本发明属于电力设备状态监测与故障诊断,尤其涉及一种电缆阻水缓冲层腐蚀缺陷严重程度预测方法及系统。
背景技术:
1、电力电缆的阻水缓冲层是为了保护电缆的导体和绝缘层不受水的侵入。一旦阻水缓冲层被侵蚀,会增加电缆的故障风险。对于电缆阻水缓冲层的腐蚀缺陷严重程度的判断,目前主要有以下几种方法:超声波检测,该方法能够检测到内部和深层的缺陷,对于微小缺陷有较高的灵敏度,但方法检测的效率较低,且需要经验丰富的操作员解读数据,某些情况下可能会出现误报。电容和介电特性测量法,该法可以评估电缆绝缘的整体健康状态,并间接反映阻水缓冲层的情况。然而电容和介电特性测量法需要专门的设备,且可能受到多种因素的影响,需要经验丰富的操作员解读数据。放电检测是另外一种检测的方式,可以直观地检测出电缆的微放电情况,但其依然不直接对电缆阻水缓冲层缺陷的严重程度进行测量。
2、综上,提供一种基于端到端的深度神经网络模型来提高预测电缆阻水缓冲层缺陷严重程度稳定度及准确率的方法是非常有意义的。
技术实现思路
1、本发明旨在解决现有技术或相关技术中存在的技术问题之一。
2、有鉴于此,本发明提出了一种电缆阻水缓冲层腐蚀缺陷严重程度预测方法,包括:
3、基于电缆分布参数等效模型,依据电缆阻水缓冲层腐蚀后的特征阻抗变化生成带阻水缓冲层位置和缺陷程度标签的数据集;
4、构建端到端的阻水缓冲层严重程度检测模型,将所述数据集输入检测模型完成电缆阻水缓冲层严重程度判断;
5、其中构建所述端到端的阻水缓冲层严重程度检测模型包括:建立基于cnns和lstms的特征提取模块,用于提取输入数据的空间特征和时序特征;
6、将输入数据的空间特征和时序特征进行加权融合,并通过全连接模块预测缺陷发生的位置和程度。
7、进一步地,所述电缆分布参数等效模型的构建过程为:
8、采用电缆分布参数等效模型描述电力电缆中能量的传递特征,所述电缆分布参数等效模型中r0、l0、g0、c0分别为每单位长度下的电阻、电感、电导、电容;
9、随着频率f的增大,因趋肤效应和邻近效应的影响,导致电阻增大,电感减小,电缆的每单位长度电阻r0和电感l0分别为:
10、
11、
12、式中,ω为角频率,ω=2πf;rc、rs分别为缆芯半径和屏蔽层内半径;ρc、ρs分别为缆芯电阻率和屏蔽层电阻率;μ0为真空磁导率;
13、电缆的单位长度电容c0和电导g0分别为:
14、
15、
16、式中,ε为电介质的介电常数;σ为电介质的电导率。对于长度为l的电缆,电缆任意位置x处的电压v(x)和电流i(x)分别为:
17、v(x)=vi2eγ(l-x)+vr2e-γ(l-x)
18、
19、式中,vi2、vr2分别为电缆负载侧的入射、反射电压波;z0为电缆的特性阻抗;
20、电缆的传播常数γ(ω)为:
21、
22、式中,α(ω)为衰减常数;θ(ω)为相位常数,表示为
23、
24、式中,v为电缆中电磁波的波速;f为频率;
25、电缆的特性阻抗z0(ω)为:
26、
27、在高频下,ωl>>r、ωc>>g,上式可近似为:
28、
29、得到电缆的本体的特性阻抗与其对应的l0和c0相关。
30、进一步地,根据电缆阻水缓冲层缺陷严重程度检测的任务目标,构建基于多级串联的卷积模块cnns和lstms的特征提取模块;
31、所述多级串联的卷积模块cnns用于对输入数据的空间特征进行提取,多级串联的卷积模块cnns的训练步骤为:
32、归一化处理原始数据voriginal得到输入网络的数据向量vinput;
33、vinput=norm(voriginal)
34、norm(·)表示归一化函数;
35、将数据向量vinput输入至多级串联的卷积模块cnns,输出特征向量为vcnn,其数据表达式为:
36、vk7=conv1d7(voriginal)
37、vk5=conv1d5(vk7)
38、vcnn=conv1d3(vk5)
39、其中,输出特征向量的尺度为输入向量的一半;
40、构建lstms网络抽取所述特征向量vcnn的时序特征,其数学表达式如下:
41、vlstm=lstms(vcnn)。
42、进一步地,所述输入数据的空间特征和时序特征进行加权融合,构成外融合的特征向量vfusion:
43、
44、其中,为在特征向量维度的拼接处理;
45、进一步地,所述全连接模块由多层感知机网络mlp、全连接网络fcn构成,将特征向量vfusion输入全连接模块提取多尺度卷积融合向量中的特征信息,得到两个值p,s;p,s表示电缆阻水缓冲层腐蚀的缺陷位置,严重程度。
46、进一步地,建立基于均方根误差损失rmse与log-cosh两阶段联合的损失函数,利用所述损失函数反向传播作用于所述端到端的阻水缓冲层严重程度检测模型的参数,对参数进行更新训练模型,最终使所述模型达到收敛状态。
47、进一步地,建立基于均方根误差损失rmse与log-cosh两阶段联合损失函数:
48、
49、llog-cosh=log(cosh(yreal-ypredict))
50、其中,cosh(·)是双曲余弦函数,定义为:
51、
52、总的损失函数为:
53、
54、在上式中,yreal表示输入数据vinput对应的缺陷真实位置和严重程度,ypredict是网络预测的缺陷位置和严重程度;ltotal为总的损失函数,lrmse为均方根误差损失,llog-cosh为log-cosh损失,acc为模型在验证集上的准确率。
55、本发明还提供了一种电缆阻水缓冲层腐蚀缺陷严重程度预测系统,包括
56、数据集生成模块:基于电缆分布参数等效模型,依据电缆阻水缓冲层腐蚀后的特征阻抗变化生成带阻水缓冲层位置和缺陷程度标签的数据集;
57、模型构建模块,构建端到端的阻水缓冲层严重程度检测模型,将所述数据集输入检测模型完成电缆阻水缓冲层严重程度判断;
58、优选地,所述模型构建模块包括:特征提取模块,基于cnns和lstms的特征提取模块,提取输入数据的空间特征和时序特征;
59、加权融合模块,用于对输入数据的空间特征和时序特征进行加权融合,并通过全连接模块预测缺陷发生的位置和程度。
60、最后本发明还包括一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的基于端到端的电缆阻水缓冲层腐蚀缺陷严重程度预测方法。
61、本发明提出了一种电缆阻水缓冲层腐蚀缺陷严重程度预测方法,该方法中建立了端到端的阻水缓冲层严重程度检测模型,基于端到端的阻水缓冲层严重程度检测模型完成了电缆阻水缓冲层严重程度判断。模型中通过联立卷积模块,lstm模块和全连接模块,从空间和时充两个维度自动提取测试数据的特征,并完成缺陷位置和严重程度的回归分析;均方根误差损失rmse与log-cosh损失函数联立的两阶段联合损失函数,提高了网络检测的准确性,增加了网络训练的稳定性。
62、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明的公开。