基于改进型卷积神经网络的电缆早期故障定位方法与流程

本发明涉及配电网设备故障诊断领域，尤其涉及一种基于改进型卷积神经网络的电缆早期故障定位方法，具体是一种对电缆早期故障定位的方法。

背景技术：

随着城市配电网供电可靠性和城市美观的要求，地下电缆在城市配电网中得到了广泛应用，电缆具有不易受环境影响，低维护率，安全等诸多优势。但由于电缆长时间埋在地下，在发生故障后，对故障位置的确定十分困难，可能导致长时间断电，影响供电可靠性，还可能导致巨大的经济损失。电力电缆的早期故障不同于其他永久性故障，它是在永久性故障发生之前的一种故障状态，由于持续时间短或幅值低，不会引起保护装置动作。目前对在发生故障跳闸来再来确定故障位置，为了提高供电可靠性和减少停电带来的经济损失，对电缆早期故障的准确定位具有重要意义。

技术实现要素：

针对上述现有技术中存在的问题，本发明提供一种基于改进型卷积神经网络的电缆早期故障定位方法，其目的是为了在永久性故障之前实现准确定位电缆故障位置，降低故障进一步扩大的风险，从而提高供电可靠性。

为了实现上述发明目的，本发明是采用如下技术方案来实现的：

基于改进型卷积神经网络的电缆早期故障定位方法，包括以下步骤：

步骤1.利用小波变换提取不同故障距离监测数据的波形统计特征；

步骤2.利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征；

步骤3.改进型卷积神经网络的构造,得到监测数据的高层次特征；

步骤4.基于学习到的高层次特征的电缆早期故障识别。

所述利用小波变换提取不同故障距离监测数据的波形统计特征，包括：

通过选取适当的母小波对不同故障位置的电流数据进行小波变换，由于故障特征反映在分解得到的高频细节系数中，对这些高频细节系数进行特征提取；小波变换模极大值点与信号的突变点存在非线性映射关系，将小波变换模极大值点作为一个特征进行分析，提取原始故障信号的能量、均值、方差、有效值、峰值因数、偏度、峭度、信息熵、奇异熵、总谐波含有率和总谐波畸变率，得到波形统计特征集，以建立故障信号到故障距离的对应关系。

所述适当的母小波指：具有良好的时频特性，用于分析电缆早期故障这一类非平稳信号的母小波。

所述利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征，包括：在提取不同位置的波形统计特征后，由于所选择的特征可能存在一定的冗余，可能影响最后的故障定位精度和算法效率；利用人工鱼群算法来分析这些故障特征，通过鱼群的搜索过程，得到最优的特征，并将其作为下一步改进卷积神经网络的输入。

所述改进型卷积神经网络的构造,得到监测数据的高层次特征，包括：

步骤(1)：训练数据；

步骤(2)：改进型的卷积神经网络的构造；

步骤(3)：训练完成的改进型卷积神经网络。

所述训练数据，包括：将经过人工鱼群进行最优特征选择后的特征输入到改进型卷积神经网络，通过这些输入数据来训练神经网络，从而学习到输入数据的高层次特征。

所述改进的卷积神经网络的构造，包括：

卷积神经网络作为一种仿生模型，基本架构通常包括特征提取器和分类器，由卷积层、采样层和全连接层组成；其中卷积层和采样层不仅可以有效地对输入的原始特征矩阵进行更深层次的特征学习，通过权值共享能够减少神经元个数，简化网络的复杂程度；全连接层作为一个分类器，输入卷积和采样之后的特征，输出分类类别；

卷积神经网络的构造包括前向传导的预训练和反向传导的微调，在进行反向传导之前需要定义一个损失函数，常用的误差函数有平方差损失函数和交叉熵损失函数，本发明选择选择交叉熵损失函数：

其中，n表示样本个数，y_表示期望输出，y表示实际输出，w表示卷积神经网络的权重，b表示卷积神经网络的偏置，x表示输入数据；

在卷积神经网络训练过程中，学习率会影响着卷积神经网络的学习速率和收敛情况，学习率过大易造成卷积神经网络的权值在最优点处振荡，学习率过低则造成训练时间过长；采用自适应的学习率，构造改进型卷积神经网络，即：

其中，lr^(l)表示第l轮的学习率，dr表示学习衰减率，n表示每轮学习的步数，lr(l-1)表示第l-1轮的学习率。

所述训练完成的改进型卷积神经网络，包括：

通过改进型卷积神经网络的前向传导和反向传导过程，最后可以得到输入数据的高层次特征，这些高层次特征包含输入数据的信息，可区分性强，有利于准确识别不同故障距离的数据。

所述基于学习到的高层次特征的电缆早期故障识别，包括：

步骤(1)：输入测试数据到训练好的改进型卷积神经网络；

步骤(2)：输出故障距离类别。

所述输入测试数据到训练好的改进型卷积神经网络，包括：通过步骤1-步骤3建立一个训练好的改进型卷积神经网络，学习输入数据的高层次特征；在本步骤中将新的测试数据输入到训练好的改进型卷积神经网络中，以测试所提出方法的性能；

所述输出故障距离类别，包括：将电缆早期故障定位问题考虑为一个多分类问题，将发生在不同故障距离上的电缆早期故障事件分为不同的类别；在将测试数据输入到训练好的改进型卷积神经网络后，通过改进型卷积神经网络学习高层次特征，建立电缆早期故障与故障距离之间的映射关系实现电缆早期故障的定位，并输出故障距离类别。

本发明的优点及有益效果是：

本发明采用的小波变换具有良好的时频特性，能够准确提取不同故障距离的故障特征。但由于所提取的特征存在一定的冗余，会影响算法的效率和准确性，因此采用了人工鱼群算法从提取的初始特征集中进一步选择最优的特征，最后将这些最优的特征输入到改进的卷积神经网络。改进的卷积神经网络采用自适应的学习率，在训练过程中一直优化网络参数的权重，提高网络的泛化能力。利用改进的卷积神经网络对输入数据进行学习，能够深入地学习数据中的非线性映射关系，得到不同故障距离数据的深层特征，有利于准确识别电缆故障位置。

附图说明

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及具体实施方式对本发明作进一步的详细描述，以下实施例用于说明本发明，但应当理解本发明的保护范围并不受具体实施方式的限制。

图1是本发明方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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其他实施例，都属于本发明保护的范围。

本发明是一种基于改进型卷积神经网络的电缆早期故障定位方法，如图1所示，图1是本发明方法的流程图。

下面按照流程图依次对本发明的方法进行详细的解释：

基于改进型卷积神经网络的电缆早期故障定位方法，包括以下步骤：

步骤1.利用小波变换提取不同故障距离监测数据的波形统计特征；

步骤2.利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征；

步骤3.改进型卷积神经网络的构造,得到监测数据的高层次特征；

步骤4.基于学习到的高层次特征的电缆早期故障识别。

所述步骤1中利用小波变换提取不同故障距离监测数据的波形统计特征，包括：

通过选取适当的母小波对不同故障位置的电流数据进行小波变换，由于故障特征多反映在分解得到的高频细节系数中，可对这些高频细节系数进行特征提取。由于小波变换模极大值点与信号的突变点存在非线性映射关系，故将小波变换模极大值点作为一个特征进行分析，还提取了原始故障信号的能量、均值、方差、有效值、峰值因数、偏度、峭度、信息熵、奇异熵、总谐波含有率和总谐波畸变率，得到波形统计特征集，以建立故障信号到故障距离的对应关系。

所述适当的母小波指：具有良好的时频特性，能够用于分析电缆早期故障这一类非平稳信号的母小波。

所述步骤2中利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征，包括：

在提取不同位置的波形统计特征后，由于所选择的特征可能存在一定的冗余，可能影响最后的故障定位精度和算法效率。利用人工鱼群算法来分析这些故障特征，通过鱼群的搜索过程，得到最优的特征，并将其作为下一步改进卷积神经网络的输入。

所述步骤3中步骤3.改进型卷积神经网络的构造,得到监测数据的高层次特征，包括：

步骤(1)：训练数据；

步骤(2)：改进型的卷积神经网络的构造；

步骤(3)：训练完成的改进型卷积神经网络。

所述步骤(1)：训练数据；

将经过人工鱼群进行最优特征选择后的特征输入到改进型卷积神经网络，通过这些输入数据来训练神经网络，从而学习到输入数据的高层次特征。

步骤(2)：改进的卷积神经网络的构造，包括：

卷积神经网络作为一种仿生模型，基本架构通常包括特征提取器和分类器，由卷积层、采样层和全连接层组成。其中卷积层和采样层不仅可以有效地对输入的原始特征矩阵进行更深层次的特征学习，而且通过权值共享可以减少神经元个数，简化网络的复杂程度；全连接层作为一个分类器，输入卷积和采样之后的特征，输出分类类别。

卷积神经网络的构造包括前向传导的预训练和反向传导的微调。在进行反向传导之前需要定义一个损失函数，常用的误差函数有平方差损失函数和交叉熵损失函数，本发明选择选择交叉熵损失函数：

其中，n表示样本个数，y_表示期望输出，y表示实际输出，w表示卷积神经网络的权重，b表示卷积神经网络的偏置，x表示输入数据。

在卷积神经网络训练过程中，学习率会影响着卷积神经网络的学习速率和收敛情况，学习率过大易造成卷积神经网络的权值在最优点处振荡，学习率过低则造成训练时间过长，因此本发明采用自适应的学习率，构造改进型卷积神经网络，即：

其中，lr^(l)表示第l轮的学习率，dr表示学习衰减率，n表示每轮学习的步数，lr(l-1)表示第l-1轮的学习率。

步骤(3)：训练完成的改进型卷积神经网络，包括：

通过改进型卷积神经网络的前向传导和反向传导过程，最后可以得到输入数据的高层次特征，这些高层次特征包含输入数据的信息，可区分性强，有利于准确识别不同故障距离的数据。

所述步骤4中基于学习到的高层次特征的电缆早期故障识别，包括：

步骤(1)：输入测试数据到训练好的改进型卷积神经网络；

步骤(2)：输出故障距离类别

所述步骤(1)：输入测试数据到训练好的改进型卷积神经网络

通过步骤1-步骤3可以建立一个训练好的改进型卷积神经网络，能够学习输入数据的高层次特征。在本步骤中将新的测试数据输入到训练好的改进型卷积神经网络中，以测试所提出方法的性能。

所述步骤(2)：输出故障距离类别

将电缆早期故障定位问题考虑为一个多分类问题，将发生在不同故障距离上的电缆早期故障事件分为不同的类别。在将测试数据输入到训练好的改进型卷积神经网络后，通过改进型卷积神经网络学习高层次特征，建立电缆早期故障与故障距离之间的映射关系实现电缆早期故障的定位，并输出故障距离类别。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。