CN114445346A - 一种电力电缆缺陷识别方法及装置 - Google Patents
一种电力电缆缺陷识别方法及装置 Download PDFInfo
- Publication number
- CN114445346A CN114445346A CN202111650595.1A CN202111650595A CN114445346A CN 114445346 A CN114445346 A CN 114445346A CN 202111650595 A CN202111650595 A CN 202111650595A CN 114445346 A CN114445346 A CN 114445346A
- Authority
- CN
- China
- Prior art keywords
- power cable
- time
- partial discharge
- domain
- terahertz
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003384 imaging method Methods 0.000 claims abstract description 37
- 238000010521 absorption reaction Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000013074 reference sample Substances 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000005865 ionizing radiation Effects 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000011810 insulating material Substances 0.000 description 4
- 238000009413 insulation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000006260 foam Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Toxicology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及电力电缆故障诊断技术领域,具体提供了一种电力电缆缺陷识别方法及装置,包括:获取电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量;将所述电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量输入预先构建的电力电缆缺陷识别模型,获取所述预先构建的电力电缆缺陷识别模型输出的电力电缆缺陷类别;本发明提供的技术方案,在电缆缺陷识别中有着高灵敏度和高分辨能力。特别是对检测环境条件和电缆表面状况要求低,设备使用简单方便,无任何电离辐射,同时可以检测其他技术难以检测的多层结构和分层类缺陷。
Description
技术领域
本发明涉及电力电缆故障诊断技术领域,具体涉及一种电力电缆缺陷识别方法及装置。
背景技术
电力电缆属于电力系统网络一个至关重要的组成部分,且随着电网不断的建设和其规模的不断扩大,电力负荷随之迅猛增长,应城市美化的需要和供电质量的要求,高压电力电缆线路长度增长迅速。从上个世纪八十年代开始,我国逐步在各城市开展电网建设及改造相关工作,我国的10-35kV城市地下电缆敷设长度每年以逐渐上升的趋势增长。电网正常运行时,由于受安装工艺和敷设环境等原因,加之外加外力破坏及使用情况等众多因素的影响,便会出现绝缘缺陷甚至绝缘击穿等安全事故。因此,电缆缺陷是电力电缆绝缘事故的高发地方同时也是预防事故发生的关键位置,确保其的安全性和可靠性对保证整个输电线路的稳定意义重大。
电力电缆局部放电的过程中,往往伴随着一些物理和化学现象,比如发出超声波或电脉冲,还会有电磁辐射、光、温度以及气体等。可以测量上面提到的那些现象来间接地监测局部放电信号,并以此推断局部放电的严重与否以及可能出现的位置等。局部放电的发生往往伴随着电缆缺陷的产生,因此通过对局部放电的检测也是一种电缆缺陷检测的手段。国内外对局部放电的检测方法也进行了大量研究,脉冲电流检测方法是目前使用最为广泛的局部放电检测方法,当局部放电发生的时候,利用检测阻抗或检测电流的传感器,可以检测到被测物局部放电的视在放电量,由于脉冲电流计算结果为视在放电量且与局部放电实际放电量大小非常接近,所以公认为它是最灵敏的局部放电检测方法。但局部放电检测法无法对缺陷尺寸和形状等信息进行检测。
目前广泛使用的无损检测技术有超声检测、射线检测、红外热波检测,在电缆缺陷检测中射线检测具有直接有效的优势,对于体积形变类缺陷检测灵敏度较高、可靠性较好,但对常见的分层类缺陷检测比较困难,敏感度较低;并且高能射线具有电离辐射危害,操作过程较为复杂,而且对于内部组织不均匀的材料,射线检测的分辨率会受到较大干扰。超声检测显示直观、检测速度快,不过在多层结构材料的检测中衰减较大,检测过程中接收到的回波信号的信噪比太低,而且这种检测方式较为复杂,需要使用耦合剂,且对不同类型的缺陷要使用不同规格的探头;同时,超声波检测要求被检表面有一定的光洁度,需要耦合剂充分填满探头和被检测表面之间的间隙,因此对于运行后的绝缘设备,当表面存在一定的污垢时,操作性难以实施;另外,超声波检测方法判断缺陷不太直观,定性定量分析困难,这些特性限制了超声波检测法的应用范围。红外热波技术能够准确检测材料内部常见的分层缺陷,而且检测效率高,基于图像的结果也很直观,但是这种方法对于绝热材料中的缺陷检测非常乏力,依赖材料的热传导性能导致这种方法的使用非常受限,并且易受环境的影响,阳光、大风、潮气等都可能引起绝缘材料表面温度的变化,进而影响检测结果;此外,红外检测法通过发热来判断绝缘材料质量,并不适用于尚无明显温升的绝缘材料早期内部缺陷检测。因此需要寻求一种实用价值更好的检测方式来填补无损检测领域的空缺。
发明内容
为了克服上述缺陷,本发明提出了一种电力电缆缺陷识别方法及装置。
第一方面,提供一种电力电缆缺陷识别方法,所述电力电缆缺陷识别方法包括:
获取电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量;
将所述电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量输入预先构建的电力电缆缺陷识别模型,获取所述预先构建的电力电缆缺陷识别模型输出的电力电缆缺陷类别;
其中,所述预先构建的电力电缆缺陷识别模型基于电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量训练获取。
优选的,获取电力电缆的太赫兹频域成像,包括:
基于电力电缆反射回的太赫兹时域信号和参考样品反射回的太赫兹时域信号确定电力电缆的复反射系数;
基于电力电缆的复反射系数确定电力电缆的吸收系数;
基于电力电缆的吸收系数确定电力电缆的复折射率的实部;
利用电力电缆的吸收系数和电力电缆的复折射率的实部构建二维矩阵,并基于所述二维矩阵生成灰度图像;
将所述灰度图像作为电力电缆的太赫兹频域成像。
进一步的,所述电力电缆的复反射系数的计算式如下:
上式中,Rs为电力电缆的复反射系数,Esam为电力电缆反射回的太赫兹时域信号,Eref为参考样品反射回的太赫兹时域信号。
进一步的,所述电力电缆的吸收系数的计算式如下:
进一步的,所述电力电缆的复折射率的实部的计算式如下:
上式中,n为电力电缆的复折射率的实部,Re[Ms]为电力电缆的吸收系数Ms的实部。
优选的,所述电力电缆的局部放电参数对应的二阶累积量包括:电力电缆的局部放电参数对应的二次等效时长系数和二次等效频宽系数。
进一步的,获取电力电缆的局部放电参数对应的二阶累积量,包括:
提取电力电缆的局部放电参数对应的时域波形信号;
将所述时域波形信号转换为频域波形信号;
分别计算所述时域波形信号和频域波形信号在离散域的时间期望值和频率期望值;
基于所述时间期望值和频率期望值确定单个脉冲信号的时域下的时间标准差和频域下的频率标准差;
分别计算单个脉冲信号的时域下的时间标准差的二阶累积量和单个脉冲信号的时域下的频域下的频率标准差的二阶累积量;
将单个脉冲信号的时域下的时间标准差的二阶累积量作为电力电缆的局部放电参数对应的二次等效时长系数,单个脉冲信号的时域下的频域下的频率标准差的二阶累积量作为电力电缆的局部放电参数对应的二次等效频宽系数。
进一步的,所述电力电缆的局部放电参数对应的时域波形信号的数学表达式如下:
上式中,g(tj)为脉冲第j个点的时域波形信号,m为组成脉冲的总点数,tj为脉冲第j个点相对应的时间,bj为脉冲第j个点的时域脉冲值。
进一步的,所述单个脉冲信号的时域下的时间标准差的二阶累积量和单个脉冲信号的时域下的频域下的频率标准差的二阶累积量的计算式如下:
上式中,T0 i为所述时域波形信号在离散域的时间期望值,fj为脉冲第j个点的太赫兹频率,F0 i为所述频域波形信号在离散域的频率期望值,g(fj)为脉冲第j个点的时域波形信号对应的频域波形信号,T为单个脉冲信号的时域下的时间标准差的二阶累积量,F为单个脉冲信号的时域下的频域下的频率标准差的二阶累积量。
优选的,所述预先构建的电力电缆缺陷识别模型的获取过程包括:
将电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量作为神经网络模型的输入层训练数据,将电力电缆的历史局部放电参数采集时刻对应的电缆缺陷类别作为神经网络模型的输出层训练数据,对神经网络模型进行训练,得到所述预先构建的电力电缆缺陷识别模型。
第二方面,提供一种电力电缆缺陷识别装置,所述电力电缆缺陷识别装置包括:
第一获取模块,用于获取电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量;
第二获取模块,用于将所述电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量输入预先构建的电力电缆缺陷识别模型,获取所述预先构建的电力电缆缺陷识别模型输出的电力电缆缺陷类别;
其中,所述预先构建的电力电缆缺陷识别模型基于电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量训练获取。
第三方面,提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行所述的电力电缆缺陷识别方法。
第四方面,提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述的电力电缆缺陷识别方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明涉及电力电缆故障诊断技术领域,具体提供了一种电力电缆缺陷识别方法及装置,包括:获取电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量;将所述电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量输入预先构建的电力电缆缺陷识别模型,获取所述预先构建的电力电缆缺陷识别模型输出的电力电缆缺陷类别;其中,所述预先构建的电力电缆缺陷识别模型基于电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量训练获取。本发明提供的技术方案,通过对局部放电信号的采集、处理及分析,可以有效的检测出电力电缆绝缘层的缺陷及劣化情况,为评判电缆的绝缘性能提供依据。本发明将太赫兹技术与局部放电技术相结合,在电缆缺陷识别中有着高灵敏度和高分辨能力。特别是对检测环境条件和电缆表面状况要求低,设备使用简单方便,无任何电离辐射,同时可以检测其他技术难以检测的多层结构和分层类缺陷。
附图说明
图1是本发明实施例的电力电缆缺陷识别方法的主要步骤流程示意图;
图2是本发明实施例的电力电缆缺陷识别装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
太赫兹(THz)波一般指电磁频谱上频率在0.1~10THz之间,波长范围在0.03~3mm之间的电磁波,其介于微波和红外波之间。从频率上看,该波段属于远红外波段,属于宏观电子学向微观光子学的过渡区。由于太赫兹波段的特殊性,其具有许多独特的物理性质。(1)穿透性:许多非金属、非极性材料,例如陶瓷、泡沫、塑料、橡胶等在太赫兹波段内缺乏相应的振动模式且散射率较低,因此太赫兹波对其具有良好的穿透性。(2)安全性:太赫兹波具有较低的光子能,仅为10-3eV,为X射线光子能量的百万分之一,不会引起有害电离而破坏被检测物质,因此具有安全、绿色的检测特点。(3)高分辨率:太赫兹波的短波长特性使其在成像应用中有更高的空间分辨率,或者在保持同等空间分辨率时具有更大的景深。(4)相干性:太赫兹相干测量技术能够直接测量场的振幅和相位,从而能够方便地提取被测物的折射率、吸收率等光学参数。相比于其他检测方法,太赫兹波能透过泡沫、陶瓷、塑料、高分子复合材料、磁性材料等这些可见光与红外波、甚至超声波都无法透过的材料,太赫兹时域光谱(THz-TDS)检测技术具有响应迅速、检测精确度和可重复性极佳、无需接触样品表面、可定量分析缺陷位置和尺寸、缺陷分辨率高等优点,使得太赫兹技术可以很好地用于电缆材料内部缺陷的无损检测。
电力电缆缺陷具有随机性、模糊性和不确定性,当缺陷发生时,是与多种信息相关的,或者一种信息反映多种缺陷的发生,并且不同的故障状态可能并存。当前,依靠单一传感器并不能全面的对电力电缆缺陷进行识别,对此,利用多种传感器收集到的信息的差异和互补性弥补基于单一信息进行检测的不足,本发明结合太赫兹技术与局部放电技术,利用二者的优势互补。同时基于深度学习的缺陷识别方法,利用深度神经网络将低维的网络节点太赫兹信息和局部放电信息投影至高维空间,基于同一类缺陷的数据尽可能靠近,不同类缺陷的数据尽可能远离等优化目标,在高维空间进行权重计算、重构变换等操作,得到能够识别不同缺陷的特征指标,从而提高不同缺陷之间的可分性,进而构造具有良好识别性能的缺陷识别分类器以实现对电缆缺陷的识别。
参阅附图1,图1是本发明的一个实施例的电力电缆缺陷识别方法的主要步骤流程示意图。如图1所示,本发明实施例中的电力电缆缺陷识别方法主要包括以下步骤:
步骤S101:获取电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量;
步骤S102:将所述电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量输入预先构建的电力电缆缺陷识别模型,获取所述预先构建的电力电缆缺陷识别模型输出的电力电缆缺陷类别;
其中,所述预先构建的电力电缆缺陷识别模型基于电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量训练获取。
具体的,获取电力电缆的太赫兹频域成像,包括:
基于电力电缆反射回的太赫兹时域信号和参考样品反射回的太赫兹时域信号确定电力电缆的复反射系数;
基于电力电缆的复反射系数确定电力电缆的吸收系数;
基于电力电缆的吸收系数确定电力电缆的复折射率的实部;
利用电力电缆的吸收系数和电力电缆的复折射率的实部构建二维矩阵,并基于所述二维矩阵生成灰度图像;
将所述灰度图像作为电力电缆的太赫兹频域成像。
在一个实施方式中,所述电力电缆的复反射系数的计算式如下:
上式中,Rs为电力电缆的复反射系数,Esam为电力电缆反射回的太赫兹时域信号,Eref为参考样品反射回的太赫兹时域信号。
在一个实施方式中,所述电力电缆的吸收系数的计算式如下:
在一个实施方式中,所述电力电缆的复折射率的实部的计算式如下:
上式中,n为电力电缆的复折射率的实部,Re[Ms]为电力电缆的吸收系数Ms的实部。
本实施例中,所述电力电缆的局部放电参数对应的二阶累积量包括:电力电缆的局部放电参数对应的二次等效时长系数和二次等效频宽系数。
在一个实施方式中,获取电力电缆的局部放电参数对应的二阶累积量,包括:
提取电力电缆的局部放电参数对应的时域波形信号;
将所述时域波形信号转换为频域波形信号;
分别计算所述时域波形信号和频域波形信号在离散域的时间期望值和频率期望值;
基于所述时间期望值和频率期望值确定单个脉冲信号的时域下的时间标准差和频域下的频率标准差;
分别计算单个脉冲信号的时域下的时间标准差的二阶累积量和单个脉冲信号的时域下的频域下的频率标准差的二阶累积量;
将单个脉冲信号的时域下的时间标准差的二阶累积量作为电力电缆的局部放电参数对应的二次等效时长系数,单个脉冲信号的时域下的频域下的频率标准差的二阶累积量作为电力电缆的局部放电参数对应的二次等效频宽系数。
其中,所述电力电缆的局部放电参数对应的时域波形信号的数学表达式如下:
上式中,g(tj)为脉冲第j个点的时域波形信号,m为组成脉冲的总点数,tj为脉冲第j个点相对应的时间,bj为脉冲第j个点的时域脉冲值。
所述单个脉冲信号的时域下的时间标准差的二阶累积量和单个脉冲信号的时域下的频域下的频率标准差的二阶累积量的计算式如下:
上式中,T0 i为所述时域波形信号在离散域的时间期望值,fj为脉冲第j个点的太赫兹频率,F0 i为所述频域波形信号在离散域的频率期望值,g(fj)为脉冲第j个点的时域波形信号对应的频域波形信号,T为单个脉冲信号的时域下的时间标准差的二阶累积量,F为单个脉冲信号的时域下的频域下的频率标准差的二阶累积量。
本实施例中,所述预先构建的电力电缆缺陷识别模型的获取过程包括:
将电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量作为神经网络模型的输入层训练数据,将电力电缆的历史局部放电参数采集时刻对应的电缆缺陷类别作为神经网络模型的输出层训练数据,对神经网络模型进行训练,得到所述预先构建的电力电缆缺陷识别模型。
在一个实施方式中,所述电缆缺陷类别可以为气隙、裂纹或脱粘。
在一个最优的实施方式中,基于上述的一种结合太赫兹技术与局部放电技术的电缆缺陷识别方法,针对电缆检测需求,结合太赫兹时域光谱技术(THz-TDS)、局放检测技术和神经网络技术,可以实现电缆缺陷的高灵敏度和高分辨率识别。
该方法包括以下步骤:
选取各类电缆样本样品,具体的,电缆样本样品可以是10-35kV城市电缆,电缆长度在100-300mm之间;
采用太赫兹时域光谱系统对各类电缆样品进行光谱与成像采集分析,具体的,通过反射式方法进行测量,根据前文公式,通过测得的光谱数据得到电缆样品的光学特征参数(折射率和吸收系数),进一步可以得到灰度图像;
采用局放检测仪对各类电缆样品进行局放信号采集分析,具体的,根据前文公式,对局放信号进行特征参数提取;
对采集到的各类电缆样品的太赫兹数据和局放数据进行处理,具体的,深度学习和神经网络的数据处理方法参照附图一所示,建立标准特征库;
利用标准特征库建立并继续训练神经网络,最后运用所建的神经网络对待识别的特征参数和缺陷进行种类识别。
基于同一发明构思,本发明提供一种电力电缆缺陷识别装置,如图2所示,所述电力电缆缺陷识别装置包括:
第一获取模块,用于获取电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量;
第二获取模块,用于将所述电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量输入预先构建的电力电缆缺陷识别模型,获取所述预先构建的电力电缆缺陷识别模型输出的电力电缆缺陷类别;
其中,所述预先构建的电力电缆缺陷识别模型基于电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量训练获取。
优选的,获取电力电缆的太赫兹频域成像,包括:
基于电力电缆反射回的太赫兹时域信号和参考样品反射回的太赫兹时域信号确定电力电缆的复反射系数;
基于电力电缆的复反射系数确定电力电缆的吸收系数;
基于电力电缆的吸收系数确定电力电缆的复折射率的实部;
利用电力电缆的吸收系数和电力电缆的复折射率的实部构建二维矩阵,并基于所述二维矩阵生成灰度图像;
将所述灰度图像作为电力电缆的太赫兹频域成像。
进一步的,所述电力电缆的复反射系数的计算式如下:
上式中,Rs为电力电缆的复反射系数,Esam为电力电缆反射回的太赫兹时域信号,Eref为参考样品反射回的太赫兹时域信号。
进一步的,所述电力电缆的吸收系数的计算式如下:
进一步的,所述电力电缆的复折射率的实部的计算式如下:
上式中,n为电力电缆的复折射率的实部,Re[Ms]为电力电缆的吸收系数Ms的实部。
优选的,所述电力电缆的局部放电参数对应的二阶累积量包括:电力电缆的局部放电参数对应的二次等效时长系数和二次等效频宽系数。
进一步的,获取电力电缆的局部放电参数对应的二阶累积量,包括:
提取电力电缆的局部放电参数对应的时域波形信号;
将所述时域波形信号转换为频域波形信号;
分别计算所述时域波形信号和频域波形信号在离散域的时间期望值和频率期望值;
基于所述时间期望值和频率期望值确定单个脉冲信号的时域下的时间标准差和频域下的频率标准差;
分别计算单个脉冲信号的时域下的时间标准差的二阶累积量和单个脉冲信号的时域下的频域下的频率标准差的二阶累积量;
将单个脉冲信号的时域下的时间标准差的二阶累积量作为电力电缆的局部放电参数对应的二次等效时长系数,单个脉冲信号的时域下的频域下的频率标准差的二阶累积量作为电力电缆的局部放电参数对应的二次等效频宽系数。
进一步的,所述电力电缆的局部放电参数对应的时域波形信号的数学表达式如下:
上式中,g(tj)为脉冲第j个点的时域波形信号,m为组成脉冲的总点数,tj为脉冲第j个点相对应的时间,bj为脉冲第j个点的时域脉冲值。
进一步的,所述单个脉冲信号的时域下的时间标准差的二阶累积量和单个脉冲信号的时域下的频域下的频率标准差的二阶累积量的计算式如下:
上式中,T0 i为所述时域波形信号在离散域的时间期望值,fj为脉冲第j个点的太赫兹频率,F0 i为所述频域波形信号在离散域的频率期望值,g(fj)为脉冲第j个点的时域波形信号对应的频域波形信号,T为单个脉冲信号的时域下的时间标准差的二阶累积量,F为单个脉冲信号的时域下的频域下的频率标准差的二阶累积量。
优选的,所述预先构建的电力电缆缺陷识别模型的获取过程包括:
将电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量作为神经网络模型的输入层训练数据,将电力电缆的历史局部放电参数采集时刻对应的电缆缺陷类别作为神经网络模型的输出层训练数据,对神经网络模型进行训练,得到所述预先构建的电力电缆缺陷识别模型。
进一步的,本发明提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行所述的电力电缆缺陷识别方法。
进一步的,本发明提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述的电力电缆缺陷识别方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (13)
1.一种电力电缆缺陷识别方法,其特征在于,所述方法包括:
获取电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量;
将所述电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量输入预先构建的电力电缆缺陷识别模型,获取所述预先构建的电力电缆缺陷识别模型输出的电力电缆缺陷类别;
其中,所述预先构建的电力电缆缺陷识别模型基于电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量训练获取。
2.如权利要求1所述的方法,其特征在于,获取电力电缆的太赫兹频域成像,包括:
基于电力电缆反射回的太赫兹时域信号和参考样品反射回的太赫兹时域信号确定电力电缆的复反射系数;
基于电力电缆的复反射系数确定电力电缆的吸收系数;
基于电力电缆的吸收系数确定电力电缆的复折射率的实部;
利用电力电缆的吸收系数和电力电缆的复折射率的实部构建二维矩阵,并基于所述二维矩阵生成灰度图像;
将所述灰度图像作为电力电缆的太赫兹频域成像。
6.如权利要求1所述的方法,其特征在于,所述电力电缆的局部放电参数对应的二阶累积量包括:电力电缆的局部放电参数对应的二次等效时长系数和二次等效频宽系数。
7.如权利要求6所述的方法,其特征在于,获取电力电缆的局部放电参数对应的二阶累积量,包括:
提取电力电缆的局部放电参数对应的时域波形信号;
将所述时域波形信号转换为频域波形信号;
分别计算所述时域波形信号和频域波形信号在离散域的时间期望值和频率期望值;
基于所述时间期望值和频率期望值确定单个脉冲信号的时域下的时间标准差和频域下的频率标准差;
分别计算单个脉冲信号的时域下的时间标准差的二阶累积量和单个脉冲信号的时域下的频域下的频率标准差的二阶累积量;
将单个脉冲信号的时域下的时间标准差的二阶累积量作为电力电缆的局部放电参数对应的二次等效时长系数,单个脉冲信号的时域下的频域下的频率标准差的二阶累积量作为电力电缆的局部放电参数对应的二次等效频宽系数。
10.如权利要求1所述的方法,其特征在于,所述预先构建的电力电缆缺陷识别模型的获取过程包括:
将电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量作为神经网络模型的输入层训练数据,将电力电缆的历史局部放电参数采集时刻对应的电缆缺陷类别作为神经网络模型的输出层训练数据,对神经网络模型进行训练,得到所述预先构建的电力电缆缺陷识别模型。
11.一种电力电缆缺陷识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量;
第二获取模块,用于将所述电力电缆的太赫兹频域成像和电力电缆的局部放电参数对应的二阶累积量输入预先构建的电力电缆缺陷识别模型,获取所述预先构建的电力电缆缺陷识别模型输出的电力电缆缺陷类别;
其中,所述预先构建的电力电缆缺陷识别模型基于电力电缆的历史太赫兹频域成像和电力电缆的历史局部放电参数对应的二阶累积量训练获取。
12.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至10中任意一项所述的方法。
13.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650595.1A CN114445346A (zh) | 2021-12-30 | 2021-12-30 | 一种电力电缆缺陷识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650595.1A CN114445346A (zh) | 2021-12-30 | 2021-12-30 | 一种电力电缆缺陷识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445346A true CN114445346A (zh) | 2022-05-06 |
Family
ID=81365701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111650595.1A Pending CN114445346A (zh) | 2021-12-30 | 2021-12-30 | 一种电力电缆缺陷识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445346A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973671A (zh) * | 2023-09-22 | 2023-10-31 | 江苏大圆电子科技有限公司 | 一种电缆的老化预警方法与系统 |
-
2021
- 2021-12-30 CN CN202111650595.1A patent/CN114445346A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973671A (zh) * | 2023-09-22 | 2023-10-31 | 江苏大圆电子科技有限公司 | 一种电缆的老化预警方法与系统 |
CN116973671B (zh) * | 2023-09-22 | 2023-12-01 | 江苏大圆电子科技有限公司 | 一种电缆的老化预警方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Progress and trends in nondestructive testing and evaluation for wind turbine composite blade | |
Yang et al. | Optically and non-optically excited thermography for composites: A review | |
Han et al. | Nondestructive evaluation of GFRP composite including multi-delamination using THz spectroscopy and imaging | |
Barrile et al. | Application of radar technology to reinforced concrete structures: a case study | |
Pastorino et al. | A global optimization technique for microwave nondestructive evaluation | |
Zhu et al. | Electromechanical impedance-based damage localization with novel signatures extraction methodology and modified probability-weighted algorithm | |
US11754529B2 (en) | System and method for evaluating defects in a material | |
CN112731377B (zh) | 一种介电常数反演方法、路基检测方法和检测系统 | |
US20210349058A1 (en) | Ultrasonic system and method for evaluating a material | |
CN108051364A (zh) | 一种epr核能电缆剩余寿命评估方法与预测epr核能电缆剩余使用寿命方法 | |
WO2014201045A9 (en) | Laser ultrsound material testing | |
US20230280312A1 (en) | System and method for real-time degree of cure evaluation in a material | |
CN109406443A (zh) | 复合绝缘子气隙缺陷判别方法、检测方法、装置及存储介质 | |
CN104730152A (zh) | 一种基于分形维数的复合材料结构件裂纹损伤监测方法 | |
CN114445346A (zh) | 一种电力电缆缺陷识别方法及装置 | |
Tu et al. | Non-destructive evaluation of hidden defects beneath the multilayer organic protective coatings based on terahertz technology | |
Wang et al. | Automatic asphalt layer interface detection and thickness determination from ground-penetrating radar data | |
CN103048061B (zh) | 反射太赫兹谱技术检测偏滤器石墨瓦瞬态温度的装置 | |
Jin et al. | Identification and imaging of multi-defects on a complicated composite structure by ultrasonic guided wave | |
CN112147627A (zh) | 基于微动属性激光探测的建筑物结构和表面异常变化检测方法 | |
CN103091259B (zh) | 在线检测托卡马克钨第一壁灰尘成分及厚度的太赫兹方法 | |
Pastorino et al. | Detection of defects in wood slabs by using a microwave imaging technique | |
Mudanyali et al. | A microwave tomographic approach for nondestructive testing of dielectric coated metallic surfaces | |
Sun et al. | THzMINet: a Terahertz model-data-Driven Interpretable neural network for thickness measurement of thermal barrier coatings | |
JP2003149214A (ja) | 超音波センサを用いた非破壊検査法及びその装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |