CN110543921A - 一种基于波形学习的电缆早期故障识别方法 - Google Patents

Abstract

本发明公开了一种基于波形学习的电缆早期故障识别方法，通过PSCAD/EMTDC生成用于训练DDBN的各种样本数据，提供了DDBN进行故障识别的准确性；本发明方法利用变电站端测量到的电流数据从多种过电流扰动中识别电缆早期故障，在永久性故障发生之前进行电缆检修，避免发生永久性故障，提高供电可靠性。

Description

一种基于波形学习的电缆早期故障识别方法

技术领域

本发明属于电缆故障识别技术领域，具体涉及一种基于波形学习的电路早期故障识别方法。

背景技术

电缆作为电力系统信息传送的主要设备，其故障的发展过程通常分为三个阶段：局部放电器、早期故障期及永久故障期。在电缆的使用过程中，由于绝缘层的缺陷、腐蚀或老化，最先出现一系列的局部放电脉冲，形成电树枝或者水树枝，随着进一步的恶化，将演变为伴有电弧出现的早期故障；早期故障会在首次发生后反复出现，直到变为不可逆的永久性故障。永久性故障前的一种间歇性、瞬时性故障，具有持续时间短或电流幅值低的特点，在该种故障扰动模式下不会引起继电保护装置动作，该类故障会在一段时间内重复发生，并最终导致永久性故障；目前对电缆早期故障的识别大多基于传统信号处理方法提取特征，然后再基于构建的判据和设定阈值来识别电缆早期故障；由于人工提取特征是一项费时费力的任务，且如何选取最优的特征很困难，由此造成了现有识别电缆早期故障不准确的问题。

发明内容

针对现有技术中的上述不足，本发明提供的基于波形学习的电路早期故障识别方法解决了现有的电缆故障识别方法需要人工选取提取特征，耗费时力，且识别效果不理想的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于波形学习的电缆早期故障识别方法，包括以下步骤：

S1、搭建模拟电缆早期故障期间的仿真模型，并基于仿真模型生成电缆早期故障的波形数据和过流扰动的波形数据，并将生成的电缆早期故障的波形数据和过流扰动的波形数据作为样本数据；

S2、利用平稳小波变换对样本数据进行处理，提取对应的浅层特征向量，并将其输入深度置信网络中；

S3、通过深度置信网络对输入的浅层特征向量进行学习，提取出对应的深层特征，并根据提取的深层特征进行故障类型识别；

S4、基于故障类型识别结果，对深度置信网络的识别性能进行检测，并根据检测结果对深度置信网络的参数进行优化；

S5、将待识别的电缆故障电流数据经平稳小波变换处理提取的浅层特征向量作为测试数据；

S6、将测试数据输入到参数优化后的深度置信网络中，并输出对应的故障类型，实现电缆早期故障识别。

进一步地，所述步骤S1具体为：

S11、通过在PSCAD/EMTDC中采用Kizilcay电弧模型模拟电缆早期故障期间的时变电弧电阻；

S12、基于时变电弧电阻和不同类型的电缆早期故障统计特征，搭建仿真模型；

S13、设置采样率为10kHz；

S14、通过仿真模型在设置的采样率下生成不同类型电缆早期故障的波形数据；

S15、在仿真模型中接入故障模块，使仿真模型在设置的采样率下生成对应的过流扰动数据；

S16、将生成的电缆早期故障的波形数据和过流扰动的波形数据作为样本数据。

进一步地，所述步骤S11中的Kizilcay电弧模型的表达式为：

式中，τ是电弧时间常数；

t为时间；

u₀为特征电弧电压；

r₀为特征电弧电阻；

g为电弧电导，且i_f为故障电流，v_f为故障电压；

所述步骤S12中的电缆早期故障统计特征包括早期故障发生在电压峰值处、自动清除特性、重复发生并导致永久性故障、多周波早期故障、半周波早期故障和不会引起电力系统过流保护装置动作；

所述步骤S15中，当故障模块为电容器时，生成的过流扰动数据为电容切投的波形数据；

当故障模块为恒定阻抗时，生成的过流扰动数据为恒定阻抗故障的波形数据；

当故障模块为变压器时，生成的过流扰动数据为磁激涌流的波形数据。

进一步地，所述步骤S2具体为：

S21、通过平稳小波变换对样本数据进行分解层数为8层的静态小波分解，得到数据样本的高频细节系数和低频近似系数；

S22、依次提取高频细节系数和低频近似系数的浅层特征；

S23、基于提取到的浅层特征，形成浅层特征向量，并将其输入到深度置信网络中。

进一步地，所述步骤S21中进行静态小波分解表达式为：

式中，x(t)为输入信号，且x(t)∈L²(R)，L²(R)为平方可积函数空间；c_ij和d_ij分别为低频近似系数和高频细节系数，其中，下标i＝1,2,3,...,n，i为分解层的层数编号，n为分解层总层数，即n＝8，下标j＝1,2,3,...,J，j为小波系数的编号，J为小波系数的总数；

ζ_ij(t)为尺度函数，ζ_ij(t)＝2^-i/2ζ(2^-it-j)，t为时间；

ψ_ij(t)为小波函数；

所述步骤S22中提取的浅层特征包括频域特征基频分量f1、二次谐波分量f2、三次谐波分量f3、时域特征平均值μ、方差std、均方根RMS、波峰因数CF、偏度SK、峰度KT、形状因子SF、信息熵IE、能量熵EE和奇异值的最大值λ_max；

所述时域特征平均值μ_i为：

式中，下标i与各分解层对应，n＝8；

所述方差std_i为：

所述均方根RMS_i为：

所述波峰因数CF_i为：

式中，Max(g)为取最大值函数；

所述偏度SK_i为：

式中，E(g)为求均值函数；

所述峰度KT_i为：

所述形状因子SF_i为：

所述信息熵IE_i为：

所述能量熵EE_i为：

EE_i＝-En_ilog₂(En_i/E_n)

式中，En_k为每一层分解层分解得到系数的能量值，E_n为分解得到的总能量值，且

所述奇异值的最大值λmax_k为：

λmax_k＝max{Λ}

式中，Λ为经奇异值分解得到的对角矩阵；

所述奇异值的最大值λmax_k为：

λmax_k＝max{Λ}

式中，Λ为经奇异值分解得到的对角矩阵

所述步骤S23中，形成的浅层特征向量F为：

F＝[F_c1,F_t1,F_t2,F_t3,F_t4,F_t5,F_t6,F_t7,F_t8,F_t9,F_t10]

式中，F_c1＝[f₁,f₂,f₃]；

F_t1＝[μ_d1,…,μ_d8,μ_c8]；

F_t2＝[Std_d1,…,Std_d8,Std_c8]；

F_t3＝[RMS_d1,…,RMS_d8,RMS_c8]；

F_t4＝[CF_d1,…,CF_d8,CF_c8]；

F_t5＝[SK_d1,…,SK_d8,SK_c8]；

F_t6＝[KT_d1,…,KT_d8,KT_c8]；

F_t7＝[SF_d1,…,SF_d8,SF_c8]；

F_t8＝[IE_d1,…,IE_d8,IE_c8]；

F_t9＝[EE_d1,…,EE_d8,EE_c8]；

F_t10＝[λmax_d1,…,λmax_d8,λmax_c8]；

其中，下标d1,d2,d3,...,d8分别与每个分解层i中的高频细节系数对应，下标c8与静态小波分解过程中的第8层分解层的低频近似系数对应。

进一步地，所述步骤S3中的深度置信网络包括若干个依次连接的dropout限制波尔兹曼机和softmax分类器，其中，第一个dropout限制波尔兹曼机的可见层作为深度置信网络的输入层；

所述步骤S3中对深层特征进行故障类型识别的方法具体为：

A1、基于输入的浅层特征向量，通过贪婪预训练的分层方法初始化深度置信网络的参数；

A2、使用反向传播算法对参数初始化后的深度置信网络的参数进行微调，并学习提取出浅层特征向量对应的深层特征；

A3、根据softmax分类器对深层特征进行故障类型的自动分类。

进一步地，所述深度置信网络中需要进行微调的参数包括权重、学习率和动力；

所述权重的表达式为：

W_ij＝αW_ij+ΔW_ij

式中，W_ij为深度置信网络中连接可见层和隐藏层的权重矩阵；

α为学习率；

ΔW_ij为上一次参数更新前的权重，且ΔW_ij＝ε(<v_ih_j>_data-<v_ih_j>_model)，ε为动量，<v_ih_j>_data为输入深度置信网络的原始数据分布的期望，<v_ih_j>_model为由深度置信网络确定的期望。

进一步地，所述步骤S4中对深度置信网络的识别性能进行检测时的指标包括准确率Accuracy、精确率Precision、召回率Recall和测量值F₁；

所述准确率Accuracy为：

所述精确率Precision为：

所述召回率Recall为：

所述测量值F₁为：

式中，TP表示真阳性的数量；

TN表示真阴性的数量；

FP表示假阳性的数量；

FN表示假阴性的数量。

本发明的有益效果为：

本发明提供的基于波形学习的电缆早期故障识别方法，通过PSCAD/EMTDC生成用于训练DDBN的各种样本数据，提供了DDBN进行故障识别的准确性；本发明方法利用变电站端测量到的电流数据从多种过电流扰动中识别电缆早期故障，在永久性故障发生之前进行电缆检修，避免发生永久性故障，提高供电可靠性。

附图说明

图1为本发明提供的基于波形学习的电缆早期故障识别方法流程图。

图2为本发明提供的电缆早期故障电流波形图。

图3为本发明提供的PSCAD/EMTDC中建立的仿真模型结构图。

图4为本发明提供的DDBN结构图。

图5为本发明提供的混淆矩阵示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1：

如图1所示，一种基于波形学习的电缆早期故障识别方法，包括以下步骤：

S1、搭建模拟电缆早期故障期间的仿真模型，并基于仿真模型生成电缆早期故障的波形数据和过流扰动的波形数据，并将生成的电缆早期故障的波形数据和过流扰动的波形数据作为样本数据；

S2、利用平稳小波变换对样本数据进行处理，提取对应的浅层特征向量，并将其输入深度置信网络中；

S3、通过深度置信网络对输入的浅层特征向量进行学习，提取出对应的深层特征，并根据提取的深层特征进行故障类型识别；

S4、基于故障类型识别结果，对深度置信网络的识别性能进行检测，并根据检测结果对深度置信网络的参数进行优化；

S5、将待识别的电缆故障电流数据经平稳小波变换处理提取的浅层特征向量作为测试数据；

S6、将测试数据输入到参数优化后的深度置信网络中，并输出对应的故障类型，实现电缆早期故障识别。

实施例2：

在上述实施例1中，通过对电缆早期故障的发生机理与波形特征分析得到，电缆早期故障是一种间隙性电弧故障，因此上述步骤S1具体为：

S11、通过在PSCAD/EMTDC中采用Kizilcay电弧模型模拟电缆早期故障期间的时变电弧电阻；

S12、基于时变电弧电阻和不同类型的电缆早期故障统计特征，搭建仿真模型；

S13、设置采样率为10kHz；

S14、通过仿真模型在设置的采样率下生成不同类型电缆早期故障的波形数据；

S15、在仿真模型中接入故障模块，使仿真模型在设置的采样率下生成对应的过流扰动数据；

S16、将生成的电缆早期故障的波形数据和过流扰动的波形数据作为样本数据。

在本发明实施例中，步骤S11中的Kizilcay电弧模型的表达式为：

式中，τ是电弧时间常数；

t为时间；

u₀为特征电弧电压；

r₀为特征电弧电阻；

g为电弧电导，且i_f为故障电流，v_f为故障电压；

在步骤S12中，通过在PSCAD中仿真得到电缆早期故障电流如图2所示，其中(a)为多波早期故障，(b)为半周波早期故障；得到电缆早期故障的统计特征包括：

1、早期故障发生在电压峰值处(电压强度最大，最容易击穿)；

2、早期故障具有自动清除特性；

3、在一段时间内重复发生并导致永久性故障；

4、根据持续时间长度分为多周波早期故障(1-4个周波)、半周波早期故障(1/4-1/2个周波)；

5、不会引起电力系统过流保护装置动作；

上述步骤S12中搭建的仿真模型如图3所示；

由于电缆中存在有多种与电缆早期故障类似的过流扰动，包括电流容切、恒定阻抗故障和激磁涌流等，因此想要准确识别出电缆早期故障，就需要将电缆早期故障与其它过流扰动向区分，所以在生成电缆早期故障样本数据的同时生成过流扰动数据，以便后续对样本数据处理时能准确提取故障数据和过流扰动数据的深层特征；因此步骤S15中，当故障模块为电容器时，生成的过流扰动数据为电容切投的波形数据；当故障模块为恒定阻抗时，生成的过流扰动数据为恒定阻抗故障的波形数据；当故障模块为变压器时，生成的过流扰动数据为磁激涌流的波形数据。

表1中给出了PSCAD/EMTDC中的仿真模型生成样本数据时的模拟参数

表1：PSCAD/EMTDC中的模拟参数

实施例3:

在上述实施例1中，步骤S2具体为：

S21、通过平稳小波变换对样本数据进行分解层数为8层的静态小波分解，得到数据样本的高频细节系数和低频近似系数；

S22、依次提取高频细节系数和低频近似系数的浅层特征；

S23、基于提取到的浅层特征，形成浅层特征向量，并将其输入到深度置信网络中。

在本发明实施例中，步骤S21中进行静态小波分解表达式为：

式中，x(t)为输入信号，且x(t)∈L²(R)，L²(R)为平方可积函数空间，表示即x(t)在(-∞,∞)是平方可积的；

c_ij和d_ij分别为低频近似系数和高频细节系数，其中，下标i＝1,2,3,...,n，i为分解层的层数编号，n为分解层总层数，即n＝8，下标j＝1,2,3,...,J，j为小波系数的编号，J为小波系数的总数；

ζ_ij(t)为尺度函数，ζ_ij(t)＝2^-i/2ζ(2^-it-j)，t为时间；ψ_ij(t)为小波函数；

由于前述设置的采样率为10kHz，在利用平稳小波变换是分解样本数据时的总层数设置为8，以使信号的基频(50Hz)在子频带中，分解得到高频细节系数(d1，d2，...，d8)和低频近似系数(c8)。

步骤S22中提取的浅层特征包括频域特征基频分量f1、二次谐波分量f2、三次谐波分量f3、时域特征平均值μ、方差std、均方根RMS、波峰因数CF、偏度SK、峰度KT、形状因子SF、信息熵IE、能量熵EE和奇异值的最大值λ_max；

时域特征平均值μ_i为：

式中，下标i与各分解层对应，n＝8；

方差std_i为：

均方根RMS_i为：

波峰因数CF_i为：

式中，Max(g)为取最大值函数；

偏度SK_i为：

式中，E(g)为求均值函数；

峰度KT_i为：

形状因子SF_i为：

信息熵IE_i为：

能量熵EE_i为：

EE_i＝-En_ilog₂(En_i/E_n)

式中，En_k为每一层分解层分解得到系数的能量值，E_n为分解得到的总能量值，且

奇异值的最大值λmax_i为：

λmax_i＝max{Λ}

式中，Λ为经奇异值分解得到的对角矩阵，且T^m×n＝U^m×mΛ^m×nV^n×n，Λ为由奇异值λ组成的矩阵，U、V分别表示通过奇异值分解获得的m×m和n×n阶正交矩阵；

上述各式中，下标i与各分解层对应；

步骤S23中，形成的浅层特征向量F为：

F＝[F_c1,F_t1,F_t2,F_t3,F_t4,F_t5,F_t6,F_t7,F_t8,F_t9,F_t10]

式中，F_c1＝[f₁,f₂,f₃]；

F_t1＝[μ_d1,…,μ_d8,μ_c8]；

F_t2＝[Std_d1,…,Std_d8,Std_c8]；

F_t3＝[RMS_d1,…,RMS_d8,RMS_c8]；

F_t4＝[CF_d1,…,CF_d8,CF_c8]；

F_t5＝[SK_d1,…,SK_d8,SK_c8]；

F_t6＝[KT_d1,…,KT_d8,KT_c8]；

F_t7＝[SF_d1,…,SF_d8,SF_c8]；

F_t8＝[IE_d1,…,IE_d8,IE_c8]；

F_t9＝[EE_d1,…,EE_d8,EE_c8]；

F_t10＝[λmax_d1,…,λmax_d8,λmax_c8]；

其中，忽略了小波系数的数量，下标d1,d2,d3,...,d8分别与每个分解层i中的高频细节系数对应，下标c8与静态小波分解过程中第8层分解层的低频近似系数对应。

实施例4：

为了进一步挖掘浅层特征向量F中隐藏的深层特征，本发明利用深度置信网络(DDBN)来提取F的深层特征，步骤S3中的深度置信网络包括若干个依次连接的dropout限制波尔兹曼机(DRBN)和softmax分类器，其中，第一个dropout限制波尔兹曼机的可见层作为深度置信网络的输入层；该网络结构可以防止过度拟合，减少神经元中的复杂相互作用，提高网络的泛化能力，深度置信网络的具体结构如图4所示，图4(a)表示3个DRBM结构，带X的神经元表示在训练过程中被丢弃，此时不参与网络的训练。v和h分别表示DRBM的可见层和隐藏层，W₁、W₂和W₃分别表示每层的网络权重。图4(b)表示DDBN的结构图，其中DDBN的输入层是第一个DRBM的可见层，然后将第一个DRBM的激活概率用作下一个DRBM的输入，并且最后一个DRBM的输出连接到softmax分类器，通过softmax输出最后的识别结果。

因此步骤S3中对深层特征进行故障类型识别的方法具体为：

A1、基于输入的浅层特征向量，通过贪婪预训练的分层方法初始化深度置信网络的参数；

A2、使用反向传播算法对参数初始化后的深度置信网络的参数进行微调，并学习提取出浅层特征向量对应的深层特征；

A3、根据softmax分类器对深层特征进行故障类型的自动分类。

经过上述过程，通过DDBN强大的特征提取能力，自动学习出浅层特征中的非线性变换关系，这些非线性变换关系是数据中隐藏的深层特征，比人工提取的浅层特征识别性更强，更能代表不同类型故障的特征。

在深度置信网络学习过程中，需要进行微调的参数包括权重、学习率和动力；

权重的表达式为：

W_ij＝αW_ij+ΔW_ij

式中，W_ij为深度置信网络中连接可见层和隐藏层的权重矩阵；

α为学习率；

ΔW_ij为上一次参数更新前的权重，且ΔW_ij＝ε(<v_ih_j>_data-<v_ih_j>_model)，ε为动量，<v_ih_j>_data为输入深度置信网络的原始数据分布的期望，<v_ih_j>_model为由深度置信网络确定的期望。

实施例5：

上述实施例1中步骤S4中对深度置信网络的识别性能进行检测时的指标包括准确率Accuracy、精确率Precision、召回率Recall和测量值F₁；

准确率Accuracy为：

精确率Precision为：

召回率Recall为：

测量值F₁为：

式中，TP表示真阳性的数量；

TN表示真阴性的数量；

FP表示假阳性的数量；

FN表示假阴性的数量。

上述这些检测指标中的TP、TN、FP和FN可以通过获得混淆矩阵图得到，混淆矩阵图如图5所示，其中y₁-y₆分别代表多周波电缆早期故障、半周波早期故障、电容投切、恒定阻抗故障、激磁涌流和正常波形。以y₁的识别为例，TP是实际的数据的数量，识别的结果也是y₁。TN是实际类型不是y₁且识别类型不是y₁的数据的数量。FN是实际类型为y₁且识别的类型不是y₁的数据的数量。FP是实际类型不是y₁且识别的类型是y1的数据的数量。

在本发明的一个实施例中，将本发明方法与其它进行比较，最后得出的识别结果如表2所示。结果表明该方法的准确率为99.5％，比BP神经网络的准确率高32.6％。虽然其他深度学习方法(堆叠自动编码器、卷积神经网络)的准确度高于BP神经网络的准确度，但它们低于所提出方法的准确性。本发明提出的方法的其它指标(Precision(％)，Recall(％)和F₁(％))也比其它方法更高。主要原因是能够防止网络过度拟合并减少神经元中的复杂交互，从而可以深入挖掘数据中的深层特征，这些深层特征将有利于准确将电缆早期故障与其它过电流扰动和正常电流波形区分开。

表2不同方法的比较结果

本发明的有益效果为：

本发明提供的基于波形学习的电缆早期故障识别方法，通过PSCAD/EMTDC生成用于训练DDBN的各种样本数据，提供了DDBN进行故障识别的准确性；本发明方法利用变电站端测量到的电流数据从多种过电流扰动中识别电缆早期故障，在永久性故障发生之前进行电缆检修，避免发生永久性故障，提高供电可靠性。

Claims (8)

1.一种基于波形学习的电缆早期故障识别方法，其特征在于，包括以下步骤：

S1、搭建模拟电缆早期故障期间的仿真模型，并基于仿真模型生成电缆早期故障的波形数据和过流扰动的波形数据，并将生成的电缆早期故障的波形数据和过流扰动的波形数据作为样本数据；

S2、利用平稳小波变换对样本数据进行处理，提取对应的浅层特征向量，并将其输入深度置信网络中；

S3、通过深度置信网络对输入的浅层特征向量进行学习，提取出对应的深层特征，并根据提取的深层特征进行故障类型识别；

S4、基于故障类型识别结果，对深度置信网络的识别性能进行检测，并根据检测结果对深度置信网络的参数进行优化；

S5、将待识别的电缆故障电流数据经平稳小波变换处理提取的浅层特征向量作为测试数据；

S6、将测试数据输入到参数优化后的深度置信网络中，并输出对应的故障类型，实现电缆早期故障识别。

2.根据权利要求1所述的基于波形学习的电缆早期故障识别方法，其特征在于，所述步骤S1具体为：

S11、通过在PSCAD/EMTDC中采用Kizilcay电弧模型模拟电缆早期故障期间的时变电弧电阻；

S12、基于时变电弧电阻和不同类型的电缆早期故障统计特征，搭建仿真模型；

S13、设置采样率为10kHz；

S14、通过仿真模型在设置的采样率下生成不同类型电缆早期故障的波形数据；

S15、在仿真模型中接入故障模块，使仿真模型在设置的采样率下生成对应的过流扰动数据；

S16、将生成的电缆早期故障的波形数据和过流扰动的波形数据作为样本数据。

3.根据权利要求2所述的基于波形学习的电缆早期故障识别方法，其特征在于，所述步骤S11中的Kizilcay电弧模型的表达式为：

式中，τ是电弧时间常数；

t为时间；

u₀为特征电弧电压；

r₀为特征电弧电阻；

g为电弧电导，且i_f为故障电流，v_f为故障电压；

所述步骤S12中的电缆早期故障统计特征包括早期故障发生在电压峰值处、自动清除特性、重复发生并导致永久性故障、多周波早期故障、半周波早期故障和不会引起电力系统过流保护装置动作；

所述步骤S15中，当故障模块为电容器时，生成的过流扰动数据为电容切投的波形数据；

当故障模块为恒定阻抗时，生成的过流扰动数据为恒定阻抗故障的波形数据；

当故障模块为变压器时，生成的过流扰动数据为磁激涌流的波形数据。

4.根据权利要求2所述的基于波形学习的电缆早期故障识别方法，其特征在于，所述步骤S2具体为：

S21、通过平稳小波变换对样本数据进行分解层数为8层的静态小波分解，得到数据样本的高频细节系数和低频近似系数；

S22、依次提取高频细节系数和低频近似系数的浅层特征；

S23、基于提取到的浅层特征，形成浅层特征向量，并将其输入到深度置信网络中。

5.根据权利要求4所述的基于波形学习的电缆早期故障识别方法，其特征在于，所述步骤S21中进行静态小波分解表达式为：

式中，x(t)为输入信号，且x(t)∈L²(R)，L²(R)为平方可积函数空间；c_ij和d_ij分别为低频近似系数和高频细节系数，其中，下标i＝1,2,3,...,n，i为分解层的层数编号，n为分解层总层数，即n＝8，下标j＝1,2,3,...,J，j为小波系数的编号，J为小波系数的总数；

ζ_ij(t)为尺度函数，ζ_ij(t)＝2^-i/2ζ(2^-it-j)，t为时间；

ψ_ij(t)为小波函数；

所述步骤S22中提取的浅层特征包括频域特征基频分量f1、二次谐波分量f2、三次谐波分量f3、时域特征平均值μ、方差std、均方根RMS、波峰因数CF、偏度SK、峰度KT、形状因子SF、信息熵IE、能量熵EE和奇异值的最大值λmax；

所述时域特征平均值μ_i为：

式中，下标i与各分解层对应，n＝8；

所述方差std_i为：

所述均方根RMS_i为：

所述波峰因数CF_i为：

式中，Max(g)为取最大值函数；

所述偏度SK_i为：

式中，E(g)为求均值函数；

所述峰度KT_i为：

所述形状因子SF_i为：

所述信息熵IE_i为：

所述能量熵EE_i为：

EE_i＝-En_ilog₂(En_i/E_n)

式中，En_k为每一层分解层分解得到系数的能量值，E_n为分解得到的总能量值，且

所述奇异值的最大值λmax_k为：

λmax_k＝max{Λ}

式中，Λ为经奇异值分解得到的对角矩阵；

所述步骤S23中，形成的浅层特征向量F为：

F＝[F_c1,F_t1,F_t2,F_t3,F_t4,F_t5,F_t6,F_t7,F_t8,F_t9,F_t10]

式中，F_c1＝[f₁,f₂,f₃]；

F_t1＝[μ_d1,…,μ_d8,μ_c8]；

F_t2＝[Std_d1,…,Std_d8,Std_c8]；

F_t3＝[RMS_d1,…,RMS_d8,RMS_c8]；

F_t4＝[CF_d1,…,CF_d8,CF_c8]；

F_t5＝[SK_d1,…,SK_d8,SK_c8]；

F_t6＝[KT_d1,…,KT_d8,KT_c8]；

F_t7＝[SF_d1,…,SF_d8,SF_c8]；

F_t8＝[IE_d1,…,IE_d8,IE_c8]；

F_t9＝[EE_d1,…,EE_d8,EE_c8]；

F_t10＝[λmax_d1,…,λmax_d8,λmax_c8]；

其中，下标d1,d2,d3,...,d8分别与每个分解层i中的高频细节系数对应，下标c8与静态小波分解过程中的第8层的低频近似系数对应。

6.根据权利要求5所述的基于波形学习的电缆早期故障识别方法，其特征在于，所述步骤S3中的深度置信网络包括若干个依次连接的dropout限制波尔兹曼机和softmax分类器，其中，第一个dropout限制波尔兹曼机的可见层作为深度置信网络的输入层；

所述步骤S3中对深层特征进行故障类型识别的方法具体为：

A1、基于输入的浅层特征向量，通过贪婪预训练的分层方法初始化深度置信网络的参数；

A2、使用反向传播算法对参数初始化后的深度置信网络的参数进行微调，并学习提取出浅层特征向量对应的深层特征；

A3、根据softmax分类器对深层特征进行故障类型的自动分类。

7.根据权利要求6所述的基于波形学习的电缆早期故障识别方法，其特征在于，所述深度置信网络中需要进行微调的参数包括权重、学习率和动力；

所述权重的表达式为：

W_ij＝αW_ij+ΔW_ij

式中，W_ij为深度置信网络中连接可见层和隐藏层的权重矩阵；

α为学习率；

ΔW_ij为上一次参数更新前的权重，且ΔW_ij＝ε(<v_ih_j>_data-<v_ih_j>_model)，ε为动量，<v_ih_j>_data为输入深度置信网络的原始数据分布的期望，<v_ih_j>_model为由深度置信网络确定的期望。

8.根据权利要求1所述基于波形学习的电缆早期故障识别方法，其特征在于，所述步骤S4中对深度置信网络的识别性能进行检测时的指标包括准确率Accuracy、精确率Precision、召回率Recall和测量值F₁；

所述准确率Accuracy为：

所述精确率Precision为：

所述召回率Recall为：

所述测量值F₁为：

式中，TP表示真阳性的数量；

TN表示真阴性的数量；

FP表示假阳性的数量；

FN表示假阴性的数量。