一种基于深度学习的环网柜电缆局部放电的故障检测方法

技术领域

本发明属于电缆故障检测领域，具体涉及一种基于深度学习的环网柜电缆局部放电的故障检测方法。

背景技术

随着国民经济的快速发展和电力行业改革的不断深入，电力系统的规模不断扩大，电压等级不断提高，对电力系统的安全性和可靠性提出了更为严格的要求。这使得电力设备在线监测和故障诊断变得尤为关键。输电电缆系统在能源传输和分配中扮演着至关重要的角色，广泛应用于输电、供电和通信等领域。然而，电缆系统的正常运行容易受到多种因素的干扰，包括电缆老化、环境变化和外部损伤等。这些因素可能导致电缆系统内部的局部放电故障，这是一种严重的电气问题，可能引发电力系统的故障、事故和停电。局部放电不仅损害电缆系统的可靠性，还可能对环境造成危害，甚至引发火灾。因此，及早检测和诊断环网柜电缆局部放电故障对于确保电力系统的可靠性和安全性至关重要。

传统的环网柜电缆局部放电故障检测方法主要依赖于传感器测量、信号处理和阈值判定等技术。然而，这些方法存在一些局限性：1、依赖于规则和阈值：传统方法通常基于经验规则和事先设定的阈值来判定是否存在局部放电。这些规则和阈值可能不适用于不同类型的电缆系统或工作条件。2、难以处理复杂数据：电缆系统的数据通常包括多个传感器的多通道时间序列信息，而传统方法难以有效处理和分析这些复杂数据。3、难以应对变化：电缆的性能和工作条件可能随时间而变化，传统方法需要定期调整参数和阈值，维护成本高。

发明内容

本发明的目的在于针对解决背景技术中提出的问题，提出一种基于深度学习的环网柜电缆局部放电的故障检测方法。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种基于深度学习的环网柜电缆局部放电的故障检测方法，包括获取电缆的电压信号的样本，每个样本包含m个采样点，对样本信号依次进行小波去噪处理和归一化处理；

将归一化后的样本信号按照连续的p个采样点为一组进行分组，分为n组；

对各组数据分别在频域和时域上提取统计特征，并将统计的特征拼接为一个q维的特征向量；

建立故障检测网络，并以k个批次、n个特征种类和q维的特征向量建立输入张量(k，n，q)对故障检测网络进行训练，故障检测网络包括卷积神经网络、LSTM网络、GRU网络、注意力机制网络和DenseNet网络，输入张量分别输入至卷积神经网络和LSTM网络依次得到第一输出和第二输出，将第一输出和第二输出拼接后依次输入至GRU网络、注意力机制网络和DenseNet网络；

最后将待检测电缆的电压信号对应的张量，输入至训练好的故障检测网络中，输出待检测电缆是否有局部放电故障的两种概率，并选择其中概率大的作为最后的检测结果。

优选地，对各组数据分别在频域和时域上提取统计特征，并将统计的特征拼接为一个q维的特征向量，包括：

在时域上提取特征：计算各组数据的信号幅值的平均值、标准差、最大值和最小值，以及百分比为0、1、10、25、50、75、90、99、100对应的百分比分位数和相对百分比分位数，以及各组数据的峰度、偏度、峰的数量、峰的最大高度、峰的最低高度、峰的平均高度、峰的最大宽度、峰的最低宽度、峰的平均宽度；

对各组数据进行FFT变换，转换为频域信号；

在频域上提取特征：计算转换为频域信号的各组数据的信号幅值的能量和、最大能量、最小能量、标准差、方差、偏度、均方根和整流平均值；

最后将时域上提取的特征量与频域上提取的特征量依次拼接，得到一个39维的特征向量，且q的值为39。

优选地，卷积神经网络包括四个卷积模块，且分别为第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，各卷积模块均包括依次设置的一维卷积层、BN层、第一RELU激活函数和Dropout层。

优选地，建立故障检测网络，并以k个批次、n个特征种类和q维的特征向量建立输入张量(k，n，q)对故障检测网络进行训练，故障检测网络包括卷积神经网络、LSTM网络、GRU网络、注意力机制网络和DenseNet网络，输入张量分别输入至卷积神经网络和LSTM网络依次得到第一输出和第二输出，将第一输出和第二输出拼接后依次输入至GRU网络、注意力机制网络和DenseNet网络，包括：

首先将输入的张量(k，n，q)进行第一转置处理得到(k，q，n)，然后将(k，q，n)依次输入至第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块得到第一输出，且经过各卷积模块的一维卷积层、BN层、第一RELU激活函数和Dropout层；

将输入的张量(k，n，q)输入至LSTM网络得到第二输出，且LSTM网络的层数为5层；

然后将第一输出进行第二转置处理，将第二转置处理后的张量与第二输出进行拼接，得到拼接张量，并将拼接张量通过第二RELU激活函数处理得到第三输出；

然后将第三输出依次输入至GRU网络和注意力机制网络得到第四输出；

最后将第四输出经过转置处理后输入至DensNet网络，输出是否有局部放电故障的两种概率。

优选地，故障检测网络采用交叉熵作为损失函数Loss，且计算公式如下：

Loss＝-(y·log(p)+(1-y)·log(1-p))

其中，y表示实际类别标签，包括有局部放电信号样本的标签和无局部放电信号样本的标签，p表示故障检测网络为有局部放电信号样本的标签的概率。

与现有技术相比，本发明的有益效果为：

本基于深度学习的环网柜电缆局部放电的故障检测方法通过对电缆的电压信号依次进行小波去噪、归一化处理和分组，然后分别进行时域和频域上的特征提取，将提取的特征拼接特征向量，并作为故障检测网络的特征种类的输入，结合故障检测网络得到电缆是否有局部放电的故障，本方法更加高效、准确且可靠，在提高电缆系统的可用性，降低维护成本的同时，确保电力系统的可靠性和安全性。

附图说明

图1为本发明基于深度学习的环网柜电缆局部放电的故障检测方法的流程示意图；

图2为本发明特征提取的模块框图；

图3为本发明故障检测网络的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，当组件被称为与另一个组件“连接”时，它可以直接与另一个组件连接或者也可以存在居中的组件。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

如图1-3所示，一种基于深度学习的环网柜电缆局部放电的故障检测方法，包括：

S1、获取电缆的电压信号的样本，每个样本包含m个采样点，对样本信号依次进行小波去噪处理和归一化处理。

需要说明的是，获取电缆的电压信号，可以通过传感器去获取，小波去噪处理本实施例中选择Daubechies小波函数，消失矩为4以及分解层数为1，对小波去噪处理后的样本信号进行归一化，映射到[-1,1]范围内。本实施例中每个样本包含800000个采样点，即m＝800000，但具体的采样点数量不作限制，可以根据实际需要设置。

S2、将归一化后的样本信号按照连续的p个采样点为一组进行分组，分为n组。

需要说明的是，本实施例中将归一化后的样本信号按照连续的2000个采样点为一组进行分组，并分为400组(800000/2000)，即p＝2000，n＝800000/2000＝400，但具体按照连续的多少采样点进行分组，不作限制，可以根据实际情况设置。

S3、对各组数据分别在频域和时域上提取统计特征，并将统计的特征拼接为一个q维的特征向量。

具体如下：在时域上提取特征：计算各组数据的信号幅值的平均值、标准差、最大值和最小值，以及百分比为0、1、10、25、50、75、90、99、100对应的百分比分位数和相对百分比分位数，以及各组数据的峰度、偏度、峰的数量、峰的最大高度、峰的最低高度、峰的平均高度、峰的最大宽度、峰的最低宽度、峰的平均宽度；

对各组数据进行FFT变换，转换为频域信号；

在频域上提取特征：计算转换为频域信号的各组数据的信号幅值的能量和、最大能量、最小能量、标准差、方差、偏度、均方根和整流平均值；

最后将时域上提取的特征量与频域上提取的特征量依次拼接，得到一个39维的特征向量，且q的值为39。

S4、建立故障检测网络，并以k个批次、n个特征种类和q维的特征向量建立输入张量(k，n，q)对故障检测网络进行训练，故障检测网络包括卷积神经网络、LSTM网络、GRU网络、注意力机制网络和DenseNet网络，输入张量分别输入至卷积神经网络和LSTM网络依次得到第一输出和第二输出，将第一输出和第二输出拼接后依次输入至GRU网络、注意力机制网络和DenseNet网络。

具体如下：卷积神经网络包括四个卷积模块，且分别为第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，各卷积模块均包括依次设置的一维卷积层、BN层、第一RELU激活函数和Dropout层。

建立故障检测网络并输入张量为(k，n，q)对故障检测网络进行训练，其中k表示批次大小，n表示输入的特征种类个数，q表示每种特征的维度。故障检测网络包括卷积神经网络、LSTM网络、GRU网络、注意力机制网络和DenseNet网络，具体如下：

首先将输入的张量(k，n，q)进行第一转置处理得到(k，q，n)，然后将(k，q，n)依次输入至第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块得到第一输出，且经过各卷积模块的一维卷积层、BN层、第一RELU激活函数和Dropout层；

将输入的张量(k，n，q)输入至LSTM网络得到第二输出，且LSTM网络的层数为5层；

然后将第一输出进行第二转置处理，将第二转置处理后的张量与第二输出进行拼接，得到拼接张量，并将拼接张量通过第二RELU激活函数处理得到第三输出；

然后将第三输出依次输入至GRU网络和注意力机制网络得到第四输出；

最后将第四输出经过转置处理后输入至DensNet网络，输出预测结果。

需要说明的是，本实施例中，以k＝1、n＝400、q＝39为例进行说明。首先将输入的张量(1，400，39)经过第一转置处理得到(1，39，400)，然后将(1，39，400)依次输入至第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块得到第一输出，其中第一卷积模块的一维卷积层的输入张量为(1，39，400)，输出为(1，128，400)，卷积核为3，padding为1，然后经过一个BN层，且维度与一维卷积层的输出维度相同，BN层用于将卷积得到的特征量归一化，然后再经过第一RELU激活函数，使得训练具有一定的随机性，结果具有更强的鲁棒性，最后再经过Dropout层，减少过拟合现象；

同理，第二卷积模块、第三卷积模块和第四卷积模块均与第一卷积模块的结构相同，详细过程不再描述，第二卷积模块、第三卷积模块和第四卷积模块与第一卷积模块的区别仅在于各一维卷积层的输入输出不同，第二卷积模块的一维卷积层的输入张量为(1，128，400)，输出为(1，256，400)；第三卷积模块的一维卷积层的输入张量为(1，256，400)，输出为(1，512，400)；第四卷积模块的一维卷积层的输入张量为(1，512，400)，输出为(1，256，400)。同时各一维卷积层的卷积核均为3，padding均为1。卷积神经网络的输出即为(1，256，400)的张量，即第一输出为(1，256，400)的张量。

将输入张量(1，400，39)输入至LSTM网络，得到第二输出为(1，400，256)，LSTM网络输入特征的维度为39，隐藏层的数量为256，LSTM的层数为5，dropout比例为0.2，防止过拟合。LSTM网络通过细胞状态(cell state)和遗忘门(forget gate)的机制，可以更好地保留和传递序列中的长期信息,通过遗忘门、输入门和输出门，有助于缓解梯度消失问题。

然后将第一输出(1，256，400)进行第二转置处理得到张量(1，400，256)，然后将张量(1，400，256)与第二输出(1，400，256)进行拼接，得到拼接张量(1，400，512)，并将拼接张量(1，400，512)通过第二RELU激活函数处理得到第三输出(1，400，512)，使得训练具有一定的随机性，结果具有更强的鲁棒性。

然后将第三输出(1，400，512)输入至GRU网络，输出为(1，400，128)，该过程中GRU网络的输入特征维度为512，输出特征维度为128，GRU网络的层数为1，dropout为0，由于GRU网络的结构相对简单，计算效率高，通过调整LSTM和GRU的参数，可以灵活地调整网络的复杂度使其适应不用数据集的要求。

将GRU网络的输出经过注意力机制网络，即注意力机制网络的输入为(1，400，128)，且得到第四输出为(1，400，128)，注意力机制网络的维度为128，查询向量的维度为128，数值向量的维度为128，注意力头的数量为8，且注意力机制网络ScaledDotProductAttention这一自注意力机制，它通过计算查询(query)和键(key)之间的点积，然后通过缩放(scaled)来调整注意力权重。这样，网络可以学习对不同位置或特征的关注程度，自动调整权重以适应输入序列的不同部分，从而提高训练的精度。

最后将第四输出(1，400，128)经过转置处理后得到张量(1，128，400)，并将转置处理后的张量(1，128，400)输入至DensNet网络，DensNet网络的通道数为128，且DensNet网络的增长率参数为32，DensNet网络输出(1，2)，其中，表示输出中的1是批大小，输出中的2表示有故障和没有故障的概率这两种类别，比较这两种概率的大小，并选择概率大的作为故障检测结果，并用0表示没有局部放电故障，用1表示有局部放电故障。

故障检测网络训练的过程中，将数据集划分为训练集、验证集和测试集，且比例为8：1：1。

故障检测网络采用交叉熵作为损失函数Loss，且计算公式如下：

Loss＝-(y·log(p)+(1-y)·log(1-p))

其中，y表示实际类别标签，包括有局部放电信号样本的标签和无局部放电信号样本的标签，p表示故障检测网络为有局部放电信号样本的标签的概率。

需要说明的是，有局部放电信号样本的标签用1表示，无局部放电信号样本的标签用0表示。得到损失函数值后，需要用梯度下降法对损失函数值进行优化，使得损失函数的值越小。这里用Adma优化器对损失函数进行优化，Adam(Adaptive Moment Estimation结合了动量法(momentum)和自适应学习率的思想，能够加快模型的收敛速度，可以有效地处理稀疏梯度。

S5、最后将待检测电缆的电压信号对应的张量，输入至训练好的故障检测网络中，输出待检测电缆是否有局部放电故障的两种概率，并选择其中概率大的作为最后的检测结果。

需要说明的是，将待检测电缆的电压信号经过S1-S3处理，得到对应维度的特征向量，然后将对应张量输入至训练好的故障检测网络中。

S1-S5之间的顺序并不作限制，步骤可以相互调换，也可以同时执行。

本基于深度学习的环网柜电缆局部放电的故障检测方法通过对电缆的电压信号依次进行小波去噪、归一化处理和分组，然后分别进行时域和频域上的特征提取，将提取的特征拼接特征向量，并作为故障检测网络的特征种类的输入，结合故障检测网络得到电缆是否有局部放电的故障，本方法更加高效、准确且可靠，在提高电缆系统的可用性，降低维护成本的同时，确保电力系统的可靠性和安全性。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请描述较为具体和详细的实施例，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。