基于小样本机器学习模型的电缆本体故障识别方法技术

本发明专利技术涉及一种基于小样本机器学习模型的电缆本体故障识别方法，包括以下步骤：S1、采集电力电缆不同故障的感应电流信号，建立样本库；S2，对S1中的样本库进行预处理，构建小样本训练集、验证集和测试集；S3、构建基于卷积神经网络和度量学习的小样本机器学习模型；S4、将S2中构建的训练集对机器学习模型进行训练；S5、将S2中构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型。S6、测试模型，向S5中的固化模型输入电力电缆感应电流谐波信号，输出相应的分类标签，最终获得电力电缆本体故障所属的类别。本发明专利技术可有效避免工程应用中数据样本难以采集，标注工作量大等问题，尤其适用于工程应用中数据样本少的情况。的情况。的情况。

【技术实现步骤摘要】
基于小样本机器学习模型的电缆本体故障识别方法


[0001]本专利技术涉及一种基于小样本机器学习模型的电缆本体故障识别方法。属于电力电缆本体故障诊断


技术介绍

[0002]电力电缆作为传输供电中电能的载体，其安全性至关重要。但由于敷设环境差（电缆沟、桥架）和前期施工工艺影响（电缆头和终端头结构密封不合理；外护套划伤等），电缆极易受损或绝缘老化而发生故障。随着运行时间的增长，故障率也会越来越高，而且一旦发生故障，故障诊断相对困难，修复难度大、用时长，造成的极大损失，是一个不可避免要解决的问题。
[0003]随着技术的发展、计算能力的不断提高，基于人工智能的分类识别方法在图像、语音等诸多方面取得了极大进展，为全球经济增长做出巨大贡献。作为一类具有庞大参数量的复杂机器学习算法，学习效果需要大量的标注数据支撑。
[0004]现在越来越多的场景不能够提供充足的样本进行学习，譬如，在通信辐射源指纹识别方面，实际复杂的电磁环境条件下，对于每个电磁环境辐射源而言，人们很难获取充足的已知类别的辐射源观测样本数据，传统机器学习分类识别算法在这种情况下使用受限。
[0005]传统机器学习分类识别算法需要庞大的数据体系作支撑，需要耗费较大的人力物理，且模型训练速度慢，操作灵活度较低。

技术实现思路

[0006]本专利技术的目的在于克服上述不足，提供了一种基于小样本机器学习模型的电缆本体故障识别方法。
[0007]本专利技术的目的是这样实现的：一种基于小样本机器学习模型的电缆本体故障识别方法，其特点是：包括以下步骤：S1、采集电力电缆不同故障的感应电流信号，建立样本库；S2，对S1中的样本库进行预处理，构建小样本训练集、验证集和测试集；S3、构建基于卷积神经网络和度量学习的小样本机器学习模型；S4、将S2中构建的训练集对机器学习模型进行训练；S5、将S2中构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型。
[0008]S6、测试模型，向S5中的固化模型输入电力电缆感应电流谐波信号，输出相应的分类标签，最终获得电力电缆本体故障所属的类别。
[0009]在小样本机器学习模型训练完成后，实时输入电力电缆感应电流谐波信号，加载训练好的模型参数，可实时输出故障类别。
[0010]进一步的，数据预处理包括数据清洗、数据提取、数据标注和构造特征标签；S2包
括以下步骤：S2
‑
1、数据清洗：删除步骤S1建立的原始样本库中的无效数据、重复数据，处理缺失值、异常值；S2
‑
2、数据提取：对S2
‑
1处理后的样本库中的感应电流信号进行傅里叶变换，提取2~10次的电流谐波信号；S2
‑
3、数据标注：对步骤S2
‑
2获得的样本添加标签进行标记，所述标签为电缆本体故障类别；S2
‑
4、构造特征标签。
[0011]进一步的，S2
‑
2中的数据提取还可采用小波变换。
[0012]进一步的，构造特征标签包括总谐波失真率、高次谐波占比和谐波含有率。
[0013]进一步的，数据集包含800类，随机选取 500类为训练集，200类为验证集，剩余100类为测试集；训练集、验证集和测试集的类别不交叉。
[0014]进一步的，S1中，电缆感应电流信号包括感应电流的2~10次的电流谐波信号、时间信息、以及电缆的识别信息和故障的类别信息。
[0015]进一步的，S3中，卷积神经网络是信号检测识别的特征描述子，包括卷积层、池化层、批量归一化层。
[0016]进一步的，采用Conv4对感应电流信号进行特征提取，每个卷积块由64个3*3卷积核的卷积层、批量归一化层、Relu激活函数层和2*2最大池化层组成。
[0017]进一步的，S3中，度量学习的度量手段包括曼哈顿距离、欧式距离、马氏距离、切比雪夫距离、余弦距离。
[0018]进一步的，S4中，将S2的训练集数据输入小样本机器学习模型，每个训练周期，从训练集中随机抽取N类，每类采样k个样本作为支持集S， b个样本作为查询集Q，目标函数为：其中，S和B分别为训练集中随机抽取的支持样本集和查询样本集，θ为模型的参数集合，x表示查询样本集B中的样本，y表示x的预测标签。
[0019]进一步的，采用余弦距离计算样本间的相似度，当向量a (x
11 , x
12 , x
13
,
ꢀ…
, x
1n
）和b(x
21
,x
22
,x
23
,
…
,x
2n
)都在一个向量空间中，则有：将余弦距离做归一化，a=softmax (cosθ)，输入样本的预测类别为：其中，a为训练得到的注意力核函数，k为数据集M的类别数，x
i
表示数据集M中的标记样本，y
i
表示x
i
的标签。
[0020]与现有技术相比，本专利技术的有益效果是：
本专利技术一种基于小样本机器学习模型的电缆本体故障识别方法，该方法可有效避免工程应用中数据样本难以采集，标注工作量大等困难，具有高效性和实用性，尤其适用于受环境限制不能够提供充足的样本进行学习的场景。
[0021]本专利技术一种基于小样本机器学习模型的电缆本体故障识别方法，只需要相对少量样本就可完成训练，克服了传统机器学习方法需要大量标记样本训练模型的缺点，具有很高的实时性和高效性，可节约大量人力物力，实现低成本、高灵活度操作，且获得的验证结果表示准确率＞85%。
[0022]本专利技术一种基于小样本机器学习模型的电缆本体故障识别方法，尤其适用于工程应用中数据样本少的情况。
附图说明
[0023]图1为本专利技术一种基于小样本机器学习模型的电缆本体故障识别方法的电力电缆本体故障识别方法流程图。
[0024]图2为构建模型算法流程图。
[0025]图3为骨干网络结构图。
[0026]图4为模型训练过程示意图。
具体实施方式
[0027]下面结合附图和实施例，对本专利技术的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制专利技术的保护范围。
[0028]参见图1，本实施例提供了一种基于小样本机器学习模型的电缆本体故障识别方法，包括以下步骤：S1、采集数据；采集不同电力电缆本体故障的感应电流信号，包括但不限于感应电流的2~10次的电流谐波信号、时间信息、以及电缆的识别信息和故障的类别信息以及其它附加信息等，并分别进行编号，建立样本库；S2，对样本库的数据进行预处理，构建训练集、验证集和测试集；数据预处理包括数据清洗、数据提取、数据标注和构造特征标签；数据清洗的目的是删除原始样本库中的无效数据、重复数据，处理缺失值、异常值。
[0029]数据提取包括但不限于傅里叶变换和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本机器学习模型的电缆本体故障识别方法，其特征在于：包括以下步骤：S1、采集电力电缆不同故障的感应电流信号，建立样本库；S2，对S1中的样本库进行预处理，构建小样本训练集、验证集和测试集；S3、构建基于卷积神经网络和度量学习的小样本机器学习模型；S4、将S2中构建的训练集对机器学习模型进行训练；S5、将S2中构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型。S6、测试模型，向S5中的固化模型输入电力电缆感应电流谐波信号，输出相应的分类标签，最终获得电力电缆本体故障所属的类别。2.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法，其特征在于：数据预处理包括数据清洗、数据提取、数据标注和构造特征标签；S2包括以下步骤：S2
‑
1、数据清洗：删除步骤S1建立的原始样本库中的无效数据、重复数据，处理缺失值、异常值；S2
‑
2、数据提取：对S2
‑
1处理后的样本库中的感应电流信号进行傅里叶变换，提取2~10次的电流谐波信号；S2
‑
3、数据标注：对步骤S2
‑
2获得的样本添加标签进行标记，所述标签为电缆本体故障类别；S2
‑
4、构造特征标签。3.根据权利要求2所述的一种基于小样本机器学习模型的电缆本体故障识别方法，其特征在于：S2
‑
2中的数据提取还可采用小波变换。4.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法，其特征在于：构造特征标签包括总谐波失真率、高次谐波占比和谐波含有率。5.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法，其特征在于：数据集包含800类，随机选取 500类为训练集，200类为验证集，剩余100类为测试集；训练集、验证集和测试集的类别不交叉。6.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法，其特征在于：S1中，电缆感应电流信号包括感应电流的2~1...

【专利技术属性】
技术研发人员：周涛，赵嘉兴，郭建斌，姜涛，王瑞刚，朱晓中，万庆祝，闫旭阳，李伊梦，郑帅，袁润娇，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：