【技术实现步骤摘要】
本申请涉及电缆，具体涉及一种基于多层前馈神经网络和遗传算法的电缆故障检测方法。
技术介绍
1、电缆是电力传输和信息传输中不可或缺的组成部分，广泛应用于工业、通信、交通等领域。然而，电缆在长期使用中可能会出现各种故障，如短路、断线、绝缘故障等，这些故障可能会导致电力损失、通信中断和安全隐患。因此，及时准确地检测电缆故障并确定其类型和距离对维护和修复工作至关重要。
2、传统的电缆故障检测方法通常涉及大量的人力和物力投入，且精度有待提高。电缆反射法是一种广泛用于电缆故障检测的方法，通过向电缆传输短脉冲信号并测量反射信号的时间延迟，来确定电缆上的故障位置。虽然电缆反射法通常能够在几米范围内定位故障，并且检测过程较快，但其精度随着电缆长度的增加而减小，长距离电缆的故障定位的效果较差。而阻抗测量法基于电缆导线的电阻和电感特性，通过测量电缆的输入和输出来判断电缆中是否存在故障。这种方法虽然其信号的传输和响应不受距离的限制，适用于长距离电缆故障检测，但对不同故障类型的敏感性有限，而且易受电缆参数变化的影响。
技术实现思路
1、本申请旨在提出一种基于多层前馈神经网络和遗传算法的电缆故障检测方法，以解决传统的电缆故障检测方法精度较低且应用范围受限的技术问题。
2、本申请实施例提出一种基于多层前馈神经网络和遗传算法的电缆故障检测方法，包括：
3、获取电缆实际发生故障时，电缆首端的电压信号和电流信号；
4、对所述电压信号和电流信号进行离散傅里叶变换处理，基于
5、将所述特征分量输入预先训练好的多层前馈神经网络模型，输出故障类型和故障所在位置；
6、其中，所述多层前馈神经网络模型包括输入层、两个隐藏层和输出层，所述输入层设置m个神经元，每个隐藏层设置50个神经元，所述输出层设置n+1个神经元，所述n+1个神经元分别代表n种故障类型发生的概率和距离监测点的距离；所述多层前馈神经网络模型的模型参数基于遗传算法得到。
7、在一些实施例中，所述电压信号包括根据采样频率采样得到的a相和b相之间的线电压瞬时值以及b相和c相之间的线电压瞬时值，所述电流信号包括根据采样频率采样得到的abc三相的线电流瞬时值、、。
8、在一些实施例中，所述对所述电压信号和电流信号进行离散傅里叶变换处理，基于傅里叶变换结果提取特征分量，具体包括：
9、分别对、、、、进行离散傅里叶变换处理得到、、、、的基波和谐波分量，并分别提取出、、、、中的基波、一次谐波、三次谐波和五次谐波分量作为20个特征分量；
10、其中，m=20，m个神经元对应所述20个特征分量。
11、在一些实施例中，n=13，所述n种故障类型包括低阻故障中的单相短路、单相短路接地、两相短路接地、两相短路、三相短路接地、三相短路，高阻故障中的单相短路、单相短路接地、两相短路接地、两相短路、三相短路接地、三相短路，以及断线故障。
12、在一些实施例中，13个输出神经元的激励函数设置为sigmoid函数，其公式如下所示：
13、；
14、其它所有神经元的激励函数设置为relu函数，其公式如下所示：
15、。
16、在一些实施例中，所述多层前馈神经网络模型的模型参数基于遗传算法得到，具体包括：
17、随机设置30组不同的权值和阈值参数初始值作为初始种群，每组参数看作一个个体，并对每个个体进行二进制编码；设置交叉率、变异率以及适应度函数f；其中适应度函数如下：
18、；
19、其中，m表示训练示例的总数；表示将仿真采集到的第i个训练示例输入到该组参数下的模型中，其输出层第j个神经元的输出值；表示仿真采集到的第i个训练示例中对应输出层第j个神经元的正确结果，其中将相应故障类型的概率(即与相应故障类型对应的神经元的输出)设置为1，而其它故障类型的概率(即与其它故障类型对应的神经元的输出)设为0；
20、通过适应度函数计算出每个个体的适应度，通过轮盘赌的方法从种群中选择出两个个体作为父代；根据设置的交叉率，通过使用生成伪随机数的rand()函数来决定是否发生交叉，若发生交叉，则又使用rand()函数确定交叉位置，然后将父代的二进制编码根据交叉位置进行交叉结合，形成新的两个个体；
21、根据设置的变异率，来决定通过交叉结合生成的新的两个个体是否发生变异；若发生变异，则使用rand( )函数确定变异位置，并将确定的变异位置上的二进制编码进行翻转；
22、不断重复选择、交叉、变异过程，直到凑齐新的30个个体，从而组成新的种群；计算出新种群中个体适应度的最大值，如果与上一代种群中的个体适应度的最大值的差距大于设置的收敛精度，则继续进行选择、交叉、变异过程，生成新的下一代种群；如果新一代的种群中的个体适应度的最大值与上一代种群中的个体适应度的最大值的差距小于或等于收敛精度，则迭代停止；
23、迭代停止后，对最新一代种群中适应度最大的个体进行二进制解码，得出的结果即为最优的模型参数。
24、本申请实施例具有以下有益效果：
25、（1）多层前馈神经网络模型的应用使得该方法能够更全面、更准确地识别不同类型的电缆故障；相较于传统方法，这种模型能够更有效地从数据中学习，提高了故障识别地准确性；另外，使用该模型能够同时给出电缆故障的类型和位置信息，与传统提供单一信息的方法相比，该方法提供了更全面的故障诊断结果，为维护人员提供了更直观的问题描述，帮助他们更有效地解决问题；
26、（2）通过遗传算法对多层前馈神经网络模型的参数进行优化，可以自适应地调整参数，以适应不同数据特征和电缆故障模式的差异，通过全局搜索最优参数，能够避免陷入局部最优解，使得模型的训练更加有效率，提高了模型对电缆故障类型和距离的准确预测。
27、本申请实施例的其它特征和优点将在随后的说明书中阐述。
本文档来自技高网...【技术保护点】
1.一种基于多层前馈神经网络和遗传算法的电缆故障检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述电压信号包括根据采样频率采样得到的A相和B相之间的线电压瞬时值以及B相和C相之间的线电压瞬时值，所述电流信号包括根据采样频率采样得到的ABC三相的线电流瞬时值、、。
3.根据权利要求2所述的方法，其特征在于，所述对所述电压信号和电流信号进行离散傅里叶变换处理，基于傅里叶变换结果提取特征分量，具体包括：
4.根据权利要求3所述的方法，其特征在于，n=13，所述n种故障类型包括低阻故障中的单相短路、单相短路接地、两相短路接地、两相短路、三相短路接地、三相短路，高阻故障中的单相短路、单相短路接地、两相短路接地、两相短路、三相短路接地、三相短路，以及断线故障。
5.根据权利要求4所述的方法，其特征在于，13个输出神经元的激励函数设置为Sigmoid函数，其公式如下所示：
6.根据权利要求4所述的方法，其特征在于，所述多层前馈神经网络模型的模型参数基于遗传算法得到，具体包括：
【技术特征摘要】
1.一种基于多层前馈神经网络和遗传算法的电缆故障检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述电压信号包括根据采样频率采样得到的a相和b相之间的线电压瞬时值以及b相和c相之间的线电压瞬时值，所述电流信号包括根据采样频率采样得到的abc三相的线电流瞬时值、、。
3.根据权利要求2所述的方法，其特征在于，所述对所述电压信号和电流信号进行离散傅里叶变换处理，基于傅里叶变换结果提取特征分量，具体包括：
4.根据权利要求...
【专利技术属性】
技术研发人员：李洪卫，王其林，徐启源，李国栋，林子巡，唐斌，王佳佳，李阳，
申请(专利权)人：深圳供电局有限公司，
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。