然后对无标签样本进行预测，将预测结果作为伪标签。接着，通过VAT对无标签样本添加扰动，使模型在扰动前后的输出与伪标签尽可能一致，从而不断优化模型参数。这一创新性方法有效解决了传统研究中对无标签样本利用不足的问题，显著减少了对有标签样本的需求量。实验结果显示，通过利用无标签样本，该方法的识别率相比传统方法提升了 6%-14% ，大幅降低了人工标注现场放电缺陷的时间和人力成本。更重要的是，该方法在处理来源复杂的现场变压器和电抗器局部放电数据时表现出高度的可靠性，进一步验证了其在实际应用中的价值。

2.3 知识蒸馏与图神经网络的增量学习策略

考虑到局部放电数据的流式特性以及深度识别模型的增量更新需求，可采用结合知识蒸馏和图神经网络（GNN）的增量学习策略。知识蒸馏是一种将大型模型（教师模型）的知识迁移到小型模型（学生模型）的技术，通过让学生模型学习教师模型的输出分布，使学生模型在保持较小规模的同时，具有接近教师模型的性能。

在变压器局部放电模式识别中，当有新的局部放电数据加入时，首先利用已有的深度模型（教师模型）对新增数据进行预测，然后将预测结果作为软标签指导学生模型（基于GNN构建）的训练。GNN能够处理图结构数据，对于局部放电数据中的复杂关系具有较好的建模能力。通过知识蒸馏，学生模型可以快速学习到新增数据的特征和模式，实现深度模型的增量更新。实验结果证明，该方法无需重新训练即可快速学习新增的局部放电数据，且显存占用仅为重新训练的 32.1% ，这对于实际部署场景下的深度模型自更新和自维护具有重要意义。

三、实际案例分析

某电力研究机构针对电力变压器局部放电模式识别问题，开展了基于改进GAN和KSMNet模型的研究。首先，该机构通过搭建局部放电模拟实验系统，构建了包含尖端放电、油中气隙放电、悬浮放电、沿面放电和油隙放电等五种典型缺陷的局部放电样本库。在构建样本库过程中，不同于传统局部放电模拟实验中直接给缺陷模型通电的方法，该机构在变压器工作状态下进行局部放电模拟实验，所采集的放电数据可以真实反映局部放电的模式特性。

然后，采用基于改进GAN的数据增强方法对样本库进行扩充，解决数据类别不平衡问题。接着，设计了基于卷积神经网络的KSMNet模型，该模型创新性地融合了残差语义特征关联模块（RSSC）、基于Mamba的语义特征提取模块（SSVM）和分类结果集合模块（TKAN）。其中，SSVM模块通过状态空间建模捕获全局语义依赖关系，TKAN模块采用非线性激活级联提升分类性能。

在实际测试中，将该模型应用于某变电站的变压器局部放电模式识别。通过与传统脉冲电流法和未使用数据增强的深度学习模型进行对比，结果表明，基于改进GAN和KSMNet模型的方法识别准确率达到了 95% 以上，比传统脉冲电流法提高了约 20% ，比未使用数据增强的深度学习模型提高了约 10% 。同时，该模型对少数类放电缺陷的识别能力也显著提高，有效解决了数据类别不平衡对识别精度的影响。

四、结论与展望

本文深入探讨了电力工程中基于深度学习的变压器局部放电模式识别技术。通过分析变压器局部放电的危害和传统识别方法的局限，阐述了深度学习在该领域应用的必要性和可行性。详细介绍了多种基于深度学习的变压器局部放电模式识别模型与方法，包括结合生成对抗网络的数据增强方法、图卷积网络与虚拟对抗训练的半监督识别方法、知识蒸馏与图神经网络的增量学习策略以及基于深度-广度联合剪枝的模型结构优化设计方法等。通过实际案例分析，验证了这些方法在提高变压器局部放电模式识别准确率和效率方面的有效性。

未来，随着深度学习技术的不断发展和电力工程对设备状态监测要求的提高，基于深度学习的变压器局部放电模式识别技术将朝着以下几个方向发展。一是进一步优化深度学习模型结构，提高模型的识别性能和泛化能力，降低模型对数据质量和数量的依赖。二是加强多源数据融合研究，将变压器局部放电数据与温度、振动等其他监测数据相结合，提供更全面的设备状态信息，提高故障诊断的准确性。三是推动深度学习模型在电力工程实际中的广泛应用，实现变压器局部放电的实时监测和智能诊断，为电力系统的安全稳定运行提供更有力的保障。

参考文献

[1]电气工程.基于深度学习的高压输电电缆局部放电模式识别方法[D].2024.

[2]张翼.基于深度学习的变压器局部放电识别及其增量学习策略[D].华北电力大学（北京），2023.

[3]陈勇，王永君，郝乾，等.基于深度学习的GIS设备局部放电模式识别方法：

[4]王婷婷，丁浩，张周胜.基于深度学习和多模型融合的局部放电模式识别方法[J].电力工程技术，2023，42（3）：188-195.

[5]王婷婷，丁浩，张周胜.基于深度学习和多模型融合的局部放电模式识别方法 [J].ElectricPowerEngineeringTechnology，2023，42（3）.