一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法技术

本发明专利技术涉及电力设备状态监测与故障诊断技术领域，具体公开了一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，包括以下步骤：S1、构建数据集；S2、构建空间通道注意力模块；S3、构建卷积特征提取网络CNN；S4、构建多层全连接网络；S5、投建损失函数，并基于上述的数据集、模型和损失函数开始训练，建立对应的电缆单缺陷预测模型。本发明专利技术中，通过空间注意力模块和通道注意力模块与卷积神经网络融合，强化模型对缺陷特征的提取能力，进一步提高模型对缺陷位置的定位精度。型对缺陷位置的定位精度。型对缺陷位置的定位精度。

【技术实现步骤摘要】
一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法


[0001]本专利技术属于电力设备状态监测与故障诊断
，特别涉及一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法。

技术介绍

[0002]目前，随着工业自动化的快速发展，电缆的需求日益增加。但是电缆实际运行环境恶劣，会受到水分入侵、电热老化、化学腐蚀、机械磨损等影响，在电缆局部位置出现绝缘薄弱点，严重时会造成安全事故。而现有的电缆检测手段仅能粗略定位电缆局部缺陷/故障的位置，因此如何精准找到电缆的局部缺陷/故障位置，对维护电力传输系统的稳定性具有重大意义。基于宽频阻抗谱的电缆缺陷定位技术具有高频成分多，定位精度高等优势，已广泛应用于电缆缺陷检测与定位。然而，在实现缺陷检测和定位的过程中，通常需要人工对采集的数据进行判断，对操作人员的工程经验较高，自动化程度不足。
[0003]以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。

技术实现思路

[0004]本专利技术的目的在于提供一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，从而克服
技术介绍
中存在的缺陷。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，包括以下步骤：S1、建立单缺陷电缆模型，通过宽频阻抗谱对缺陷电缆生成一系列带标签的数据集，通过标签可获取缺陷点距电缆首端的真实距离Y
target
；S2、通过空间通道注意力模块SCAM网络模型将缺陷点中的空间特征和通道特征进行融合形成缺陷电缆的缺陷特征，作为数据集的输入特征向量V
input
；S3、构建CNN网络模型，并将SCAM网络模型与CNN网络进行融合形成定位模型，定位模型对V
input
进行提取，输出特征向量V
output
，对将V
output
输入至全连接网络，获取预测距离Y
predict
；S4、提出一种平均绝对误差损失与Huber损失加权的损失函数，计算出真实距离Y
target
与预测距离Y
predict
损失值；S5、通过损失反向传播更新定位的参数，直至完成定位模型的训练，建立单缺陷电缆预测模型。
[0007]优选的，所述空间通道注意力模块SCAM网络模型包括通道注意力模块和空间注意力模块；
[0008]所述通道注意力模块将宽频阻抗谱生成的原始特征图X形成通道注意力权重矩阵M
c
(X)，通过将原始特征图X与M
c
(X)相乘得到特征图X
C
；所述空间注意力模块将特征图X
C
作为输入值，生成空间卷积权重矩阵M
S
(X
C
),将其与X
C
作乘法,生成的特征图X
S
。
[0009]优选的，所述定位模型包括：第一特征提取网络，用于获取第一特征向量V
k3
；第二
特征提取网络，用于获取第二特征向量V
k5
；第三特征提取网络，用于获取第三特征向量V
scam
；
[0010]将第一特征向量、第二特征向量以及第三特征向量融合后获得最终特征向量V
output
。
[0011]优选的，所述步骤S4中平均绝对误差损失函数为L1、损失加权的损失函数为L
huber
的数学表达式如下：
[0012][0013]L1＝|Y
predict
‑
Y
target
|；
[0014]L
total
＝α
×
L1+β
×
L
huber
；
[0015]在上式中，Y
target
表示真实缺陷距离，Y
predict
表示预测的缺陷距离，α为函数L1的权重，β为函数L
huber
的权重，L
total
表示损失值。
[0016]优选的，所述特征图X
C
获取步骤如下：S31、将原始特征图X的长和宽两个方向进行平均池化和最大池化操作，得到两个新的特征图；S32、将步骤S31生成的两张特征图送入由两层全连接结构组成的神经网络中，将处理后的两个特征图作加法；S33、通过步骤S32处理后由一个Sigmoid函数作激活，最终得到通道注意力权重矩阵M
c
(X)；S34、最后将原始特征图X与M
c
(X)相乘得到特征图X
C
。
[0017]优选的，所述生成的特征图X
S
包括以下步骤：S41、将首先对X
C
在通道方向进行平均池化和最大池化操作，得到和两个新的特征图；S42、将步骤S41两个特征图在通道上连接形成新的特征图S43、将特征图送入一个由7
×
7卷积核构成的卷积神经网络中进行特征提取；S44、步骤S43在Sigmoid激活函数的作用下，生成空间卷积权重矩阵M
S
；S45、将M
S
与X
C
作乘法，得到经SCAM模块处理后生成的特征图X
S
。
[0018]优选的，所述第一特征提取网络包括四个卷积模块A；所述第二特征提取网络包括三个卷积模块A
′
；所述第三特征提取网络由卷积模块A
′
和SCAM串联构成。
[0019]优选的，所述步骤S5中通过损失反向传播更新数据后完成一次迭代，最后循环迭代，判断是否达到收敛条件，完成定位模型的训练。
[0020]优选的，所述第一特征向量、第二特征向量以及第三特征向量
[0021]融合具体为：
[0022][0022]其中表示向量的点乘，表示向量逐点相加。优选的，所述卷积模块A的卷积核大小为3，步幅为1以及填充
[0023]为1；所述
[0024]卷积模块A
′
的卷积核大小为5，步幅为1以及填充为2。
[0025]与现有的技术相比，本专利技术具有如下有益效果：
[0026]1.本专利技术中，通过空间注意力模块和通道注意力模块与卷积神经网络融合，强化模型对缺陷特征的提取能力，进一步提高模型对缺陷位置的定位精度。
[0027]2.本专利技术中，通过构建平均绝对误差损失(MAE)与Huber损失加权的损失函数，进一步加强模型对异常值的稳定性，提高模型的收敛效率。
附图说明
[0028]图1是本专利技术流程图。
[0029]图2是本专利技术缺陷电缆模型图。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，包括以下步骤：S1、建立单缺陷电缆模型，通过宽频阻抗谱对缺陷电缆生成一系列带标签的数据集，通过标签可获取缺陷点距电缆首端的真实距离Y
target
；S2、通过空间通道注意力模块SCAM网络模型将缺陷点中的空间特征和通道特征进行融合形成缺陷电缆的缺陷特征作为数据集的输入特征向量V
input
；S3、构建CNN网络模型，并将SCAM网络模型与CNN网络进行融合形成定位模型，定位模型对V
input
进行提取，输出特征向量V
output
，对将V
output
输入至全连接网络，获取预测距离Y
predict
；S4、提出一种平均绝对误差损失与Huber损失加权的损失函数，计算出真实距离Y
target
与预测距离Y
predict
损失值；S5、通过损失反向传播更新定位模型的参数，直至完成定位模型的训练，建立单缺陷电缆预测模型。2.根据权利要求1所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，所述空间通道注意力模块SCAM网络模型包括通道注意力模块和空间注意力模块；所述通道注意力模块将宽频阻抗谱生成的原始特征图X形成通道注意力权重矩阵M
c
(X)，通过将原始特征图X与M
c
(X)相乘得到特征图X
C
；所述空间注意力模块将特征图X
C
作为输入值，生成空间卷积权重矩阵M
S
(X
C
),将其与X
C
作乘法,生成的特征图X
S
。3.根据权利要求1所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，所述定位模型包括：第一特征提取网络，用于获取第一特征向量V
k3
；第二特征提取网络，用于获取第二特征向量V
k5
；第三特征提取网络，用于获取第三特征向量V
scam
；将第一特征向量、第二特征向量以及第三特征向量融合后获得最终特征向量V
output
。4.根据权利要求1所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，所述步骤S4中平均绝对误差损失函数为L1、损失加权的损失函数为L
huber
的数学表达式如下：L
total
＝α
×
L1+β
×
L
huber
；在上式中，Y
target
...

【专利技术属性】
技术研发人员：潘绍明，赵坚，苏毅，张镱议，俸波，张磊，韩方源，李锐，陈梁远，张龙飞，芦宇峰，饶夏锦，唐捷，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：