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。本专利技术主要通过以下技术方案实现：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。电缆早期自清除故障一般为单相接地故障，易引起相间接地早期故障，典型故障类型主要包含半周波早期故障和多周波早期故障。电缆早期故障特征归纳为：持续时间短或电流幅值低、故障发生在电压峰值附近和半周波早期故障持续1/4周期，当电流过零点时，故障自动消失；多周波早期故障一般持续1-4个周期，当电弧消失以后，故障自动消除，尽管电缆早期故障已具备较明显的特征，但若将原始故障直接识别效果并不理想，本专利技术中采用变分模态分解的方法假设分解的各个模态是具有对应中心频率的有限带宽，将最优分解问题转换为变分约束问题，利用交替方向乘子法求解各个模态及其中心频率，有效的实现频带划分，相比其它一些分解算法，变分模态分解具有更坚实的理论依据和鲁棒性，变分模态分解方法将输入信号从低频到高频依次分离，能够有效区分电缆早期故障信号及相似扰动不同频段的特征信息；然后根据信号特征完成参数的设置，但是分解后的多层信号具有很大的数据量，将其直接输入卷积神经网络识别，不仅网络参数选择难度增大，而且会导致训练时间过长，本专利技术中对模态信号进行特征提取之后再输入卷积神经网络进行识别；卷积神经网络局部感知和权值共享的多层结构特点，使其在变分模态分解特征提取的基础上，还进行了二次深度特征学习，挖掘更有价值的信息，提高电缆早期故障分类的准确率，进而有效的对电缆早期故障与过电流扰动进行区分识别，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；本专利技术中VMD为变分模态分解的英文简写，CNN为卷积神经网络的英文简写。进一步的，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。带宽限制因子α为一个影响分解信号带宽的参数，随着α的增大，每个分解信号以中心频率为基准，两边的频率会衰减越快，分解信号带宽越小；反之，α越小，中心频率两边信号衰减越慢，分解信号带宽越大。因此，当输入信号频率范围很大时，α取值较小，应在数百附近；当输入信号频率十分集中范围较小时，α取值应该变大，在数万附近，经过专利技术人对半周波早期故障、多周波早期故障、变压器激磁涌流扰动、恒定阻抗和电容投切故障等5类信号频谱进行分析，发现频率分布在0～380Hz之间，特点是频率范围较大，低频信号含量多，带宽限制因子α＝2000时，信号特征提取效果较好；噪声容限τ，当输入信号含有强噪声时，该参数能实现去噪的效果，经过专利技术人的研究，τ＝0时能满足分解要求；模态分解个数K，在对信号进行分解时，K值太小，分解层数太少，不能完全拟合输入信号的时频特征，K值过大，分解层数太多，会将干扰信号过度分解，造成模态中心频率混叠。经过专利技术人对5类信号进行分析，K值为7时分解层数最优。进一步的，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)。进一步的，所述步骤四提取的分解模态特征为峰峰值、均方根、中心频率、过零点数、模态相对能量比和瞬时幅值，1～K个模态中，任意模态的特征向量构造为FVk＝[峰峰值，均方根，过零点数，模态相对能量比，瞬时幅值，中心频率]，K个模态向量首尾相接，每个信号得到1×6×K的一维向量F。本专利技术中峰峰值描述了信号值浮动范围的大小，选择它作为特征主要是从不同模态的信号幅值来识别电缆早期故障；均方根即有效值，用以度量一个周期内信号的大小，因此该特征能够将多周期故障信号与其他类型信号分开。中心频率作为信号分解的重要频域指标，能够很好的反应不同扰动信号的频率组成；过零点数用于区分不同中心频率模态下的信号的非平稳特性；模态相对能量比描述了每个分解模态对于整个信号的贡献率；瞬时幅值通过移动固定窗宽计算信号的幅值包络，用于区分信号为短时或持续故障；中心频率作为信号分解的重要频域指标，能够很好的反应不同扰动信号的频率组成。变分模态分解方法将输入信号从低频到高频依次分离，有效地区分了电缆早期故障信号及相似扰动不同频段的特征信息，然而分解后的多层信号具有更大的数据量，如果将其直接输入卷积神经网络识别，不仅网络参数选择难度增大，而且会导致训练时间过长，对变分模态分解的特征提取可以有效的减少冗余信息过多，解决计算效率低下的问题。进一步的，所述步骤五中的卷积神经网络包括输入层、卷积层、下采样层、全连接层和输出层；输入层获取一维向量F信息，卷积层获得输入信号的深度特征映射，下采样层对卷积生成的本文档来自技高网...

【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