基于VMD和CNN的电缆早期故障识别与分类方法技术

基于VMD和CNN的电缆早期故障识别与分类方法，包括以下步骤：步骤一、获取待测模拟信号；步骤二、选取带宽限制因子α、噪声容限τ和模态分解个数K作为参数并设置参数取值；步骤三、对各类模拟信号进行变分模态分解，获取各个模态及其中心频率，实现频带划分；步骤四、提取分解模态特征并构造特征向量；步骤五、将各类信号特征向量输入卷积神经网络，调参训练并获取分类结果；通过使用本方法，可以准确的对电缆早期故障与过电流扰动进行区分，在早期故障变为永久故障前及时完成电缆检修，维持电网的稳定运行。

Cable Early Fault Recognition and Classification Based on VMD and CNN

【技术实现步骤摘要】
基于VMD和CNN的电缆早期故障识别与分类方法
本专利技术涉及电缆早期故障识别
，具体以一种基于VMD和CNN的电缆早期故障识别与分类方法。
技术介绍
电缆作为电力系统信息传送的主要设备，其故障的发展过程通常分为三个阶段：局部放电期、早期故障期及永久故障期。在电缆的使用过程中，由于绝缘层的缺陷、腐蚀或老化，最先出现一系列的局部放电脉冲，形成电树枝或水树枝，随着进一步的恶化，将演变为伴有电弧出现的早期故障；早期故障会在首次发生后反复出现，直至变为不可逆的永久性故障。电缆早期故障的发生具有不确定性，而且故障出现时电流非常小，所以不足以引起传统过电流检测装置的安全保护。同时，由于存在某些类似的扰动，例如变压器激磁涌流、恒定阻抗和电容投切故障引起的过电流问题，目前存在的电缆故障早期识别方法大多数具有条件限制，且识别率不高，在过电流扰动的影响下，电缆早期故障与过电流扰动无法准确区分识别。
技术实现思路
本专利技术目的在于解决电缆早期故障与过电流扰动无法准确区分识别的问题，提供了基于VMD和CNN的电缆早期故障识别与分类方法，通过使用本方法，可以准确的对电缆早期故障与过电流扰动进行区分，在早期本文档来自技高网...

【技术保护点】
1.基于VMD和CNN的电缆早期故障识别与分类方法，其特征在于，包括以下步骤：步骤一、获取待测模拟信号；步骤二、选取带宽限制因子α、噪声容限τ和模态分解个数K作为参数并设置参数取值；步骤三、对各类模拟信号进行变分模态分解，获取各个模态及其中心频率，实现频带划分；步骤四、提取分解模态特征并构造特征向量；步骤五、将各类信号特征向量输入卷积神经网络，调参训练并获取分类结果。

【技术特征摘要】
1.基于VMD和CNN的电缆早期故障识别与分类方法，其特征在于，包括以下步骤：步骤一、获取待测模拟信号；步骤二、选取带宽限制因子α、噪声容限τ和模态分解个数K作为参数并设置参数取值；步骤三、对各类模拟信号进行变分模态分解，获取各个模态及其中心频率，实现频带划分；步骤四、提取分解模态特征并构造特征向量；步骤五、将各类信号特征向量输入卷积神经网络，调参训练并获取分类结果。2.如权利要求1所述的基于VMD和CNN的电缆早期故障识别与分类方法，其特征在于，所述步骤二中参数取值分别为带宽限制因子α＝2000，噪声容限τ＝0，模态分解个数选择K＝7。3.如权利要求1所述的基于VMD和CNN的电缆早期故障识别与分类方法，其特征在于，所述步骤三中对原始信号进行变分模态分解的具体过程如下：步骤3.1、将输入信号x(t)预分解为K个模态函数uk(t)，对每个模态进行Hilbert变换，将uk(t)实信号变为解析信号：其中δ(t)为狄拉克函数，j表示虚数，uk(t)为第k个模态分量，*表示卷积运算；步骤3.2、预估每个模态解析信号中心频率并调制频谱到相应的基频带上，实现频率混合：式中ωk为第k个模态分量的中心频率；步骤3.3、估计每个模态分量的带宽，且满足每个模态的估计带宽之和最小，引入约束条件计算公式(2)解调信号梯度的L2范数，形式如下：式中，{uk}＝{u1,u2…uk}表示K个模态分量，{ωk}＝{ω1,ω2…ωk}表示K个分量的中心频率；步骤3.4、引入拉格朗日乘子λ(t)和惩罚因子α，构造增广拉格朗日函数，将公式(3)转换为非约束性的变分问题，形式如下：步骤3.5、模型求解，过程如下：通过不断迭代交替更新和来获得到上述拉格朗日算式(4)的鞍点，对进行傅里叶变换，二次优化的解可表示为：同理得到中心频率及拉格朗日乘子的更新公式：此处，τ表示时间步长，作为噪声重建约束；式(5)满足条件，迭代过程终止，获得和对进行傅里叶逆变化，实部即为时域形式的模态分量uk(t)。4.如权利要求1所述...

【专利技术属性】
技术研发人员：杨晓梅，邓佳颖，张文海，刘宁，张家宁，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51