CN114354744A - 一种电力电缆防外破监测方法、系统及装置 - Google Patents
一种电力电缆防外破监测方法、系统及装置 Download PDFInfo
- Publication number
- CN114354744A CN114354744A CN202111470248.0A CN202111470248A CN114354744A CN 114354744 A CN114354744 A CN 114354744A CN 202111470248 A CN202111470248 A CN 202111470248A CN 114354744 A CN114354744 A CN 114354744A
- Authority
- CN
- China
- Prior art keywords
- event
- power cable
- information
- feature
- sound field
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种电力电缆防外破监测方法、系统及装置。其中,该电力电缆防外破监测方法包括如下步骤:获取实时电力电缆沿线设定的所有防区的声场信息;综合能量定位和神经网络多防区定位法,对各防区的声场信息进行处理,识别得到外破事件,并计算外破事件的平面定位信息;在XGBoost集成学习模型框架下,分别提取外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C,将多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到外破事件的类型。本发明可实现对外破事件类型的准确识别,并能对电缆外破事件发生位置进行准确定位。
Description
技术领域
本发明属于电力电缆运行安全技术领域,更具体地,涉及一种电力电缆防外破监测方法、系统及装置。
背景技术
电力电缆是城市输配电系统的重要骨干,其健康状况事关全城用电的可靠性。目前各类施工、盗窃导致的电力电缆破坏问题威胁着供电系统的稳定性。
对此,现有的解决方案是采用人工巡检法,即在沿电缆铺设的路径上派遣工作人员进行威胁排查,如中国专利申请CN112581645A中采用人工协同巡检的方式加强系统的可靠性。但此方法费时费力,且实时性不高。因此出现了替代人工巡检的电缆探伤机器人系统,如中国专利申请CN111421559A,但此方案依然难以满足实时性的要求,并且难以应对复杂环境中的电缆监测。此外,还有电缆的可视化监拍方案,如中国专利申请CN112864947A,每隔设定距离便布设一套监拍设备,使用图像处理的方案测试隐患物体的距离,根据距离进行预警。但此方法不仅存在监控盲区,并且花费成本高,维护摄像头的成本也高,并且准确率也易受天气环境的影响。
目前分布式传感技术的安全监测方法正应用于周界安防、石油管道、电力电缆、结构安全监测等领域,如中国专利申请CN113532621A,其使用光缆探知监测区域沿线的声波振动信息。与此同时,针对光纤传感监测系统也出现了一些通用监测算法,如中国专利CN201810590114.4,采用1D-CNN神经网络的方法对分布式传感信号进行处理,识别威胁信号。然而,这些方案要么不适用于特定的电力电缆监测领域,要么识别方法太多单一,从而造成电力电缆的外破入侵事件识别存在高漏报和高误报问题。
因此,亟需一种识别可靠的电力电缆监测方法。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种电力电缆防外破监测方法、系统及装置,可准确识别电力电缆外破事件的类型,并能对电缆外破事件发生位置进行准确定位。
为实现上述目的,本发明提供了一种电力电缆防外破监测方法,包括如下步骤:
(1)获取实时电力电缆沿线设定的所有防区的声场信息;
(2)综合能量定位和神经网络多防区定位法,对各防区的声场信息进行处理,识别得到外破事件,并计算所述外破事件的平面定位信息;
(3)在XGBoost集成学习模型框架下,分别提取所述外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C,将所述多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到所述外破事件的类型。
本发明提供的电力电缆防外破监测方法,综合能量定位和神经网络多防区定位法,可实现对外破事件发生位置的准确定位;同时采用在XGBoost集成学习模型框架下,提取外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C作为外破事件类型的计算,可实现对外破事件类型的准确识别,便于电力部门管理人员及时了解当前电缆的外破类型,并根据外破事件类型及时制定出对应的处理方案,从而有效提高电缆的检测维护效率。
在其中一个实施例中,所述将所述多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到所述外破事件的类型的步骤,具体为:
将所述多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C分别输入到判别器中,计算得到所述外破事件在设定的所有类型所对应发生的概率y=[y1,y2,...,yn],并选取所述概率y=[y1,y2,...,yn]中最大值所对应的类型为所述外破事件的类型;
其中,所述判别器的判别公式为:
y=S1*A+S2*B+S3*C
式中,S1、S2、S3对应所述多分辨率形态学抽象特征A、所述多维特征B和所述多分支特征的时序信息C的权重系数,所述权重系数通过所述XGBoost集成学习模型训练得到;yn表示第n个类型的外破事件发生的概率。
在其中一个实施例中,步骤(2)具体包括:
获取沿电力电缆方向上的声场信息,根据各防区沿电力电缆方向上的声场信息对应计算各防区的能量;
获取外破事件所在防区在所述沿电力电缆方向上的位置信息,所述外破事件所在防区为所述能量的最大值处所对应的防区;
获取所述外破事件所在防区以及其左右各3个防区的能量,并输入到神经网络中,得到所述外破事件发生在电力电缆垂直方向上设定的多个区域所对应发生的概率P=[P1,P2,...,Pm],Pm表示所述外破事件在电力电缆垂直方向上的第m个区域发生的概率;
选取所述概率P=[P1,P2,...,Pm]中的最大值所对应的区域的位置信息为所述外破事件发生在所述电力电缆垂直方向上的位置信息。
在其中一个实施例中,步骤(3)中,所述提取所述外破事件的声场信息的多分辨率形态学抽象特征A的步骤,具体包括:
通过三个一维尺度网络对所述外破事件的声场信息进行多分辨率特征提取;
通过三个所述一维尺度网络所采用的阶梯式卷积核对所述外破事件的声场信息进行形态学抽象特征提取。
在其中一个实施例中,每个所述一维尺度网络所对应的阶梯式卷积核根据所述声场信息对应的传感信号的采样率P进行设计,当采样率P为1000时,其中一所述一维尺度网络的卷积核为1*11、1*9、1*7、1*5、1*3,另一所述一维尺度网络的卷积核为1*9、1*7、1*5、1*3、1*3,第三个所述一维尺度网络的卷积核为1*7、1*5、1*3、1*3、1*3进行设计;且每个所述一维尺度网络的池化层均使用1*2的最大池化层;当采样率P每升高一倍,则在每个所述一维尺度网络末端增加一个1*3卷积层和池化层。
在其中一个实施例中,步骤(3)中,所述提取所述外破事件的声场信息的多维特征B的步骤,具体包括:
通过BP神经网络对所述外破事件的声场信息进行特征提取,得到多维特征向量;
通过注意力机制分支网络获取各维特征向量的注意力权值,并从大到小进行排序组成注意力权值集;
选取所述注意力权值集中排序前10的注意力权值,所述排序前10的注意力权值所对应的特征向量为所述多维特征B;其中,所述注意力机制分支网络嵌入在所述BP神经网络的首端。
在其中一个实施例中,在步骤(3)中,所述提取所述外破事件的多分支特征的时序信息C的步骤,具体包括:
通过残差结构的三个ResNext网络对所述外破事件的声场信息的时空信息、频空信息、时频信息进行提取;
通过GRU网络获取所述时空信息、频空信息和时频信息以秒为单位时间的多分支特征的时序信息C。
第二方面,本发明提供了一种电力电缆防外破监测系统,包括:
声场信息获取模块,用于获取实时电力电缆沿线设定的所有防区的声场信息;
外破事件定位模块,用于综合能量定位和神经网络多防区定位法,对各防区的声场信息进行处理,识别得到外破事件,并计算所述外破事件的平面定位信息;
外破事件识别模块,用于在XGBoost集成学习模型框架下,分别提取所述外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C,将所述多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到所述外破事件的类型。
第三方面,本发明提供了一种电力电缆防外破监测装置,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述所述电力电缆防外破监测方法的步骤。
第四方面,本发明提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时以实现上述所述电力电缆防外破监测方法的步骤。
本发明提供的电力电缆防外破监测系统、装置及存储介质,综合能量定位和神经网络多防区定位法,可实现对外破事件发生位置的准确定位;同时采用在XGBoost集成学习模型框架下,提取外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C作为外破事件类型的计算,可实现对外破事件类型的准确识别,便于电力部门管理人员及时了解当前电缆的外破类型,并根据外破事件类型及时制定出对应的处理方案,从而有效提高电缆的检测维护效率。
附图说明
图1是一实施例中电力电缆防外破监测方法的流程图;
图2是一实施例中在沿电力电缆垂直方向上划分外破事件所在区域的结构示意图;
图3是一实施例中多分辨率形态学抽象特征A的生成图;
图4是一实施例中多维特征B的生成图;
图5是一实施例中多分支特征的时序信息C的生成图;
图6是一实施例中电力电缆防外破监测系统的架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为解决传统的电力电缆防外破监测方法,识别方法单一,造成电缆外破入侵事件存在高漏报和高误报的问题。本发明提供了一种电力电缆防外破监测方法,能准确识别电缆外破事件(外破入侵事件)的类型,并对其遭受外破事件的位置点进行准确定位,便于电力部门管理人员及时了解当前电缆的外破事件类型,并根据外破事件的类型及时制定出对应的处理方案,有效提高电缆的检测维护效率。
图1是本发明一实施例提供的电力电缆防外破监测方法的流程图,如图1所示,该电力电缆防外破监测方法包括步骤S10~S30,详述如下:
S10,获取实时电力电缆沿线设定的所有防区的声场信息。
在步骤S10中,所有防区设置的方式可以为:将电缆按长度L划分N段,每一段被称为一个防区,防区的长度为L,防区个数为N。比如电缆长2000m,L为50,则N为40。
本实施例提供的电力电缆沿线设定的所有防区的声场信息可通过本领域常用的分布式光纤声波传感系统测得。具体地,该分布式光纤声波传感系统包括光缆(传感器),光发射子模块,光电探测子模块,解调子模块和数据存储模块,其中,光缆与电力电缆同步设置。其工作原理为:光发射子模块首先发射光信号进入光缆,外界入侵事件(外破事件)产生的声波信号作用于光缆并对后向散射光信号进行调制,光电探测子模块接收光缆中的携带外界声波信息的后向散射光信号,并将其光信号转换为电信号,再将电信号送至解调子模块通过相位解调获得隧道外部的声波振动信息(声场信息),数据存储子模块将这些外部声波振动信息进行本地存储。
S20,综合能量定位和神经网络多防区定位法,对各防区的声场信息进行处理,识别得到外破事件,并计算外破事件的平面定位信息。
在步骤S20,采能量定位法,主要由于声场信息的能量越大,其所处的位置发生外破事件的概率就越大,基于这一点,首先可以定出在沿电力电缆方向(Z轴方向)上发生外破事件的位置;在电力电缆垂直方向(X轴方向)上采用神经网络的定位方法,则需对区域进行量化,即采用神经网络多防区定位方法,可实现对外破事件的准确定位。
S30,在XGBoost集成学习模型框架下,分别提取外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C,将多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到外破事件的类型。其中,电缆外破事件的所有类型包括打桩机、挖掘机、人工挖掘、动物入侵等造成的入侵事件。
在步骤S30中,可先分别提取外破事件的声场信息所对应的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C,将获取到的这三个特征通过判别器进行综合判断,相比于传统采用单一特征判断的方式,可有效提高对外破事件的识别精度;同时采用XGBoost集成学习模型,将提取多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C的网络和判别器联系在一起,可更进一步提高识别精度。
本发明提供了一种电力电缆防外破监测方法,综合能量定位和神经网络多防区定位法,可实现对外破事件发生位置的准确定位;同时采用在XGBoost集成学习模型框架下,提取外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C作为外破事件类型的计算,可实现对外破事件类型的准确识别,便于电力部门管理人员及时了解当前电缆的外破类型,并根据外破事件类型及时制定出对应的处理方案,从而有效提高电缆的检测维护效率。
在一个实施例中,步骤S30中,将多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到外破事件的类型的步骤,具体为:
将多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C分别输入到判别器中,计算得到外破事件在设定的所有类型所对应发生的概率y=[y1,y2,...,yn],并选取概率y=[y1,y2,...,yn]中最大值所对应的类型为外破事件的类型。
其中,判别器的判别公式为:
y=S1*A+S2*B+S3*C
式中,S1、S2、S3对应多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C的权重系数,该权重系数通过XGBoost集成学习模型训练得到;yn表示第n个类型的外破事件发生的概率。
例如,假设多分辨率形态学抽象特征A=[1,0,0],多维特征B=[0.5,0.5,0],多分支特征的时序信息C=[0.3,0.4,0.3];权值系数S1=[0.7,0.3,0],S2=[0.8,0.2,0],S3=[0.6,0.4,0]。根据判别器的判别公式y=S1*A+S2*B+S3*C,则计算得到外破事件在设定的所有类型所对应发生的概率y=[1.28,0.26,0],由此可以判断得到外破事件在第一种类型下发生的概率1.28最大,则可以判断外破事件为第一种类型。
在一个实施例中,步骤S20具体包括如下子步骤:
S201,获取沿电力电缆方向上的声场信息,根据各防区沿电力电缆方向上的声场信息对应计算各防区的能量。
S201,获取外破事件所在防区在沿电力电缆方向上的位置信息,外破事件所在防区为能量的最大值处所对应的防区。
S201,获取外破事件所在防区以及其左右各3个防区的能量,组成能量集e=[e1,e2,...,e7],并输入到神经网络中,得到外破事件发生在电力电缆垂直方向上设定的多个区域所对应发生的概率P=[P1,P2,...,Pm],Pm表示外破事件在电力电缆垂直方向上的第m个区域发生的概率。
在步骤S201中,考虑到对电力电缆造成外力破坏的危险等级,如图2所示,可将电力电缆垂直方向上[0,20m]范围分为多个区域作为最终要外破事件定位的区域。具体地,可将以[0,20m]范围5m间隔分为4个区域,当然也可将该范围划分成更细的区域,本实施例不作限制。
同时考虑到外破事件能够影响到多个防区所接受到的能量,因此本实施例采用七个防区的能量信息,综合使用七个防区的能量信息能有效覆盖外破事件的影响范围,实现准确率更高的识别。
在一个实施例中,如图3所示,步骤S30中,提取外破事件的声场信息的多分辨率形态学抽象特征A的步骤,具体包括如下子步骤:
S311,通过三个一维尺度网络对外破事件的声场信息进行多分辨率特征提取。
S312,通过三个一维尺度网络所采用的阶梯式卷积核对外破事件的声场信息进行形态学抽象特征提取。
具体地,每个一维尺度网络所对应的阶梯式卷积核可根据声场信息对应的传感信号的采样率P进行设计,当采样率P为1000时,其中一一维尺度网络的卷积核为1*11、1*9、1*7、1*5、1*3,另一一维尺度网络的卷积核为1*9、1*7、1*5、1*3、1*3,第三个一维尺度网络的卷积核为1*7、1*5、1*3、1*3、1*3进行设计;且每个一维尺度网络的池化层均使用1*2的最大池化层;当采样率P每升高一倍,则在每个一维尺度网络末端增加一个1*3卷积层和池化层,以维持网络的感受野不变,保持提取的多分辨率形态学抽象特征A的精度不变。
在一个实施例中,如图4所示,在步骤(3)中,提取外破事件的声场信息的多维特征B的步骤,具体包括如下子步骤:
S321,通过BP神经网络对外破事件的声场信息进行特征提取,得到多维特征向量。
S322,通过注意力机制分支网络获取各维特征向量的注意力权值,并从大到小进行排序组成注意力权值集。
S323,选取注意力权值集排序前10的注意力权值,该排序前10的注意力权值所对应的特征向量即为多维特征B;其中,注意力机制分支网络嵌入在BP神经网络的首端。
在本实施例中,在BP神经网络的首端嵌入注意力机制分支网络,多维特征B经过注意力机制分支网络筛选出的最有效果的10个特征,可排除无用特征的干扰,提高准确率的同时还能减少计算时间。
在一个实施例中,如图5所示,在步骤(3)中,提取外破事件的多分支特征的时序信息C的步骤,具体包括如下子步骤:
S331,通过残差结构的三个ResNext网络对外破事件的声场信息的时空信息、频空信息、时频信息进行提取。
S332,通过GRU网络获取时空信息、频空信息和时频信息以秒为单位时间的多分支特征的时序信息C。
其中,采用GRU网络可以获取不同特征在以秒为实践单位的时序信息。相比于传统采用LSTM网络提取特征时序信息,GRU网络将LSTM网络中的输入门、遗忘门、输出门变为更新门和重置门,在相同识别效果下具有计算更快的优点;同时采用残差结构的三个ResNext网络,由于残差结构含有跨层连接结构,可用于消除深层网络训练困难问题。
在本实施例中,多分支特征的时序信息C包括时频空不同维度的信息,通过GRU网络捕捉多分支特征在以秒为单位的时序信息,来获取事件的时间演化信息,对外破事件会有更清楚的认识,从而提高识别率。
图6是本发明一实施例提供的电力电缆防外破监测系统,如图6所示,该管理系统包括声场信息获取模块100、外破事件定位模块200和外破事件识别模块300。
其中,声场信息获取模块100,用于获取实时电力电缆沿线设定的所有防区的声场信息。
外破事件定位模块200,用于综合能量定位和神经网络多防区定位法,对各防区的声场信息进行处理,识别得到外破事件,并计算外破事件的平面定位信息。
外破事件识别模块300,用于在XGBoost集成学习模型框架下,分别提取外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C,将多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到外破事件的类型。
具体地,本实施例提供的各模块功能可参见上述方法实施例中的详细介绍,本实施例不再赘述。
另外,本发明还提供了一种电力电缆防外破监测装置,包括:存储器,其上存储有计算机程序;处理器,用于执行存储器中的计算机程序,以实现上述电力电缆防外破监测方法的步骤。同时,本发明还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述电力电缆防外破监测方法的步骤。
本实施例提供的装置及存储介质与前述方法实施例是基于同一个发明构思下的两个方面,在前面已经对方法实施过程做了详细的描述,所以本领域技术人员可根据前述介绍清楚地了解本实施例中的装置的结构及实施过程,为了说明书的简洁,此处不再赘述。
本实施例提供的电力电缆防外破监测系统、装置及存储介质,综合能量定位和神经网络多防区定位法,可实现对外破事件发生位置的准确定位;同时采用在XGBoost集成学习模型框架下,提取外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C作为外破事件类型的计算,可实现对外破事件类型的准确识别,便于电力部门管理人员及时了解当前电缆的外破类型,并根据外破事件类型及时制定出对应的处理方案,从而有效提高电缆的检测维护效率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力电缆防外破监测方法,其特征在于,包括如下步骤:
(1)获取实时电力电缆沿线设定的所有防区的声场信息;
(2)综合能量定位和神经网络多防区定位法,对各防区的声场信息进行处理,识别得到外破事件,并计算所述外破事件的平面定位信息;
(3)在XGBoost集成学习模型框架下,分别提取所述外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C,将所述多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到所述外破事件的类型。
2.根据权利要求1所述的电力电缆防外破监测方法,其特征在于,步骤(3)中,所述将所述多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到所述外破事件的类型的步骤,具体为:
将所述多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C分别输入到判别器中,计算得到所述外破事件在设定的所有类型所对应发生的概率y=[y1,y2,...,yn],并选取所述概率y=[y1,y2,...,yn]中最大值所对应的类型为所述外破事件的类型;
其中,所述判别器的判别公式为:
y=S1*A+S2*B+S3*C
式中,S1、S2、S3对应所述多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C的权重系数,所述权重系数通过所述XGBoost集成学习模型训练得到;yn表示第n个类型的外破事件发生的概率。
3.根据权利要求1或2所述的电力电缆防外破监测方法,其特征在于,步骤(2)具体包括:
获取沿电力电缆方向上的声场信息,根据各防区沿电力电缆方向上的声场信息对应计算各防区的能量;
获取外破事件所在防区在所述沿电力电缆方向上的位置信息,所述外破事件所在防区为所述能量的最大值处所对应的防区;
获取所述外破事件所在防区以及其左右各3个防区的能量,并输入到神经网络中,得到所述外破事件发生在电力电缆垂直方向上设定的多个区域所对应发生的概率P=[P1,P2,...,Pm],Pm表示所述外破事件在电力电缆垂直方向上的第m个区域发生的概率;
选取所述概率P=[P1,P2,...,Pm]中的最大值所对应的区域的位置信息为所述外破事件发生在所述电力电缆垂直方向上的位置信息。
4.根据权利要求1或2所述的电力电缆防外破监测方法,其特征在于,步骤(3)中,所述提取所述外破事件的声场信息的多分辨率形态学抽象特征A的步骤,具体包括:
通过三个一维尺度网络对所述外破事件的声场信息进行多分辨率特征提取;
通过三个所述一维尺度网络所采用的阶梯式卷积核对所述外破事件的声场信息进行形态学抽象特征提取。
5.根据权利要求4所述的电力电缆防外破监测方法,其特征在于,每个所述一维尺度网络所对应的阶梯式卷积核根据所述声场信息对应的传感信号的采样率P进行设计,当采样率P为1000时,其中一所述一维尺度网络的卷积核为1*11、1*9、1*7、1*5、1*3,另一所述一维尺度网络的卷积核为1*9、1*7、1*5、1*3、1*3,第三个所述一维尺度网络的卷积核为1*7、1*5、1*3、1*3、1*3进行设计;且每个所述一维尺度网络的池化层均使用1*2的最大池化层;当采样率P每升高一倍,则在每个所述一维尺度网络末端增加一个1*3卷积层和池化层。
6.根据权利要求1或2所述的电力电缆防外破监测方法,其特征在于,步骤(3)中,所述提取所述外破事件的声场信息的多维特征B的步骤,具体包括:
通过BP神经网络对所述外破事件的声场信息进行特征提取,得到多维特征向量;
通过注意力机制分支网络获取各维特征向量的注意力权值,并从大到小进行排序组成注意力权值集;
选取所述注意力权值集中排序前10的注意力权值,所述排序前10的注意力权值所对应的特征向量为所述多维特征B;其中,所述注意力机制分支网络嵌入在所述BP神经网络的首端。
7.根据权利要求1或2所述的电力电缆防外破监测方法,其特征在于,在步骤(3)中,所述提取所述外破事件的多分支特征的时序信息C的步骤,具体包括:
通过残差结构的三个ResNext网络对所述外破事件的声场信息的时空信息、频空信息、时频信息进行提取;
通过GRU网络获取所述时空信息、频空信息和时频信息以秒为单位时间的多分支特征的时序信息C。
8.一种电力电缆防外破监测系统,其特征在于,包括:
声场信息获取模块,用于获取实时电力电缆沿线设定的所有防区的声场信息;
外破事件定位模块,用于综合能量定位和神经网络多防区定位法,对各防区的声场信息进行处理,识别得到外破事件,并计算所述外破事件的平面定位信息;
外破事件识别模块,用于在XGBoost集成学习模型框架下,分别提取所述外破事件的声场信息的多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C,将所述多分辨率形态学抽象特征A、多维特征B和多分支特征的时序信息C输入到判别器中,计算得到所述外破事件的类型。
9.一种电力电缆防外破监测装置,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1~7任意一项所述电力电缆防外破监测方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时以实现权利要求1~7任意一项所述电力电缆防外破监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470248.0A CN114354744B (zh) | 2021-12-03 | 2021-12-03 | 一种电力电缆防外破监测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470248.0A CN114354744B (zh) | 2021-12-03 | 2021-12-03 | 一种电力电缆防外破监测方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114354744A true CN114354744A (zh) | 2022-04-15 |
CN114354744B CN114354744B (zh) | 2023-08-29 |
Family
ID=81098229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111470248.0A Active CN114354744B (zh) | 2021-12-03 | 2021-12-03 | 一种电力电缆防外破监测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114354744B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090005996A (ko) * | 2007-07-10 | 2009-01-14 | 김형윤 | 구조물 건전성 감시용 네트워크에 손상 인덱스값을생성하는 시스템 및 방법 |
US20170344832A1 (en) * | 2012-11-28 | 2017-11-30 | Innovative Alert Systems Inc. | System and method for event monitoring and detection |
CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN110823356A (zh) * | 2019-10-09 | 2020-02-21 | 威海北洋光电信息技术股份公司 | 基于梅尔频谱的分布式光纤入侵检测方法 |
CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
CN211180587U (zh) * | 2019-12-10 | 2020-08-04 | 中光华研电子科技有限公司 | 一种集成电缆防外破功能的智能井盖及井盖监控系统 |
CN111780855A (zh) * | 2020-05-26 | 2020-10-16 | 山东大学 | 基于光纤径向振源测距振动识别的电缆防外破方法及系统 |
CN112149522A (zh) * | 2020-09-04 | 2020-12-29 | 国网天津市电力公司 | 电缆通道智能可视化防外破监测系统及方法 |
CN112541480A (zh) * | 2020-12-25 | 2021-03-23 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及系统 |
US20210091866A1 (en) * | 2015-07-17 | 2021-03-25 | Feng Zhang | Method, apparatus, and system for accurate wireless monitoring |
CN113532621A (zh) * | 2021-07-13 | 2021-10-22 | 国网浙江省电力有限公司 | 一种基于边缘计算的电力电缆监测分析系统及其方法 |
-
2021
- 2021-12-03 CN CN202111470248.0A patent/CN114354744B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090005996A (ko) * | 2007-07-10 | 2009-01-14 | 김형윤 | 구조물 건전성 감시용 네트워크에 손상 인덱스값을생성하는 시스템 및 방법 |
US20170344832A1 (en) * | 2012-11-28 | 2017-11-30 | Innovative Alert Systems Inc. | System and method for event monitoring and detection |
US20210091866A1 (en) * | 2015-07-17 | 2021-03-25 | Feng Zhang | Method, apparatus, and system for accurate wireless monitoring |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
CN110823356A (zh) * | 2019-10-09 | 2020-02-21 | 威海北洋光电信息技术股份公司 | 基于梅尔频谱的分布式光纤入侵检测方法 |
CN211180587U (zh) * | 2019-12-10 | 2020-08-04 | 中光华研电子科技有限公司 | 一种集成电缆防外破功能的智能井盖及井盖监控系统 |
CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
CN111780855A (zh) * | 2020-05-26 | 2020-10-16 | 山东大学 | 基于光纤径向振源测距振动识别的电缆防外破方法及系统 |
CN112149522A (zh) * | 2020-09-04 | 2020-12-29 | 国网天津市电力公司 | 电缆通道智能可视化防外破监测系统及方法 |
CN112541480A (zh) * | 2020-12-25 | 2021-03-23 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及系统 |
CN113532621A (zh) * | 2021-07-13 | 2021-10-22 | 国网浙江省电力有限公司 | 一种基于边缘计算的电力电缆监测分析系统及其方法 |
Non-Patent Citations (3)
Title |
---|
SIVANARAYANI M. KARUNARATHNE 等: "A technological framework for data-driven IoT systems: Application on landslide monitoring", 《COMPUTER COMMUNICATIONS》, vol. 154 * |
彭和阔 等: "一种应用于光缆外破在线监控的模式识别方案", 《光学仪器》, no. 02 * |
彭杰 等: "基于脉冲衰减规律的电缆故障定位方法", 《电力学报》, vol. 28, no. 6 * |
Also Published As
Publication number | Publication date |
---|---|
CN114354744B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
CN102496232B (zh) | 一种输电设施监控方法及系统 | |
CN110995339B (zh) | 一种分布式光纤传感信号时空信息提取与识别方法 | |
CN109272017B (zh) | 分布式光纤传感器的振动信号模式识别方法和系统 | |
CN114419825B (zh) | 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法 | |
KR101895835B1 (ko) | 지표 투과 레이더 탐사 시스템 | |
WO2016198683A1 (en) | Method and apparatus for monitoring pipeline using an optical fiber sensor system | |
CN109470352A (zh) | 基于自适应阈值的分布式光纤管道安全监测算法 | |
CN108801437A (zh) | 基于扰动信号特征提取的分布式光纤振动传感定位方法及装置 | |
CN115762023A (zh) | 基于深度学习的定位型入侵行为识别方法 | |
Qu et al. | A new two-dimensional method to detect harmful intrusion vibrations for optical fiber pre-warning system | |
CN111222461A (zh) | 一种光纤振动探测系统入侵信号的识别方法 | |
CN113780094B (zh) | 基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法 | |
Zhang et al. | An intrusion recognition method based on the combination of One-dimensional CNN and DenseNet with DAS system | |
CN111507310B (zh) | 一种基于φ-otdr的光缆通道内人为触缆作业信号识别方法 | |
CN111539394B (zh) | 基于时域特征与时空信息的管道沿线第三方施工预警方法 | |
CN116379359B (zh) | 天然气泄露检测方法及多模态天然气泄露检测系统 | |
CN114354744A (zh) | 一种电力电缆防外破监测方法、系统及装置 | |
CN111951505B (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 | |
CN115860144A (zh) | 一种用于反窃电现场的机器学习系统 | |
CN115294709A (zh) | 一种光纤振动监测模型、防范系统、电子设备及存储介质 | |
CN115060184A (zh) | 一种基于递归图的光纤周界入侵检测方法及系统 | |
JP2023550091A (ja) | 分散型光ファイバセンシングによる振動の垂直距離予測 | |
CN116204784B (zh) | 一种基于das的地铁隧道外部危害作业入侵识别方法 | |
CN114722130B (zh) | 一种基于gis系统的数字海洋海底电缆状态监控方法 |
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 |