電力系統中，10kV金屬封閉式開關柜是直接面向用戶的電力設備，電力系統的安全運行與開關柜的狀態息息相關。根據相關資料顯示，絕緣劣化和接觸不良是開關柜的主要故障。而這些故障發生之前，會有局部放電現象。因此，通過對局部放電信號的有效監測，可以在開關柜的絕緣層發生劣化前采取措施，降低事故發生率。

目前，高壓開關柜的故障檢測方法有電測法和非電測法。電測法主要包括脈沖電流法、特高頻檢測法、無線電干擾電壓法。非電測法主要有聲發射檢測法、光測法、紅外檢測法。非電測法與電測法比較，具有更強的抗電磁干擾能力。在非電測法中，超聲波的使用范圍最廣，但是超聲波衰減速度快，很難穿透設備的金屬外殼。因此我們檢測的是聲波信號的低頻段，即對可聽聲信號進行故障檢測。基于聲學特征量的診斷技術，不需要接觸設備，不會干擾設備的正常運行，可以隨時采集信號，方便安裝。

對比國外的研究現狀，我國的可聽聲在線監測技術起步較晚，但發展迅速。文獻[3]提出一種基于語譜特征的開關柜局部放電檢測算法，相比基于MFCC特征故障檢測率提高2.5%，但由于特征選取單一，算法存在一定的認假率。文獻[4]通過模糊C均值聚類和分裂層次法來構建完全二叉樹，有效解決了傳統一對一支持向量機與一對多支持向量機所存在的不可分等問題，更好地提高了局部放電診斷的效率。

但是由于支持向量機依賴人工構造特征，在處理環境特征復雜的場景（例如語音）時，錯誤率仍然較高。為此，本文提出一種基于多模態特征和卷積神經網絡的高壓開關柜的故障識別系統，并與基于支持向量機的檢測系統進行對比。

1 局部放電的聲信號表現及特點

開關柜在正常運行時存在機械振動，此時的聲音信號為“嗡嗡”聲，音量一般較小。而當開關柜開始出現局部放電現象時，在局部放電區域會出現“滋滋”的放電聲，聲音比“嗡嗡”的正常運行聲稍大，并且隨著放電程度的加深，最終會導致開關柜的絕緣層擊穿。絕緣擊穿時可以聽到短暫尖銳的“啪嗒”聲。因此，根據開關柜聲音信號的音頻特征變化，可判斷出開關柜是否出現故障。

圖1和圖2為正常運行和故障運行時的時域波形和語譜圖。在時域波形圖中，設備正常運行時，波形平穩，發生局部放電故障時，幅值較之前增大，但是波形仍然保持平穩，而當絕緣層擊穿時，信號幅值呈現瞬間增大又緩慢下降的趨勢。

從語譜圖可以看出，正常運行時頻率分布均勻，而發生故障時信號頻率突然增大又變小，此時語譜圖顏色變淺，也就是說信號能量有所降低。由以上對比可知，正常運行和故障運行差異明顯，因此可根據信號分析來判斷設備的運行狀態。

圖1 正常運行信號的時域波形及語譜圖

圖2 放電時信號時域波形及語譜圖

2 分類器（略）

目前故障檢測中的分類大多還是沿用已經發展成熟的淺層學習算法，例如SVM。淺層學習是隱藏層比較少的神經網絡，算法結構簡單。在深度學習的概念被提出后，各界學者開始將其應用到各個領域。本文試圖將深度學習算法中的卷積神經網絡應用到開關柜局部放電檢測領域，證明深度學習比淺層學習算法具有更高的識別率。相比于淺層學習，深度學習擁有更深的架構，計算層次也更加復雜，因此在處理特征方面具有明顯的優越性。

圖3 卷積神經網絡的結構圖

3 實驗與分析（略）

結論

根據實驗結果顯示，卷積神經網絡故障識別率相比于SVM提高了1.81%，具有明顯的優越性。同樣的樣本數據輸入，而卷積神經網絡具有更高的識別率，證明在卷積神經中提取的特征比SVM提取的特征更有辨識度，更能有效分類。

本實驗選取的樣本數較少，卷積神經仍然達到了較高的分辨率，有效證明了深度學習架構不依賴樣本數量提取特征。因此可以得出結論，卷積神經網絡的這樣深度學習架構在開關柜局部放電故障檢測系統存在研究意義。

但以上的故障診斷系統仍然存在一定缺陷，例如局部放電的故障沒有進行詳細分類。未來可以建立實驗平臺模擬各種故障，采用多種檢測方法聯合檢測，數據通過上位機進行特征降維和特征值優化，最后由多個分類器的結果進行信息融合。根據以上方法可進一步提高分類的準確率。