CN111766487A - 基于多性质特征量的电缆局部放电缺陷类型辨识方法 - Google Patents

Abstract

本发明涉及基于多性质特征量的电缆局部放电缺陷类型辨识方法，以带有不同已知缺陷类型的电缆作为样本电缆，利用光纤振动传感系统，采集电缆局部放电时光纤内光强变化量监测序列，并计算获得监测序列所对应的各个备选特征类型；然后利用卡方检验，获得各备选特征类型中与局部放电缺陷类型相关性大的各个备选特征类型，构成各个目标特征类型；最后以特征值为输入，相对应的各局部放电缺陷类型为输出，针对指定分类器模型进行训练，获得局部放电缺陷类型识别模型，即可在实际应用中，应用局部放电缺陷类型识别模型，实现对目标电缆上局部放电位置的局部放电缺陷类型进行识别，能够有效提高局部放电缺陷类型识别的效率与准确性，为电缆的实际应用提供了保障。

Description

基于多性质特征量的电缆局部放电缺陷类型辨识方法

技术领域

本发明涉及基于多性质特征量的电缆局部放电缺陷类型辨识方法，属于电缆在线监测技术领域。

背景技术

电缆广泛应用于城市配电网、跨海输电、以及其他特殊场合。据统计除外力破坏情形外，43.7％的电缆事故由电缆绝缘问题引起。电缆绝缘问题的早期表现与电缆的局部放电密切相关，不同的绝缘缺陷，产生的电缆局部放电也存在差异。因此利用电缆局部放电的在线监测信息辨识电缆的缺陷类型，判断该缺陷产生的原因，采取相应措施减小缺陷的产生，对保障电缆安全稳定运行具有重要意义。

光纤在线监测电缆局部放电技术，凭借其分布性、大范围、绝缘性和抗干扰性的优点，得到广泛的关注。针对光纤在线监测电缆局部放电的可行性、以及如何判断局部放电，现有文献中已经做了理论分析及实验验证，但是对于光纤在线监测电缆局部放电中局部放电缺陷类型的辨识尚欠缺。

发明内容

本发明所要解决的技术问题是提供基于多性质特征量的电缆局部放电缺陷类型辨识方法，应用光纤在线监测所获电缆局部放电监测序列进行分类器学习与识别，能够有效提高局部放电缺陷类型识别的准确性。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了基于多性质特征量的电缆局部放电缺陷类型辨识方法，执行如下步骤A至步骤D，实现局部放电缺陷类型识别模型的获得，然后基于局部放电缺陷类型识别模型，执行如下步骤I至步骤III，针对目标电缆上局部放电位置的局部放电缺陷类型进行识别；

步骤A.针对拥有各个监测点、且各监测点分别对应一种局部放电缺陷类型的样本电缆，分别针对样本电缆上的各个监测点，采集监测点位置随时间变化的光强值，构成该监测点所对应的至少一条监测序列，且各条监测序列的长度彼此相同；进而获得各条监测序列，且各条监测序列分别对应一种局部放电缺陷类型，然后进入步骤B；

步骤B.分别针对各条监测序列，针对监测序列中的各个光强值进行归一化更新，然后获得监测序列对应预设各个备选特征类型的特征值，然后进入步骤C；

步骤C.根据各条监测序列分别所对应预设各个备选特征类型的特征值，以及各条监测序列分别所对应的局部放电缺陷类型，计算获得各备选特征类型分别与局部放电缺陷类型之间的相关性结果，并选择由大至小所排列相关性结果中、前预设数目的相关性结果分别所对应的备选特征类型，构成各个目标特征类型，然后进入步骤D；

步骤D.以各条监测序列分别对应各目标特征类型的特征值为输入，各条监测序列分别所对应的局部放电缺陷类型为输出，针对指定分类器模型进行训练，获得局部放电缺陷类型识别模型；

步骤I.针对目标电缆上的局部放电位置，采集该局部放电位置随时间变化的光强值，构成该局部放电位置所对应的监测序列，然后进入步骤II；

步骤II.针对该局部放电位置所对应监测序列中的各个光强值进行归一化更新，然后获得该监测序列对应各个目标特征类型的特征值，然后进入步骤III；

步骤III.以该监测序列对应各个目标特征类型的特征值为输入，应用局部放电缺陷类型识别模型，获得目标电缆上该局部放电位置所对应的局部放电缺陷类型。

作为本发明的一种优选技术方案：所述步骤B中，分别针对各条监测序列，获得监测序列对应预设各个备选特征类型的特征值，包括均值、和值、分块线性最小二乘拟合直线的截距均值、线性最小二乘拟合直线的截距、小波分解的系数、以及线性自协方差值。

作为本发明的一种优选技术方案，按如下公式：

获得所述监测序列对应的分块线性最小二乘拟合直线的截距均值

公式中，q表示监测序列按预设单位数目长度进行平均划分所得到的分块数，b_j表示监测序列中第j个分块的线性最小二乘拟合直线的截距，并且b_j按如下公式计算获得：

公式中，x_chunk表示监测序列分块线性最小二乘拟合方程的因变量；t_chunk表示监测序列分块线性最小二乘拟合方程的自变量，t_chunk＝1、2、3、…、m，m表示监测序列分块的单位数目长度，且q×m≤n＜(q+1)×m；n表示监测序列的长度，1≤i≤n，x_i表示监测序列中的第i个光强值；k_j表示监测序列中第j个分块的线性最小二乘拟合直线的斜率。

作为本发明的一种优选技术方案，按如下公式：

获得监测序列所对应线性最小二乘拟合直线的截距

公式中，x表示监测序列线性最小二乘拟合方程的因变量；1≤i≤n，n表示监测序列的长度，x_i表示监测序列中的第i个光强值，k表示监测序列线性最小二乘拟合直线的斜率。

作为本发明的一种优选技术方案，按如下公式：

获得监测序列所对应的小波分解的系数X_cwt，公式中，

为小波基函数，a表示预设小波基函数的尺度，τ_cwt表示预设小波基函数时间延迟，且τ_cwt＝{0、1、2、…、n}，1≤i≤n，n表示监测序列的长度，x_i表示监测序列中的第i个光强值。

作为本发明的一种优选技术方案，按如下公式：

获得监测序列所对应的线性自协方差值X_c3，公式中，τ表示预设滞后阶数，且

n表示监测序列的长度，x_i、x_i+τ、x_i+2τ表示监测序列中的第i个、第i+τ个、第i+2τ个值。

作为本发明的一种优选技术方案：所述步骤C包括如下步骤C1至步骤C3；

步骤C1.根据各条监测序列分别所对应预设各个备选特征类型的特征值，以及各条监测序列分别所对应的局部放电缺陷类型，构建如下统计表：

表中，S_q表示第q个备选特征类型，1≤q≤Q，Q表示备选特征类型的数量，1≤u_q≤U_q，U_q表示各条监测序列分别对应第q个备选特征类型S_q的不同特征值的数量，

表示各条监测序列分别对应第q个备选特征类型S_q的不同特征值中的第u_q个特征值，

表示局部放电缺陷类型p所对应各条监测序对应第q个备选特征类型S_q的特征值为

的数量，然后进入步骤C2；

步骤C2.根据步骤C1中所构建的统计表，分别针对各备选特征类型S_q，应用卡方检验方法，按如下公式：

获得备选特征类型S_q与局部放电缺陷类型之间的相关性结果

公式中，N表示监测序列的数量；进而获得各备选特征类型分别与局部放电缺陷类型之间的相关性结果，然后进入步骤C3；

步骤C3.选择由大至小所排列相关性结果中、前预设数目的相关性结果分别所对应的备选特征类型，构成各个目标特征类型，然后进入步骤D。

作为本发明的一种优选技术方案：所述步骤D中的指定分类器模型为SVM分类模型。

本发明所述基于多性质特征量的电缆局部放电缺陷类型辨识方法，采用以上技术方案与现有技术相比，具有以下技术效果：

本发明所设计基于多性质特征量的电缆局部放电缺陷类型辨识方法，以带有不同已知缺陷类型的电缆作为样本电缆，利用光纤振动传感技术，采集电缆局部放电时光纤内光强变化量的监测序列，并计算获得监测序列所对应的各个备选特征类型；然后利用卡方检验，获得各备选特征类型中与局部放电缺陷类型相关性大的各个备选特征类型，构成各个目标特征类型；最后以特征值为输入，相对应的各局部放电缺陷类型为输出，针对指定分类器模型进行训练，获得局部放电缺陷类型识别模型，即可在实际应用中，应用局部放电缺陷类型识别模型，实现对目标电缆上局部放电位置的局部放电缺陷类型进行识别，能够有效提高局部放电缺陷类型识别的效率与准确性，为电缆的实际应用提供了保障。

附图说明

图1是本发明设计基于多性质特征量的电缆局部放电缺陷类型辨识方法的流程示意图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

本发明设计了基于多性质特征量的电缆局部放电缺陷类型辨识方法，实际应用当中，如图1所示，首先执行如下步骤A至步骤D，实现局部放电缺陷类型识别模型的获得。

步骤A.针对拥有各个监测点、且各监测点分别对应一种局部放电缺陷类型的样本电缆，分别针对样本电缆上的各个监测点，采集监测点位置随时间变化的光强值，构成该监测点所对应的至少一条监测序列，且各条监测序列的长度彼此相同；进而获得各条监测序列，且各条监测序列分别对应一种局部放电缺陷类型，然后进入步骤B。

步骤B.分别针对各条监测序列，针对监测序列中的各个光强值进行归一化更新，然后获得监测序列对应预设各个备选特征类型的特征值，然后进入步骤C。

实际应用当中，步骤B分别针对各条监测序列，获得监测序列对应预设各个备选特征类型的特征值，包括均值、和值、分块线性最小二乘拟合直线的截距均值、线性最小二乘拟合直线的截距、小波分解的系数、以及线性自协方差值。

其中，对于监测序列对应的均值来说，实际应用当中，按如下公式：

获得监测序列对应的均值

公式中，1≤i≤n，n表示监测序列的长度，x_i表示监测序列中的第i个光强值。

对于监测序列所对应的和值来说，实际应用当中，按如下公式：

获得监测序列对应的和值X_sum。

对于监测序列对应的分块线性最小二乘拟合直线的截距均值来说，实际应用当中，按如下公式：

获得所述监测序列对应的分块线性最小二乘拟合直线的截距均值

公式中，q表示监测序列按预设单位数目长度进行平均划分所得到的分块数，b_j表示监测序列中第j个分块的线性最小二乘拟合直线的截距，并且b_j按如下公式计算获得：

公式中，x_chunk表示监测序列分块线性最小二乘拟合方程的因变量；t_chunk表示监测序列分块线性最小二乘拟合方程的自变量，t_chunk＝1、2、3、…、m，m表示监测序列分块的单位数目长度，且q×m≤n＜(q+1)×m；n表示监测序列的长度，1≤i≤n，x_i表示监测序列中的第i个光强值；k_j表示监测序列中第j个分块的线性最小二乘拟合直线的斜率。

对于监测序列对应的线性最小二乘拟合直线的截距，实际应用当中，按如下公式：

获得监测序列所对应线性最小二乘拟合直线的截距

公式中，x表示监测序列线性最小二乘拟合方程的因变量；1≤i≤n，n表示监测序列的长度，x_i表示监测序列中的第i个光强值，k表示监测序列线性最小二乘拟合直线的斜率。

对于监测序列所对应的小波分解的系数，按如下公式：

获得监测序列所对应的小波分解的系数X_cwt，公式中，

为小波基函数，a表示预设小波基函数的尺度，实际应用中，设计a＝2,5,10,20，τ_cwt表示预设小波基函数时间延迟，且τ_cwt＝{0、1、2、…、n}，1≤i≤n，n表示监测序列的长度，x_i表示监测序列中的第i个光强值。

对于监测序列所对应的线性自协方差值，实际应用当中，按如下公式：

获得监测序列所对应的线性自协方差值X_c3，公式中，τ表示预设滞后阶数，且

n表示监测序列的长度，x_i、x_i+τ、x_i+2τ表示监测序列中的第i个、第i+τ个、第i+2τ个值。

步骤C.根据各条监测序列分别所对应预设各个备选特征类型的特征值，以及各条监测序列分别所对应的局部放电缺陷类型，计算获得各备选特征类型分别与局部放电缺陷类型之间的相关性结果，并选择由大至小所排列相关性结果中、前预设数目的相关性结果分别所对应的备选特征类型，构成各个目标特征类型，然后进入步骤D。

实际应用当中，上述步骤C具体执行如下步骤C1至步骤C3。

步骤C1.根据各条监测序列分别所对应预设各个备选特征类型的特征值，以及各条监测序列分别所对应的局部放电缺陷类型，构建如下统计表：

表中，S_q表示第q个备选特征类型，1≤q≤Q，Q表示备选特征类型的数量，1≤u_q≤U_q，U_q表示各条监测序列分别对应第q个备选特征类型S_q的不同特征值的数量，

表示各条监测序列分别对应第q个备选特征类型S_q的不同特征值中的第u_q个特征值，

表示局部放电缺陷类型p所对应各条监测序对应第q个备选特征类型S_q的特征值为

的数量，然后进入步骤C2。

步骤C2.根据步骤C1中所构建的统计表，分别针对各备选特征类型S_q，应用卡方检验方法，按如下公式：

获得备选特征类型S_q与局部放电缺陷类型之间的相关性结果

公式中，N表示监测序列的数量；进而获得各备选特征类型分别与局部放电缺陷类型之间的相关性结果，然后进入步骤C3。

步骤C3.选择由大至小所排列相关性结果中、前预设数目的相关性结果分别所对应的备选特征类型，构成各个目标特征类型，然后进入步骤D。

步骤D.以各条监测序列分别对应各目标特征类型的特征值为输入，各条监测序列分别所对应的局部放电缺陷类型为输出，针对指定分类器模型进行训练，获得局部放电缺陷类型识别模型。实际应用当中，针对SVM分类模型进行训练，获得局部放电缺陷类型识别模型。

然后基于局部放电缺陷类型识别模型，执行如下步骤I至步骤III，针对目标电缆上局部放电位置的局部放电缺陷类型进行识别。

步骤I.针对目标电缆上的局部放电位置，采集该局部放电位置随时间变化的光强值，构成该局部放电位置所对应的监测序列，然后进入步骤II。

步骤II.针对该局部放电位置所对应监测序列中的各个光强值进行归一化更新，然后获得该监测序列对应各个目标特征类型的特征值，然后进入步骤III。

步骤III.以该监测序列对应各个目标特征类型的特征值为输入，应用局部放电缺陷类型识别模型，获得目标电缆上该局部放电位置所对应的局部放电缺陷类型。

将本发明所设计基于多性质特征量的电缆局部放电缺陷类型辨识方法，应用于实际当中，实施例中采用10kV三芯无铠装电缆，长度为5米，传感光纤为普通单模光纤，长为5米，传感光纤紧密敷在电缆表面，电缆缺陷在7kV电压作用下，平均视在放电量为100pC，实际应用中，执行如下步骤。

步骤A.拥有三个监测点的上述实施例样本电缆，且三个监测点分别划痕、微孔和悬浮电极三种局部放电缺陷类型，分别针对样本电缆上的各个监测点，采集监测点位置随时间变化的光强值，获得各条监测序列，然后进入步骤B。

然后依次执行步骤B，获得各条监测序列分别对应预设各个备选特征类型的特征值，包括均值、和值、分块线性最小二乘拟合直线的截距均值、线性最小二乘拟合直线的截距、小波分解的系数、以及线性自协方差值，然后进入步骤C。

执行步骤C，获得各个目标特征类型，并进入步骤D，对实验所获三种局部放电缺陷类型的375组监测序列进行数据划分，随机选取300组作为训练数据，余下75组作为检验数据，以各条监测序列分别对应各目标特征类型的特征值为输入，各条监测序列分别所对应的局部放电缺陷类型为输出，针对SVM分类模型进行训练，经过检验，该SVM分类模型全部能够准确识别检验数据的局部放电缺陷类型，为了检验该SVM分类模型在小样本数据量下的表现，随机选取50组监测序列作为训练数据，剩余325数据作为检验数据，经检验发现，该SVM分类模型仍能够全部准确识别检验数据的局部放电缺陷类型；进一步降低训练数据量，当随机选取10组监测序列作为训练数据，剩余365组数据作为检验数据，局部放电缺陷类型的辨识正确率仅有74.6％；当随机选取20组监测序列作为训练数据，剩余355组数据作为检验数据，该模型能全部准确识别检验数据的局部放电缺陷类型。

在实际应用当中，还将SVM分类模型同随机森林分类模型进行对比，随机森林分类模型采用300组监测序列作为训练数据，剩余75组作为检验数据时，其分类准确率为98.63％；采用50组监测序列作为训练数据，剩余325组作为检验数据时，其分类准确率为94％；采用20组监测序列作为训练数据，剩余355组作为检验数据时，其分类准确率为90％。对比可知，本发明提出的基于SVM电缆局部放电分类模型小样本数量上的分类效果优于随机森林算法。

最后基于针对SVM分类模型训练所获局部放电缺陷类型识别模型，执行如下步骤I至步骤III，针对目标电缆上局部放电位置的局部放电缺陷类型进行识别。

上述技术方案所设计基于多性质特征量的电缆局部放电缺陷类型辨识方法，以带有不同已知缺陷类型的电缆作为样本电缆，利用光纤振动传感系统，采集电缆局部放电时光纤内光强变化量的监测序列，并计算获得监测序列所对应的各个备选特征类型；然后利用卡方检验，获得各备选特征类型中与局部放电缺陷类型相关性大的各个备选特征类型，构成各个目标特征类型；最后以特征值为输入，相对应的各局部放电缺陷类型为输出，针对指定分类器模型进行训练，获得局部放电缺陷类型识别模型，即可在实际应用中，应用局部放电缺陷类型识别模型，实现对目标电缆上局部放电位置的局部放电缺陷类型进行识别，能够有效提高局部放电缺陷类型识别的效率与准确性，为电缆的实际应用提供了保障。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.基于多性质特征量的电缆局部放电缺陷类型辨识方法，其特征在于：执行如下步骤A至步骤D，实现局部放电缺陷类型识别模型的获得，然后基于局部放电缺陷类型识别模型，执行如下步骤I至步骤III，针对目标电缆上局部放电位置的局部放电缺陷类型进行识别；

步骤A.针对拥有各个监测点、且各监测点分别对应一种局部放电缺陷类型的样本电缆，分别针对样本电缆上的各个监测点，采集监测点位置随时间变化的光强值，构成该监测点所对应的至少一条监测序列，且各条监测序列的长度彼此相同；进而获得各条监测序列，且各条监测序列分别对应一种局部放电缺陷类型，然后进入步骤B；

步骤B.分别针对各条监测序列，针对监测序列中的各个光强值进行归一化更新，然后获得监测序列对应预设各个备选特征类型的特征值，然后进入步骤C；

步骤C.根据各条监测序列分别所对应预设各个备选特征类型的特征值，以及各条监测序列分别所对应的局部放电缺陷类型，计算获得各备选特征类型分别与局部放电缺陷类型之间的相关性结果，并选择由大至小所排列相关性结果中、前预设数目的相关性结果分别所对应的备选特征类型，构成各个目标特征类型，然后进入步骤D；

步骤D.以各条监测序列分别对应各目标特征类型的特征值为输入，各条监测序列分别所对应的局部放电缺陷类型为输出，针对指定分类器模型进行训练，获得局部放电缺陷类型识别模型；

步骤I.针对目标电缆上的局部放电位置，采集该局部放电位置随时间变化的光强值，构成该局部放电位置所对应的监测序列，然后进入步骤II；

步骤II.针对该局部放电位置所对应监测序列中的各个光强值进行归一化更新，然后获得该监测序列对应各个目标特征类型的特征值，然后进入步骤III；

步骤III.以该监测序列对应各个目标特征类型的特征值为输入，应用局部放电缺陷类型识别模型，获得目标电缆上该局部放电位置所对应的局部放电缺陷类型。

2.根据权利要求1所述基于多性质特征量的电缆局部放电缺陷类型辨识方法，其特征在于：所述步骤B中，分别针对各条监测序列，获得监测序列对应预设各个备选特征类型的特征值，包括均值、和值、分块线性最小二乘拟合直线的截距均值、线性最小二乘拟合直线的截距、小波分解的系数、以及线性自协方差值。

3.根据权利要求2所述基于多性质特征量的电缆局部放电缺陷类型辨识方法，其特征在于，按如下公式：

获得所述监测序列对应的分块线性最小二乘拟合直线的截距均值

公式中，q表示监测序列按预设单位数目长度进行平均划分所得到的分块数，b_j表示监测序列中第j个分块的线性最小二乘拟合直线的截距，并且b_j按如下公式计算获得：

公式中，x_chunk表示监测序列分块线性最小二乘拟合方程的因变量；t_chunk表示监测序列分块线性最小二乘拟合方程的自变量，t_chunk＝1、2、3、…、m，m表示监测序列分块的单位数目长度，且q×m≤n＜(q+1)×m；n表示监测序列的长度，1≤i≤n，x_i表示监测序列中的第i个光强值；k_j表示监测序列中第j个分块的线性最小二乘拟合直线的斜率。

4.根据权利要求2所述基于多性质特征量的电缆局部放电缺陷类型辨识方法，其特征在于，按如下公式：

获得监测序列所对应线性最小二乘拟合直线的截距

公式中，x表示监测序列线性最小二乘拟合方程的因变量；1≤i≤n，n表示监测序列的长度，x_i表示监测序列中的第i个光强值，k表示监测序列线性最小二乘拟合直线的斜率。

5.根据权利要求2所述基于多性质特征量的电缆局部放电缺陷类型辨识方法，其特征在于，按如下公式：

获得监测序列所对应的小波分解的系数X_cwt，公式中，

为小波基函数，a表示预设小波基函数的尺度，τ_cwt表示预设小波基函数时间延迟，且τ_cwt＝{0、1、2、…、n}，1≤i≤n，n表示监测序列的长度，x_i表示监测序列中的第i个光强值。

6.根据权利要求2所述基于多性质特征量的电缆局部放电缺陷类型辨识方法，其特征在于，按如下公式：

获得监测序列所对应的线性自协方差值X_c3，公式中，τ表示预设滞后阶数，且

n表示监测序列的长度，x_i、x_i+τ、x_i+2τ表示监测序列中的第i个、第i+τ个、第i+2τ个值。

7.根据权利要求2所述基于多性质特征量的电缆局部放电缺陷类型辨识方法，其特征在于，所述步骤C包括如下步骤C1至步骤C3；

步骤C1.根据各条监测序列分别所对应预设各个备选特征类型的特征值，以及各条监测序列分别所对应的局部放电缺陷类型，构建如下统计表：

表中，S_q表示第q个备选特征类型，1≤q≤Q，Q表示备选特征类型的数量，1≤u_q≤U_q，U_q表示各条监测序列分别对应第q个备选特征类型S_q的不同特征值的数量，

表示各条监测序列分别对应第q个备选特征类型S_q的不同特征值中的第u_q个特征值，

表示局部放电缺陷类型p所对应各条监测序对应第q个备选特征类型S_q的特征值为

的数量，然后进入步骤C2；

步骤C2.根据步骤C1中所构建的统计表，分别针对各备选特征类型S_q，应用卡方检验方法，按如下公式：

获得备选特征类型S_q与局部放电缺陷类型之间的相关性结果

公式中，N表示监测序列的数量；进而获得各备选特征类型分别与局部放电缺陷类型之间的相关性结果，然后进入步骤C3；

步骤C3.选择由大至小所排列相关性结果中、前预设数目的相关性结果分别所对应的备选特征类型，构成各个目标特征类型，然后进入步骤D。

8.根据权利要求1述基于多性质特征量的电缆局部放电缺陷类型辨识方法，其特征在于，所述步骤D中的指定分类器模型为SVM分类模型。

Images