一种直流电缆局部放电缺陷故障的识别方法及系统与流程

本发明涉及一种识别方法及系统，尤其涉及一种用于直流电缆故障的识别方法及系统。

背景技术：

随着柔性高压直流输电的快速发展，直流交联聚乙烯(cross-linkedpolyethylene，简称xlpe)电缆凭借其优良的绝缘性能得到越来越多的应用。随着越来越多的高压直流输电项目陆续投入运行，亟需完善在线监测和故障预警系统以保证供电的可靠性。由于局部放电(partialdischarge，简称pd)作为判断电力设备状态的一项重要指标已被国际电工委员会列入检测标准，但是直流电缆局部放电的模式识别和故障诊断研究仍处于起步阶段。

现阶段关于电缆局部放电的研究多针对交流xlpe电缆，对于直流电缆尚未形成统一的检测方法和评估标准，因此，直流电缆的局部放电信号的模式识别还有较大的研究空间。

技术实现要素：

本发明的目的之一在于提供一种直流电缆局部放电缺陷故障的识别方法，该识别方法基于直流电缆发生局部放电时发出的脉冲电流信号，随后对脉冲电流信号进行预处理后提取有效信息，然后通过构建神经网络进行训练，由训练后的神经网络对待识别的信号进行识别，最终实现对直流电缆局部放电缺陷的故障诊断。该识别方法相较于现有技术，对故障分类的准确率更高。

基于上述目的，本发明提出了一种直流电缆局部放电缺陷故障的识别方法，其包括步骤：

(1)采集直流电缆的若干种绝缘缺陷放电模型的局部放电脉冲波形信号；

(2)提取局部放电脉冲波形信号的有效信息，以得到训练样本；

(3)构建基于受限玻尔兹曼机的深度信念网络，采用训练样本对所述深度信念网络进行无监督训练，以得到网络参数；

(4)对所述深度信念网络进行有监督训练，以优化网络参数；

(5)将待识别局部放电脉冲波形信号输入经过训练的所述深度信念网络中，以从其输出获得识别结果。

在本发明所述的直流电缆局部放电缺陷故障的识别方法中，当直流电缆发生局部放电时，采集局部放电脉冲波形信号，随后对采集到的局部放电脉冲波形信号进行预处理，提取其有效信息。构建基于受限玻尔兹曼机(restrictedboltzmannmachine，简称rbm)的深度信念网络进行无监督训练，以得到网络参数，然后，对深度信念网络进行有监督训练，优化网络参数，最终得到训练的深度信念网络，将待识别局部放电脉冲波形信号输入经过训练的所述深度信念网络中，以从其输出获得识别结果。

本发明所述的直流电缆局部放电缺陷故障的识别方法识别准确率高。

进一步地，在本发明所述的识别方法中，所述绝缘缺陷放电模型至少包括气隙放电模型、电晕放电模型、划痕放电模型和沿面放电模型。

进一步地，在本发明所述的识别方法中，在步骤(2)中，采用canny算法提取局部放电脉冲波形信号的有效信息，所述有效信息包括局部放电脉冲波形信号发生变化的片段。

进一步地，在本发明所述的识别方法中，在步骤(2)中，采用canny算法提取局部放电脉冲波形信号的有效信息包括步骤：

采用一维高斯函数对局部放电脉冲波形信号f(x)进行平滑处理，得到高斯滤波后的波形信号

求取的导数g(x)，进行非极大值抑制，只保留导数的极大值点；

进行双阈值检测：设置低阈值δl和高阈值δh，若导数g(xi)小于δl则标记xi为非边缘点，若大于δh则标记点xi为强边缘点，其余的点标记为弱边缘点；

抑制孤立弱边缘点：设置邻域ε，若弱边缘点邻域ε内无强边缘点则该点被作为非边缘点；若存在弱边缘点则选取第1个弱边缘点作为局部放电脉冲波形信号发生变化的片段的起始点，否则选取第1个强边缘点作为局部放电脉冲波形信号发生变化的片段的起始点。

在一些实施方式中，高斯滤波时的滤波窗长20，高斯分布标准差取1.5。

进一步地，在本发明所述的识别方法中，在步骤(3)中，使用对比散度算法逐层训练所述深度信念网络得到所述网络参数，以使得深度信念网络重构出的数据与训练样本的数据尽可能地保持一致。

进一步地，在本发明所述的识别方法中，在步骤(4)中，采用adam算法对所述深度信念网络进行有监督训练。

需要说明的是，深度信念网络的有监督训练可以采用梯度下降法和共轭梯度下降法，优选地采用自适应性矩估计(adaptivemomentestimation，简称adam)，以选取更合适的学习率，容易收敛至局部最优。

相应地，本发明的另一目的在于提供一种直流电缆局部放电缺陷故障的识别系统，该识别系统可以快速准确地对直流电缆所发生的局部放电缺陷进行识别。

基于上述目的，本发明还提出了一种直流电缆局部放电缺陷故障的识别系统，其包括

信号采集模块，其采集直流电缆的若干种绝缘缺陷放电模型的局部放电脉冲波形信号；

预处理模块，其提取局部放电脉冲波形信号的有效信息，以得到训练样本；

信号处理模块，其采用训练样本对构建的基于受限玻尔兹曼机的深度信念网络进行无监督训练，以得到网络参数；并对所述深度信念网络进行有监督训练，以得到优化的网络参数；

其中，将待识别局部放电脉冲波形信号输入经过训练的所述深度信念网络中，能够从其输出获得识别结果。

进一步地，在本发明所述的识别系统中，所述预处理模块采用canny算法提取局部放电脉冲波形信号的有效信息，其中所述有效信息包括局部放电脉冲波形信号发生变化的片段，其中采用canny算法提取局部放电脉冲波形信号的有效信息包括步骤：

采用一维高斯函数对局部放电脉冲波形信号f(x)进行平滑处理，得到高斯滤波后的波形信号

求取的导数g(x)，进行非极大值抑制，只保留导数的极大值点；

进行双阈值检测：设置低阈值δl和高阈值δh，若导数g(xi)小于δl则标记xi为非边缘点，若大于δh则标记点xi为强边缘点，其余的点标记为弱边缘点；

抑制孤立弱边缘点：设置邻域ε，若弱边缘点邻域ε内无强边缘点则该点被作为非边缘点；若存在弱边缘点则选取第1个弱边缘点作为局部放电脉冲波形信号发生变化的片段的起始点，否则选取第1个强边缘点作为局部放电脉冲波形信号发生变化的片段的起始点。

进一步地，在本发明所述的识别系统中，所述信号处理模块使用对比散度算法无监督训练所述深度信念网络得到所述网络参数。

进一步地，在本发明所述的识别系统中，所述信号处理模块采用adam算法对所述深度信念网络进行有监督训练得到所述优化的网络参数。

本发明所述的直流电缆局部放电缺陷故障的识别方法及系统具有以下优点和有益效果：

本发明所述的直流电缆局部放电缺陷故障的识别方法及系统可以针对直流电缆发生局部放电进行故障识别，其采集局部放电脉冲波形信号，随后对采集到的局部放电脉冲波形信号进行预处理，提取其有效信息。构建基于受限玻尔兹曼机的深度信念网络进行无监督训练，以得到网络参数，然后，对深度信念网络进行有监督训练，优化网络参数，最终得到训练的深度信念网络，将待识别局部放电脉冲波形信号输入经过训练的所述深度信念网络中，以从其输出获得识别结果。

所述的直流电缆局部放电缺陷故障的识别方法及系统识别准确率高。

附图说明

图1为本发明所述的直流电流局部放电缺陷故障的识别系统在一种实施方式下的结构框架图。

图2为本发明所述的直流电流局部放电缺陷故障的识别方法都在一种实施方式下的流程示意图。

图3显示了直流电流发生局部放电缺陷故障时的局部放电脉冲波形信号。

图4显示了经过预处理后的电晕放电绝缘缺陷故障模型下的局部放电脉冲波形信号。

图5显示了经过预处理后的气隙放电绝缘缺陷故障模型下的局部放电脉冲波形信号。

图6显示了经过预处理后的划痕放电绝缘缺陷故障模型下的局部放电脉冲波形信号。

图7显示了经过预处理后的沿面爬电放电绝缘缺陷故障模型下的局部放电脉冲波形信号。

图8示意性显示了本发明所述的直流电缆局部放电缺陷故障的识别方法中的深度信念网络结构。

图9显示了采用对比例1进行识别的绝缘缺陷故障识别结果的混淆矩阵。

图10显示了采用对比例2进行识别的绝缘缺陷故障识别结果的混淆矩阵。

图11显示了采用实施例1进行识别的绝缘缺陷故障识别结果的混淆矩阵。

具体实施方式

下面将根据具体实施例及说明书附图对本发明所述的直流电缆局部放电缺陷故障的识别方法及系统作进一步说明，但是该说明并不构成对本发明技术方案的不当限定。

如图1所示，在本实施方式中，直流电缆局部放电缺陷故障的识别系统包括：信号采集模块、预处理模块以及信号处理模块。

其中，信号采集模块采集直流电缆的若干种绝缘缺陷放电模型的局部放电脉冲波形信号。

预处理模块，其提取局部放电脉冲波形信号的有效信息，以得到训练样本。在本实施方式中，预处理模块采用canny算法提取局部放电脉冲波形信号的有效信息，有效信息包括局部放电脉冲波形信号发生变化的片段，其中采用canny算法提取局部放电脉冲波形信号的有效信息包括步骤：

采用一维高斯函数对局部放电脉冲波形信号f(x)进行平滑处理，得到高斯滤波后的波形信号例如平滑处理时，假定滤波窗口中心点移至x＝μ处，使用一维高斯函数为中心点及窗口内的其它点分配权重，如下式所示：

式中，ωx为点x的权重，σ为高斯分布标准差。对窗口内的点加权平均获得滤波后的逐点移动滤波窗，得到高斯滤波后的波形信号本案中设置滤波窗长20，σ＝1.5。

求取的导数g(x)，进行非极大值抑制，只保留导数的极大值点。

进行双阈值检测：设置低阈值δl和高阈值δh，若导数g(xi)小于δl则标记xi为非边缘点，若大于δh则标记点xi为强边缘点，其余的点标记为弱边缘点。

抑制孤立弱边缘点：设置邻域ε，若弱边缘点邻域ε内无强边缘点则该点被作为非边缘点；若存在弱边缘点则选取第1个弱边缘点作为局部放电脉冲波形信号发生变化的片段的起始点，否则选取第1个强边缘点作为局部放电脉冲波形信号发生变化的片段的起始点。考虑到在采集局部放电脉冲波形信号时采集量较大，因而，优选地可以截取局部放电脉冲波形信号的波形长度为600点。

信号处理模块，其采用训练样本对构建的基于受限玻尔兹曼机的深度信念网络进行无监督训练，以得到网络参数；并对深度信念网络进行有监督训练，以得到优化的网络参数。在本实施方式中，信号处理模块使用对比散度算法无监督训练深度信念网络，并且采用adam算法对深度信念网络进行有监督训练得到优化网络参数。

将待识别局部放电脉冲波形信号输入经过训练的深度信念网络中，能够从其输出获得识别结果

为了验证本案的直流电缆局部放电缺陷故障的识别系统的识别效果，采用图2所示的识别方法进行识别。如图2所示，直流电缆局部放电缺陷故障的识别方法包括步骤：

(1)采集直流电缆的若干种绝缘缺陷放电模型的局部放电脉冲波形信号；

(2)提取局部放电脉冲波形信号的有效信息，以得到训练样本；

(3)构建基于rbm的深度信念网络，采用训练样本对所述深度信念网络进行无监督训练，以得到网络参数；

(4)对所述深度信念网络进行有监督训练，以优化网络参数；

(5)将待识别局部放电脉冲波形信号输入经过训练的所述深度信念网络中，以从其输出获得识别结果。

为了获取不同种绝缘缺陷放电模型的局部放电脉冲波形信号，模拟构建了四种不同的直流电缆的缺陷故障模型，其构建过程如下所述：

电晕放电绝缘缺陷故障模型：制作xlpe绝缘尖端的电晕放电绝缘缺陷故障模型时，在xlpe绝缘处扎入一根3cm长的金属针，并接触导线芯，从而模拟电晕放电缺陷故障。

气隙放电绝缘缺陷故障模型：制作气隙放电绝缘缺陷故障模型时，在xlpe表面扎出若干微孔，再用环氧树脂密封，从而模拟绝缘内部气泡残留所发生的气隙放电缺陷故障。

划痕放电绝缘缺陷故障模型：在制作划痕放电绝缘缺陷故障模型时，在xlpe绝缘上划出一道宽2mm，长10mm，深1mm的划痕，从而模拟划痕放电缺陷故障。

沿面爬电放电绝缘缺陷故障模型：在制作沿面爬电放电绝缘缺陷故障模型时，在一端剥除外半导电层时留有宽3mm，长10mm的残留，从而模拟沿面爬电放电缺陷故障。

需要指出的是，上述绝缘缺陷放电模型仅为示意性说明，本案的直流电缆局部放电缺陷故障的识别方法不仅限于对上述类型的绝缘缺陷放电模型进行识别，其也可以对本领域内技术人员知晓的其他直流电缆的绝缘缺陷故障进行识别。

将上述四种不同的直流电缆的缺陷故障模型与识别系统连接，利用信号采集模块采集局部放电脉冲波形信号，在本实施方式中，利用高频电流传感器采集局部放电脉冲波形信号，采集的局部放电模型脉冲波形信号参见图3。如图3所示，在发生局部放电时，电压会发生剧烈波动变化，因而，波动发生的起始点即为发生局部放电信号的起始点。由于在一些实施方式中，采集到的局部放电脉冲波形信号会有较多干扰信息影响，使其不易被获得起始点，因而，通过采用canny算法对局部放电脉冲波形信号进行预处理，从而提取其有效信息。需要说明的是，图3中纵坐标表示该点实际幅值u，横坐标表示实际第n个数据点除以10²后的数值，例如某点的横坐标为x，则该实际为第x×10²个数据点。

图4至图7分别显示了不同的绝缘缺陷故障模型采用canny算法后获得的局部放电脉冲波形信号有效信息。其中，图4显示了经过预处理后的电晕放电绝缘缺陷故障模型下的局部放电脉冲波形信号。图5显示了经过预处理后的气隙放电绝缘缺陷故障模型下的局部放电脉冲波形信号。图6显示了经过预处理后的划痕放电绝缘缺陷故障模型下的局部放电脉冲波形信号。图7显示了经过预处理后的沿面爬电放电绝缘缺陷故障模型下的局部放电脉冲波形信号。

需要说明的是，图4至图7中的纵坐标表示将该点实际幅值u除以波形最大幅值um所得数值，横坐标表示实际第n个数据点除以10²后的数值，例如某点的横坐标为x，则该实际为第x×10²个数据点。

基于rbm的深度信念网络的机构参见图8。如图8所示，rbm是由可视层和隐含层组成的无向概率图模型，可视层或隐含层中的单元之间不存在连接。对于包括可视层v和隐含层h的rbm，其能量函数eθ(v，h)可以采用下式表达：

式中，θ为rbm模型参数，θ＝{w,a,b}；ai和bj分别为显元vi和隐元hj的偏置；wij为显元vi与隐元hj之间的连接权重；nv和nh分别为显元vi与隐元hj的数目。

对于本案的基于rbm的深度信念网络，其由若干个rbm堆叠而成，下层rbm的隐含层作为上层rbm的输入层，即rbmk表示第k次迭代的rbm，其隐含层为hk,其输入层为hk-1，并且rbmk的输入层hk-1也是第k-1次迭代的rbm的隐含层。

由于本案中的rbm为给定显元和隐元单元数的rbm，采用训练样本对基于rbm的深度信念网络进行训练，从而确定rbm模型参数θ，训练目标是使rbm模型参数θ控制下的rbm模型重构出的数据与给定的训练样本数据尽可能保持一致。通过对比散度算法对rbm进行法逐层快速无监督的训练。

训练时，首先随机初始化rbm模型参数θ，将训练样本作为将训练样本作为重构前的显元v^o,并根据下式计算重构前的隐元h⁰：

上式中，pθ(hj⁰＝1|v⁰)表示给定显元v⁰时第j个隐元hj⁰置为1的概率，sigmoid为激活函数，sigmoid＝(1+exp(-x))^-1，以将x映射至(0,1)区间内。

随后根据下式重构后的显元v¹：

上式中，pθ(vi¹＝1|h⁰)表示给定隐元h⁰时第i个显元vj¹置为1的概率。

再由重构后的显元v¹重新计算得到重构后的隐元h¹。以此类推获得基于rbm的深度信念网络的各个参数，更新公式如下式所示：

式中，ε为对比散度法学习率；＜·＞为数学期望。δwij为权重wij的改变量，δai为偏置aij的改变量，δbj为偏置bij的改变量，vi⁰为重构前的第i个显元，hj⁰为重构前的第j个隐元，vi¹为重构后的第i个显元，hj¹为重构后的第j个隐元。

为了选取合适的学习率，容易收敛至局部最优，采用adam算法对于深度信念网络进行有监督训练，获得优化参数。

优化时，在第k次迭代得到网络的参数θk的基础上，通过下式获得梯度更新有偏一阶矩估计mk+1和有偏二阶矩估计vk+1：

式中，β1以及β2分别为超参数。

进而通过下式获得一阶矩偏差和二阶矩偏差

最后获得了更新后第k+1次迭代的参数θk+1：

式中，α为步长，τ为稳定常数。

在本实施方式中，步长α为0.001，稳定常数τ为10^-8，超参数β1以及β2分别为0.9以及0.999。

为了验证本案的识别效果，将本案训练的基于rbm的深度信念网络作为实施例1与采用支持向量机的对比例1以及采用反向传播神经网络的对比例2分别绘制得到如图9至图11所示的混淆矩阵，其中，图9显示了采用对比例1进行识别的绝缘缺陷故障识别结果的混淆矩阵。图10显示了采用对比例2进行识别的绝缘缺陷故障识别结果的混淆矩阵。图11显示了采用实施例1进行识别的绝缘缺陷故障识别结果的混淆矩阵。

此外，需要说明的是，图9至图11中，i表示电晕放电绝缘缺陷故障模型，ii表示沿面爬电放电绝缘缺陷故障模型，iii表示气隙放电绝缘缺陷故障模型，iv表示划痕放电绝缘缺陷故障模型。

结合图9至图11可以看出，对比例1-2和实施例1针对i和ii的缺陷均具有较好的识别效果，召回率超过97.50％。然而对于iii和iv的缺陷，对比例1和对比例2的召回率下降较大，对比例1在该两种缺陷的召回率分别为92.03％和92.73％，对比例2在该两种缺陷的召回率分别为90.32％和91.82％。而本案实施例1的效果好于对比例1和对比例2，其在该两种缺陷的召回率分别为95.16％和95.39％。由此说明本案实施例1的识别效果最好，既对i和ii的缺陷具有较高的识别能力，同时对iii和iv的缺陷也拥有良好的识别效果。

与传统的深度信念网络相比，adam对本案的基于rbm的深度信念网络的网络权重的有监督优化效率更高，使本案的提取的特征对局放缺陷具有更强的区分能力，因此识别效果有进一步的提升。而对比例1、对比例2对iii和iv的识别能力较差，这是因为iii和iv的缺陷形成过程中，气隙和绝缘划伤均为部分绝缘介质被空气填充，机理上存在一定的相似性，因此，二者互为误识别主要类型，使得对比例1和对比例2需要通过人为地进行特征提取，否则不足以对iii和iv中缺陷的局放脉冲波形差异进行充分地表达。而本案实施例1通过对rbm无监督的预训练，将局放波形特征映射到深度信念网络的顶层。这些特征包括了时频及分布特征，同时含有其他难以被观察到的深层特征，使特征对原始数据具有更准确的描述，因此，使得本案有更理想的识别效果。

此外，为了进一步验证本案的识别效果，将采集预处理后获得的局部放电脉冲波形信号的有效信息作为6400个样本，而将其中的4000个作为测试样本，余下的样本以400个、800个、1200个、1600个、2000个以及2400的规模分别作为训练集对本案的基于rbm的深度信念网络和采用传统的深度信念网络的对比例3进行训练。提取特征量样本按照同样的比例还对对比例1、对比例2的进行训练，不同方法的识别结果列于表1。

表1.

由表1可知，实施例1与对比例1-3在所设的训练集规模下的平均识别准确率均在90％以上，随着训练集的增大，对比例1、对比例2、对比例3以及实施例1的识别准确率越高。在小样本(例如训练集样本规模在400个以及800个)的情况下，本案实施例1与对比例1-3识别效果相当，但随着训练集规模的增加，本案深度信念网络提取的局放脉冲波形特征更为全面，本案的实施例1的平均识别准确率明显优于对比例1-3。同时，由于本案实施例1使用adam算法有监督微调的改进深度信念网络的收敛速度，使其更快，且在同等训练规模下算法识别准确率更高。

需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。

另外，还需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。

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。