基于深度学习的高压电缆短路故障精准定位方法及系统与流程

本发明涉及电缆故障定位，尤其涉及一种基于深度学习的高压电缆短路故障精准定位方法及系统。

背景技术：

1、高压电缆短路故障是电力系统中常见的故障类型，其精准定位对于确保电力传输的可靠性和安全性至关重要，传统的短路故障定位方法通常基于电阻测量或信号传输时间差等原理，然而，这些方法存在着定位不准确、效率较低等问题，随着深度学习技术的快速发展和广泛应用，基于深度学习的高压电缆短路故障精准定位方法成为一种新的解决方案。

技术实现思路

1、本发明提出了一种基于深度学习的高压电缆短路故障精准定位方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，本发明提供一种基于深度学习的高压电缆短路故障精准定位方法，包括以下步骤：

3、步骤s1：获取高压电缆线路结构图；基于高压电缆线路结构图以得到多个电缆节点；基于多个电缆节点对高压电缆线路结构图进行线路拓扑分析，从而得到线路拓扑结构数据；基于线路拓扑结构数据构建电缆拓扑网络模型；

4、步骤s2：获取高压电缆电磁波传感信号；对高压电缆电磁波传感信号进行多尺度时频分解，得到多时段频率域；基于多时段频率域得到信号时频特征数据；

5、步骤s3：对信号时频特征数据进行时频能量分布分析，以得到信号时频分布数据；对信号时频分布数据进行深层非线性特征挖掘，以得到时频非线性特征数据；

6、步骤s4：基于时频非线性特征数据得到信号时域变化趋势规律；基于信号时域变化趋势规律对动态时频变化特征数据进行电缆拓扑传播模拟处理，以得到信号模拟拓扑网络模型；

7、步骤s5：对信号模拟拓扑网络模型进行信号传播延迟计算，生成信号传播延迟数据；基于信号传播延迟数据对信号模拟拓扑网络模型进行延迟线路检测，以标记潜在故障电缆线路；

8、步骤s6：基于电缆拓扑网络模型对潜在故障电缆线路进行网格分割处理，以得到潜在故障线路网格；基于信号传播延迟数据进行信号延迟区域迭代计算，生成最小延迟误差值；基于最小延迟误差值对潜在故障线路网格进行短路故障定位，以得到短路故障点定位结果。

9、本发明通过获得高压电缆线路结构图准确地了解电缆线路的布局和连接关系，基于线路结构图进行线路拓扑分析，确定电缆节点和其相互之间的连接关系，得到线路拓扑结构数据后，构建电缆拓扑网络模型，为后续的故障定位提供基础数据，通过获取电缆电磁波传感信号，实时监测电缆线路的工作状态和信号变化，对电磁波传感信号进行多尺度时频分解，将信号分解成不同尺度和频率的成分，提取出丰富的时频特征，通过得到多时段频率域和信号的时频特征数据，更好地理解电缆线路的动态变化和异常情况，对时频特征数据进行时频能量分布分析，了解信号在不同时频域上的能量分布情况，进一步揭示故障信号的特征，进行深层非线性特征挖掘，发现信号中的非线性模式和异常行为，提供更多的故障定位线索和判据，基于时频非线性特征数据，分析信号的时域变化趋势规律，揭示信号的周期性和趋势性变化，进行电缆拓扑传播模拟处理，模拟信号在电缆网络中的传播路径和传输延迟，为后续的故障定位提供预测和参考，对信号模拟拓扑网络模型进行信号传播延迟计算，获得信号在网络中传输的延迟情况，帮助确定故障位置的范围，进行延迟线路检测，标记潜在故障电缆线路，缩小故障定位的搜索范围，提高定位效率和准确性，基于电缆拓扑网络模型，将潜在故障电缆线路进行网格分割处理，提高故障定位的精度和可靠性，基于信号传播延迟数据进行信号延迟区域迭代计算，生成最小延迟误差值，进一步缩小故障点的位置范围，根据最小延迟误差值，对潜在故障线路网格进行短路故障定位，精确定位短路故障点，提供具体的故障位置信息，有助于迅速进行修复和维护。

10、优选地，步骤s1包括以下步骤：

11、步骤s11：获取高压电缆线路结构图；

12、步骤s12：对高压电缆线路结构图进行电缆节点识别，以得到多个电缆节点；

13、步骤s13：基于多个电缆节点对高压电缆线路结构图进行线路交叉连接分析，得到电缆线路连接数据；

14、步骤s14：对高压电缆线路结构图进行线路路径走向分析，以得到电缆线路走向数据；

15、步骤s15：基于电缆线路连接数据对电缆线路走向数据进行逻辑连接顺序分析，生成线路逻辑连接顺序数据；

16、步骤s16：基于线路拓扑结构数据构建电缆拓扑网络模型。

17、本发明通过获取高压电缆线路结构图准确地了解电缆线路的布局和连接关系，电缆线路结构图提供了电缆线路的物理拓扑信息，包括电缆段、连接点和接地点等，为后续步骤提供基础数据，通过对线路结构图的分析和处理，识别出多个电缆节点，即电缆线路的起始点和终止点，电缆节点的识别为后续步骤提供了电缆线路的起始和结束位置，用于分析线路连接和路径走向，通过分析多个电缆节点之间的连接关系，确定电缆线路之间的交叉连接情况，线路交叉连接数据提供了电缆线路之间的交叉点信息，有助于理解线路之间的物理连接关系和交叉影响，通过分析线路结构图，确定电缆线路的路径走向，即电缆线路从起始点到终止点的走向方向，电缆线路走向数据提供了电缆线路的走向信息，有助于后续步骤中的故障定位和路径追踪，通过分析电缆线路的连接关系和线路走向，确定电缆线路之间的逻辑连接顺序，线路逻辑连接顺序数据提供了电缆线路之间的逻辑连接顺序信息，有助于理解线路之间的传输路径和信号传播顺序，基于线路拓扑结构数据，构建电缆拓扑网络模型，准确地描述电缆线路的连接关系和节点信息，电缆拓扑网络模型提供了电缆线路的拓扑结构和网络拓扑特性，为后续故障定位方法提供了基础数据。

18、优选地，步骤s16的具体步骤为：

19、基于所述高压电缆线路结构图提取电缆线路；

20、基于所述电缆线路进行编码，以得到线路编码值；

21、将所述电缆线路作为边，基于所述线路编码值对所述边进行编码，得到编码边；

22、所述多个电缆节点作为连接节点；

23、基于所述线路拓扑结构数据将所述连接节点对所述编码边进行拓扑连接，以生成节点线路拓扑网络；

24、根据所述高压电缆线路结构图对所述节点线路拓扑网络进行拓扑连接完整性识别，生成拓扑网络完整性数据；

25、通过所述拓扑网络完整性数据对所述节点线路拓扑网络进行迭代优化图结构，构建电缆拓扑网络模型。

26、本发明通过分析高压电缆线路结构图，提取出电缆线路的具体信息，包括线缆段、连接点和接地点等，提取电缆线路有助于建立电缆拓扑网络模型和进行后续步骤的数据处理和分析，对提取的电缆线路进行编码将其表示为一种标识形式，以便后续进行线路连接和拓扑分析，线路编码值有助于标识和区分不同的电缆线路，为后续步骤提供数据参考和识别依据，将电缆线路作为边，并通过线路编码值对边进行编码，建立编码边的数据结构，用于描述电缆线路之间的连接关系，编码边提供了电缆线路的连接信息，有助于后续步骤中的拓扑连接和网络建模，识别的多个电缆节点作为连接节点，用于连接不同的电缆线路，连接节点提供了电缆线路之间的连接关系和拓扑结构信息，是构建电缆拓扑网络模型的基础，根据线路拓扑结构数据，将连接节点与编码边进行拓扑连接，生成节点线路拓扑网络，节点线路拓扑网络提供了电缆线路和连接节点之间的拓扑结构关系，有助于后续步骤中的故障定位和路径追踪，基于高压电缆线路结构图，对节点线路拓扑网络进行拓扑连接完整性识别，判断网络中的连接是否完整和准确，拓扑网络完整性数据提供了电缆拓扑网络的完整性信息，有助于发现潜在的连接错误或缺失，进一步优化电缆拓扑网络模型，基于拓扑网络完整性数据，对节点线路拓扑网络进行迭代优化图结构，修复或调整连接错误，并构建准确的电缆拓扑网络模型，电缆拓扑网络模型提供了高压电缆线路的精确拓扑结构和连接信息，为短路故障的精准定位提供了基础数据和可靠性支持。

27、优选地，步骤s2的具体步骤为：

28、步骤s21：获取高压电缆电磁波传感信号；

29、步骤s22：对高压电缆电磁波传感信号进行低频滤波处理，得到优化电磁波传感信号；

30、步骤s23：对优化电磁波传感信号进行多尺度时频分解，得到多时段频率域；

31、步骤s24：利用频率域能量计算公式多时段频率域进行频段能量计算，以得到每个频率域的能量值；

32、步骤s25：对每个频率域的能量值进行序列特征分析，从而得到信号时频特征数据。

33、本发明通过电磁波传感器获取高压电缆的电磁波传感信号，该信号包含了电缆系统中的故障信息和异常波动，获取电磁波传感信号是为了捕捉电缆短路故障引起的电磁波变化，作为后续分析的数据源，对原始电磁波传感信号进行低频滤波处理，去除高频噪声和干扰，提取出主要的低频成分，优化后的电磁波传感信号更加清晰和稳定，有助于准确捕捉电缆短路故障引起的低频波动信号，进行多尺度时频分解将优化的电磁波传感信号分解为不同的时段和频率域，多时段频率域提供了不同时间段和频率范围内的信号变化情况，有助于对电缆短路故障引起的不同频率成分进行分析，基于频率域能量计算公式，对多时段频率域进行计算，得到每个频率域的能量值，频段能量计算提供了不同频率成分的能量分布情况，有助于识别电缆短路故障引起的能量异常和特征，对每个频率域的能量值进行序列特征分析，包括均值、方差、峰值等统计特征，得到信号的时频特征数据，信号时频特征数据提供了电磁波传感信号在不同频率域上的特征描述，有助于精准定位电缆短路故障。

34、优选地，所述频率域能量计算公式具体为：

35、；

36、为频率域能量值，为信号帧间偏移量，为信号采样的帧长，为频率谱中心频率分辨率，为时间窗口的长度，为信号在某个时刻的位置，为信号的频率，为该时段所处信号频率在上的取值。

37、本发明通过对能量值进行归一化处理，通过除以一个归一化因子，将能量值调整到一个合适的范围内，归一化后的能量值能够更好地表示信号的频率域特征，表示时间窗口的长度趋近于无穷大，当时间窗口足够大时，能够更全面地捕捉信号的频率分布情况，提供更准确的频率域能量值，对信号的幅度平方进行积分操作，通过对信号的幅度进行平方，将信号的能量信息提取出来，积分操作将信号在时间窗口内的能量累积起来，提供了信号在频率域内的能量分布情况，公式通过计算信号在频率域上的能量分布，从而详细了解信号在不同频率上的能量特征和频率特征，有助于分析信号的频谱特性，捕捉信号的频率成分，并为故障定位和特征分析提供重要的频域信息。

38、优选地，步骤s3的具体步骤为：

39、步骤s31：对信号时频特征数据进行动态变化分析，得到动态时频变化特征数据；

40、步骤s32：对动态时频变化特征数据进行时频能量分布分析，以得到信号时频分布数据；

41、步骤s33：对信号时频分布数据进行全局特征卷积学习，以得到信号时频卷积特征图；

42、步骤s34：对信号时频卷积特征图进行深层非线性特征挖掘，以得到时频非线性特征数据。

43、本发明通过对信号时频特征数据进行动态变化分析，捕捉信号在时间和频率上的变化趋势，动态时频变化特征数据反映了信号的时频演化过程，有助于识别电缆短路故障引起的动态变化模式，通过对动态时频变化特征数据进行时频能量分布分析，获得信号在不同时刻和频率上的能量分布情况，时频分布数据提供了信号能量在时频域上的分布信息，有助于确定电缆短路故障的时频特征模式，通过对信号时频分布数据进行全局特征卷积学习，提取出具有语义信息的时频卷积特征，时频卷积特征图是通过深度学习方法学习得到的，它包含了信号时频特征的抽象表示，有助于提取电缆短路故障的高级时频特征，通过对信号时频卷积特征图进行深层非线性特征挖掘，进一步提取出时频域上的非线性特征，时频非线性特征数据反映了信号时频特征的复杂关系和非线性变化，有助于区分电缆短路故障与正常情况。

44、优选地，步骤s4的具体步骤为：

45、步骤s41：对时频非线性特征数据进行时域变化趋势分析，以得到信号时域变化趋势规律；

46、步骤s42：基于信号时域变化趋势规律对动态时频变化特征数据进行电缆拓扑传播模拟处理，生成信号时频模拟数据；

47、步骤s43：基于信号时频模拟数据对电缆拓扑网络模型进行动态渲染映射处理，以得到信号模拟拓扑网络模型。

48、本发明通过对时频非线性特征数据进行时域变化趋势分析，揭示信号在时域上的变化趋势和规律，时域变化趋势规律提供了信号在时间轴上的演化模式，有助于确定电缆短路故障的时域特征模式，基于信号时域变化趋势规律，对动态时频变化特征数据进行电缆拓扑传播模拟处理，模拟信号在电缆拓扑网络中的传播过程，生成的信号时频模拟数据反映了短路故障信号在电缆拓扑网络中的传播路径和时频特征，有助于模拟和理解故障信号在电缆中的行为，基于信号时频模拟数据，对电缆拓扑网络模型进行动态渲染映射处理，生成信号模拟拓扑网络模型，信号模拟拓扑网络模型呈现了故障信号在电缆拓扑中的传播路径和传递规律，有助于精确定位电缆短路故障发生位置。

49、优选地，步骤s5的具体步骤为：

50、步骤s51：对信号模拟拓扑网络模型进行线路时频偏差识别，以得到线路时频偏差数据；

51、步骤s52：对线路时频偏差数据进行信号传播延迟计算，生成信号传播延迟数据；

52、步骤s53：基于信号传播延迟数据对信号模拟拓扑网络模型进行延迟线路检测，以标记潜在故障电缆线路。

53、本发明通过对信号模拟拓扑网络模型进行线路时频偏差识别，检测出电缆线路中存在的时频偏差情况，线路时频偏差数据提供了电缆线路在时频域上的偏离程度，有助于判断线路的状态和存在的故障，基于线路时频偏差数据，对电缆线路进行信号传播延迟计算，得到信号在各个线路上的传播延迟情况，生成的信号传播延迟数据反映了信号在电缆线路中的传播速度差异，提供了线路间的时间差信息，基于信号传播延迟数据，对信号模拟拓扑网络模型进行延迟线路检测，标记出潜在存在故障的电缆线路，延迟线路检测通过比较传播延迟数据，识别出传播延迟异常或较大的线路，将其标记为潜在故障线路。

54、优选地，步骤s6的具体步骤为：

55、步骤s61：基于电缆拓扑网络模型对潜在故障电缆线路进行局部区域细化建模，构建潜在故障区域线路模型；

56、步骤s62：对潜在故障区域线路模型进行网格分割处理，以得到潜在故障线路网格；

57、步骤s63：对信号传播延迟数据进行时序窗口分析，生成传播延迟时序窗口数据；

58、步骤s64：基于传播延迟时序窗口数据对潜在故障线路网格进行信号延迟响应分析，以得到初步信号延迟网格点；

59、步骤s65：基于信号延迟网格点进行信号延迟区域迭代计算，生成最小延迟误差值；

60、步骤s66：基于最小延迟误差值对潜在故障线路网格进行短路故障定位，以得到短路故障点定位结果。

61、本发明通过对电缆拓扑网络模型进行局部区域细化建模，将潜在故障电缆线路从整体模型中提取出来，形成潜在故障区域线路模型，潜在故障区域线路模型将关注点集中在存在故障的线路上，提供了更精细的建模和分析基础，通过对潜在故障区域线路模型进行网格分割处理，将线路模型划分为一系列网格，每个网格代表一个局部区域，潜在故障线路网格提供了对潜在故障区域的更细粒度的表示，为后续的分析和计算提供了基础，通过对信号传播延迟数据进行时序窗口分析，将传播延迟数据分割成一系列时序窗口，每个窗口对应一个时间段内的数据，传播延迟时序窗口数据提供了对传播延迟随时间变化的描述，有助于分析信号传播的动态特性，通过对潜在故障线路网格进行信号延迟响应分析，确定每个网格点的信号延迟情况，初步信号延迟网格点提供了各个网格点的信号延迟信息，用于进一步分析和计算，通过对信号延迟网格点进行信号延迟区域迭代计算，确定最小延迟误差值，即在潜在故障区域内的最小延迟差异，最小延迟误差值提供了潜在故障区域内存在的短路故障的指示，为下一步的故障定位提供了依据，基于最小延迟误差值，对潜在故障线路网格进行短路故障定位，确定的短路故障点位置，短路故障定位结果提供了高压电缆短路故障的精准定位，有助于进行进一步的维修和修复工作。

62、在本说明书中，提供一种基于深度学习的高压电缆短路故障精准定位系统，用于执行如上所述的基于深度学习的高压电缆短路故障精准定位方法，包括：

63、拓扑结构模块，用于获取高压电缆线路结构图；基于高压电缆线路结构图以得到多个电缆节点；基于多个电缆节点对高压电缆线路结构图进行线路拓扑分析，从而得到线路拓扑结构数据；基于线路拓扑结构数据构建电缆拓扑网络模型；

64、时频分解模块，用于获取高压电缆电磁波传感信号；对高压电缆电磁波传感信号进行多尺度时频分解，得到多时段频率域；基于多时段频率域得到信号时频特征数据；

65、时频分布模块，用于对信号时频特征数据进行时频能量分布分析，以得到信号时频分布数据；对信号时频分布数据进行深层非线性特征挖掘，以得到时频非线性特征数据；

66、传播模拟模块，用于基于时频非线性特征数据得到信号时域变化趋势规律；基于信号时域变化趋势规律对动态时频变化特征数据进行电缆拓扑传播模拟处理，以得到信号模拟拓扑网络模型；

67、延迟检测模块，用于对信号模拟拓扑网络模型进行信号传播延迟计算，生成信号传播延迟数据；基于信号传播延迟数据对信号模拟拓扑网络模型进行延迟线路检测，以标记潜在故障电缆线路；

68、故障定位模块，用于基于电缆拓扑网络模型对潜在故障电缆线路进行网格分割处理，以得到潜在故障线路网格；基于信号传播延迟数据进行信号延迟区域迭代计算，生成最小延迟误差值；基于最小延迟误差值对潜在故障线路网格进行短路故障定位，以得到短路故障点定位结果。

69、本发明通过获得电缆线路结构图，准确了解电缆线路的布局和连接关系，为后续的故障定位提供基础数据，通过对电缆线路结构图进行拓扑分析，得到线路节点和拓扑结构数据，进一步明确电缆线路的组成和连接方式，为故障定位提供准确的线路信息，通过对电缆电磁波传感信号进行多尺度时频分解，得到不同时间尺度和频率的信号分量，通过提取多尺度时频分解得到的信号特征数据，获得电缆故障信号在时频域上的特征信息，如频谱分布、能量密度等，用于故障定位和特征分析，通过对信号时频特征数据进行时频能量分布分析，了解信号在不同时频区域的能量分布情况，帮助确定故障信号在时域和频域上的特征模式，通过深层非线性特征挖掘，进一步提取信号的非线性特征数据，如瞬态特性、非线性振荡等，这些特征数据有助于区分故障信号和正常信号，提高故障定位的准确性，通过基于时频非线性特征数据得到信号的时域变化趋势规律，了解信号随时间的变化趋势，捕捉故障信号的时域演化模式，通过模拟信号在电缆拓扑网络模型中的传播过程，推测故障信号在电缆线路中的传播路径和影响范围，为故障定位提供参考依据，通过计算信号在电缆拓扑网络模型中的传播延迟，获得信号在不同线路上的传播时间差，有助于确定信号传播路径上存在潜在故障的电缆线路，基于信号传播延迟数据，对信号模拟拓扑网络模型进行延迟线路检测，标记潜在故障电缆线路，缩小故障定位的范围，通过基于电缆拓扑网络模型对潜在故障线路进行网格分割处理，将线路划分为更小的网格单元，有助于定位故障点，基于信号传播延迟数据，进行迭代计算来确定信号延迟区域，进一步缩小故障定位的范围。