CN115115585A - 一种电缆故障诊断方法、系统及可读存储介质 - Google Patents

一种电缆故障诊断方法、系统及可读存储介质 Download PDF

Info

Publication number
CN115115585A
CN115115585A CN202210653681.6A CN202210653681A CN115115585A CN 115115585 A CN115115585 A CN 115115585A CN 202210653681 A CN202210653681 A CN 202210653681A CN 115115585 A CN115115585 A CN 115115585A
Authority
CN
China
Prior art keywords
fault
data
training
parameters
client
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
Application number
CN202210653681.6A
Other languages
English (en)
Inventor
任广振
赵深
曹俊平
王少华
刘家齐
苏毅方
马振宇
邵先军
陶瑞祥
姜凯华
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.)
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
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 State Grid Zhejiang Electric Power Co Ltd, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210653681.6A priority Critical patent/CN115115585A/zh
Publication of CN115115585A publication Critical patent/CN115115585A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电缆诊断技术领域，公开了一种电缆故障诊断方法、系统及可读存储介质，所述方法包括：各客户端获取本地故障数据作为模型训练数据；中心服务器随机选取若干个客户端，被选取的客户端基于故障识别模型训练本地故障数据，并将训练参数发送至中心服务器；中心服务器基于训练参数生成全局模型参数，并下发至各客户端；各客户端基于全局模型参数及故障识别模型诊断电缆故障。本发明的电缆故障诊断方法通过各客户端对故障数据进行模型训练，收集各客户端的训练参数，通过联邦学习的方式聚合训练参数生成全局模型参数，从而扩大样本数量，解决了数据孤岛问题，提高了模型识别的精度，降低了硬件成本。

Description

一种电缆故障诊断方法、系统及可读存储介质
技术领域
本发明涉及电缆诊断技术领域，尤其涉及一种电缆故障诊断方法、系统及可读存储介质。
背景技术
近年来我国高压电缆规模持续扩大，运维压力不断增加。为了保证电力系统的安全运行同时减少人工成本，应该将离线故障检测改为在线检测。但是，大多数电力电缆绝缘状态的监测主要针对电力电缆主绝缘，对护层接地电流智能监测与数据深度挖掘技术研究较少。因此，对整条高压电缆线路护层接地电流数据进行综合分析，充分挖掘数据价值进行故障预警十分必要。近些年许多学者提出基于人工智能的方法实现地下电缆故障检测，通过建立模型将故障数据分类并识别出故障类型。
地下电缆数据量大，对于本地训练的设备要求更高，但是本地故障样本少，故障数据的数量难以满足模型训练要求，使得模型的识别精度较低。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种电缆故障诊断方法、系统及可读存储介质，以解决在电缆故障识别过程中故障样本少而造成模型识别精度低的问题。
为实现上述目的，本发明提供如下技术方案：
一种电缆故障诊断方法，所述方法包括：
各客户端获取本地故障数据作为模型训练数据；
中心服务器随机选取若干个客户端，被选取的客户端基于故障识别模型训练本地故障数据，并将训练参数发送至中心服务器；
中心服务器基于训练参数生成全局模型参数，并下发至各客户端；
各客户端基于全局模型参数及故障识别模型诊断电缆故障。
进一步地，所述故障识别模型基于深度残差收缩网络训练故障数据，其具体方法包括以下步骤：
基于故障数据生成灰度图；
将灰度图导入深度残差收缩网络中的卷积层进行卷积计算，得到第一特征图；
基于第一特征图及深度残差收缩网络的残差收缩建筑单元生成阈值τ，并基于公式(1)对第一特征图软阈值化，重复进行若干次本步骤，得到第二特征图；
Figure RE-GDA0003760832770000021
其中，x为第一特征图内的数组，y是第二特征图内的数值；
基于深度残差收缩网络的全连接层对第二特征图提取特征，将得到的结果输入分类器分类，其中，分类器是一种分类算法。
进一步地，阈值τ的生成方法包括以下步骤：
对第一特征图进行批量归一化处理、采用ReLU函数增加神经层的非相关性以及将ReLU函数的结果通过卷积层进行卷积计算，得到第三特征图，对第三特征图重复进行本步骤，得到第四特征图；
对第四特征图绝对值化，然后导入全局平均池化层，得到第五特征图；
将第五特征图导入子网络，生成参数α；
基于公式(2)以及第五特征图和参数α生成阈值τ，
τ＝α×A； 公式(2)
其中，A为第五特征图。
进一步地，所述子网络生成参数α的方法包括以下步骤：
将第五特征图导入两层全连接层得到第六特征图；
对第六特征图进行批量归一化处理、采用ReLU函数增加神经层的非相关性以及将ReLU函数的结果通过卷积层进行卷积计算，得到第七特征图；
采用Sigmoid函数对第七特征图的数值缩放，得到第八特征图；
基于第八特征图和公式(3)计算参数α，
Figure RE-GDA0003760832770000031
其中，Z为Sigmoid函数的输出结果。
优选的，Sigmoid函数将第七特征图的数值缩放至0-1之间。
进一步地，所述灰度图的生成方法包括以下步骤：
对故障数据中的正常数据标记为0，非正常数据标记为1；
利用图像处理工具将标记后的故障数据转化为灰度图。
优选的，所述故障数据分为训练集和测试集，其中，训练集用于训练故障识别模型，测试集用于在获取全局模型参数后测试应用全局模型参数的故障识别模型。
进一步地，中心服务器加权聚合训练参数的方法，采用联邦学习的 FedAvg算法，中心服务器通过式(4)将获取的训练参数生成全局模型参数；
Figure RE-GDA0003760832770000032
其中，ωt表示第t轮更新的全局模型参数；Fk(ω)表示第k个本地用户的所有数据的平均损失；
Figure RE-GDA0003760832770000033
表示平均损失的梯度；nk是表示第k个本地用户拥有的数据量，n则是所有用户的总数据量；R是学习率，由实验结果得到的准确率大小来确定。
本发明还提出了一种电缆故障诊断系统，所述系统包括：
获取单元，用于各客户端获取本地故障数据，作为模型训练数据；
客户端服务单元，随机选取若干个客户端，被选取的客户端基于故障识别模型训练本地故障数据，并将训练参数发送至中心服务单元；
中心服务单元，用于获取各客户端服务单元的训练参数并生成全局模型参数，并下发至各客户端；
数据分类单元，各客户端基于故障识别模型和全局模型参数对故障数据分类，诊断电缆故障。
本发明还提出了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器在运行计算机程序时实现上述任意一项所述的电缆故障诊断方法。
综上所述，本发明与现有技术相比具有以下有益效果：
本发明的电缆故障诊断方法通过联邦学习的方法使各本地客户端对本地故障数据进行模型训练，并收集各客户端的训练参数，通过联邦学习的方式聚合训练参数成全局模型参数，从而扩大样本数量，解决了数据孤岛问题，提高了模型识别的精度，降低了硬件成本。
本发明的电缆故障诊断方法还采用深度残差收缩网络，利用软阈值函数使不重要的特征接近于零，提高深度神经网络从噪声信号中提取有用特征的能力，提高了模型训练的效果，使得模型识别精度更高。
附图说明
图1为本发明电缆故障诊断方法应用环境的示意图；
图2为本发明电缆故障诊断方法的系统架构图；
图3为本发明电缆故障诊断方法的流程示意图；
图4为本发明电缆故障诊断方法其中一个子程序的流程示意图；
图5为本发明电缆故障诊断方法另一个子程序的流程示意图；
图6为本发明子网络生成参数α的方法流程图；
图7为本发明电缆故障诊断的结构框图。
具体实施方式
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，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。
为了方便对本发明实施例的理解，首先对本发明实施例中出现的一些技术名词进行解释。
灰度图，又称灰阶图，把白色与黑色之间按对数关系分为若干等级，称为灰度，用灰度表示的图像称作灰度图。
三相不平衡数据，指电网系统发生单相接地故障时，三相电压不再对称，系统出现零序电流时的电网数据。
深度残差收缩网络，指的是一种人工智能算法，其实是深度残差网络的新型改进，将软阈值化作为非线性层引入Res-Net的网络结构之中，其目的是提高深度学习方法在含噪声数据或复杂数据上的特征学习效率。深度残差收缩网络由卷积层、多个残差收缩建筑单元RSBU和全连接层构成。
联邦学习，联邦学习本质上是一种分布式机器学习技术，其的目标是在保证数据隐私安全及合法合规的基础上，实现共同建模，提升人工智能模型的效果。
训练参数，用于在人工智能模型训练中使用的参数，在本发明中，训练参数可以为数据集类型、全局迭代次数，即服务端与客户端的通信迭代次数、本地模型训练迭代次数、本地训练每一轮的样本数、本地训练的超参数等；
特征图，在本实施例中，特征图指的是一组数值，特征图基于不同的运算方式分为不同的类型。
近些年许多学者提出基于人工智能的方法实现地下电缆故障检测，通过建立模型将故障数据分类并识别出故障类型，但是，由于地下电缆数据量大，对于本地训练的设备要求更高，而本地故障样本少，在本地模型训练时，故障数据的数量难以满足模型训练要求，使得模型的识别精度较低。基于上述问题，本发明提出了一种电缆故障诊断方法、系统及可读存储介质。
图1为本发明公开的电缆故障诊断方法应用环境的示意图。
在本发明中，本发明实施例所公开的方法应用环境包括若干个客户端1、中心服务器3，所述客户端1通过网络2与中心服务器3电性连接，所述网络2为客户端1和中心服务器3之间建立通信连接的介质，所述网络2可以为有线网络还可以无线网络，例如局域网、GPRS网络等。
如图2所示，所述客户端1用于收集数据、训练数据和分类数据，所述客户端1可以为硬件，例如服务器或者计算机，还可以为软件，例如运行于服务器上的程序。
所述中心服务器3用于生成全局模型参数，使得客户端1可以通过全局模型参数对故障数据进行分类，所述中心服务器3可以为硬件，例如服务器或者计算机，还可以为软件，例如运行于服务器上的程序。
需要说明的是，服务器可以是硬件，也可以是软件，当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
实施例1
如图3所示，为本发明的一个实施例提供的一种电缆故障诊断方法，所述方法包括：
步骤S100、各客户端1获取本地故障数据作为模型训练数据；
具体地，在本步骤中，位于不同地方的客户端1通过收集本地电网的故障数据作为模型训练的训练数据，用于对模型进行训练；
作为本实施例中一种优选的实施方式，所述故障数据包括三相不平衡数据、接地类型错误至恢复正常的数据；
在收集完数据后，对故障数据进行预处理，以使得训练模型能够识别收集的数据。
步骤S200、中心服务器3随机选取若干个客户端1，被选取的客户端1 基于故障识别模型训练本地故障数据，并将训练参数发送至中心服务器3；
具体地，如图3所示，在本实施例中，进行模型训练时，中心服务器3 选取若干个客户端1，设定好训练的参数，例如数据集类型、全局迭代次数 (即服务端与客户端的通信迭代次数、本地模型训练迭代次数、本地训练每一轮的样本数、本地训练的超参数)，在被选取的客户端1上对故障识别模型进行模型训练，被选取的客户端通过本地故障数据进行模型训练，并收集模型训练过程中的训练参数，然后将训练参数上传至中心服务器3；
作为本实施例中一种优选的实施方式，如图4所示，所述故障识别模型基于深度残差收缩网络建立，所述故障识别模型训练数据的方法包括以下步骤：
步骤S210、基于故障数据生成灰度图；
具体地，在本步骤中，将获取的数据转化成灰度图，以使得深度残差收缩网络能够识别故障数据；
在本实施例中，所述灰度图的生成方法包括以下步骤：
步骤S211、对故障数据中的正常数据标记为0，非正常数据标记为1；
步骤S212、利用图像处理工具将标记后的故障数据转化为灰度图；
具体地，在本实施例中，收集的数据采用Excel表格存放，在表格内对收集的数据进行标注，对于正常的数据标记为0，对于非正常数据(即三项不平衡数据、接地类型错误数据)标记为1，其中，标记的方式为在表格的标记栏内写入数字0或1；
在标记完成后，将标记后的文件存储为CSV格式的文件，将文件导入图像处理工具，例如PIL工具，通过图像处理工具将故障数据转化为灰度图；
在训练模型时，将灰度图导入深度残差收缩网络即可；
其中，所述PIL工具为Python-Ware公司提供的免费的图像处理工具包 PIL(Python-Image-Library)，该软件包提供了基本的图像处理功能，如：改变图像大小、旋转图像、图像格式转换、色场空间转换、图像增强、直方图处理、插值和滤波等等；
作为本实施例中一种优选的实施方式，所述灰度图的宽度为1像素、高度为5像素。
步骤S220、将灰度图导入深度残差收缩网络中的卷积层进行卷积计算，得到第一特征图；
具体地，在本步骤中，深度残差收缩网络读取灰度图内的数组，然后将数组导入卷积层，进行卷积计算以初步提取故障数据的特征，其中，卷积计算的公式如下式所示：
y1＝x1×w+b
其中，x1是输入的灰度图内的数组，y1是提取的特征，w是卷积核，b 是偏差；卷积核的大小由工作人员定义，需要说明的是，各客户端1内故障识别模型的卷积核相同。
优选的，在本实施例中，考虑了模型的计算时间消耗和准确率，卷积核选用5×5的卷积核。
步骤S230、基于第一特征图及深度残差收缩网络的残差收缩建筑单元生成阈值τ，并基于公式(1)对第一特征图软阈值化，重复进行若干次本步骤，得到第二特征图；
Figure RE-GDA0003760832770000081
其中，x为第一特征图内的数组，y是第二特征图内的数值。
在本步骤中，步骤S220得到的第一特征图导入残差收缩建筑单元内，残差收缩建筑单元对第一特征图进行运算，得到阈值τ，然后参数τ对第一特征图软阈值化以消除第一特征图内的噪音数据，得到第二特征图；
作为本实施例中一种优选的实施方式，如图5所示，阈值τ的生成方法包括以下步骤：
步骤S231、对第一特征图进行批量归一化处理、采用ReLU函数增加神经层的非相关性以及将ReLU函数的结果通过卷积层进行卷积计算，得到第三特征图，对第三特征图重复进行本步骤，得到第四特征图；
步骤S232、对第四特征图绝对值化，然后导入全局平均池化层，得到第五特征图；
步骤S233、将第五特征图导入子网络，生成参数α；
步骤S234、基于公式(2)以及第五特征图和参数α生成阈值τ，
τ＝α×A； 公式(2)
其中，A为第五特征图。
具体地，在本实施例中，对步骤S220得到的第一特征图进行批量归一化处理，然后通过ReLU函数增加各连接层的非线性相关性，增加深度残差神经网络的稀疏性，减少各参数之间的相互依存关系，再将ReLU函数的运算结果输入卷积层进行卷积计算，得到第三特征图；
在本实施例中，ReLU函数为f(x)＝max(0,x)，ReLU函数的运算方法为现有技术，此处不再赘述；
批量归一化处理为现有技术，此处不再赘述；
对第四特征图绝对值化的方法为，求得第四特征图内每个数值的绝对值，然后通过全局平均池化层计算得出第四特征图内数值的绝对值的平均值，记为第五特征图，将第五特征图导入子网络，通过子网络的运算计算得出参数α，再通过公式(2)计算第五特征和参数α的乘积，需要说明的是，第五特征和参数α均为向量，得出的阈值τ为数值；
在本实施例中，全局平均池化层的工作原理为现有技术，第四特征图经过全局平均池化层得到第五特征图；
优选的，如图6所示，所述子网络生成参数α的方法包括以下步骤：
步骤S235、将第五特征图导入两层全连接层得到第六特征图；
步骤S236、对第六特征图进行批量归一化处理、采用ReLU函数增加神经层的非相关性以及将ReLU函数的结果通过卷积层进行卷积计算，得到第七特征图；
步骤S237、采用Sigmoid函数对第七特征图的数值缩放，得到第八特征图；
步骤S238、基于第八特征图和公式(3)计算参数α，
Figure RE-GDA0003760832770000101
其中，Z为Sigmoid函数的输出结果；
作为本实施例中一种优选的实施方式，Sigmoid函数将第七特征图的数值缩放至0-1之间。
步骤S240、基于深度残差收缩网络的全连接层对第二特征图提取特征，将得到的结果输入分类器分类，其中，分类器是一种分类算法；
具体地，在本实施例中，分类器为Softmax函数。
步骤S300、中心服务器3基于训练参数生成全局模型参数，并下发至各客户端1；
具体地，在本实施例中，客户端1将模型训练后参数发送至中心服务器 3，中心服务器3将各客户端1发送的训练参数聚合，采用全局联邦平均 FedAvg聚合函数得到全局模型参数；
作为本实施例中一种优选的实施方式，中心服务器加权聚合参数的方法，采用联邦学习的FedAvg算法，中心服务器通过式(4)将获取的训练参数生成全局模型参数；
Figure RE-GDA0003760832770000111
其中，ωt表示第t轮更新的全局模型参数；Fk(ω)表示第k个本地用户的所有数据的平均损失；
Figure RE-GDA0003760832770000112
表示平均损失的梯度；nk是表示第k个本地用户拥有的数据量，n则是所有用户的总数据量；R是学习率，由实验结果得到的准确率大小来确定。
步骤S400、各客户端1基于全局模型参数及故障识别模型诊断电缆故障；
具体地，在本实施中，客户端1收到中心服务器3发送的全局模型参数后将其导入故障识别模型，通过对电网数据进行识别和分类；
作为本实施例中一种优选的实施方式，所述故障数据分为训练集和测试集，其中，训练集用于训练故障识别模型，测试集用于在获取全局模型参数后测试应用全局模型参数的故障识别模型；
在客户端1训练通过深度残差收缩网络训练时，客户端1通过训练集的数值训练模型，在客户端1收到全局模型参数后，通过测试集的故障数据测试应用全局模型参数的故障识别模型，故障识别模型的准确率达到预设要求时，反馈全局模型参数达到预设要求，反之，重新分配故障数据，再次进行运算；
在本实施例中，由于采集的数据为由工作人员确认的故障数据，在进行测试时，通过计算正确分类的数据占总数据的比例故障识别模型计算识别的正确率。
本发明还提出了一种电缆故障诊断系统，如图7所示，所述系统500包括：
获取单元401，用于各客户端获取本地故障数据，作为模型训练数据；
客户端服务单元402，随机选取若干个客户端，被选取的客户端基于故障识别模型训练本地故障数据，并将训练参数发送至中心服务单元；
中心服务单元403，用于获取各客户端服务单元402的训练参数并生成全局模型参数，并下发至各客户端；
数据分类单元404，各客户端基于故障识别模型和全局模型参数对故障数据分类，诊断电缆故障。
实施例3
本发明还公开了一种电子设备，所述电子设备包括处理器，所述处理器在执行存储器中存储的计算机程序时实现如实施例1所述的电缆故障诊断方法。
实施例4
本发明还提出了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器在运行计算机程序时实施例1所述的电缆故障诊断方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，在本发明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，也可以采用硬件加软件功能单元的形式实现。
在本发明实施例的一个典型的配置中，电子设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash-RAM)。内存是计算机可读介质的示例。
可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
电子设备的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD) 或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory-media)，如调制的数据信号和载波。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明公开的其它实施方案。本发明公开的实施例旨在涵盖本发明公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明公开的一般性原理并包括本发明公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明公开的真正范围和精神由下面的权利要求书指出。

Claims (10)

1.一种电缆故障诊断方法，其特征在于，包括：
各客户端获取本地故障数据作为模型训练数据；
中心服务器随机选取若干个客户端，被选取的客户端基于故障识别模型训练本地故障数据，并将训练参数发送至中心服务器；
中心服务器基于训练参数生成全局模型参数，并下发至各客户端；
各客户端基于全局模型参数及故障识别模型诊断电缆故障。
2.根据权利要求1所述的电缆故障诊断方法，其特征在于，所述故障识别模型基于深度残差收缩网络训练故障数据，其具体方法包括以下步骤：
基于故障数据生成灰度图；
将灰度图导入深度残差收缩网络中的卷积层进行卷积计算，得到第一特征图；
基于第一特征图及深度残差收缩网络的残差收缩建筑单元生成阈值τ，并基于式(1)对第一特征图软阈值化，重复进行若干次本步骤，得到第二特征图；
Figure FDA0003688359550000011
其中，x为第一特征图内的数组，y是第二特征图内的数值；
基于深度残差收缩网络的全连接层对第二特征图提取特征，将得到的结果输入分类器分类，其中，分类器是一种分类算法。
3.根据权利要求2所述的电缆故障诊断方法，其特征在于，阈值τ的生成方法包括以下步骤：
对第一特征图进行批量归一化处理、采用ReLU函数增加神经层的非相关性以及将ReLU函数的结果通过卷积层进行卷积计算，得到第三特征图，对第三特征图重复进行本步骤，得到第四特征图；
对第四特征图绝对值化，然后导入全局平均池化层，得到第五特征图；
将第五特征图导入子网络，生成参数α；
基于式(2)以及第五特征图和参数α生成阈值τ，
τ＝α×A (2)
其中，A为第五特征图。
4.根据权利要求3所述的电缆故障诊断方法，其特征在于，所述子网络生成参数α的方法包括以下步骤：
将第五特征图导入两层全连接层得到第六特征图；
对第六特征图进行批量归一化处理、采用ReLU函数增加神经层的非相关性以及将ReLU函数的结果通过卷积层进行卷积计算，得到第七特征图；
采用Sigmoid函数对第七特征图的数值缩放，得到第八特征图；
基于第八特征图和式(3)计算参数α，
Figure FDA0003688359550000021
其中，Z为Sigmoid函数的输出结果。
5.根据权利要求4所述的电缆故障诊断方法，其特征在于，Sigmoid函数将第七特征图的数值缩放至0-1之间。
6.根据权利要求2所述的电缆故障诊断方法，其特征在于，所述灰度图的生成方法包括以下步骤：
对故障数据中的正常数据标记为0，非正常数据标记为1；
利用图像处理工具将标记后的故障数据转化为灰度图。
7.根据权利要求1-6任意一项所述的电缆故障诊断方法，其特征在于，所述故障数据分为训练集和测试集，其中，训练集用于训练故障识别模型，测试集用于在获取全局模型参数后测试应用全局模型参数的故障识别模型。
8.根据权利要求7所述的电缆故障诊断方法，其特征在于，中心服务器加权聚合训练参数的方法，采用联邦学习的FedAvg算法，中心服务器通过式(4)将获取的训练参数生成全局模型参数；通过联邦学习的方式聚合训练参数生成全局模型参数
Figure FDA0003688359550000031
其中，ωt表示第t轮更新的全局模型参数；Fk(ω)表示第k个本地用户的所有数据的平均损失，
Figure FDA0003688359550000032
表示平均损失的梯度；nk是表示第k个本地用户拥有的数据量，n则是所有用户的总数据量；R是学习率，由实验结果得到的准确率大小来确定。
9.一种电缆故障诊断系统，其特征在于，所述系统包括：
获取单元，用于各客户端获取本地故障数据，作为模型训练数据；
客户端服务单元，随机选取若干个客户端，被选取的客户端基于故障识别模型训练本地故障数据，并将训练参数发送至中心服务单元；
中心服务单元，用于获取各客户端服务单元的训练参数并生成全局模型参数，并下发至各客户端；
数据分类单元，各客户端基于故障识别模型和全局模型参数对故障数据分类，诊断电缆故障。
10.一种可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器在运行计算机程序时实现权利要求1-8任意一项所述的电缆故障诊断方法。
CN202210653681.6A 2022-06-10 2022-06-10 一种电缆故障诊断方法、系统及可读存储介质 Pending CN115115585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210653681.6A CN115115585A (zh) 2022-06-10 2022-06-10 一种电缆故障诊断方法、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210653681.6A CN115115585A (zh) 2022-06-10 2022-06-10 一种电缆故障诊断方法、系统及可读存储介质

Publications (1)

Publication Number Publication Date
CN115115585A true CN115115585A (zh) 2022-09-27

Family

ID=83326103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210653681.6A Pending CN115115585A (zh) 2022-06-10 2022-06-10 一种电缆故障诊断方法、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN115115585A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345078A (zh) * 2022-10-18 2022-11-15 国网浙江省电力有限公司宁波供电公司 一种基于电缆迭代模型的电缆管理方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345078A (zh) * 2022-10-18 2022-11-15 国网浙江省电力有限公司宁波供电公司 一种基于电缆迭代模型的电缆管理方法及装置
CN115345078B (zh) * 2022-10-18 2023-04-14 国网浙江省电力有限公司宁波供电公司 一种基于电缆迭代模型的电缆管理方法及装置

Similar Documents

Publication Publication Date Title
CN111369563B (zh) 一种基于金字塔空洞卷积网络的语义分割方法
CN110823574B (zh) 一种基于半监督学习深度对抗网络的故障诊断方法
CN104408667B (zh) 一种电能质量综合评估的方法和系统
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN113295413B (zh) 一种基于间接信号的牵引电机轴承故障诊断方法
CN113655348A (zh) 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
Xue et al. A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data
CN114548190A (zh) 一种基于自适应残差神经网络的风力涡轮机故障诊断方法
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN114897138A (zh) 基于注意力机制和深度残差网络的系统故障诊断方法
CN115115585A (zh) 一种电缆故障诊断方法、系统及可读存储介质
CN115358337A (zh) 一种小样本故障诊断方法、装置及存储介质
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
CN118191628A (zh) 一种基于机器学习的矿用锂离子电池soc预测方法和系统
CN114295967A (zh) 一种基于迁移神经网络的模拟电路故障诊断方法
CN114383846B (zh) 基于故障标签信息向量的轴承复合故障诊断方法
CN115236272A (zh) 多工况条件下的气体传感器故障诊断方法、装置及存储介质
Hasan et al. Machine learning-based sensor drift fault classification using discrete cosine transform
CN113886592A (zh) 一种电力信息通信系统运维数据的质量检测方法
Zeng et al. Application of local histogram clipping equalization image enhancement in bearing fault diagnosis
Chang et al. A Portable Electrocardiography Arrhythmia Classification Using Time-series Augmented Signals and Convolutional Neural Network
CN113744081B (zh) 窃电行为分析方法

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