CN105277853A - 一种基于二次脉冲的海底电缆故障定位装置及方法 - Google Patents

Abstract

一种基于二次脉冲的海底电缆故障定位装置及方法，属于电缆检测技术领域。包括二次脉冲模块、传感器模块、信号调理模块、A/D转换模块以及进一步包括分类模块、滤波模块、重构模块、特征值提取模块与故障诊断模块的中央处理单元；采集海底电缆故障反射信号，经模数转换后再经调压、滤波处理后提取其特征值；构建特征值—故障点距离拟合模型；利用特征值—故障点距离拟合模型和基于多特征值的测距方法计算故障点位置。本发明利用FPGA并行处理机制的优点，对电缆反射的高、低频信号采用了不同的滤波方法，提高了信号的处理速度；充分考虑反射信号的多个特征值在故障点定位中的作用，采用基于多特征值的测距方法，提高了故障点定位的精度。

Description

一种基于二次脉冲的海底电缆故障定位装置及方法

技术领域

本发明属于电缆检测技术领域，具体涉及一种基于二次脉冲的海底电缆故障定位装置及方法。

背景技术

随着偏远海岛的开发增多以及远洋资源开发规模的不断扩大，跨海电能需求急剧增加，需要铺设的海底电缆越来越多，人类海洋活动的增多导致海底电缆受拖锚、渔业捕捞、船只拖拽、岸基作业等因素的破坏现象频繁发生，当海底电缆受损时，必定会导致电缆供电异常甚至不能继续供电。因此，必须及时对故障点进行测距、定位，进而修复故障并恢复供电。而测距的精确度又在很大程度上影响了故障修复所用的时间。

目前可用于海底电缆故障测距的方法有电桥法和行波法，电桥法由于其使用范围的限制而慢慢变成一种辅助测距方法，而更常用的是行波法。行波法能对于占总故障90％左右的高阻性故障进行检测。行波法的基本原理是通过向电缆中注入一次或者多次脉冲，通过采集反射脉冲，计算行波在电缆中传播的时间，结合行波在电缆中的传播速度，两者相乘即可测出故障点距离。然而在实际使用中却遇到了很多问题，第一：行波在电缆中传播速度随电缆材质的不同而不同，因此必须通过经验法来选择行波速度大小，所选择行波的波速大小与实际行波波速肯定存在一定偏差；第二：理论上，行波在电缆中传播速度等于光速，虽然实际中传播速度有所减小，但传播速度值仍然很大，在检测行波在电缆中传播时间时，采集到的反射脉冲中噪声会对时间的计算产生影响，最终通过时间与速度相乘计算故障点距离时，致使测距偏差很大，会大大增加定位所需人力和物力，甚至会导致最终不能定位故障点。因此，寻找一种可靠性好、精度高的海底电缆故障测距方法，并据此设计一种操作简单实用的故障点测距装置，已成为急需解决的问题。

发明内容

针对现有技术存在的不足，本发明提供一种基于二次脉冲的海底电缆故障定位装置及方法。

本发明的技术方案：

一种基于二次脉冲的海底电缆故障定位装置，包括利用二次脉冲法产生二次脉冲并注入海底电缆的二次脉冲模块，还包括：传感器模块、信号调理模块、A/D转换模块和中央处理单元；

所述传感器模块，用于采集海底电缆故障反射电信号，并将其送入信号调理模块；

所述信号调理模块，用于接收传感器传送的海底电缆故障反射电信号，并对其进行调压、滤波后得到所需的模拟电信号输出给A/D转换模块；

所述A/D转换模块，用于将其接收的模拟电信号转换为数字电信号，并输出给中央处理单元；

所述中央处理单元，用于对接收的数字电信号进行滤波后提取其特征值，再采用基于多特征值的测距方法计算出海底电缆故障位置；其一步包括：

分类模块：接收的数字电信号，并依据频率将所述数字电信号划分为高频信号和低频信号并均输出给滤波模块；

滤波模块：分别利用变尺度平滑滤波方法、小波滤波方法对输入的高、低频信号进行滤波，并将滤波后的高、低频信号输出给重构模块；

重构模块：将输入的高、低频信号重构为原始信号并输出给特征值提取模块；

特征值提取模块：利用基于变量间信息的特征提取方法对重构的信号提取特征值并输出给故障诊断模块；所述特征值包括脉冲幅值、脉冲宽度、半幅值脉宽和脉冲面积；

故障诊断模块：以所述特征值为输入，相应的故障点距离预测值为输出，建立BP神经网络模型；对BP神经网络模型进行训练后得到特征值—故障点距离拟合模型；基于特征值—故障点距离拟合模型和多特征值的测距方法，计算出故障点距离终值，进而确定海底电缆故障点位置。

根据所述的海底电缆故障定位装置，所述中央处理单元为FPGA；

采用海底电缆故障定位装置的海底电缆故障定位方法，包括如下步骤：

步骤1：采集通过二次脉冲法得到的海底电缆故障反射电信号；

步骤2：对所述反射电信号进行调压、滤波处理得到所需的模拟电信号；

步骤3：对所述的模拟电信号进行模数转换处理得到数字电信号；

步骤4：依据频率将数字电信号划分为高、低频两类信号；

步骤5：分别利用变尺度平滑滤波方法、小波滤波方法对高、低频信号进行滤波；

步骤6：将滤波后的高、低频信号进行重构为原始信号；

步骤7：利用基于变量间信息的特征提取方法提取重构信号的特征值，包括脉冲幅值U_f、脉冲宽度T_f、半幅值脉冲宽度T_H和脉冲面积S_f；

步骤8：以所述特征值为输入，相应的故障点距离预测值为输出，建立BP神经网络模型；

步骤9：利用步骤1至步骤7的方法，获得不同故障点对应的故障反射电信号的特征值，并相应实测每一故障点距离后，与各自对应的特征值进行一一组合得到多组训练样本；

步骤10：利用步骤9的多组训练样本对步骤8建立的BP神经网络模型进行训练，输出结果与对应的故障点距离实测值误差最小的一次BP神经网络作为特征值—故障点距离拟合模型；

步骤11：在进行海底电缆故障定位时，重复执行步骤1至步骤7多次，相应得到待测故障点的多组故障反射电信号及其特征值，并将所述多组特征值作为输入量分别与步骤10获得的特征值—故障点拟合模型进行匹配，相应得到多组故障点距离预测值，采用基于多特征值的测距方法，计算出该待测故障点距离终值，进而确定该待测故障点的位置；

所述基于多特征值的测距方法为：a)按照从小到大的顺序对所述的多组故障点距离预测值进行排列为L₁,L₂,…,L_n,其中n为总组数；b)按照a)中所述排列顺序，从头至尾依次计算相邻组故障点距离预测值之差值△₁,△₂,…,△_n-1，即△₁＝|L₁-L₂|,△₂＝|L₂-L₃|,…,△_n-1＝|L_n-1-L_n|，令ε_i＝Δ_i/Δ_i+1，i＝1,2,…,n-2；c)若1-α≤ε_i≤1+α，其中α＞0为邻近1的小数，则该待测故障点距离终值为所述多组故障点距离预测值的平均值；若存在ε_i＞1+α或者ε_i＜1-α，表明某组故障点距离预测值较其他组故障点距离预测值偏差较大，则将所述多组故障点距离预测值中的最大值和最小值剔除，剩余故障点距离预测值取平均值即为该待测故障点距离终值。

本发明的有益效果：本发明采集到反射脉冲信号后，根据信号的成份不同选择不同的方法进行滤波，低频信号采用2层小波分解方法，高频信号采用多层小波分解，以提高滤波效果，能更好地捕捉到反射脉冲信号的细节信息，确保特征值的准确性。然后建立了以四个特征值作为四个输入、故障点距离预测值作为输出的BP神经网络，以21组数据作为样本，进行多次重复训练，选择其中效果较好的一次网络，然后将神经网络预测数据和实际数据进行对比，分析其误差，误差较小，在一定程度上达到了对海底电缆故障点距离预测的效果。本发明的海底电缆故障定位方法可靠性好、精度高，且相应的海底电缆故障定位装置操作简单实用。

附图说明

图1为本发明一种实施方式的基于二次脉冲的海底电缆故障结构示意图；

图2为本发明一种实施方式的二次脉冲模块结构示意图；

图3为本发明一种实施方式的信号调理模块的电路原理图；

图4为本发明一种实施方式的ADS7844与FPGA的接口电路连接示意图；

图5为本发明一种实施方式的海底电缆故障点反射脉冲信号的四个特征值的示意图；

图6为本发明一种实施方式的基于二次脉冲的海底电缆故障定位方法流程图；

图7为本发明一种实施方式的BP神经网络模型示意图；

图8为本发明一种实施方式的基于多特征值的测距方法流程图。

具体实施方式

下面结合附图对本发明的一种实施方式作详细说明。

本实施方式的海底电缆故障定位装置，如图1所示包括：包括用于产生产生高、低压二次电脉冲信号并将二次脉冲信号注入海底电缆的二次脉冲模块，还包括：传感器模块、信号调理模块、A/D转换模块和中央处理单元；本实施方式的传感器模块，用于采集通过二次脉冲法得到的海底电缆故障反射电信号，并将其送入信号调理模块；本实施方式的传感器模块才用的是型号为BTR-VJ32A的电压传感器；本实施方式的中央处理单元采用的是型号为EP3C25Q240C8的FPGA中央处理单元。

本实施方式的二次脉冲模块，如图2所示，首先高压脉冲源(冲击高压或直流电压)产生高压信号，经过球隙、二次脉冲产生器形成高压脉冲信号送入海底电缆，在故障点闪络处(电弧的电阻值很低)维持低阻状态一段时间(一般为500ms左右)；然后，高压脉冲源再发射一个低压信号，经过球隙、二次脉冲产生器形成低压脉冲信号送入电缆，此脉冲在故障点闪络处发生短路反射。由BTR-VJ32A电压传感器采集两次脉冲反射信号，并将其送入信号调理模块。图中G为二极管、C为大小为500μF的电容，R为大小为3欧姆的电阻。

本实施方式的信号调理模块的电路原理如图3所示，用于接收BTR-VJ32A电压传感器传送的海底电缆故障反射电信号，并对其进行调压、滤波后得到所需的模拟电信号输出给A/D转换模块；BTR-VJ32A电压传感器将采集到的反射信号首先经过RC滤波电路进行滤波，然后经一个20K的电阻连接到运算放大器的输出端，运算放大器同相输入端接2.5V的参考电压，其中，运算放大器的型号为AD824，运放的输出端经过一个20K的电阻与ADS7844的I/O1端口相连；

本实施方式的A/D转换模块采用的是型号为ADS7844的A/D转换模块，ADS7844将其接收的模拟电信号转换为数字电信号，并将该数字电信号送入EP3C25Q240C8FPGA中央处理单元进行故障点定位。A/D转换模块与FPGA的接口电路如图4所示，ADS7844的CS端连接FPGA时序控制模块的I/O口；

本实施方式EP3C25Q240C8的FPGA中央处理单元，用于对接收的数字电信号进行滤波后提取其特征值，再采用基于多特征值的测距方法计算出海底电缆故障位置；其一步包括：

分类模块：依据频率，将接收的数字电信号划分为高频信号和低频信号并均输出给滤波模块；本实施方式中高低频的界限是300Hz；

滤波模块：对高频信号采用变尺度平滑滤波方法进行滤波，对低频信号采用小波滤波方法进行滤波；并将滤波后的高、低频信号输出给重构模块；

重构模块：将输入的高、低频信号重构为原始信号并输出给特征值提取模块；

特征值提取模块：利用基于变量间信息的特征提取方法对重构的信号提取特征值并输出给故障诊断模块；所述特征值包括脉冲幅值、脉冲宽度、半幅值脉宽和脉冲面积；选取用于表征反射脉冲信号的四个特征值的示意图如图5所示，以采集到的反射波形的脉冲幅值大小U_f、脉冲宽度T_f、脉冲半幅值U_H点所对应的脉冲宽度T_H和脉冲面积S_f作为特征值来表征采集到的反射波形。其中U_f用于限定脉冲高度，T_f用于限定脉冲宽度，脉冲半幅值宽度U_H用于描述脉冲衰减的过程，脉冲面积S_f是由脉冲幅值U_f和脉冲宽度T_f所包围的面积，用于对脉冲外部波形进行限定。由于脉冲衰减时，随着传播时间的延长，脉冲衰减幅值变化越来越小，当其幅值接近零时，由于受噪声干扰，很难正确判断波形的具体走势，因此在脉冲宽度T_f的选取上，可以用近似值代替，以反射脉冲最大幅值的5％作为界限来选取T_f的大小。

故障诊断模块：以所述特征值为输入，相应的故障点距离预测值为输出，建立BP神经网络模型；对BP神经网络模型进行训练后得到特征值—故障点距离拟合模型；基于特征值—故障点距离拟合模型和多特征值的测距方法，计算出故障点距离终值，进而确定海底电缆故障点位置。

采用基于二次脉冲的海底电缆故障定位装置的海底电缆故障定位方法，如图6所示，包括如下步骤：

步骤1：采集通过二次脉冲法得到的海底电缆故障反射电信号；

步骤2：对所述反射电信号进行调压、滤波处理得到所需的模拟电信号；

步骤3：对所述的模拟电信号进行模数转换处理得到数字电信号；

步骤4：依据频率将数字电信号划分为高、低频两类信号；

步骤5：分别利用变尺度平滑滤波方法、小波滤波方法对高、低频信号进行滤波；

步骤6：将滤波后的高、低频信号进行重构为原始信号；

步骤7：利用基于变量间信息的特征提取方法提取重构信号的特征值，包括脉冲幅值U_f、脉冲宽度T_f、半幅值脉冲宽度T_H和脉冲面积S_f；

步骤8：以所述特征值为输入，以相应的故障点距离预测值为输出，建立BP神经网络模型；如图7所示，该神经网络模型一共有三层：输入层的神经元个数为4，分别对应幅值、脉宽、半幅值脉宽和脉冲面积，输出层神经元个数为1，对应为距离信息，隐含层的个数为7。

步骤9：利用步骤1至步骤7的方法，获得多个不同故障点分别对应的重构信号的特征值，并相应实测每一故障点距离后，将每一故障点所对应的重构信号的特征值与该故障点距离组合为一组训练样本，进而得到多组训练样本；

步骤10：利用步骤9的多组训练样本对步骤8建立的BP神经网络模型进行训练，将训练中BP神经网络模型的输出结果与对应的实测故障点距离误差最小的一次BP神经网络作为特征值—故障点距离拟合模型；

分别针对某海底电缆的不同故障点，采集其反射波形，并提取各反射波形信号的特征值，用其作为输入值，将故障点距离预测值作为输出值进行训练，得到特征值—故障点距离拟合模型。

表1故障距离与四个特征值对应关系

步骤11：在进行海底电缆故障定位时，重复执行步骤1至步骤7多次，应得到待测故障点的多组故障反射电信号及其特征值，并将所述多组特征值作为输入量分别与步骤10获得的特征值—故障点拟合模型进行匹配，相应得到多组故障点距离预测值，采用基于多特征值的测距方法，如图8所示，计算出该待测故障点距离终值，进而确定该待测故障点的位置；

所述基于多特征值的测距方法为：a)按照从小到大的顺序对所述的多组故障点距离预测值进行排列为L₁,L₂,…,L_n,其中n为总组数；b)按照a)中所述排列顺序，从头至尾依次计算相邻组故障点距离预测值之差值△₁,△₂,…,△_n-1，即△₁＝|L₁-L₂|,△₂＝|L₂-L₃|,…,△_n-1＝|L_n-1-L_n|，令ε_i＝Δ_i/Δ_i+1，i＝1,2,…,n-2；c)根据ε_i，判断多组故障点距离预测值中是否有偏差较大的值：若1-α≤ε_i≤1+α，其中α＞0为邻近1的小数(例如α取为0.9)，表明没有任一组故障点距离预测值较其他组故障点距离预测值偏差大，则该待测故障点距离终值为所述多组故障点距离预测值的平均值即若存在ε_i＞1+α或者ε_i＜1-α，表明某组故障点距离预测值较其他组故障点距离预测值偏差较大，则将所述多组故障点距离预测值中的最大值和最小值剔除，剩余故障点距离预测值取平均值即为该待测故障点距离终值即 $L_0=\frac{L_1+L_2+...+L_n-L_{max}-L_{\min }}{n-2}.$

表2距离测量和误差精度对比

从表2可以看出，用4个特征值作为特征值—故障点拟合模型输入量并采用基于多特征值的测距方法得到的故障点距离值相当接近实测故障点距离值。虽然随着电缆长度的增加，偏差会有所增加，但对于4个特征值距离衰减规律来说，其偏差增大的很小，即使电缆长度很长，其也能满足要求的精度。

Claims (3)

1.一种基于二次脉冲的海底电缆故障定位装置，包括利用二次脉冲法产生二次脉冲并注入海底电缆的二次脉冲模块，其特征在于：该装置还包括：传感器模块、信号调理模块、A/D转换模块和中央处理单元；

所述传感器模块，用于采集海底电缆故障反射电信号，并将其送入信号调理模块；

所述信号调理模块，用于接收传感器传送的海底电缆故障反射电信号，并对其进行调压、滤波后得到所需的模拟电信号输出给A/D转换模块；

所述A/D转换模块，用于将其接收的模拟电信号转换为数字电信号，并输出给中央处理单元；

所述中央处理单元，用于对接收的数字电信号进行滤波后提取其特征值，再采用基于多特征值的测距方法计算出海底电缆故障位置；其一步包括：

分类模块：接收的数字电信号，并依据频率将所述数字电信号划分为高频信号和低频信号并均输出给滤波模块；

滤波模块：分别利用变尺度平滑滤波方法、小波滤波方法对输入的高、低频信号进行滤波，并将滤波后的高、低频信号输出给重构模块；

重构模块：将输入的高、低频信号重构为原始信号并输出给特征值提取模块；

特征值提取模块：利用基于变量间信息的特征提取方法对重构的信号提取特征值并输出给故障诊断模块；所述特征值包括脉冲幅值、脉冲宽度、半幅值脉宽和脉冲面积；

故障诊断模块：以所述特征值为输入，相应的故障点距离预测值为输出，建立BP神经网络模型；对BP神经网络模型进行训练后得到特征值—故障点距离拟合模型；基于特征值—故障点距离拟合模型和多特征值的测距方法，计算出故障点距离终值，进而确定海底电缆故障点位置。

2.根据权利要求1所述的基于二次脉冲的海底电缆故障定位装置，其特征在于：所述的海底电缆故障定位装置，所述中央处理单元为FPGA。

3.采用权利要求1所述的基于二次脉冲的海底电缆故障定位装置的海底电缆故障定位方法，其特征在于：包括如下步骤：

步骤1：采集通过二次脉冲法得到的海底电缆故障反射电信号；

步骤2：对所述反射电信号进行调压、滤波处理得到所需的模拟电信号；

步骤3：对所述的模拟电信号进行模数转换处理得到数字电信号；

步骤4：依据频率将数字电信号划分为高、低频两类信号；

步骤5：分别利用变尺度平滑滤波方法、小波滤波方法对高、低频信号进行滤波；

步骤6：将滤波后的高、低频信号进行重构为原始信号；

步骤7：利用基于变量间信息的特征提取方法提取重构信号的特征值，包括脉冲幅值U_f、脉冲宽度T_f、半幅值脉冲宽度T_H和脉冲面积S_f；

步骤8：以所述特征值为输入，相应的故障点距离预测值为输出，建立BP神经网络模型；

步骤9：利用步骤1至步骤7的方法，获得不同故障点对应的故障反射电信号的特征值，并相应实测每一故障点距离后，与各自对应的特征值进行一一组合得到多组训练样本；

步骤10：利用步骤9的多组训练样本对步骤8建立的BP神经网络模型进行训练，输出结果与对应的故障点距离实测值误差最小的一次BP神经网络作为特征值—故障点距离拟合模型；

步骤11：在进行海底电缆故障定位时，重复执行步骤1至步骤7多次，相应得到待测故障点的多组故障反射电信号及其特征值，并将所述多组特征值作为输入量分别与步骤10获得的特征值—故障点拟合模型进行匹配，相应得到多组故障点距离预测值，采用基于多特征值的测距方法，计算出该待测故障点距离终值，进而确定该待测故障点的位置；

所述基于多特征值的测距方法为：a)按照从小到大的顺序对所述的多组故障点距离预测值进行排列为L₁,L₂,…,L_n,其中n为总组数；b)按照a)中所述排列顺序，从头至尾依次计算相邻组故障点距离预测值之差值△₁,△₂,…,△_n-1，即△₁＝|L₁-L₂|,△₂＝|L₂-L₃|,…,△_n-1＝|L_n-1-L_n|，令ε_i＝Δ_i/Δ_i+1，i＝1,2,…,n-2；c)若1-α≤ε_i≤1+α，其中α＞0为邻近1的小数，则该待测故障点距离终值为所述多组故障点距离预测值的平均值；若存在ε_i＞1+α或者ε_i＜1-α，表明某组故障点距离预测值较其他组故障点距离预测值偏差较大，则将所述多组故障点距离预测值中的最大值和最小值剔除，剩余故障点距离预测值取平均值即为该待测故障点距离终值。