一种基于神经网络算法的电缆故障预判分析方法与流程

本发明涉及电缆故障预判分析领域，涉及到一种基于神经网络算法的电缆故障预判分析方法。

背景技术：

1、电力系统主要由四大部分组成，负责生产电力的发电厂、输电网络、配电网络和消费电能终端，四大组成部分的状态和性能保证了电力系统的正常运行。在输配电网络中，电力电缆是电能传递的主要媒介，其是否故障决定了整个电力系统的安全性和经济性。但电力电缆存在制作工艺不良、安装运输不当和绝缘层老化等问题。

2、因此，为保证庞大的电力电缆网络能够安全、可靠地运行，降低电力电缆故障带来的损失，电力电缆的故障分析，尤其是电力电缆的故障预判具有十分重要的意义。随着电力电缆运行时间的增加，其绝缘状况、运行温度等重要指标对电缆安全稳定运行的影响也增大。现在大多数电力电缆的运行维护主要采用人工巡检模式，维修成本高，局限性大。为此，研究人员在电力电缆系统上构建监测系统，使系统具有电力电缆重要指标的实时监测功能。

3、为了构建电力电缆的重要指标和故障之间的映射关系，现在有越来越多的研究者们将神经网络引入电力电缆领域。神经网络本质上解决两大类问题：分类(包括图像分割问题)和回归(包括数据生成问题)。

4、目前将神经网络在电力电缆系统领域的应用主要可以分为诊断、定位和预警三类，诊断类是对电力电缆系统中已经发生的故障类型进行分类，帮助故障的局域电网快速供电，减少停电和维护周期，减少经济损失；定位类则是为了在故障发生后精准的确定电缆故障节点的位置，便于运维人员及时到达故障现场进行抢修；预警类则是根据收集到的电力电缆系统重要指标，构建与故障类型之间的映射关系，从而在故障发生之前对电缆故障和故障类型进行预测，运维人员根据系统预警及时前往现场进行检查，能够保障电缆系统安全稳定运行，

5、但目前基于神经网络的电缆故障分析方法存在一些不足：一方面，目前对于电缆故障的研究更多的集中在诊断方法上，但相比于诊断方法，预警方法明显更利于减少经济损失，维护电缆系统的稳定。

6、另一方面，针对电缆故障预警方法的研究深度较浅，应用场景多比较有针对性，难以搬移到其他应用场景；大多是针对电力电缆系统重要指标的其中一项或两项结合，预警准确率相对较低；有些不具备故障节点定位的功能，不便于运维人员及时到达现场检查电缆。

7、例如现有技术中的cn202011166762.0公开了一种基于人工智能的地下电缆故障预警方法，由监控预警主站向电缆参数检测单元发送询问信号；电缆参数检测单元接收到询问信号后，启动电缆参数采集，并向监控预警主站发送检测值；监控预警主站接收到检测值后，运行基于卷积神经网络的人工智能的预警算法，判断地下电缆的状态，并对电缆故障进行预警。该发明的基于人工智能的地下电缆故障预警方法，基于卷积神经网络的人工智能的预警算法对电缆故障进行预警，极大地提高了预测的准确性。该方法应用场景为火力发电厂厂区内，一应一答的数据采集方式并不适用于大规模的输电网络。

技术实现思路

1、针对上述问题，本发明提出了一种基于神经网络算法的电缆故障预判分析方法，具体技术方案如下：一种基于神经网络算法的电缆故障预判分析方法，基于大数据故障树智能诊断以及神经网络算法，实现铁路电力系统电缆的快速智能故障辅助定位及智能预判风险故障点，其特征在于：该方法包括：步骤1、诊断特征矩阵构建：当电缆结构发生改变或者外部扰动产生时，电缆表面温度、局部放电量、护层环流均将发生改变。根据以上属性，构建电缆故障诊断的特征集。

2、步骤2、根据故障节点和故障规则，定义故障单元以及故障树，形成树形的故障专家库。

3、步骤3、对采集的数据进行归一化处理，形成样本集。

4、步骤4、建立神经网络，构建网络损失函数。

5、步骤5、利用样本集在有监督模式下对模型进行训练，对损失目标函数进行优化。

6、步骤6、模型训练结束后，将初始参数更新并保存，得到诊断模型。

7、在上述实施例中，所述诊断特征矩阵包括故障定位、电缆表面温度、局部放电、护层环流四种参量，其中故障定位根据线路沿线设备报警率评估，线路沿线设备报警率大于阀值视为异常。

8、电缆表面温度根据环境温度进行评估，表面温度小于环境温度+5℃视为正常；表面温度大于环境温度+5℃，小于环境温度+10℃视为注意；表面温度大于环境温度+10℃，小于环境温度+20℃视为异常；表面温度大于环境温度+20℃，或者表面温度大于50℃视为严重。

9、局部放电根据局放量变化率以及局放量进行评估；局放量变化率小于5％，或局放量小于50pc视为正常；局放量变化率大于5％小于10％，或局放量大于50pc小于150pc视为注意；局放量变化率大于10％小于30％，或局放量大于150pc小于300pc视为异常；局放量变化率大于30％，或局放量大于300pc视为严重；

10、护层环流根据环流量、负荷量以及变化率进行评估，根据自定义的阈值划分正常、注意、异常、严重四个等级。

11、根据上述规则将故障表征表示为s＝(s1,s2,si,...sm),其中si表示第i种故障表征，m表示监测的故障表征数。

12、在上述实施例的基础上，所述故障专家库包括故障基本单元、基础故障树、复杂故障树组成，其中故障基本单元包括故障名称、故障描述、故障节点、故障规则；基础故障树由故障基本单元组成；复杂故障树由基础故障树组成。故障类型表示为r＝(r1,r2,rj,...rn),其中rj表示第j种故障类型，n表示可能的故障类型数。

13、在上述实施例的基础上，所述归一化方法将m维故障表征向量转换为每一元素si的值在0和1之间且所有元素的和为1的m维向量，每一元素值可认为是当前输入样本属于某一类别的概率，具体公式如下：

14、

15、其中m为类别数量，sk为向量中的元素。

16、在上述实施例的基础上，所述步骤4中的神经网络利用7层深度卷积神经网络框架进行处理，该网络包括输入层、2对卷积池化层、全连接层和输出层，其中输入层输入提炼的特征矩阵，卷积层利用卷积核与输入数据进行卷积运算，池化层将卷积层处理的数据输出至池化层进行池化操作，全连接层将输出特征平展拼接成一个向量，输出层根据归一公式计算属于每种故障的概率。

17、在上述实施例的基础上，所述卷积层的计算公式为：

18、

19、其中l表示卷积层的层数，表示第l层卷积层的输出，表示l层的激活函数，wl表示该卷积层所用的卷积核，x表示该卷积层的输入，bl表示该卷积层的偏置。

20、在上述实施例的基础上，所述卷积层的激活函数为：

21、relu(x)＝max(0,x)

22、在上述实施例的基础上，所述池化层均采用最大池化方法进行池化操作，其计算公式为：

23、

24、其中l表示卷积层的层数，表示第l层池化层的输出，rl为第l层的池化滤波器。

25、在上述实施例的基础上，所述全连接层将第5层的输出特征平展拼接成一个向量，然后与第6层进行全连接，其计算公式为：

26、

27、其中hfc表示全连接层的输出，w3为全连接层的权重，为第二层池化层的输出，b3为全连接层的偏置。

28、在上述实施例的基础上，构建神经网络后，利用样本集在有监督模式下对模型进行训练，对损失目标函数进行优化，损失函数为：

29、

30、其中h(j)是对应第j类样本标签的真实值，p(j)是预测样本属于第j类的概率。

31、相比于现有技术，本发明所述的一种基于神经网络算法的电缆故障预判分析方法具有以下有益效果：1、本发明通过大数据分析，充分考虑输配电网中电缆故障的重要指标，利用神经网络计算出各项指标对于电缆故障的影响权重，保证全面监测电缆的健康状况。本发明定义了针对性的树形故障专家库，系统输出中包括故障节点位置和故障方式等，便于运维工作人员及时前往预警节点对电缆进行检查。

32、2、本发明利用卷积神经网络，由于模型训练需要大量往年的电缆故障数据，相比于大部分发明应用的bp神经网络和决策树模型，卷积神经网络能够处理更大的数据集，运算量小，过拟合的风险小，且模型精度高，本发明提高了现有电缆故障预警的准确率，从而对电缆的健康情况进行可靠判断。