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方案

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。以电力电缆为研究对象，包括单相接地短路故障、相间短路故障、两相同时短路故障和三相短路故障。根据供电系统的组成与特点，在考虑实际情况的前提下，在Matlab中搭建10kV系统电力电缆仿真模型，对不同短路故障下的电压信号进行仿真，同时验证了仿真模型的可行性。其次对仿真得到的电压信号进行预处理后，构建样本数据集。搭建一维卷积神经网络，提取电力电缆故障信号的有效特征。接着考虑电缆故障信号的时序信息，构建基于双向长短时记忆网络的电缆故障检测模型。最后对双向长短时记忆网络的电缆检测模型进行优化。该方法为电力运维的安全性和可靠性提供了保障，具有实际意义。义。义。

【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示，相较于浅层机器学习模型具有更强的泛化能力，能刻画数据更加丰富的信息本质.因此,将深度学习技术用于电缆故障信号识别，将是电缆故障识别领域的一个研究热点。

技术实现思路

[0006]为解决电力电缆故障诊断现有技术中存在的不足，本专利技术的目的在于，提供基于双向长短时记忆网络的电力电缆故障识别方案，将一维卷积网络与双向长短时记忆网络结合，采用一维卷积提取特征向量，同时对双向长短时记忆网络的电缆故障模型进行优化，实现了对电力电缆故障故障信号的诊断。
[0007]本专利技术采用如下的技术方案。基于双向长短时记忆网络的电力电缆故障识别方法，包括以下步骤：
[0008]步骤1，搭建三相电力电缆运行模型；
[0009]步骤2，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，得出仿真结果的故障电压信号；
[0010]步骤3，根据仿真得出的各种短路故障的电压信号，构建故障电压信号样本集；
[0011]步骤4，搭建一维卷积神经网络，自动提取电力电缆故障信号的有效特征；
[0012]步骤5，搭建双向长短时记忆网络的电缆检测模型，输入由卷积层提取到的有效特征，使用双向长短时记忆网络对提取到的有效特征进行识别与分类；
[0013]步骤6，训练和优化一维卷积神经网络和双向长短时记忆网络的电缆检测模型，更新权重系数，得到最新的模型，并输出短路故障分类结果。
[0014]优选地，步骤3中，选取单个样本长度为2560，每相样本的长度为2560，三相样本长度为7680，对所述短路故障信号进行采集，一共得到12550个样本。
[0015]优选地，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。
[0016]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。
[0017]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。
[0018]步骤4中，所述一维卷积神经网络的卷积过程如下：
[0019][0020]式中：
[0021]j表示每层的输出样本个数，
[0022]f表示激活函数，
[0023]i表示第i个输入的样本，
[0024]M
j
表示输入的操作，
[0025]l表示第l层卷积，
[0026]表示目标输入的待卷积区域，
[0027]表示卷积核，也称为权重，
[0028]b
j
表示对应卷积核的偏置系数，
[0029]表示卷积输出结果。
[0030]优选地，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。
[0031]步骤6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。
[0032]步骤6具体包括：
[0033]步骤6.1，采集电力电缆的电压故障信号数据；
[0034]步骤6.2，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；
[0035]步骤6.3，训练一维卷积神经网络和双向长短时记忆网络模型，通过反向传播优化算法对损失函数进行迭代优化,并朝着损失函数减小的方向更新网络权重系数,当达到设置的迭代轮数或损失值经过设定迭代轮数不再降低时,停止对深度神经网络模型的训练,并且停止网络中参数的更新，此时网络训练已经完成，得到一个训练好的网络模型。
[0036]优选地，步骤6.3中，双向长短时记忆网络包含前向层和后向层，前向层和后向层
共同连接着输出层，前向层从时刻1到时刻t正向计算一遍，得到并保存每个时刻的前向隐层输出；后向层沿着时刻t到时刻1反向计算一遍，得到并保存每个时刻后向隐层输出；最后将前向层和后向层在每个时刻的隐层输出结合，得到最终的输出结果数学表达式如下：
[0037]h
t
＝f(w1x
t
+w2h
t
‑1)
[0038]h
*t
＝f(w3x
t
+w5h
*t
‑1)
[0039]o
t
＝g(w4h
t
+w6h
*t
)
[0040]式中：
[0041]t表示某个时刻，
[0042]x
t
表示输入，输入的是上一层的输出，
[0043]h
t
表示t时刻前向传播层隐层输出，
[0044]表示t时刻后向传播层隐层输出，
[0045]o
t
表示t时刻最终输出，
[0046]w1表示输入层到前向层的权重，
[0047]w2表示前向层中的权重，
[0048]w3表示输入层到后向层的权重，
[0049]w4表示前向层到输出层的权重，
[0050]w5表示后向层的权重，
[0051]w6表示后向层到输出层的权重本文档来自技高网...

【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：