冲击电压老炼过程中深度学习的应用与分析

作者： 国自电气 时间：2024-08-25 09:18:20 阅读：26

1，模型优化

    深度学习模型1 和2 分别通过时间提取范围为0～400 μs 和0～200 μs 的击穿电压电流波形样本进行真空击穿机制甄别的训练和测试，而深度学习模型2 进行真空击穿机制甄别的效果优于深度学习模型1，这表明使用时间提取范围为0～200 μs 的击穿电压电流波形样本进行真空击穿机制甄别的训练和测试优于使用时间提取范围为0～400 μs 的击穿电压电流波形样本。击穿电压电流典型波形对比分析示意图如图所示。由图可知，时间提取范围为0～200 μs的击穿电压电流波形样本放大了击穿前过程，突出了击穿前电压电流波形特征，提高了深度学习模型在提取电压电流波形特征时击穿前电压电流特征的占比。从物理过程分析，击穿前电压电流波形特征是区分不同真空击穿机制的关键，而击穿前过程均发生在200 μs 内，深度学习模型2 也正是通过时间提取范围为0～200 μs 的击穿电压电流波形样本进行甄别训练和测试，从而取得了更优异的效果。

    深度学习模型使用时间提取范围为0～200 μs的击穿电压电流波形样本进行真空击穿机制甄别的训练与测试已经达到了87.99%的高准确率，若要进一步提升，可以考虑对击穿电压电流波形样本进一步改进。一种击穿电压电流波形样本的改进方案示意图如图所示。时间提取范围为0～200 μs 的击穿电压电流波形样本仍未能准确地定位至击穿时刻，这使得深度学习模型在提取电压电流波形特征时尚未最大化击穿前电压电流波形特征的占比，若对击穿电压电流波形样本进行图像处理以准确地定位至击穿时刻，则能够提高深度学习模型在提取电压电流波形特征时的击穿前过程电压电流波形特征占比。该算法仍需进一步的研究。

2，工程应用

在工程应用中，冲击电压老炼技术常被用于提升真空断路器的耐压水平。冲击电压老炼过程包含一系列击穿过程，并存在真空击穿机制的转换，老炼不同阶段所主导的击穿机制具有规律的演化趋势。通过对老炼过程中击穿机制的甄别，能够实现老炼演化阶段的判别，从而可以为不同阶段设计出更合理的老炼方案，进而提升真空断路器的绝缘性能。因此，快速准确地实现老炼过程中真空击穿机制的甄别，对于实时监测、准确判别老炼演化阶段和优化老炼方案、提升真空断路器绝缘能力具有重要意义。

    相关文献阐述了深度学习技术应用于老炼过程的可行性，而本文旨在提出一种优化方法，通过突显击穿前过程实现真空击穿机制的快速准确甄别。依据该优化方法建立的深度学习模型2 对电极C、D 和E 的击穿电压电流波形样本进行真空击穿机制甄别的准确率分别达到了88.92%、87.99%和92.78%，精确率、召回率和F1 分数均达到了87.44%，并且其完成一次真空击穿机制甄别的时间仅为5s 左右。以上结果表明，深度学习模型2 能够准确、有效、快速地完成真空击穿机制甄别。本文提出的优化方法有效地提升了深度学习技术实现真空击穿机制甄别的准确率，使深度学习技术在老炼过程中的应用具有更良好的前景。

3，结论

1）本文提出了一种基于深度学习的真空击穿机制甄别优化方法，通过对比采用不同时间提取范围的击穿电压电流波形样本进行真空击穿机制甄别的效果，得到突显击穿前过程的波形处理能够有效优化真空击穿机制甄别效果。

2）依据本文提出的基于深度学习的真空击穿机制甄别优化方法能够快速地实现真空击穿机制的甄别，准确率达到了87.99%，并且通过精确率、召回率和F1 分数验证了该方法的有效性，对工程应用具有理论指导意义。