CN103439631B - 接地网腐蚀状态检测方法及系统 - Google Patents

Abstract

本发明提供了一种接地网腐蚀状态检测方法及系统，该接地网腐蚀状态检测方法包括：采用三电极体系传感器对被测接地网施加阶跃电流，采集被测接地网的阶跃响应信号；对阶跃响应信号进行小波信号提取生成检测信号；对检测信号进行重构生成滤波响应信号；根据重构后的滤波响应信号判断采集到的阶跃响应信号是否有效；确定阶跃响应信号有效，根据检测信号和Kohonen神经网络模型生成被测接地网的神经网络权值；根据被测接地网的神经网络权值和预存储的标准神经网络权值生成接地网腐蚀状态检测结果。本发明对得到的现场检测电化学信号，无须拟合，直接得到判断结果，对于没有检验知识的检测者同样适用。

Description

接地网腐蚀状态检测方法及系统

技术领域

本发明关于发电厂及变电站的接地网腐蚀状态检测技术，特别是关于应用了电化学检测的接地网腐蚀状态检测技术，具体的讲是一种接地网腐蚀状态检测方法及系统。

背景技术

我国普遍采用碳钢作为接地网材料，由于接地网常年埋于地下后，容易发生腐蚀，致使其电气性能恶化，严重时直接危及电网的稳定运行，因此研究接地网腐蚀检测方法，实现不断电、不开挖情况下的腐蚀状态检测，以便及时发现故障，防患于未然，这对于保障电力系统的可靠运行具有重要意义。

在现有技术中发电厂及变电站接地网测量方案主要包括：

（1）将接地网等效为纯电阻网络，每一段导体代表一个电阻，通过地下引线向接地网注入电流或电压并采集相应端口数据，计算可得两接地引线间的端口电阻，再将端口电阻和接地网的拓扑结构输入诊断分析软件得到各段导体的电阻值，最后将该电阻值与完好时的电阻值进行比较便可得到接地网导体的腐蚀程度及断点情况。

该方法利用腐蚀后材料电阻的变化判断进行判断,技术中如果金属部件足够细,由于腐蚀造成的材料电阻值得增加会比较明显,但是接地网尺寸与此相比一般比较大,腐蚀程度的变化反映到电阻变化上不明显,除非材料严重腐蚀。同时该方法得到不同端口数据不容易实现。并且该方法依赖于接地网导体电阻的测量，会受到地下引下线具体位置和数量的限制，并且检测过程中需要专业人员实时调整测量节点，进行多次测量，因此不便于实际的推广应用。

（2）对腐蚀体系施加恒定阶跃电流，同时记录极化电位随时间的变化曲线，通过分析软件解析出充电曲线得到极化电阻，最后比较极化电阻值便可判断地网的腐蚀情况。

该方法需要对所得数据解析，得到极化电阻，但是解析过程繁琐。并且不同腐蚀程度位置电流分布不规律，得到的结果为相对结果。并且恒电流瞬态响应曲线由大量数据点组成，对时间常数小的体系，体现在很短的时间内就会达到稳态，用拟合的方法难于得出反映真实情况的结果。

中国专利99109622.3公开的“发变电站接地网腐蚀及断点的诊断方法及其测量、诊断系统”、中国专利200710099692.X公开的“一种接地网腐蚀检测方法及系统”可作为本发明的现有技术而合并于此。

发明内容

本发明提供了一种接地网腐蚀状态检测方法及系统，用于根据现场采集到的检测电化学信号判断地网的腐蚀状态。

本发明提供了一种接地网腐蚀状态检测方法，包括：

采用三电极体系传感器对被测接地网施加阶跃电流，采集被测接地网的阶跃响应信号；

对所述的阶跃响应信号进行小波信号提取生成检测信号；

对所述的检测信号进行重构生成滤波响应信号；

根据重构后的滤波响应信号判断采集到的阶跃响应信号是否有效；

确定所述的阶跃响应信号有效，根据所述的检测信号和Kohonen神经网络模型生成被测接地网的神经网络权值；

根据所述的被测接地网的神经网络权值和预存储的标准神经网络权值生成接地网腐蚀状态检测结果。

同时，本发明还提供了一种接地网腐蚀状态检测系统，包括：

三电极体系传感器，用于对被测接地网施加阶跃电流，采集被测接地网的阶跃响应信号；

信号提取装置，用于对所述的阶跃响应信号进行小波信号提取生成检测信号；

信号重构装置，用于对所述的检测信号进行重构生成滤波响应信号；

判断装置，用于根据重构后的滤波响应信号判断采集到的阶跃响应信号是否有效；

权值确定装置，确定所述阶跃响应信号有效，用于根据所述的检测信号和Kohonen神经网络模型生成被测接地网的神经网络权值；

结果生成装置，用于根据所述的被测接地网的神经网络权值和预存储的标准神经网络权值生成接地网腐蚀状态检测结果。

本发明采用小波、Kohonen神经网络通过地网的恒电流瞬态响应曲线识别接地网的腐蚀状态，得到的现场检测电化学信号，无须滤波和拟合，直接根据现场检测信号得到判断结果，对于没有检验知识的检测者同样适用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种接地网腐蚀状态检测方法的流程图；

图2为本发明一种接地网腐蚀状态检测系统的框图；

图3为本发明实施例中的权值确定装置的框图；

图4为本发明一实施方式的示意图；

图5为小波神经网络学习后的权值；

图6-图8为对接地网的无涂层扁钢进行检测的恒电流滤波图；

图9为对接地网的无涂层扁钢进行检测的恒电流滤波图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明提供的一种接地网腐蚀状态检测方法的流程图，具体步骤包括：

步骤S101，采用三电极体系传感器对被测接地网施加阶跃电流，采集被测接地网的阶跃响应信号；

步骤S102，对阶跃响应信号进行小波信号提取生成检测信号；

步骤S103，对检测信号进行重构生成滤波响应信号；

步骤S104，根据重构后的滤波响应信号判断采集到的阶跃响应信号是否有效；

步骤S105，确定阶跃响应信号有效，根据检测信号和Kohonen神经网络模型生成被测接地网的神经网络权值；

步骤S106，根据被测接地网的神经网络权值和预存储的标准神经网络权值生成接地网腐蚀状态检测结果。

本发明基于电化学腐蚀的基本特点，给被测的腐蚀体系施加不影响其腐蚀进程的小幅度阶跃电流，使得电极电位的变化处于线性极化区，属于无损检测，施加的阶跃电流使得所述被测接地网的阶跃响应信号的范围为-40mv～+40mv，本发明通过对采集的检测信号进行滤波重构生成滤波响应信号，根据滤波响应信号判断阶跃响应信号是否有效，判断采集到的阶跃响应信号无效，调整施加的阶跃电流和/或预设的多分辨分析的层数和/或调整进行小波信号提取的小波基。具体包括：

根据重构后的滤波响应信号判断外加信号是否加载成功，不成功，调整施加的电流大小；

判断重构后的滤波响应信号的幅值是否在-40mv～+40mv的范围内，不在所述范围内，调整施加的电流大小；

根据重构后的滤波响应信号判断提取的检测信号是否有效，调整预设的多分辨分析的层数和/或调整进行小波信号提取的小波基，使信号提取与实际信号相符。

本发明根据得到滤波的响应信号可以观察采集的数据的有效性，因为现场检测可能信号没有加载上，最后结果是空采，导致误判。另一方面观察小波的选取是否合适，有时小波选取不当则不能实现信号的有效提取。

本发明建立基于小波分析和Kohonen神经网络的检测模型，对于输入检测模型的信号进行冗余提取，降低输入信息的维数但同时保证了信号不失真。

优选的，本发明实施例中对阶跃响应信号进行小波信号提取生成检测信号包括：对阶跃响应信号按预设层数进行多分辨分析分解，用式（1）、（2）对阶跃响应信号进行多分辨分析分解：

$x_j^l\left(k\right)=\frac{1}{\sqrt{2}}\underset{i\∈Z}{\mathrm{\Σ}}{x}_i^{l-1}\left(k\right)f_{\mathrm{ij}}---\left(1\right)$

${\mathrm{xd}}_j^l\left(k\right)=\frac{1}{\sqrt{2}}\underset{i\∈Z}{\mathrm{\Σ}}{x}_i^{l-1}\left(k\right)v_{\mathrm{ij}}---\left(2\right)$

其中，为每一层得到的输出信号；

为每一次得到的细节信号；

k为被测接地网的样本标号；

l=1,2...n,n为多分辨分析的预设层数；

i、j为样本信号的数据点数；

f_ij为低通滤波器小波系数，根据选取的小波波形确定；

v_ij为低通滤波器小波系数，根据选取的小波波形确定；

用式（3）对分解后的信号进行重构生成滤波响应信号：

${\mathrm{xc}}_i^l\left(k\right)=\frac{1}{\sqrt{2}}(\underset{i\∈Z}{\mathrm{\Σ}}{x}_j^{l-1}\left(k\right)f_{\mathrm{ij}}+\underset{i\∈Z}{\mathrm{\Σ}}{\mathrm{xd}}_j^{l-1}\left(k\right)v_{\mathrm{ij}})---\left(3\right)$

其中，为重构后的信号。

优选的，本发明实施例根据所述的检测信号和式（4）的Kohonen神经网络模型生成被测接地网的神经网络权值，

$\begin{array}{cc}{y}_j=1& \sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(w_{\mathrm{ij}}-x_i^l\left(k\right))}^2}-r\left(y_j\right)=\underset{j=1}{\overset{N_1}{\min }}(\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(w_{\mathrm{ij}}-x_i^l\left(k\right))}^2}-r\left(y_j\right))\\ y_j=0& \sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(w_{\mathrm{ij}}-x_i^l\left(k\right))}^2}-r\left(y_j\right)\≠\underset{j=1}{\overset{N_1}{\min }}(\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(w_{\mathrm{ij}}-x_i^l\left(k\right))}^2}-r\left(y_j\right))\end{array}---\left(4\right)$

其中，为多分辨分析分解的输出信号；

y_j为Kohonen神经网络模型输出层的信号；

w_ij为待确定的神经网络权值；

当y_j=1时r(y_j)等于原值，y_j=0时r(y_j)进行调整，r(y_j)为时间的非线性升函数，任一非线性升函数均可。

本发明技术方案中预存储的标准神经网络权值，即可以采用直接输入存储的方式预先存储的方式实现，还可以通过对本方案中获取被测接地网神经网络权值的方法获得标准神经网络权值，步骤如下：

采用三电极体系传感器对模拟接地网施加阶跃电流，采集模拟接地网的阶跃响应信号。

对模拟接地网的阶跃响应信号进行小波信号提取，降低信息维数，包括：对模拟接地网的阶跃响应信号采用式（1）、（2）进行多分辨分析分解，根据式（4）生成模拟检测信号。

根据生成的模拟检测信号和Kohonen神经网络模型生成神经网络权值；

本实施例中根据式（5）、（6）对神经网络权值进行学习训练、调整生成预存储的标准神经网络权值；

$\left\{\begin{array}{cc}\frac{{\mathrm{dw}}_{\mathrm{ij}}}{\mathrm{dt}}={\mathrm{\αy}}_j{x}_i^{N-1}\left(k\right)-{\mathrm{\βy}}_j{w}_{\mathrm{ij}}=\mathrm{\α}(x_i^{N-1}\left(k\right)-w_{\mathrm{ij}})& y_j=1\\ \frac{{\mathrm{dw}}_{\mathrm{ij}}}{\mathrm{dt}}=0& y_j=0\end{array}\right.---\left(5\right)$

w_ij(t+1)=w_ij(t)+ηdw_ij/dt（6）

其中，η为动量项，取值范围为0.1～1；

N根据小波信号提取的层数确定；

α为调节步长，β=α。

此外，本发明还公开了一种接地网腐蚀状态检测系统，如图2所示，该系统包括：

三电极体系传感器201，用于对被测接地网施加阶跃电流，采集被测接地网的阶跃响应信号；

信号提取装置202，用于对阶跃响应信号进行小波信号提取生成检测信号；

信号重构装置203，用于对所述的检测信号进行重构生成滤波响应信号；

判断装置204，用于根据重构后的滤波响应信号判断采集到的阶跃响应信号是否有效；

权值确定装置205，确定阶跃响应信号有效，用于根据检测信号和Kohonen神经网络模型生成被测接地网的神经网络权值；

结果生成装置206，用于根据被测接地网的神经网络权值和预存储的标准神经网络权值生成接地网腐蚀状态检测结果。

信号提取装置202用上述的式（1）、（2）对阶跃响应信号按预设层数进行多分辨分析分解：

重构装置203用式（3）对分解后的信号进行重构生成所述检测信号。

定装置包括权值计算模块，用于根据检测信号和上述的式（4）的Kohonen神经网络模型生成被测接地网的神经网络权值。

如图3所示，本实施例中的权值确定装置203还包括：

神经网络权值生成单元2031，用于根据模拟检测信号和Kohonen神经网络模型生成神经网络权值；

学习单元2032，用于根据式（5）、式（6）对神经网络权值进行学习、调整生成预存储的标准神经网络权值。

实施例

本发明的该实施例通过三电极传感器和一台便携电脑实现，如图4所示，为本发明一实施方式的示意图。

在笔记本电脑302中建立的基于小波、Kohonen神经网络的接地网检测模型，该模型选用多层结构，由三部分组成，第一部分对采集的信号进行小波提取，本实施方式中的小波提取模型预设层数为五层，即小波提取模型由五层组成，对应多分辨分析的五层分解，结点个数与选用的小波基有关，前面一层结点与后面一层结点之间有权连接，相应的权值固定，故这部分接点间权值是固定的不具有学习功能，但能剔除信息的冗余，降低了信息的维数但不会失真。

第二部分为Kohonen神经网络模型部分，将小波提取后的检测信号输入Kohonen神经网络模型，计算输入信号的神经网络权值。

最后一部分具有自学习功能，整个网络输出层前一层中的每一个神经元，通过权与输出层的每一个神经元相联，输出层神经元以二维形式排列，它们中的每一个神经元是输入样本的‘映象’。后面一层神经元间采用无导师竞争学习的方法，在学习过程中，只需向网络提供学习样本，而无需提供理想输出。网络的工作过程则借鉴BP网络的特点，以网络的学习所得权值为网络的记忆，并以此为依据进行未知样本的识别。工作时无需重新竞争学习，利用存储的网络权值进行判断。

小波提取后得到的响应信号按（1）式逐层运算，其中l为层数，i、j为数据点数，直至第五层。此时权值对应重构滤波器系数为w_ij=h_i-2j，l=1,2…5,v_ij=g_i-2j。

$x_j^l\left(k\right)=\frac{1}{\sqrt{2}}\underset{i\∈Z}{\mathrm{\Σ}}{x}_i^{l-1}\left(k\right)f_{\mathrm{ij}}---\left(1\right)$

模型5层按照式（2）（3）计算，

$x_j^l\left(k\right)=\frac{1}{\sqrt{2}}\underset{i\∈Z}{\mathrm{\Σ}}{x}_i^{l-1}\left(k\right)f_{\mathrm{ij}}---\left(2\right)$

${\mathrm{xd}}_j^l\left(k\right)=\frac{1}{\sqrt{2}}\underset{i\∈Z}{\mathrm{\Σ}}{x}_i^{l-1}\left(k\right)v_{\mathrm{ij}}---\left(3\right)$

其中，为每一层得到的输出信号；

为每一次得到的细节信号；

k为被测接地网的样本标号；

l为所述多分辨分析的层数，l=1,2…5；

i、j为样本信号的数据点数；

f_ij为低通滤波器小波系数，根据选取的小波波形确定；

vi_j为低通滤波器小波系数，根据选取的小波波形确定；

第五层细节信号按照式（7）进行处理，其中thr为预设的阈值。

$\left\{\begin{array}{cc}{\mathrm{xd}}_j^l\left(k\right)={\mathrm{xd}}_j^l\left(k\right)& \left|{\mathrm{xd}}_j^l\left(k\right)\right|>\mathrm{thr}\\ {\mathrm{xd}}_j^l\left(k\right)=0& \left|{\mathrm{xd}}_j^l\left(k\right)\right|\≤\mathrm{thr}\end{array}---\left(7\right)\right.$

得到第五层输出

模型第6层按式（3）进行重构：

${\mathrm{xc}}_i^l\left(k\right)=\frac{1}{\sqrt{2}}(\underset{i\∈Z}{\mathrm{\Σ}}{x}_j^{l-1}\left(k\right)f_{\mathrm{ij}}+\underset{i\∈Z}{\mathrm{\Σ}}{\mathrm{xd}}_j^{l-1}\left(k\right)v_{\mathrm{ij}})---\left(3\right)$

最后一层为竞争层,对N-1层输入归一化，得N-1层输出通过输入层与输出层之间的连接权w_ij产生输出y_j(j=1，2…n₁)（本文n₁为3）。输出层神经元输出为：

$\left\{\begin{array}{cc}{y}_j=1& \sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(w_{\mathrm{ij}}-x_i^k)}^2}-r\left(y_j\right)=\underset{j=1}{\overset{N_1}{\min }}(\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(w_{\mathrm{ij}}-x_i^k)}^2}-r\left(y_j\right))\\ y_j=0& \sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(w_{\mathrm{ij}}-x_i^k)}^2}-r\left(y_j\right)\≠\underset{j=1}{\overset{N_1}{\min }}(\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(w_{\mathrm{ij}}-x_i^k)}^2}-r\left(y_j\right))\end{array}\right.---\left(4\right)$

其中，为多分辨分析五层分解第五层的输出信号；

y_j为Kohonen神经网络模型输出层的信号；

w_ij为待确定的神经网络权值；

当y_j=1时r(y_j)等于原值，y_j=0时r(y_j)进行调整，r(y_j)为时间的非线性升函数，任一非线性升函数均可。本发明中，对模拟接地网继续测试是，需对神经网络进行训练时，采用r(y_j)做为调整步幅，实际测试中，即对地网进行实际测试时，无需对神经网络进行训练学习，r(y_j)=0。

竞争在输出层中进行，输出最大的神经元就是“赢”的神经元，它的输出为1，则输入响应曲线特征向量所对应的防护层状态可确定。

网络权值w_ij,的学习满足hebb学习规则的，其变化正比于输入与输出状态值的乘积：

$\left\{\begin{array}{cc}\frac{{\mathrm{dw}}_{\mathrm{ij}}}{\mathrm{dt}}={\mathrm{\αy}}_j{x}_i^{N-1}\left(k\right)-\mathrm{\β}\left(y_j\right)w_{\mathrm{ij}}=\mathrm{\α}(x_i^{N-1}\left(k\right)-w_{\mathrm{ij}})& y_j=1\\ \frac{{\mathrm{dw}}_{\mathrm{ij}}}{\mathrm{dt}}=0& y_j=0\end{array}\right.---\left(7\right)$

w_ij(t+1)=w_ij(t+1)+ηdw_ij/dt(8)

本实施例中权值的调整按照式（8）进行，其中η为动量项。循环操作到设定次数，网络输出满足要求。权值通过自组织学习，被固定下来，按照(6)式进行判断，此时r(y_j)＝0。将现场所得信号输入网络，以此网络对其它试片和接地网状态进行判别。

本实施例现场测试时采用三电极体系传感器，本实施例中的参比电极选用Cu/CuSO₄,现场测试时将传感器与接地网相连。

应用恒电流瞬态响应技术对模拟试片和模拟接地网进行测试，以响应曲线做为训练样本，图5为小波神经网络学习后的权值，即获得的标准神经网络权值。

图6至图8为对接地网的无涂层扁钢进行检测的恒电流滤波图，其中，图6为腐蚀部分的恒电流滤波图；图7为腐蚀较轻部分的恒电流滤波图；图8为腐蚀不严重部分的恒电流滤波图；其中图6（a）为采集到的原始数据，图6（b）为采用模型的默认的方波进行滤波提取后获得的滤波数据，图6（c）为对小波基进行替换，采用db2小波进行滤波提取后的滤波数据，图6（d）为原始数据与db2滤波提取后的滤波数据的对比图。

图9中，图9（a）为未滤波前所采集的数据。图9（b）为小波选用参数并不合适，此时结果不理想，图9（c）为选用合适小波处理参数的结果。将图9（c）的处理结果输入本发明的模型，生成神经网络权值，将生成的神经网络权值与图5中的权值进行比较，判断腐蚀程度。

本发明建立适合与现场检测的模型，该判断系统有多层网络结构组成，分为两部分前面各部分具有信息处理功能，实现信息提取和数据降维。后面部分能够利用学习得到的权值智能判断，结合Kohnen网络的竞争学习特点和Bp网络利用权值判断的特点。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种接地网腐蚀状态检测方法，其特征在于，所述的方法包括：

采用三电极体系传感器对被测接地网施加阶跃电流，采集被测接地网的阶跃响应信号；

对所述的阶跃响应信号进行小波信号提取生成检测信号；

对所述的检测信号进行重构生成滤波响应信号；

根据重构后的滤波响应信号判断采集到的阶跃响应信号是否有效；

确定所述的阶跃响应信号有效，根据所述的检测信号和Kohonen神经网络模型生成被测接地网的神经网络权值；

根据所述的被测接地网的神经网络权值和预存储的标准神经网络权值生成接地网腐蚀状态检测结果；

所述的对检测信号进行重构生成滤波响应信号包括：用式(3)对检测信号进行重构生成所述滤波响应信号：

其中，为重构后的滤波响应信号。

2.如权利要求1所述的接地网腐蚀状态检测方法，其特征在于，所述的对阶跃响应信号进行小波信号提取生成检测信号包括：用式(1)、(2)对所述的阶跃响应信号按预设层数进行多分辨分析分解生成所述检测信号：

其中，为每一层得到的输出信号；

为每一次得到的细节信号；

k为被测接地网的样本标号；

l＝1,2…n，n为多分辨分析的预设层数；

i、j为样本信号的数据点数；

f_ij为低通滤波器小波系数，根据选取的小波波形确定；

v_ij为高通滤波器小波系数，根据选取的小波波形确定。

3.如权利要求2所述的接地网腐蚀状态检测方法，其特征在于，所述的根据所述的检测信号和Kohonen神经网络模型生成被测接地网的神经网络权值包括：根据所述的检测信号和式(4)的Kohonen神经网络模型生成被测接地网的神经网络权值，

其中，为多分辨分析分解的输出信号；

y_j为Kohonen神经网络模型输出层的信号；

w_ij为待确定的神经网络权值；

r(y_j)为调整步幅，为任一时间的非线性升函数；

当y_j＝1时，r(y_j)等于原值，y_j＝0时，对r(y_j)进行调整。

4.如权利要求1所述的接地网腐蚀状态检测方法，其特征在于，所述的方法还包括对模拟接地网进行测试，确定预存储的标准神经网络权值，步骤如下：

采用三电极体系传感器对模拟接地网施加阶跃电流，采集模拟接地网的阶跃响应信号；

对所述模拟接地网的阶跃响应信号进行小波信号提取生成模拟检测信号；

根据所述的模拟检测信号和Kohonen神经网络模型生成神经网络权值；

根据式(5)、(6)对所述的神经网络权值进行学习、调整生成预存储的标准神经网络权值；

w_ij(t+1)＝w_ij(t)+ηdw_ij/dt(6)

其中，η为动量项，取值范围为0.1～1；

N根据小波信号提取的层数确定；

y_j为Kohonen神经网络模型输出层的信号；

α为调节步长，β＝α。

5.如权利要求3所述的接地网腐蚀状态检测方法，其特征在于：所述的根据重构后的滤波响应信号判断采集到的阶跃响应信号是否有效包括：判断采集到的阶跃响应信号无效，调整施加的阶跃电流和/或预设的多分辨分析的层数和/或调整进行小波信号提取的小波基。

6.如权利要求5所述的接地网腐蚀状态检测方法，其特征在于：所述的判断采集到的阶跃响应信号无效，调整施加的阶跃电流和/或预设的多分辨分析的层数和/或调整进行小波信号提取的小波基包括：

根据重构后的滤波响应信号判断外加信号是否加载成功，不成功，调整施加的电流大小；

判断重构后的滤波响应信号的幅值是否在-40mv～+40mv的范围内，不在所述范围内，调整施加的电流大小；

根据重构后的滤波响应信号判断提取的检测信号是否有效，调整预设的多分辨分析的层数和/或调整进行小波信号提取的小波基，使信号提取与实际信号相符。

7.一种接地网腐蚀状态检测系统，其特征在于，所述的系统包括：

三电极体系传感器，用于对被测接地网施加阶跃电流，采集被测接地网的阶跃响应信号；

信号提取装置，用于对所述的阶跃响应信号进行小波信号提取生成检测信号；

信号重构装置，用于对所述的检测信号进行重构生成滤波响应信号；

判断装置，用于根据重构后的滤波响应信号判断采集的阶跃响应信号是否有效；

权值确定装置，确定所述阶跃响应信号有效，用于根据所述的检测信号和Kohonen神经网络模型生成被测接地网的神经网络权值；

结果生成装置，用于根据所述的被测接地网的神经网络权值和预存储的标准神经网络权值生成接地网腐蚀状态检测结果；

其中，

所述的信号重构装置用式(3)对分解后的信号进行重构生成所述检测信号：

其中，为重构后的滤波响应信号。

8.如权利要求7所述的接地网腐蚀状态检测系统，其特征在于，所述的信号提取装置根据式(1)、(2)对所述的阶跃响应信号按预设层数进行多分辨分析分解，生成所述检测信号：

其中，为每一层得到的输出信号；

为每一次得到的细节信号；

k为被测接地网的样本标号；

l＝1,2…n，n为多分辨分析的预设层数；

i、j为样本信号的数据点数；

f_ij为低通滤波器小波系数，根据选取的小波波形确定；

v_ij为高通滤波器小波系数，根据选取的小波波形确定。

9.如权利要求7所述的接地网腐蚀状态检测系统，其特征在于，所述的权值确定装置包括：权值计算模块，用于根据所述的检测信号和式(4)的Kohonen神经网络模型生成被测接地网的神经网络权值，

其中，为多分辨分析分解的输出信号；

y_j为Kohonen神经网络模型输出层的信号；

w_ij为待确定的神经网络权值；

当y_j＝1时r(y_j)等于原值，y_j＝0时r(y_j)进行调整，r(y_j)为时间的非线性升函数，任一非线性升函数均可。

10.如权利要求7所述的接地网腐蚀状态检测系统，其特征在于，所述的系统还用于对模拟接地网进行测试，确定预存储的标准神经网络权值，步骤如下：

采用三电极体系传感器对模拟接地网施加阶跃电流，采集模拟接地网的阶跃响应信号；

对所述模拟接地网的阶跃响应信号进行小波信号提取生成模拟检测信号；

根据所述的模拟检测信号和Kohonen神经网络模型生成标准神经网络权值。

11.如权利要求10所述的接地网腐蚀状态检测系统，其特征在于，所述的权值确定装置还包括：

神经网络权值生成单元，用于根据所述的模拟检测信号和Kohonen神经网络模型生成神经网络权值；

学习单元，用于根据式(5)、式(6)对所述的神经网络权值进行学习、调整生成预存储的标准神经网络权值；

其中，η为动量项，取值范围为0.1～1；N根据小波信号提取的层数确定；

y_j为Kohonen神经网络模型输出层的信号；α为调节步长，β＝α。

12.如权利要求8所述的接地网腐蚀状态检测系统，其特征在于：所述的系统包括：调整装置，判断装置确定采集到的阶跃响应信号无效时，调整装置调整施加的阶跃电流和/或预设的多分辨分析的层数和/或调整进行小波信号提取的小波基。

13.如权利要求12所述的接地网腐蚀状态检测系统，其特征在于：所述的调整装置调整施加的阶跃电流和/或预设的多分辨分析的层数和/或调整进行小波信号提取的小波基包括：

根据重构后的滤波响应信号判断外加信号是否加载成功，不成功，调整施加的电流大小；

判断重构后的滤波响应信号的幅值是否在-40mv～+40mv的范围内，不在所述范围内，调整施加的电流大小；

根据重构后的滤波响应信号判断提取的检测信号是否有效，调整预设的多分辨分析的层数和/或调整进行小波信号提取的小波基，使信号提取与实际信号相符。