一种电缆绝缘劣化类型判别方法及系统与流程

1.本发明属于电缆故障预防和诊断的技术领域，具体涉及一种电缆绝缘劣化类型判别方法及系统。


背景技术：

2.随着科技的飞速发展，越来越多的检测工作需要用到计算机辅助，来提升检测效率和质量。比如在电缆的故障预防和故障诊断的工作中，对电缆进行通电后，通过提取电缆检测点处的谐波特征值，然后将谐波特征值输入数据库中进行自动的比对运算，由数据库给出与2、3、4、5...n次谐波分别对应的贡献度，然后由工作人员查表得到电缆的劣化类型；
3.上述方法虽然最终能够对电缆的劣化类型进行较为准确的判断，但是其过程需运用较大的运算量，且电缆电流中也可能因为非劣化相关的原因而产生谐波，这部分谐波有可能会被提取特征值而纳入数据库对贡献率的判断数据中，从而可能会对最终的电缆的劣化类型的判断产生影响。
4.深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。从一个输入中产生一个输出所涉及的计算可以通过一个流向图(flow graph)来表示：流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算以及一个计算的值，计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。


技术实现要素：

5.本发明的主要目的在于克服现有技术的缺点与不足，提供一种电缆绝缘劣化类型判别方法及系统。
6.为了达到上述目的，本发明采用以下技术方案：
7.本发明的一个方面，提供了一种电缆绝缘劣化类型判别方法，包括下述步骤：
8.获取通电实验中的电流波形；
9.截取所述电流波形中包含至少一个完整周期的合成波的图片；
10.获取所述合成波的谐波特征值以及合成波中谐波的贡献度；
11.依据所述合成波中谐波的贡献度得到其对应的劣化类型；
12.构建电缆绝缘劣化类型判别模型；
13.将所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定后作为训练图片，对电缆绝缘劣化类型判别模型进行训练，得到训练好的电缆绝缘劣化类型判别模型；
14.将待判别电缆的通电实验合成波图片输入至训练好的电缆绝缘劣化类型判别模
型，即得待判别电缆的劣化类型。
15.作为优选的技术方案，作为训练图片的所述包含至少一个完整周期的合成波的图片，其大小、格式保持一致，且均从刚过合成波零点的位置进行截取。
16.作为优选的技术方案，所述获取所述合成波的谐波特征值具体为：通过对合成波进行傅里叶变换，得到合成波的基础波和各次谐波；所述合成波中谐波的贡献度为各次谐波在合成波所有分解波形中的占比。
17.作为优选的技术方案，所述构建电缆绝缘劣化类型判别模型具体为：
18.所述电缆绝缘劣化类型判别模型包括依次连接的一层输入层、若干层隐含层以及一层输出层，具体如下式：
[0019][0020]
其中，表示输出空间；表示输入空间；a(
·
)表示对输入空间进行弯曲操作；w表示神经网络各层的权重矩阵；表示对输入空间进行升维、降维、放大、缩小以及旋转操作； b表示对输入空间进行平移操作。
[0021]
作为优选的技术方案，所述对电缆绝缘劣化类型判别模型进行训练具体为：
[0022]
获取所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定，作为训练图片；
[0023]
将训练图片输入电缆绝缘劣化类型判别模型的输入层，同时根据输出层的输出结果调整权重矩阵w的参数，使得损失函数为最小；
[0024]
重复上述步骤进行训练。
[0025]
作为优选的技术方案，对训练图片添加扰动后加入训练集进行电缆绝缘劣化类型判别模型的训练，所述添加扰动包括对训练图片加入毛刺或像素点。
[0026]
本发明的另一个方面，提供了一种电缆绝缘劣化类型判别系统，应用于上述的一种电缆绝缘劣化类型判别方法，包括波形获取模块、谐波特征值及贡献度计算模块、模型构建模块以及模型训练模块；
[0027]
所述波形获取模块用于获取通电实验中的电流波形，并截取所述电流波形中包含至少一个完整周期的合成波的图片；
[0028]
所述谐波特征值及贡献度计算模块用于获取所述合成波的谐波特征值以及合成波中谐波的贡献度；
[0029]
所述模型构建模块用于构建电缆绝缘劣化类型判别模型；
[0030]
所述模型训练模块用于依据所述合成波中谐波的贡献度得到其对应的劣化类型；将所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定后作为训练图片，对电缆绝缘劣化类型判别模型进行训练，得到训练好的电缆绝缘劣化类型判别模型；
[0031]
将待判别电缆的通电实验合成波图片输入至训练好的电缆绝缘劣化类型判别模型，即得待判别电缆的劣化类型。
[0032]
作为优选的技术方案，所述谐波特征值及贡献度计算模块用于对合成波进行傅里叶变换，得到合成波的基础波和各次谐波，进而得到合成波中谐波的贡献度；所述合成波中谐波的贡献度为各次谐波在合成波所有分解波形中的占比。
[0033]
作为优选的技术方案，所述电缆绝缘劣化类型判别模型包括依次连接的一层输入
层、若干层隐含层以及一层输出层，具体如下式：
[0034][0035]
其中，表示输出空间；表示输入空间；a(
·
)表示对输入空间进行弯曲操作；w表示神经网络各层的权重矩阵；表示对输入空间进行升维、降维、放大、缩小以及旋转操作； b表示对输入空间进行平移操作。
[0036]
作为优选的技术方案，所述对电缆绝缘劣化类型判别模型进行训练具体为：
[0037]
获取所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定，作为训练图片；
[0038]
对训练图片添加扰动后加入训练集，所述添加扰动包括对训练图片加入毛刺或像素点；
[0039]
将训练集内的图片输入电缆绝缘劣化类型判别模型的输入层，同时根据输出层的输出结果调整权重矩阵w的参数，使得损失函数为最小；
[0040]
重复上述步骤进行训练。
[0041]
本发明与现有技术相比，具有如下优点和有益效果：
[0042]
(1)本技术通过建立电缆绝缘劣化类型判别模型，以分析电缆在老化过程中所产生的失真波中不同类别的谐波的出现次数和含有量，从而判断出电缆的出现的热老化类型和老化程度，随着数据库的完善，可提高电缆劣化类型判断准确性；
[0043]
(2)相比于传统的以来人工查表对比分析电缆劣化方法，易受波形的细微改变影响，存在的误差大、效率低、运算量大的缺陷，本技术设计的智能化分析模型，将合成波的图片片段作为输入，可以模糊因为非劣化相关的原因而产生的谐波的影响，排除因为非劣化原因的谐波被纳入数据库的判断数据中，提高系统分析的准确性。同时别免了大量的运算量，可大大提高测试效率和准确度，具有先进性。
附图说明
[0044]
图1是本发明实施例一种电缆绝缘劣化类型判别方法的流程图；
[0045]
图2是本发明实施例合成波经过傅里叶变换后得到的基础波和各次谐波示意图；
[0046]
图3是本发明实施例一种电缆绝缘劣化类型判别系统的结构框图。
具体实施方式
[0047]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域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，都属于本技术保护的范围。
[0048]
实施例
[0049]
如图1所示，本实施例提供了一种电缆绝缘劣化类型判别方法，包括下述步骤：
[0050]
s1、获取通电实验中的电流波形，具体为：
[0051]
取不同电缆进行通电实验，对电缆检测点进行电流采集，得到某时间段内的电流波形；
[0052]
s2、截取所述电流波形中包含至少一个完整周期的合成波的图片；
[0053]
进一步的，每个训练图片的大小、格式都需要保持一致，若训练图片的像素为800*800，则后续输入电缆绝缘劣化类型判别模型的测试图片需要同样保持像素为800*800；
[0054]
进一步的，合成波的起始点尽量选取刚过零点的位置，并在之后的训练图片的选取中保持一致。
[0055]
s3、获取所述合成波的谐波特征值以及合成波中谐波的贡献度；
[0056]
通过对合成波进行傅里叶变换，得到合成波的基础波和各次谐波。如图2为将合成波进行傅里叶变换后得到3次谐波和5次谐波以及基础波的示例图，其并非本次采集得到的电流波形，只是为了说明波形可以分解；
[0057]
所述合成波中谐波的贡献度为各次谐波在合成波所有分解波形中的占比。
[0058]
s4、依据所述合成波中谐波的贡献度得到其对应的劣化类型；
[0059]
在采集得到电流波形后得到样本图片的同时，对该样本图片中的合成波进行谐波特征值的采集，然后将采集结果发送预存有与各种劣化类型对应的谐波贡献度的数据库中进行比对，得到劣化类型；
[0060]
在给样本图片进行分类判定时，以某次谐波特征值的贡献度判定：
[0061]
(a)电力电缆劣化部位为本体部的绝缘体；
[0062]
若得到3次谐波和5次谐波的贡献率均为41％左右，4次谐波和2次谐波的贡献率均为6％左右，此时根据经验可判定该劣化类型为初期劣化型；
[0063]
若得到2次谐波的贡献率为55％左右，4次谐波的贡献率为16％左右，3次谐波的贡献率为9％左右，5次谐波的贡献率为6％左右，此时根据经验可判定该劣化类型为环境劣化型(机械性损伤)；
[0064]
若得到5次谐波的贡献率为59％左右，3次谐波的贡献率为20％左右，4次谐波的贡献率为8％左右，2次谐波的贡献率为6％左右，此时根据经验可判定该劣化类型为环境劣化型(电气性损伤)；
[0065]
若得到5次谐波的贡献率为52％左右，3次谐波的贡献率为28％左右，4次谐波的贡献率为7％左右，2次谐波的贡献率为6％左右，此时根据经验可判定该劣化类型为经年劣化型；
[0066]
(b)电力电缆劣化部位为本体部的导体；
[0067]
若得到3次谐波的贡献率为25％左右，5次谐波的贡献率为24％左右，2次谐波的贡献率为23％左右，4次谐波的贡献率为18％左右，此时根据经验可判定该电力电缆劣化部位为本体部的导体；
[0068]
(c)电力电缆劣化部位为本体部的保护层；
[0069]
若得到2次谐波的贡献率为39％左右，4次谐波的贡献率为29％左右，3次谐波的贡献率为10％左右，5次谐波的贡献率为7％左右，此时根据经验可判定该电力电缆劣化部位为本体部的保护层；
[0070]
(d)电力电缆劣化部位为连接部的电缆接头；
[0071]
若得到7次谐波的贡献率为53％左右，10次谐波的贡献率为15％左右，9次谐波的贡献率为11％左右，8次谐波的贡献率为7％左右，6次谐波的贡献率为5％左右，此时根据经验可判定该劣化类型为发热；
[0072]
若得到8次谐波的贡献率为35％左右，7次谐波的贡献率为29％左右，9次谐波的贡献率为13％左右，10次谐波的贡献率为11％左右，6次谐波的贡献率为7％左右，此时根据经验可判定该劣化类型为污损；
[0073]
若得到9次谐波的贡献率为33％左右，8次谐波的贡献率为25％左右，7次谐波的贡献率为21％左右，10次谐波的贡献率为8％左右，6次谐波的贡献率为5％左右，此时根据经验可判定该劣化类型为龟裂；
[0074]
若得到10次谐波的贡献率为30％左右，7次谐波的贡献率为23％左右，8次谐波的贡献率为17％左右，9次谐波的贡献率为15％左右，6次谐波的贡献率为6％左右，此时根据经验可判定该劣化类型为变形；
[0075]
s5、构建电缆绝缘劣化类型判别模型；
[0076]
本实施例中的电缆绝缘劣化类型判别模型为经过训练的深度神经网络；该神经网络是由神经单元组成的，具体可以理解为具有依次连接的一层输入层、若干层隐含层以及一层输出层的神经网络，第一层是输入层，最后一层是输出层，中间的层数都是隐含层。其中，具有很多层隐含层的神经网络则称为深度神经网络(deep neural network，dnn)。
[0077]
神经网络中的每一层的工作可以用数学表达式来描述，如下式：
[0078][0079]
其中，表示输出空间；表示输入空间；a(
·
)表示对输入空间进行弯曲操作；w表示神经网络各层的权重矩阵；表示对输入空间进行升维、降维、放大、缩小以及旋转操作； b表示对输入空间进行平移操作。从物理层面，神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作(升维/降维、放大/缩小、旋转、平移、弯曲)，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)。
[0080]
以“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合，其中，w是神经网络各层的权重矩阵，该矩阵中的每一个值表示该层的一个神经元的权重值。该矩阵w决定着上文所述的输入空间到输出空间的空间变换，即神经网络每一层的w控制着如何变换空间。训练神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。
[0081]
s6、将所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定后作为训练图片，对电缆绝缘劣化类型判别进行训练，得到训练好的电缆绝缘劣化类型判别模型；
[0082]
s6.1、获取所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定，作为训练图片；
[0083]
s6.2、将训练图片输入电缆绝缘劣化类型判别模型的输入层，同时根据输出层的输出结果调整权重矩阵w的参数，使得损失函数为最小；
[0084]
s6.3、重复上述步骤进行训练。
[0085]
其中，关于损失函数(loss function)，在训练神经网络的过程中，因为希望神经网络的输出尽可能的接近真正想要预测的值，可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重矩阵(当然，在第一次
更新之前通常会有初始化的过程，即为神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重矩阵让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值loss(loss)越高表示差异越大，那么神经网络的训练就变成了尽可能缩小这个loss的过程。
[0086]
特别的，还可对训练图片添加扰动后加入训练集进行电缆绝缘劣化类型判别模型的训练，提升贡献度评估准确度；所述添加扰动包括对训练图片加入毛刺或像素点等。
[0087]
s7、将待判别电缆的通电实验合成波图片输入至训练好的电缆绝缘劣化类型判别模型，即得待判别电缆的劣化类型。
[0088]
有些时段，合成波中可能存在并非电缆劣化等原因导致的谐波、杂波的产生，这些会对谐波特征值的提取产生影响，但是这些杂波以图片形式进行展示时，由本发明提出的经过训练的电缆绝缘劣化类型判别模型不会对受合成波的具体数值的影响，因为波形的细微改变可以被电缆绝缘劣化类型判别模型所克服，因此，如此的分类方法可以提升劣化类型的判断准确度。
[0089]
如图3所示，在本技术的另一个实施例中，提供了一种电缆绝缘劣化类型判别系统，该系统包括波形获取模块、谐波特征值及贡献度计算模块、模型构建模块以及模型训练模块；
[0090]
所述波形获取模块用于获取通电实验中的电流波形，并截取所述电流波形中包含至少一个完整周期的合成波的图片；
[0091]
所述谐波特征值及贡献度计算模块用于获取所述合成波的谐波特征值以及合成波中谐波的贡献度；
[0092]
所述模型构建模块用于构建电缆绝缘劣化类型判别模型；
[0093]
所述模型训练模块用于依据所述合成波中谐波的贡献度得到其对应的劣化类型；将所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定后作为训练图片，对电缆绝缘劣化类型判别模型进行训练，得到训练好的电缆绝缘劣化类型判别模型；
[0094]
将待判别电缆的通电实验合成波图片输入至训练好的电缆绝缘劣化类型判别模型，即得待判别电缆的劣化类型。
[0095]
进一步的，作为训练图片的所述包含至少一个完整周期的合成波的图片，其大小、格式保持一致，且均从刚过合成波零点的位置进行截取。
[0096]
进一步的，所述谐波特征值及贡献度计算模块用于对合成波进行傅里叶变换，得到合成波的基础波和各次谐波，进而得到合成波中谐波的贡献度；所述合成波中谐波的贡献度为各次谐波在合成波所有分解波形中的占比。
[0097]
进一步的，所述电缆绝缘劣化类型判别模型包括依次连接的一层输入层、若干层隐含层以及一层输出层，具体如下式：
[0098][0099]
其中，表示输出空间；表示输入空间；a(
·
)表示对输入空间进行弯曲操作；w表示神经网络各层的权重矩阵；表示对输入空间进行升维、降维、放大、缩小以及旋转
操作； b表示对输入空间进行平移操作。
[0100]
进一步的，所述对电缆绝缘劣化类型判别模型进行训练具体为：
[0101]
获取所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定，作为训练图片；
[0102]
对训练图片添加扰动后加入训练集，所述添加扰动包括对训练图片加入毛刺或像素点；
[0103]
将训练集内的图片输入电缆绝缘劣化类型判别模型的输入层，同时根据输出层的输出结果调整权重矩阵w的参数，使得损失函数为最小；
[0104]
重复上述步骤进行训练。
[0105]
在此需要说明的是，上述实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，该系统是应用于上述实施例的一种电缆绝缘劣化类型判别方法。
[0106]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0107]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。