【技术实现步骤摘要】
基于双向长短时记忆网络的电力电缆故障识别方法及系统
[0001]本专利技术属于电力电缆故障信号识别
,具体涉及基于双向长短时记忆网络的电力电缆故障识别方法及系统。
技术介绍
[0002]随着现代工业的发展和城市化水平的提高,电力电缆作为传输电能的重要工具,越来越得到人们的重视,其运行的可靠性直接影响电力系统的正常运行。电力电缆在长期运行过程中,易受到电场、热效应、机械应力、化学腐蚀以及环境条件等因素的影响,其绝缘品质将逐渐劣化。某电网的电力电缆部分已达到使用寿命30年的期限,加上各种潜在的缺陷及问题存在便有可能引发绝缘击穿事故。同时由于电力电缆敷设于地下,一旦出现故障,会造成难以估量的停电损失。为提高供电的可靠性,减少经济损失,对电力电缆应采用科学的故障识别技术与合理的检修体制,发现问题于萌芽状态并及时解决,确保其健康、安全运行,减少经济损失。
[0003]电力电缆设备状态监测局限于传统意义上的设备简单参数监测,并且依赖专业的人员去进行故障诊断与检修,缺乏智能化分析的手段。
[0004]基于人工神经网络的方法虽然可以实现故障类型的判别,但是其自身训练时间长、判别精度低。因此,如何选择和改进神经网络模型使其更好的与实际工况相结合,仍然需要进一步的研究与验证。
[0005]近年来,深度学习技术因其优异的性能广泛用于计算机视觉和自然语言处理领域。深度学习技术没有显式的特征提取过程,直接把底层特征作为深度学习模型的输入,通过多层的非线性映射方式,提取抽象不变的高层属性特征,形成表征数据分布式的表 ...
【技术保护点】
【技术特征摘要】
1.基于双向长短时记忆网络的电力电缆故障识别方法,其特征在于,包括以下步骤:步骤1,搭建三相电力电缆运行模型;步骤2,利用电力电缆运行模型仿真单相接地短路故障、两相相间短路故障、两相接地短路故障和三相短路故障,以获得不同的短路故障电压信号;步骤3,根据仿真得出的各种短路故障电压信号,构建故障电压信号样本集;步骤4,搭建并训练卷积神经网络,利用训练好的卷积神经网络从故障电压信号样本集中提取电力电缆故障信号的有效特征;步骤5,搭建并训练双向长短时记忆网络的电缆故障检测模型,利用训练好的电缆故障检测模型对电力电缆故障信号的有效特征进行识别与分类,以获得电力电缆故障识别结果。2.根据权利要求1所述的基于双向长短时记忆网络的电力电缆故障识别方法,其特征在于:步骤4中,所述有效特征包括:故障信号的最大值,最小值,方差。3.根据权利要求2所述的基于双向长短时记忆网络的电力电缆故障识别方法,其特征在于:步骤4中所述卷积神经网络包括4层一维卷积层和4层池化层,卷积层各层尺寸均是3,池化层均采用最大值池化,池化大小为2,步长为2。4.根据权利要求3所述的基于双向长短时记忆网络的电力电缆故障识别方法,其特征在于:步骤4中,在第四层卷积层输出端加入dropout层,dropout层的概率设为0.5。5.根据权利要求4所述的基于双向长短时记忆网络的电力电缆故障识别方法,其特征在于:步骤4中,所述一维卷积神经网络的卷积过程如下:式中:j表示每层的输出样本个数,f表示激活函数,i表示第i个输入的样本,M
j
表示输入的操作,l表示第l层卷积,表示目标输入的待卷积区域,表示卷积核,也称为权重,b
j
表示对应卷积核的偏置系数,表示卷积输出结果。6.根据权利要求5所述的基于双向长短时记忆网络的电力电缆故障识别方法,其特征在于:步骤5中,所述双向长短时记忆网络包括2层,每个双向长短时记忆网络层包含前向层
和后向层,隐藏节点数均设为256,每层双向长短时记忆网络层加dropout层,dropout层概率设为0.5。7.根据权利要求6所述的基于双向长短时记忆网络的电力电缆故障识别方法,其特征在于:步骤5中,根据电力电缆故障信号的输入特征向量,设置一个由8层结构的深度神经网络模型,第一层为输入层,中间层为卷积神经网络层和双向长短时记忆网络层,最后一层为全连接输出层。8.根据权利要求7所述的基于双向长短时记忆网络的电力电缆故障识别方法,其特征在于:所述步骤5具体包括:步骤5.1,采集电力电缆的电压故障信号数据;步骤5.2,将待识别的电压故障信号经过预处理后,输入到一维卷积神经网络与双向长短时记忆网络模型进行短路故障分类识别,得到短路故障识别结果;步骤5.3,训练一维卷积神经网络和双向长短时记...
【专利技术属性】
技术研发人员:姚德贵,刘泽辉,张博,高超,姚利娜,白银浩,王天,伍川,曹栋,张世尧,刘光辉,炊晓毅,陶亚光,马伦,陈钊,张帅,潘钰婷,
申请(专利权)人:郑州大学国网河南省电力公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。