CN113762230A - 一种电缆隧道附属设施故障自动化识别方法及相关装置 - Google Patents

一种电缆隧道附属设施故障自动化识别方法及相关装置 Download PDF

Info

Publication number
CN113762230A
CN113762230A CN202111323377.7A CN202111323377A CN113762230A CN 113762230 A CN113762230 A CN 113762230A CN 202111323377 A CN202111323377 A CN 202111323377A CN 113762230 A CN113762230 A CN 113762230A
Authority
CN
China
Prior art keywords
fault
cable tunnel
facility
characteristic
identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111323377.7A
Other languages
English (en)
Other versions
CN113762230B (zh
Inventor
杨毅
高传薪
方梓伦
徐爽
刘宗岳
辛镇泳
罗向源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority to CN202111323377.7A priority Critical patent/CN113762230B/zh
Publication of CN113762230A publication Critical patent/CN113762230A/zh
Application granted granted Critical
Publication of CN113762230B publication Critical patent/CN113762230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Locating Faults (AREA)

Abstract

本申请公开了一种电缆隧道附属设施故障自动化识别方法及相关装置，包括：对附属设施供电线路的三相电流进行抗干扰滤波处理得到故障信号特征；根据故障信号特征计算得到第一故障特征量，对附属设施的零序电流的低频能量进行迭代处理得到第二故障特征量；分别对第一故障特征量和第二故障特征量进行归一化处理得到第一故障特征向量和第二故障特征向量，从而构成故障特征；根据第一故障特征向量和第二故障特征向量计算故障特征量样本，对故障特征进行区域划分得到故障特征区域；根据故障特征量样本和故障特征区域对附属设施的故障进行识别。解决了现有技术无法提前识别出电缆隧道附属设施的故障、且识别不便的技术问题。

Description

一种电缆隧道附属设施故障自动化识别方法及相关装置
技术领域
本申请涉及电力技术领域，尤其涉及一种电缆隧道附属设施故障自动化识别方法及相关装置。
背景技术
为有效消除密闭空间作业的安全风险，电缆隧道内部安装有大量的照明、风机、水泵等关键附属设施。该类设施使用频率非常高，但隧道内部环境较差，湿度大、电场强，金属部件容易发生腐蚀、锈蚀等现象，导致故障率较高。在电缆隧道附属设施的众多故障类别中，附属设施供电线路故障占比较多。
目前，电缆隧道附属设施故障识别主要有两种形式，一是闭合状态下的故障识别，二是断开状态下的故障识别。在闭合状态下通过对外观和裂痕的观察，判断电力电缆附属设施的工作状态；断开状态下主要观察导线暴露的状态判断电力电缆附属设施的安全状态。但该方法主要存在以下问题，当识别出故障时，往往已经达到破坏电缆隧道附件结构的程度，为时已晚，而且电缆隧道附件安装好运行后往往很难观察到。
发明内容
本申请提供了一种电缆隧道附属设施故障自动化识别方法及相关装置，用于解决现有技术无法提前识别出电缆隧道附属设施故障、且识别不便的技术问题。
有鉴于此，本申请第一方面提供了一种电缆隧道附属设施故障自动化识别方法，所述方法包括：
采集附属设施供电线路的三相电流，根据预置的抗干扰滤波输出函数对所述三相电流进行抗干扰滤波处理，得到故障信号特征；
根据所述故障信号特征计算得到第一故障特征量，对附属设施的零序电流的低频能量进行迭代处理得到第二故障特征量；
分别对所述第一故障特征量和所述第二故障特征量进行归一化处理，得到第一故障特征向量和第二故障特征向量，从而构成附属设施的故障特征；
根据所述第一故障特征向量和所述第二故障特征向量计算故障特征量样本，对所述故障特征进行区域划分，得到故障特征区域；
基于附属设施的故障自动化识别公式，根据所述故障特征量样本和所述故障特征区域对附属设施的故障进行识别。
可选地，所述基于附属设施的故障自动化识别公式，根据所述故障特征量样本和所述故障特征区域对附属设施的故障进行识别，具体包括：
将所述故障特征量样本、所述故障特征区域、故障数据特征、故障信号聚类、故障数据的识别阈值、故障化识别的偏离真值程度输入到所述自动化识别公式中，识别出附属设施的故障。
可选地，所述根据所述第一故障特征向量和所述第二故障特征向量计算故障特征量样本，具体包括：
根据所述第一故障特征量和所述第二故障特征量的测量值，基于故障特征量样本计算公式，计算得到故障特征量样本；
其中，所述故障特征量样本计算公式为：
Figure 423845DEST_PATH_IMAGE001
；
式中，
Figure 611244DEST_PATH_IMAGE002
为电缆隧道附属设施故障自动化识别的分布函数，
Figure 284933DEST_PATH_IMAGE003
为所述第一故障特征量和所述第二故障特征量的第
Figure 532375DEST_PATH_IMAGE004
组的电缆隧道附属设施故障信息的测量值，
Figure 790049DEST_PATH_IMAGE005
为电缆隧道附属设施故障在各个区域分布的概率函数，
Figure 843456DEST_PATH_IMAGE006
为电缆隧道附属设施故障自动化识别的数量测量，
Figure 620919DEST_PATH_IMAGE007
为电缆隧道附属设施故障的特征向量。
可选地，所述对所述故障特征进行区域划分，得到故障特征区域，具体包括：
通过故障特征划分函数对所述故障特征进行区域划分，得到故障特征区域；
其中，故障特征划分函数为：
Figure 801713DEST_PATH_IMAGE008
；
式中，
Figure 94154DEST_PATH_IMAGE009
为电缆隧道附属设施故障的原始信息，
Figure 888935DEST_PATH_IMAGE010
为电缆隧道附属设施故障的样本数量，
Figure 770172DEST_PATH_IMAGE011
为电缆隧道附属设施故障的特征向量，
Figure 359417DEST_PATH_IMAGE012
为电缆隧道附属设施故障的训练样本特征，
Figure 404733DEST_PATH_IMAGE013
为电缆隧道附属设施故障的特征数据时间序列集，电缆隧道附属设施故障的差异特征类型为
Figure 488358DEST_PATH_IMAGE014
，电缆隧道附属设施故障的特征矢量为
Figure 37151DEST_PATH_IMAGE015
。
可选地，所述故障自动化识别公式为：
Figure 62876DEST_PATH_IMAGE016
；
式中，
Figure 516860DEST_PATH_IMAGE017
为电缆隧道附属设施发生故障的危险提示信号输出，
Figure 653443DEST_PATH_IMAGE018
为所述故障化识别的偏离真值程度，
Figure 56742DEST_PATH_IMAGE019
为所述故障数据的识别阈值，
Figure 4101DEST_PATH_IMAGE020
为所述故障信号聚类，
Figure 696113DEST_PATH_IMAGE021
为所述故障数据特征，
Figure 433125DEST_PATH_IMAGE022
为所述故障特征区域，
Figure 143461DEST_PATH_IMAGE023
为所述故障特征量样本。
可选地，所述抗干扰滤波输出函数为：
Figure 510989DEST_PATH_IMAGE024
；
式中，
Figure 175450DEST_PATH_IMAGE025
为保留了电缆隧道附属设施故障特征的滤波输出信号，
Figure 653836DEST_PATH_IMAGE026
抗干扰滤波特征，
Figure 484258DEST_PATH_IMAGE027
为信号瞬时的频率对应的角度。
本申请第二方面提供一种电缆隧道附属设施故障自动化识别系统，所述系统包括：
滤波单元，用于采集附属设施供电线路的三相电流，根据预置的抗干扰滤波输出函数对所述三相电流进行抗干扰滤波处理，得到故障信号特征；
计算单元，用于根据所述故障信号特征计算得到第一故障特征量，对附属设施的零序电流的低频能量进行迭代处理得到第二故障特征量；
归一化单元，用于分别对所述第一故障特征量和所述第二故障特征量进行归一化处理，得到第一故障特征向量和第二故障特征向量，从而构成附属设施的故障特征；
划分单元，用于根据所述第一故障特征向量和所述第二故障特征向量计算故障特征量样本，对所述故障特征进行区域划分，得到故障特征区域；
识别单元，用于基于附属设施的故障自动化识别公式，根据所述故障特征量样本和所述故障特征区域对附属设施的故障进行识别。
可选地，所述识别单元，具体用于：
将所述故障特征量样本、所述故障特征区域、故障数据特征、故障信号聚类、故障数据的识别阈值、故障化识别的偏离真值程度输入到所述自动化识别公式中，识别出附属设施的故障
本申请第三方面提供一种电缆隧道附属设施故障自动化识别设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的电缆隧道附属设施故障自动化识别方法的步骤。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的电缆隧道附属设施故障自动化识别方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种电缆隧道附属设施故障自动化识别方法，包括：采集附属设施供电线路的三相电流，根据预置的抗干扰滤波输出函数对三相电流进行抗干扰滤波处理，得到故障信号特征；根据故障信号特征计算得到第一故障特征量，对附属设施的零序电流的低频能量进行迭代处理得到第二故障特征量；分别对第一故障特征量和第二故障特征量进行归一化处理，得到第一故障特征向量和第二故障特征向量，从而构成附属设施的故障特征；根据第一故障特征向量和第二故障特征向量计算故障特征量样本，对故障特征进行区域划分，得到故障特征区域；基于附属设施的故障自动化识别公式，根据故障特征量样本和故障特征区域对附属设施的故障进行识别。
本申请的电缆隧道附属设施故障自动化识别方法，首先通过抗干扰滤波输出函数对三相电流进行抗干扰滤波处理得到故障信号特征，然后通过不同故障特征量获得电缆隧道附属设施故障自动化识别的特征向量，完成对电缆隧道附属设施故障特征的提取，最后将所述故障特征量样本、所述故障特征区域、故障数据特征、故障信号聚类、故障数据的识别阈值、故障化识别的偏离真值程度输入到所述自动化识别公式中，识别出附属设施的故障。与现有技术相比，本申请的识别方法识别灵敏度更高，可以更早发现电缆潜在故障，且能够发现不便观察的位置的电缆隧道附件故障，从而解决现有技术无法提前识别出电缆隧道附属设施故障、且识别不便的技术问题。
附图说明
图1为本申请实施例中提供的一种电缆隧道附属设施故障自动化识别方法的实施例；
图2为本申请实施例中提供的一种电缆隧道附属设施故障自动化识别系统的实施例。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参阅图1，本申请实施例提供的一种电缆隧道附属设施故障自动化识别方法，包括：
步骤101、采集附属设施供电线路的三相电流，根据预置的抗干扰滤波输出函数对三相电流进行抗干扰滤波处理，得到故障信号特征。
需要说明的是，本实施例预置的抗干扰滤波输出函数的构建过程以及抗干扰滤波处理具体为：
首先，利用数据挖掘对电力电缆输出信号抗干扰滤波处理。在电缆隧道附属设施故障信号的分布结构中，对电缆隧道附属设施故障信号源
Figure 757107DEST_PATH_IMAGE028
平稳监测，电缆隧道附属设施故障信号之间交叉存在差值，则电缆隧道附属设施故障信号的空间分布向量为：
Figure 174444DEST_PATH_IMAGE029
（1）
上式（1）中，连续时间内电缆隧道附属设施故障信号的辐射半径为
Figure 190942DEST_PATH_IMAGE030
，电缆隧道附属设施故障信号的时频分布为
Figure 688919DEST_PATH_IMAGE031
。假设不同的频率下，电缆隧道附属设施故障信号的网络分布向量为
Figure 381938DEST_PATH_IMAGE032
，危险信号列阵中的阵元坐标为0，由此得到电缆隧道附属设施故障信号的
Figure 535839DEST_PATH_IMAGE033
阵元时间序列为：
Figure 106760DEST_PATH_IMAGE034
（2）
上式（2）中，电缆隧道附属设施故障信号的复包络为
Figure 459243DEST_PATH_IMAGE035
，电缆隧道附属设施故障的信号时频为
Figure 339475DEST_PATH_IMAGE036
，阵元的线性分布为
Figure 964360DEST_PATH_IMAGE037
，电缆隧道附属设施故障信号的正交函数为
Figure 322660DEST_PATH_IMAGE038
。
然后，利用离散变换对其计算分析，得到电缆隧道附属设施故障信号的网络信号解析为：
Figure 795230DEST_PATH_IMAGE039
（3）
上式（3）中，电缆隧道附属设施故障的原始信号为
Figure 331516DEST_PATH_IMAGE040
，电缆隧道附属设施故障的原始信号通过离散数据解析后的信号为
Figure 194429DEST_PATH_IMAGE041
，危险信号的解析为
Figure 605688DEST_PATH_IMAGE042
，
Figure 932764DEST_PATH_IMAGE043
为电缆隧道危险信号
Figure 154798DEST_PATH_IMAGE041
和
Figure 255740DEST_PATH_IMAGE044
的神经元卷积值，
Figure 18160DEST_PATH_IMAGE045
为信号瞬时的频率。
接着，通过对电缆隧道附属设施故障信号抗干扰滤波处理，得到电缆隧道附属设施故障信号的抗干扰滤波特征为：
Figure 137426DEST_PATH_IMAGE046
（4）
最后，对电缆隧道附属设施故障信号抗干扰滤波自适应处理，得到电缆隧道附属设施故障信号的抗干扰滤波输出函数表示为：
Figure 779629DEST_PATH_IMAGE024
（5）
从而通过获得电缆隧道附属设施故障信号的抗干扰滤波输出函数，对电缆隧道附属设施故障信号特征保留，去除其他信号干扰，完成对电缆隧道附属设施故障信号的抗干扰滤波处理。
步骤102、根据故障信号特征计算得到第一故障特征量，对附属设施的零序电流的低频能量进行迭代处理得到第二故障特征量。
步骤103、分别对第一故障特征量和第二故障特征量进行归一化处理，得到第一故障特征向量和第二故障特征向量，从而构成附属设施的故障特征。
对于步骤102、步骤103需要说明的是：
一、根据故障信号特征计算得到第一故障特征量，对第一故障特征量进行归一化处理，得到第一故障特征向量，具体包括：
1）提取电缆隧道附属设施的供电线路
Figure 617135DEST_PATH_IMAGE047
、
Figure 859942DEST_PATH_IMAGE048
、
Figure 833714DEST_PATH_IMAGE049
的三相电流，并计算三相电流
Figure 459868DEST_PATH_IMAGE050
，
Figure 33937DEST_PATH_IMAGE051
，
Figure 75843DEST_PATH_IMAGE052
的电流分量：
Figure 920433DEST_PATH_IMAGE053
（6）
上式中，
Figure 655171DEST_PATH_IMAGE054
为电缆隧道附属设施中输电线路故障三相电流的故障特征量，即第一故障特征量。
2）利用公式（7）计算出电缆隧道附属设施的三相电流系数为：
Figure 264007DEST_PATH_IMAGE055
（7）
上式中，
Figure 624450DEST_PATH_IMAGE056
的电缆隧道附属设施故障数学期望为
Figure 572814DEST_PATH_IMAGE057
，
Figure 540770DEST_PATH_IMAGE058
的电缆隧道附属设施故障数学期望为
Figure 325318DEST_PATH_IMAGE059
，
Figure 709026DEST_PATH_IMAGE060
的电缆隧道附属设施故障数学期望为
Figure 26743DEST_PATH_IMAGE061
。
Figure 103284DEST_PATH_IMAGE050
、
Figure 686712DEST_PATH_IMAGE051
、
Figure 624843DEST_PATH_IMAGE052
分别对应的数学期望值为
Figure 547800DEST_PATH_IMAGE062
、
Figure 44509DEST_PATH_IMAGE063
、
Figure 52916DEST_PATH_IMAGE064
，
Figure 106323DEST_PATH_IMAGE050
、
Figure 634519DEST_PATH_IMAGE051
、
Figure 52862DEST_PATH_IMAGE052
对应的电缆隧道附属设施故障标准差为
Figure 532253DEST_PATH_IMAGE065
、
Figure 327034DEST_PATH_IMAGE066
、
Figure 709736DEST_PATH_IMAGE067
，电缆隧道的输电线路
Figure 298980DEST_PATH_IMAGE068
相电流电缆隧道附属设施故障识别的标准差为
Figure 531247DEST_PATH_IMAGE069
，
Figure 926457DEST_PATH_IMAGE068
为A、B、C 三相电流。
3）利用（8）式对的电缆隧道附属设施输电线路
Figure 412933DEST_PATH_IMAGE050
，
Figure 189390DEST_PATH_IMAGE051
，
Figure 394106DEST_PATH_IMAGE052
归一化处理，设
Figure 327427DEST_PATH_IMAGE070
，则特征向量为1，构成了电缆隧道附属设施的故障特征向量。即得到第一故障特征向量。
Figure 183257DEST_PATH_IMAGE071
（8）
上式中，电缆隧道附属设施故障的零序电流
Figure 379883DEST_PATH_IMAGE072
的高频分量为
Figure 557049DEST_PATH_IMAGE073
，电缆隧道附属设施故障的零序电流
Figure 497323DEST_PATH_IMAGE073
第
Figure 20708DEST_PATH_IMAGE074
层的低频相似信号系数为
Figure 371924DEST_PATH_IMAGE075
，电缆隧道附属设施故障的零序电流
Figure 551232DEST_PATH_IMAGE076
的归一化值为
Figure 792069DEST_PATH_IMAGE073
。
二、对附属设施的零序电流的低频能量进行迭代处理得到第二故障特征量，对第二故障特征量进行归一化处理，得到第二故障特征向量，具体包括：
1）设电缆隧道附属设施故障自动化识别的故障特征量为
Figure 169961DEST_PATH_IMAGE077
，将缆隧道附属设施故障的零序电流
Figure 708390DEST_PATH_IMAGE078
的低频能量
Figure 358683DEST_PATH_IMAGE079
迭代处理，得到阈值
Figure 640760DEST_PATH_IMAGE080
量化信息为 1 或是 0，将其作为电缆隧道附属设施故障自动化识别的故障特征量
Figure 827153DEST_PATH_IMAGE081
，则有：
Figure 333220DEST_PATH_IMAGE082
（9）
上式中，基于数据挖掘的电缆隧道附属设施故障自动化识别，其输电线路零序电流的小波分解后的故障系数为
Figure 487121DEST_PATH_IMAGE083
。电缆隧道附属设施故障自动化识别的故障特征量为
Figure 556577DEST_PATH_IMAGE084
，分别对电缆隧道附属设施故障的三相电流
Figure 846744DEST_PATH_IMAGE050
，
Figure 523713DEST_PATH_IMAGE051
，
Figure 650063DEST_PATH_IMAGE052
求解，得到高频的小波方差为
Figure 273943DEST_PATH_IMAGE085
，
Figure 667884DEST_PATH_IMAGE086
，
Figure 781333DEST_PATH_IMAGE087
，其中电缆隧道附属设施故障自动化识别的三相电流
Figure 644247DEST_PATH_IMAGE088
、
Figure 556971DEST_PATH_IMAGE089
、
Figure 884047DEST_PATH_IMAGE090
为第
Figure 106081DEST_PATH_IMAGE074
层三相电流的小波变换系数，对其归一化处理，设
Figure 439979DEST_PATH_IMAGE091
，则量化值为2，设
Figure 405661DEST_PATH_IMAGE092
，则量化值为1，否则将量化值降为0，构成电缆隧道附属设施故障自动化识别的故障特征向量，即得到第二故障特征向量：
Figure 587243DEST_PATH_IMAGE093
（10）
上式中，
Figure 730911DEST_PATH_IMAGE094
和
Figure 568417DEST_PATH_IMAGE095
表示
Figure 321478DEST_PATH_IMAGE085
，
Figure 295251DEST_PATH_IMAGE086
，
Figure 921404DEST_PATH_IMAGE087
的最大值和最小值，
Figure 731359DEST_PATH_IMAGE096
代表
Figure 38844DEST_PATH_IMAGE073
在第
Figure 381969DEST_PATH_IMAGE074
层的标准差。
综上，通过不同故障特征量获得电缆隧道附属设施故障自动化识别的特征向量，完成对电缆隧道附属设施故障特征的提取。
步骤104、根据第一故障特征向量和第二故障特征向量计算故障特征量样本，对故障特征进行区域划分，得到故障特征区域。
本实施例基于数据挖掘对电缆隧道附属设施故障自动化识别处理的过程如下：
1）设电缆隧道附属设施故障的特征向量为
Figure 116707DEST_PATH_IMAGE097
，
Figure 725543DEST_PATH_IMAGE097
的第
Figure 321872DEST_PATH_IMAGE004
组的电缆隧道附属设施故障信息的测量值为
Figure 270236DEST_PATH_IMAGE003
，电缆隧道附属设施故障自动识别的分布函数为
Figure 425143DEST_PATH_IMAGE002
，利用下式（11）采集不同电缆隧道附属设施的故障特征量样本：
Figure 521275DEST_PATH_IMAGE098
（11）
上式中，电缆隧道附属设施故障在各个区域分布的概率函数为
Figure 170562DEST_PATH_IMAGE005
，电缆隧道附属设施故障自动化识别的数量测量为
Figure 989745DEST_PATH_IMAGE006
。
2）假设，电缆隧道附属设施故障的原始信息为
Figure 66285DEST_PATH_IMAGE009
，电缆隧道附属设施故障的样本数量为
Figure 571085DEST_PATH_IMAGE010
，电缆隧道附属设施故障的特征向量为
Figure 86380DEST_PATH_IMAGE011
，电缆隧道附属设施故障的训练样本特征为
Figure 9336DEST_PATH_IMAGE012
，电缆隧道附属设施故障的特征数据时间序列集为
Figure 995792DEST_PATH_IMAGE013
，则利用下式（12）对电缆隧道附属设施故障特征区域划分：
Figure 800937DEST_PATH_IMAGE099
（12）
上式中，电缆隧道附属设施故障的差异特征类型为
Figure 792026DEST_PATH_IMAGE014
，电缆隧道附属设施故障的特征矢量为
Figure 818757DEST_PATH_IMAGE015
。
需要说明的是，本实施例除了需要计算故障特征量样本和故障特征区域，还需要获取以下数据。
3）假设，电缆隧道附属设施故障的观测值序列为
Figure 237100DEST_PATH_IMAGE100
，不同类型的电缆隧道附属设施故障数据特征为
Figure 483536DEST_PATH_IMAGE021
，利用下式（13）计算得到：
Figure 75054DEST_PATH_IMAGE101
（13）
上式中，电缆隧道附属设施故障的特征类别号为
Figure 972603DEST_PATH_IMAGE102
，电缆隧道附属设施故障输出信号的特征分布为
Figure 811115DEST_PATH_IMAGE103
，电缆隧道附属设施故障数据的数据类型为
Figure 528535DEST_PATH_IMAGE104
，此时各个电缆隧道附属设施故障样本信息的权重大小为
Figure 923744DEST_PATH_IMAGE105
。
4）设电缆隧道附属设施故障信号的特征分类阈值为
Figure 426532DEST_PATH_IMAGE106
，电缆隧道附属设施故障的差异特征识别概率为
Figure 186678DEST_PATH_IMAGE107
，则下式（14）对各类的电缆隧道附属设施故障信号聚类分析：
Figure 640662DEST_PATH_IMAGE108
（14）
上式中，电缆隧道附属设施故障恶意入侵
Figure 777245DEST_PATH_IMAGE109
的聚类中心为
Figure 446124DEST_PATH_IMAGE110
，电缆隧道附属设施故障的概率分布向量为
Figure 127903DEST_PATH_IMAGE111
，
Figure 819916DEST_PATH_IMAGE112
代表电缆隧道差异特征识别的先验概率分布的权重。
5）在数据挖掘的基础上，获取电缆隧道附属设施故障的危险信号属性为
Figure 9457DEST_PATH_IMAGE113
，电缆隧道附属设施故障信息集合为
Figure 470526DEST_PATH_IMAGE114
，电缆隧道附属设施故障的差异性特征相似度为
Figure 323206DEST_PATH_IMAGE115
，
Figure 502515DEST_PATH_IMAGE009
代表电缆隧道附属设施故障的属性类型的数量，则利用下式（15）为电缆隧道附属设施故障数据的识别阈值：
Figure 43218DEST_PATH_IMAGE116
（15）
上式中，电缆隧道附属设施故障数据分类识别的后验概率的不确定性为
Figure 608060DEST_PATH_IMAGE117
，电缆隧道附属设施故障自动化识别的序列权重为
Figure 146489DEST_PATH_IMAGE118
。
步骤105、基于附属设施的故障自动化识别公式，根据故障特征量样本和故障特征区域对附属设施的故障进行识别。
最后，设
Figure 298247DEST_PATH_IMAGE018
为电缆隧道附属设施故障化识别的偏离真值程度，用下式（16）完成电缆隧道附属设施故障自动化识别，即：
Figure 642640DEST_PATH_IMAGE119
（16）
根据以上过程，实现了电缆隧道附属设施故障的识别。
以上为本申请实施例提供的一种电缆隧道附属设施故障自动化识别方法的实施例，以下为本申请实施例提供的一种电缆隧道附属设施故障自动化识别系统的实施例。
请参阅图2，本申请实施例提供的一种电缆隧道附属设施故障自动化识别系统，包括：
滤波单元201，用于采集附属设施供电线路的三相电流，根据预置的抗干扰滤波输出函数对三相电流进行抗干扰滤波处理，得到故障信号特征；
计算单元202，用于根据故障信号特征计算得到第一故障特征量，对附属设施的零序电流的低频能量进行迭代处理得到第二故障特征量；
归一化单元203，用于分别对第一故障特征量和第二故障特征量进行归一化处理，得到第一故障特征向量和第二故障特征向量，从而构成附属设施的故障特征；
划分单元204，用于根据第一故障特征向量和第二故障特征向量计算故障特征量样本，对故障特征进行区域划分，得到故障特征区域；
识别单元205，用于基于附属设施的故障自动化识别公式，根据故障特征量样本和故障特征区域对附属设施的故障进行识别。
进一步地，本申请实施例还提供了一种电缆隧道附属设施故障自动化识别设备，
设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行执行上述方法实施例所述的电缆隧道附属设施故障自动化识别方法。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述方法实施例所述的电缆隧道附属设施故障自动化识别方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个（项）”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a，b或c中的至少一项（个），可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（英文全称：Read-OnlyMemory，英文缩写：ROM）、随机存取存储器（英文全称：Random Access Memory，英文缩写：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种电缆隧道附属设施故障自动化识别方法，其特征在于，包括：
采集附属设施供电线路的三相电流，根据预置的抗干扰滤波输出函数对所述三相电流进行抗干扰滤波处理，得到故障信号特征；
根据所述故障信号特征计算得到第一故障特征量，对附属设施的零序电流的低频能量进行迭代处理得到第二故障特征量；
分别对所述第一故障特征量和所述第二故障特征量进行归一化处理，得到第一故障特征向量和第二故障特征向量，从而构成附属设施的故障特征；
根据所述第一故障特征向量和所述第二故障特征向量计算故障特征量样本，对所述故障特征进行区域划分，得到故障特征区域；
基于附属设施的故障自动化识别公式，根据所述故障特征量样本和所述故障特征区域对附属设施的故障进行识别。
2.根据权利要求1所述的电缆隧道附属设施故障自动化识别方法，其特征在于，所述基于附属设施的故障自动化识别公式，根据所述故障特征量样本和所述故障特征区域对附属设施的故障进行识别，具体包括：
将所述故障特征量样本、所述故障特征区域、故障数据特征、故障信号聚类、故障数据的识别阈值、故障化识别的偏离真值程度输入到所述自动化识别公式中，识别出附属设施的故障。
3.根据权利要求1所述的电缆隧道附属设施故障自动化识别方法，其特征在于，所述根据所述第一故障特征向量和所述第二故障特征向量计算故障特征量样本，具体包括：
根据所述第一故障特征量和所述第二故障特征量的测量值，基于故障特征量样本计算公式，计算得到故障特征量样本；
其中，所述故障特征量样本计算公式为：
Figure 170984DEST_PATH_IMAGE001
；
式中，
Figure 643554DEST_PATH_IMAGE002
为电缆隧道附属设施故障自动化识别的分布函数，
Figure 694686DEST_PATH_IMAGE003
为所述第一故障特征量和所述第二故障特征量的第
Figure 619917DEST_PATH_IMAGE004
组的电缆隧道附属设施故障信息的测量值，
Figure 532640DEST_PATH_IMAGE005
为电缆隧道附属设施故障在各个区域分布的概率函数，
Figure 718771DEST_PATH_IMAGE006
为电缆隧道附属设施故障自动化识别的数量测量，
Figure 940805DEST_PATH_IMAGE007
为电缆隧道附属设施故障的特征向量。
4.根据权利要求1所述的电缆隧道附属设施故障自动化识别方法，其特征在于，所述对所述故障特征进行区域划分，得到故障特征区域，具体包括：
通过故障特征划分函数对所述故障特征进行区域划分，得到故障特征区域；
其中，故障特征划分函数为：
Figure 41747DEST_PATH_IMAGE008
；
式中，
Figure 7429DEST_PATH_IMAGE009
为电缆隧道附属设施故障的原始信息，
Figure 189012DEST_PATH_IMAGE010
为电缆隧道附属设施故障的样本数量，
Figure 565636DEST_PATH_IMAGE011
为电缆隧道附属设施故障的特征向量，
Figure 465458DEST_PATH_IMAGE012
为电缆隧道附属设施故障的训练样本特征，
Figure 969252DEST_PATH_IMAGE013
为电缆隧道附属设施故障的特征数据时间序列集，电缆隧道附属设施故障的差异特征类型为
Figure 270920DEST_PATH_IMAGE014
，电缆隧道附属设施故障的特征矢量为
Figure 319910DEST_PATH_IMAGE015
。
5.根据权利要求2所述的电缆隧道附属设施故障自动化识别方法，其特征在于，所述故障自动化识别公式为：
Figure 707029DEST_PATH_IMAGE016
；
式中，
Figure 14514DEST_PATH_IMAGE017
为电缆隧道附属设施发生故障的危险提示信号输出，
Figure 92060DEST_PATH_IMAGE018
为所述故障化识别的偏离真值程度，
Figure 889115DEST_PATH_IMAGE019
为所述故障数据的识别阈值，
Figure 435634DEST_PATH_IMAGE020
为所述故障信号聚类，
Figure 609126DEST_PATH_IMAGE021
为所述故障数据特征，
Figure 308223DEST_PATH_IMAGE022
为所述故障特征区域，
Figure 276179DEST_PATH_IMAGE023
为所述故障特征量样本。
6.根据权利要求1所述的电缆隧道附属设施故障自动化识别方法，其特征在于，所述抗干扰滤波输出函数为：
Figure 309994DEST_PATH_IMAGE024
；
式中，
Figure 21598DEST_PATH_IMAGE025
为保留了电缆隧道附属设施故障特征的滤波输出信号，
Figure 73737DEST_PATH_IMAGE026
抗干扰滤波特征，
Figure 150277DEST_PATH_IMAGE027
为信号瞬时的频率对应的角度。
7.一种电缆隧道附属设施故障自动化识别系统，其特征在于，包括：
滤波单元，用于采集附属设施供电线路的三相电流，根据预置的抗干扰滤波输出函数对所述三相电流进行抗干扰滤波处理，得到故障信号特征；
计算单元，用于根据所述故障信号特征计算得到第一故障特征量，对附属设施的零序电流的低频能量进行迭代处理得到第二故障特征量；
归一化单元，用于分别对所述第一故障特征量和所述第二故障特征量进行归一化处理，得到第一故障特征向量和第二故障特征向量，从而构成附属设施的故障特征；
划分单元，用于根据所述第一故障特征向量和所述第二故障特征向量计算故障特征量样本，对所述故障特征进行区域划分，得到故障特征区域；
识别单元，用于基于附属设施的故障自动化识别公式，根据所述故障特征量样本和所述故障特征区域对附属设施的故障进行识别。
8.根据权利要求7所述的电缆隧道附属设施故障自动化识别系统，其特征在于，所述识别单元，具体用于：
将所述故障特征量样本、所述故障特征区域、故障数据特征、故障信号聚类、故障数据的识别阈值、故障化识别的偏离真值程度输入到所述自动化识别公式中，识别出附属设施的故障。
9.一种电缆隧道附属设施故障自动化识别设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的电缆隧道附属设施故障自动化识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-6任一项所述的电缆隧道附属设施故障自动化识别方法。
CN202111323377.7A 2021-11-10 2021-11-10 一种电缆隧道附属设施故障自动化识别方法及相关装置 Active CN113762230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111323377.7A CN113762230B (zh) 2021-11-10 2021-11-10 一种电缆隧道附属设施故障自动化识别方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111323377.7A CN113762230B (zh) 2021-11-10 2021-11-10 一种电缆隧道附属设施故障自动化识别方法及相关装置

Publications (2)

Publication Number Publication Date
CN113762230A true CN113762230A (zh) 2021-12-07
CN113762230B CN113762230B (zh) 2022-02-15

Family

ID=78784843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111323377.7A Active CN113762230B (zh) 2021-11-10 2021-11-10 一种电缆隧道附属设施故障自动化识别方法及相关装置

Country Status (1)

Country Link
CN (1) CN113762230B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104101817A (zh) * 2014-07-30 2014-10-15 武汉大学 基于pso改进的原子分解法的雷击干扰与故障识别方法
CN106405339A (zh) * 2016-11-11 2017-02-15 中国南方电网有限责任公司 基于高低频小波特征关联的输电线路故障原因辨识方法
CN109241944A (zh) * 2018-09-07 2019-01-18 福州大学 一种基于改进多分类支持向量机的配电网故障识别方法
CN111327213A (zh) * 2020-02-25 2020-06-23 山东大学 并联三相电压型pwm变流器中抑制零序环流的控制方法
CN111679158A (zh) * 2020-08-04 2020-09-18 国网内蒙古东部电力有限公司呼伦贝尔供电公司 基于同步量测数据相似度的配电网故障辨识方法
US20200341046A1 (en) * 2016-05-23 2020-10-29 Emtele Oy Method and apparatus for detecting faults in a three-phase electrical distribution network
CN113468701A (zh) * 2021-07-19 2021-10-01 广东电网有限责任公司 一种配网故障识别的方法及相关装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104101817A (zh) * 2014-07-30 2014-10-15 武汉大学 基于pso改进的原子分解法的雷击干扰与故障识别方法
US20200341046A1 (en) * 2016-05-23 2020-10-29 Emtele Oy Method and apparatus for detecting faults in a three-phase electrical distribution network
CN106405339A (zh) * 2016-11-11 2017-02-15 中国南方电网有限责任公司 基于高低频小波特征关联的输电线路故障原因辨识方法
CN109241944A (zh) * 2018-09-07 2019-01-18 福州大学 一种基于改进多分类支持向量机的配电网故障识别方法
CN111327213A (zh) * 2020-02-25 2020-06-23 山东大学 并联三相电压型pwm变流器中抑制零序环流的控制方法
CN111679158A (zh) * 2020-08-04 2020-09-18 国网内蒙古东部电力有限公司呼伦贝尔供电公司 基于同步量测数据相似度的配电网故障辨识方法
CN113468701A (zh) * 2021-07-19 2021-10-01 广东电网有限责任公司 一种配网故障识别的方法及相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖贤 等: "结合H-S 变换和BSVM 的高压输电线路故障识别", 《电力系统及其自动化学报》 *

Also Published As

Publication number Publication date
CN113762230B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN110097068B (zh) 相似车辆的识别方法和装置
CN110766059A (zh) 一种变压器故障的预测方法、装置和设备
US10796796B2 (en) Fault diagnosis apparatus, fault diagnosis method, and fault diagnosis program
CN109919781A (zh) 团伙欺诈案件识别方法、电子装置及计算机可读存储介质
Xiao et al. Maximal overlap discrete wavelet transform and deep learning for robust denoising and detection of power quality disturbance
CN109544862A (zh) 基于智能家居的行为识别方法、装置、存储介质及设备
CN111965476A (zh) 一种基于图卷积神经网络的低电压诊断方法
CN112435122A (zh) 网络训练方法、异常交易行为识别方法、装置和介质
CN112597238A (zh) 基于人员信息的知识图谱构建方法、系统、设备及介质
Barbosa et al. Classification of multiple and single power quality disturbances using a decision tree-based approach
CN114978877B (zh) 一种异常处理方法、装置、电子设备及计算机可读介质
Achim et al. Complex wavelet domain image fusion based on fractional lower order moments
CN114020811A (zh) 数据异常检测方法及其装置、电子设备
CN117290788B (zh) 一种基于改进小波变换算法的配电网故障辨识方法及系统
CN113762230B (zh) 一种电缆隧道附属设施故障自动化识别方法及相关装置
CN114154999A (zh) 一种反窃电方法、装置、终端及存储介质
CN111245815B (zh) 数据处理方法、装置、存储介质及电子设备
CN116776181A (zh) 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统
CN113746780A (zh) 基于主机画像的异常主机检测方法、装置、介质和设备
CN111652277A (zh) 假阳性过滤方法、电子装置及计算机可读存储介质
CN115484112A (zh) 支付大数据安全防护方法、系统及云平台
CN108446907B (zh) 安全校验方法及装置
Biscarri et al. A data mining method based on the variability of the customer consumption-A special application on electric utility companies
CN113408210A (zh) 基于深度学习的非侵入负荷分解方法、系统、介质和设备
CN113740671A (zh) 一种基于vmd和elm的故障电弧识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant