【技术实现步骤摘要】
本专利技术涉及电缆检测领域，特别是一种基于深度学习的控制电缆异常检测模型及方法。
技术介绍
1、在电力系统中，电缆是传输电力、测量信号和控制信号的血管，根据其作用可分为电力电缆、仪表电缆和控制电缆。上述电缆大多采用屏蔽电缆的形式，导体周围有一层共同的导电层，用于电磁屏蔽。在恶劣环境中运行的电缆会因潮气侵入或温度不一致而发生老化，从而导致故障。因此，各个领域都在积极研究诊断技术的发展。
2、电缆诊断可以分为物理、化学和电气方法。物理方法利用机械性能，如延伸，以及使用与氧气的化学反应的方法可以准确检查电缆的状态。然而，由于两者都是破坏性方法，需要切割电缆，它们的使用通常仅限于对其他诊断方法结果的交叉验证。在各种用于带控制电缆的电气诊断方法中，最具代表性的方法包括耗散因子(tanδ)测量、局部放电(pd)测量和反射测量。
3、耗散因数测量被广泛用于估算电缆的整体完整性，但无法检测局部故障。此外，由于耗散因数测量使用的是充电电流和损耗电流之间的关系，因此它需要大功率充电源和大面积的测试设备。这些特性使得该方法难以应用于几...
【技术保护点】
1.一种基于深度学习的控制电缆异常检测模型及方法，其特征在于，搭建LSTM-VAE的模型，利用VAE输入和输出之间的重构误差。TFDR结果逐帧输入LSTM-VAE，并根据对数重构概率计算每帧的异常得分。当异常得分超过1时，系统会自动发出警报，提示异常发生，
2.根据权利要求1中所述的基于深度学习的控制电缆异常检测模型及方法，其特征在于，所述LSTM-VAE的网络架构包括数据窗口、归一化层、编码器、潜变量采样、解码器和评分层。
3.根据权利要求1中所述的基于深度学习的控制电缆异常检测模型及方法，其特征在于，VAE的编码器和解码器包含LSTM层和密...
【技术特征摘要】
1.一种基于深度学习的控制电缆异常检测模型及方法，其特征在于，搭建lstm-vae的模型，利用vae输入和输出之间的重构误差。tfdr结果逐帧输入lstm-vae，并根据对数重构概率计算每帧的异常得分。当异常得分超过1时，系统会自动发出警报，提示异常发生，
2.根据权利要求1中所述的基于深度学习的控制电缆异常检测模型及方法，其特征在于，所述lstm-vae的网络架构包括数据窗口、归一化层、编码器、潜变量采样、解码器和评分层。
3.根据权利要求1中所述的基于深度学习的控制电缆异常检测模型及方法，其特征在于，vae的编码器和解码器包含lstm层和密集层来处理时间序列数...
【专利技术属性】
技术研发人员：李欧，邱育义，陈寿平，刘凯，张建华，梁欢利，苏俊妮，刘耀云，陈瀚昌，周凯锋，刘沣，刘玮，黄沛亮，卢迪勇，徐锡斌，周妙秀，成佳富，李锦图，诸源胜，骆树权，吴汝豪，陈浩平，吴嘉竣，任燕，成煌，谢思洋，
申请(专利权)人：广东电网有限责任公司东莞供电局，
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。