CN116502051B - 一种海底电缆局部缺陷识别方法及装置 - Google Patents

一种海底电缆局部缺陷识别方法及装置 Download PDF

Info

Publication number
CN116502051B
CN116502051B CN202310753362.7A CN202310753362A CN116502051B CN 116502051 B CN116502051 B CN 116502051B CN 202310753362 A CN202310753362 A CN 202310753362A CN 116502051 B CN116502051 B CN 116502051B
Authority
CN
China
Prior art keywords
characteristic signals
group
defect
characteristic
groups
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.)
Active
Application number
CN202310753362.7A
Other languages
English (en)
Other versions
CN116502051A (zh
Inventor
廖雁群
南保峰
肖集雄
曹安瑛
王航
杨帅
何伟
黄顺涛
林翠婷
林敏洪
李迪
崔江静
朱五洲
吴宏晓
黄嘉明
胡欣欣
陈兆伟
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.)
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhuhai Power Supply Bureau of Guangdong Power Grid 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 Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310753362.7A priority Critical patent/CN116502051B/zh
Publication of CN116502051A publication Critical patent/CN116502051A/zh
Application granted granted Critical
Publication of CN116502051B publication Critical patent/CN116502051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及海底电缆运维技术领域，尤其涉及一种海底电缆局部缺陷识别方法及装置。包括如下步骤：获取对应于不同海底电缆局部缺陷的多组特征信号；对每组特征信号进行预处理，得到多组还原特征信号；基于二维卷积神经网络和支持向量基分类器，构建初始缺陷识别模型；根据多组还原特征信号对所述初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型；根据所述缺陷识别模型对待识别海底电缆进行缺陷识别；本发明能够对于局部放电的发展情况、缺陷种类等做到有效认知，有效解决目前对于海底电缆局部缺陷识别能力较差的问题。

Description

一种海底电缆局部缺陷识别方法及装置
技术领域
本发明涉及海底电缆运维技术领域，尤其涉及一种海底电缆局部缺陷识别方法及装置。
背景技术
海底电缆通常在海上风电、海上钻井平台以及跨海陆岛之间的信息交互和电力输送领域被广泛应用，它的工作状态直接影响着每个隔海相望的大小版块之间交流的稳定性。
然而，由于海底电缆需要在深海的复杂环境下长期运行，这也导致其会由于设计和制作工艺不良、材料缺陷、机械损伤、过电压、绝缘老化等因素造成局部绝缘缺陷而产生局部放电，进而引起主绝缘击穿故障，面对这些问题，应用于陆上电缆的常规监测的方法很难实现对海底电缆状态的准确感知。
分布式光纤传感技术是一种不受电磁干扰、实时性强且能够有效感知光纤沿线的应变和温度技术，目前海底电缆在线状态监测的主要研究均是基于分布式光纤传感技术进行的。现有的基于分布式光纤传感技术所开发的传感系统，只能识别海底电缆是否发生了局部放电，但对局部放电的发展情况、缺陷种类等无法做到有效认知，对于海底电缆局部缺陷识别能力较差。
发明内容
本发明提供一种海底电缆局部缺陷识别方法及装置，用于解决目前对于海底电缆局部缺陷识别能力较差的问题。
本发明第一方面提供一种海底电缆局部缺陷识别方法，包括如下步骤：
获取对应于不同海底电缆局部缺陷的多组特征信号；
对每组特征信号进行预处理，得到多组还原特征信号；
基于二维卷积神经网络和支持向量基分类器，构建初始缺陷识别模型；
根据多组还原特征信号对所述初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型；
根据所述缺陷识别模型对待识别海底电缆进行缺陷识别。
具体的，所述获取对应于不同海底电缆局部缺陷的多组特征信号，包括以下步骤：
预设第一梯度数量的放电量等级；
按照第一预设数量获取每个所述放电量等级下、大小相同且位置不同的多个预设缺陷对应的第一特征信号组；
按照第一预设数量获取每个所述放电量等级下、位置相同且大小不同的多个预设缺陷对应的第二特征信号组；
所述多个预设缺陷包括：气隙放电缺陷、表面放电缺陷及电晕放电缺陷；
输出所述第一特征信号组和所述第二特征信号组，得到多组特征信号。
具体的，所述对每组特征信号进行预处理，得到多组还原特征信号，包括以下步骤：
基于时间序列移动平均技术和移动差分技术，对每组特征信号进行去噪预处理，得到多组去噪特征信号；
基于正交I／Q相位解调算法，对每组去噪特征信号进行解调预处理，得到多组还原特征信号。
具体的，所述根据多组还原特征信号对所述初始缺陷识别模型进行训练操作与验证操作，具体为：
通过6层小波包分解，将每组还原特征信号中各信号的幅值信息分解为64个小波包对应的64个频段；
根据64个频段的归一化能量，提取64维能量图谱的第一特征向量；
根据1.5阶标准熵，提取64个频段的64维标准熵图谱的第二特征向量；
提取每组还原特征信号中各信号的幅值和相位信息，得到第三特征向量；
将每组还原特征信号中各信号对应的第一特征向量、第二特征向量和第三特征向量输出为各信号的特征向量集，得到多个特征向量集；
根据多个特征向量集对所述初始缺陷识别模型进行训练操作与验证操作。
具体的，所述根据所述缺陷识别模型对待识别海底电缆进行缺陷识别，包括如下步骤：
实时采集待识别海底电缆的特征信号；
对所述待识别海底电缆的特征信号进行预处理，得到待识别海底电缆的还原特征信号；
根据所述待识别海底电缆的还原特征信号和所述缺陷识别模型，对待识别海底电缆进行缺陷识别。
具体的，所述基于时间序列移动平均技术和移动差分技术，对每组特征信号进行去噪预处理，得到多组去噪特征信号，具体为：
采用所述时间序列移动平均技术消除每组特征信号的随机波动噪声，并采用所述移动差分技术提取每组消除随机波动噪声后的特征信号，得到多组去噪特征信号。
具体的，所述基于正交I／Q相位解调算法，对每组去噪特征信号进行解调预处理，得到多组还原特征信号，包括如下步骤：
将每组去噪特征信号中的信号均进行混频操作，并通过低通滤波器消除高频分量，得到每组去噪特征信号中信号的零频分量；
基于零频分量得到每组去噪特征信号中信号的幅值信息和相位信息；
对相位信息进行解卷绕操作后得到解卷绕相位信息；
根据每组去噪特征信号中信号的幅值信息和解卷绕相位信息得到多组还原特征信号。
具体的，所述根据多个特征向量集对所述初始缺陷识别模型进行训练操作与验证操作，包括如下步骤：
按照第一预设百分比提取每个特征向量集中的特征向量，并输入至所述初始缺陷识别模型进行模型训练操作，得到待验证缺陷识别模型；
按照第二预设百分比提取每个特征向量集中的特征向量，并输入至所述待验证缺陷识别模型进行模型验证操作；
若所述待验证缺陷识别模型的缺陷识别准确率在第三预设百分比以下，则更新所述缺陷识别模型的预设设计值，并再次进行模型验证操作；
若所述待验证缺陷识别模型的缺陷识别准确率在第三预设百分比以上，则输出所述待验证缺陷识别模型进行模型。
本发明另一方面提供一种海底电缆局部缺陷识别装置，包括：获取模块、预处理模块、初始模型构建模块、识别模型获取模块和缺陷识别模块，其中：
所述获取模块用于获取对应于不同海底电缆局部缺陷的多组特征信号；
所述预处理模块用于对每组特征信号进行预处理，得到多组还原特征信号；
所述初始模型构建模块用于基于二维卷积神经网络和支持向量基分类器，构建初始缺陷识别模型；
所述识别模型获取模块用于根据多组还原特征信号对所述初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型；
所述陷识别模块用于根据所述缺陷识别模型对待识别海底电缆进行缺陷识别。
具体的，所述获取模块包括：第一设置单元、第一获取单元、第二获取单元和输出单元，其中：
所述第一设置单元用于预设第一梯度数量的放电量等级；
所述第一获取单元用于按照第一预设数量获取每个所述放电量等级下、大小相同且位置不同的多个预设缺陷对应的第一特征信号组；
所述第二获取单元用于按照第一预设数量获取每个所述放电量等级下、位置相同且大小不同的多个预设缺陷对应的第二特征信号组；
所述多个预设缺陷包括：气隙放电缺陷、表面放电缺陷及电晕放电缺陷；
所述输出单元用于输出所述第一特征信号组和所述第二特征信号组，得到多组特征信号。
本发明的有益效果在于，本发明实施例所提供的一种海底电缆局部缺陷识别方法，包括如下步骤：获取对应于不同海底电缆局部缺陷的多组特征信号；对每组特征信号进行预处理，得到多组还原特征信号；基于二维卷积神经网络和支持向量基分类器，构建初始缺陷识别模型；根据多组还原特征信号对所述初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型；根据所述缺陷识别模型对待识别海底电缆进行缺陷识别。
本发明所提供的一种海底电缆局部缺陷识别方法，首先获取海底电缆的缺陷与特征信号之间的对应关系，然后通过预处理的方式使得信号更为清晰并且对发生相位调制的位置进行还原，得到还原后的特征信号，并进一步通过信号特征对包括神经网络和支持向量基分类器的初始缺陷识别模型进行训练和验证等操作，使得初始缺陷识别模型学习信号特征与缺陷之间的对应关系，当学习完成得到缺陷识别模型之后，将其用于海底电缆的监测，由于在特征信号的收集阶段，便可以得到缺陷大小或者缺陷种类与特征信号之间的对应关系，当将这种对应关系用于缺陷识别时，可以对于局部放电的发展情况、缺陷种类等做到有效认知，有效解决目前对于海底电缆局部缺陷识别能力较差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为海底电缆局部缺陷识别方法流程图；
图2为海底电缆局部缺陷识别方法的另一种详细流程图；
图3为基于φ-OTDR获取特征信号的实验原理图；
图4为一种用于获取特征信号的试验装置结构图；
图5为基于正交I／Q变换的相位解调过程图；
图6基于二维卷积神经网络和支持向量基分类器构成的缺陷识别模型基本网络结构图。
具体实施方式
下面将结合本发明中的附图，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的一部分实施例，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。
本发明第一方面提供一种海底电缆局部缺陷识别方法，请参见图1，具体包括如下步骤：
步骤101：获取对应于不同海底电缆局部缺陷的多组特征信号；
由于海底电缆局部放电所产生的超声振动信号，在径向传递至光纤某处时，会导致此处光纤产生微小形变，进而会改变该位置光纤的折射率、长度、芯径，最终改变瑞利散射光的相位，并使得接收到的后向瑞利散射（RBS）信号强度发生变化，因此，在本实施例步骤中，将RBS信号作为特征信号，用于通过观察特征信号的变化对缺陷进行识别。
步骤102：对每组特征信号进行预处理，得到多组还原特征信号；
可以理解的是，预处理可以是降噪预处理、解调预处理等能够使信号得以还原以及更加清晰的预处理方式。
步骤103：基于二维卷积神经网络和支持向量基分类器，构建初始缺陷识别模型；
步骤104：根据多组还原特征信号对初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型；
步骤105：根据缺陷识别模型对待识别海底电缆进行缺陷识别。
在本实施例中，首先通过包括试验的方式，获取海底电缆的缺陷与特征信号的对应关系，然后通过预处理使得信号更为清晰并且对发生相位调制的情况进行还原，得到还原后的特征信号，并进一步通过信号特征对包括神经网络和支持向量基分类器的初始缺陷识别模型进行训练和验证等操作，使得缺陷识别模型学习信号特征与缺陷之间的对应关系，当缺陷识别模型学习完成之后，将其用于海底电缆的监测；
本实施例中所提到的缺陷，可以是缺陷的发展情况、缺陷的大小、缺陷的种类，亦或者上述的结合；可以理解的是，由于在特征信号的收集阶段，便可以得到缺陷大小或者缺陷种类与特征信号之间的对应关系，当将这种对应关系用于缺陷识别时，可以通过获取各种缺陷的对应关系，实现对缺陷的不同种情况进行识别。
为便于更好的理解本发明提供的方案，以下给出整体流程实施例，如图2所示，包括如下步骤：
预置3类海底电缆局部缺陷，并进行海底电缆局部缺陷试验；
基于φ-OTDR系统采集包含超声振动信号的特征信号；
基于移动平均技术和移动差分技术对特征信号进行去噪预处理，并基于正交I／Q相位解调算法进行解调预处理，得到还原特征信号；
基于小波包分解和PRPD提取还原特征信号的特征向量；
构建由2D CNN和SVM分类器组成的初始缺陷识别模型，并通过部分特征向量对初始缺陷识别模型进行训练得到缺陷识别模型；
通过另一部分特征向量对缺陷识别模型进行测试，若缺陷识别率在95%以上，则将缺陷识别模型用于对海底电缆的在线监测，否则重新基于部分提取部分特征向量进行缺陷识别。
在本实施例中，当将缺陷识别模型用于海底电缆缺陷的监测时，需要通过φ-OTDR系统检测海底电缆的特征信号，基于移动平均技术和移动差分技术对特征信号进行去噪预处理，并基于正交I／Q相位解调算法进行解调预处理，得到监测的还原特征信号，基于小波包分解和PRPD提取监测的还原特征信号的特征向量，并将其输入缺陷识别模型进行缺陷识别。
在本实施例中，CNN和SVM分类器组成的初始缺陷识别模型分别包括：输入层、卷积层1、池化层1、卷积层2、卷积层3、池化层2、全连接层1、全连接层2和输出层，在具体实施过程中将还原特征信号的特征向量输入初始缺陷识别模型进行训练，还原特征信号的特征向量顺经过输入层、卷积层1、池化层1、卷积层2、卷积层3、池化层2、全连接层1、全连接层2和输出层，并当输出层检测出误差后，将误差重新输入至卷积层1进行参数优化。
本发明还提供一个更具体的实施例，如图3所示，在本实施例中，通过相位敏感光时域反射计型分布式光纤振动传感系统（φ-OTDR）对包含了局部放电超声振动信息的光纤RBS特征信号进行采集，图3为基于φ-OTDR获取特征信号的实验原理图，对应于上述φ-OTDR系统，具体采集过程中采集特征信号的方法包括：
步骤101：获取与预置的缺陷类型对应的特征信号集，具体包括以下步骤：
1011：预设第一梯度数量的放电量等级；
在本实施例步骤中，第一梯度数量的放电量等级的局部放电量可以为：50pc、100pc、150pc、200pc、250pc；
1012：按照第一预设数量获取每个放电量等级下、大小相同且位置不同的多个预设缺陷对应的第一特征信号组；
1013：按照第一预设数量获取每个放电量等级下、位置相同且大小不同的多个预设缺陷对应的第二特征信号组；
1014：输出第一特征信号组和第二特征信号组，得到多组特征信号。
在本实施例中，不同位置的缺陷优选为5海底电缆上的任意五个位置，不同数量的缺陷均优选为5个缺陷；
进一步的，预置可以是气隙放电缺陷、表面放电缺陷和电晕放电缺陷；并且，为了保证获取足够的特征信号，每种预置缺陷对应的第一特征信号组和第二特征信号组中信号的数量的和，均应大于1000个；则试验中获得的信号总量应当大于3000个；
可以理解的是，以上对于信号的获取数量不是强制的，可以针对不同的情形下酌情更改。
在本实施例中，还提供了一种用于获取特征信号的试验装置，如图4所示，装置包括：隔离变压器、低压低通滤波器、高压低通滤波器、电容分压器、耦合电容C k 、检测阻抗Z m 和隔音密封罐，其中：
隔离变压器与外部电源连接，用于实验装置构成的回路与外部电源隔离；
低压低通滤波器与隔离变压器连接；
高压低通滤波器与低压低通滤波器与连接；
电容分压器与高压低通滤波器两端连接；
耦合电容C k 、检测阻抗Z m 构成串联回路，串联回路并联于高压低通滤波器两端；
高压低通滤波器的两端分别与待测海底电缆连接。
低压低通滤波器由第一电感L 1、第一电容C 1和第二电容C 2构成；
高压低通滤波器由第二电感L 2、第三电感L 3和第三电容C 3构成；
待测海底电缆设置于隔音密封罐中，用于保证获取的特征信号不受外部声学和振动信号的干扰；密封罐的内壁由吸波材料构成。
本发明还提供一个实施例，在本实施例中，步骤102：对每组特征信号进行预处理，得到多组还原特征信号，具体包括以下步骤：
1021：基于时间序列移动平均技术和移动差分技术，对对每组特征信号进行去噪预处理，得到多组去噪特征信号；
在本实施例步骤中，步骤1021具体为：采用时间序列移动平均技术消除特征信号的随机波动噪声，并采用移动差分技术提取每组消除随机波动噪声后的特征信号，得到多组去噪特征信号；
在具体实施过程中，设f={f 1、f 2、f 3、…、f i 、…、f N }代表未经任何处理，直接由数据采集系统采集得到的一组特征信号，其中有N条连续采集到特征信号，包含有光纤RBS信号曲线，分别记为f 1、f 2、f 3、…、f i 、…、f N ，其中f i 为第i条RBS信号曲线，每一条曲线记录的时长均为T 0；
设移动平均次数为M，移动平均处理后的RBS信号组记为F={F 1、F 2、F 3、…、F i 、…、F K }，其中K=N-M+1，则有：
；
由于采用邻近曲线差分会很难突出外界振动信号引起的特征信号幅值的变化，因此在移动平均处理数据后，可采用移动差分后得到的信号组来获取信号特征；
对于移动平均后的RBS曲线F i ，选择一条移动参考曲线F R =F int(i/2M)×M+1，此处F R 代表F i 相应的移动差分参考曲线，下标R为整数，则有：
R=int(i/2M)×M+1，其中：int(i/2M)代表对i/2M四舍五入取整数；
相应的移动差分后的曲线组可记为：
ΔF={ΔF 1、ΔF 2、ΔF 3、…、ΔF i 、…、F J }
其中：ΔF i =F i -F R ，J=K-1=N-M。
1022：基于正交I／Q相位解调算法，对每组去噪特征信号进行解调预处理，得到多组还原特征信号；
在本实施例的具体步骤中，步骤1022具体为：
将每组去噪特征信号中的信号均进行混频操作，并通过低通滤波器消除高频分量，得到每组去噪特征信号中信号的零频分量；
基于零频分量得到每组去噪特征信号中信号的幅值信息和相位信息；
对相位信息进行解卷绕操作后得到解卷绕相位信息；
根据每组去噪特征信号中信号的幅值信息和解卷绕相位信息得到多组还原特征信号。
当局部放电所产生的超声振动沿径向传播至光纤上某点处时，将会使该点处光纤的长度和折射率n i 发生变化，引起相位调制，从而使得光纤中的后瑞利散射光强度发生相应改变；通过分布式光纤应变系统测量得到的特征信号只是包含了局部放电超声振动信号；
因此，为了实现振动信号的检测、定位与还原，还需对去噪后的信号做进一步的解调才能获得振动信号的强度信息和相位信息，从而实现振动信号的准确定位和定量相位还原。
在具体实施过程中，只包含了局部放电超声振动信号一般表示为：
；
式中：E LO 为本征光振幅，E R 为后向散射光振幅，Δω=2πΔf，Δf为声光调制器的频移，φ(t)为相位信息，φ 0本征光的初始相位；
基于正交I／Q变换的相位解调过程如图5所示，其具体过程如下：
首先将去噪后的数字信号S(t)分别与频率为Δω的正弦和余弦信号相乘混频，再利用低通滤波器去除其中的二倍频高频分量，只保留零频分量，即可得到信号I(t)、Q(t)；
；
；
根据上式，可以得知特征信号的还原特征信号的幅值为：
；
还原特征信号的相位为：
；
由于反正切函数值域的限制，在此基础上还再需对Φ(t)进行相位解卷绕操作实现相位的扩展才能得到真正的相位信息φ(t)。
在本发明的一个具体的实施例中，步骤103中，构建初始缺陷识别模型，具体为：构建网络参数为预设设计值的初始缺陷识别模型；
预设设计值包括：卷积核尺寸为3×3、池化层尺寸为2×2、激活函数为Relu、优化策略为随机梯度下降、学习率为0.01、衰减率为1e-6以及损失函数为交叉熵。
在具体实施过程中，2D CNN和SVM分类器组成的缺陷识别模型的结构如图6所示，基于2D CNN和SVM分类器的局部放电类型识别网络各层的详细描述如下：
输入层：输入为3维特征向量X；
卷积层1：卷积层主要处理相应的卷积操作和相关的激活函数；
采用实际数量为32个的3×3卷积核，设定具体步长为，利用same padding针对相关输入层开展相应的卷积计算，得到64×64×32卷积结果，接着对卷积结果使用激活函数Relu计算，得到激活后的结果；
池化层1：对激活结果使用尺寸为2×2，步长为2的最大池化操作，得到32×32×32的池化结果；
对池化结果使用概率为0.5的权值随机丢弃(Dropout)操作，获取dropout操作后的结果，以便简化相关卷积神经网络的参数，避免过拟合；
卷积层2：卷积核个数为64，大小为3×3，步长为1，使用same padding对输入数据进行卷积运算，得到32×32×64卷积结果，接着对卷积结果使用激活函数Relu计算，得到激活后的结果；
卷积层3：卷积核个数为64，大小为3×3，步长为1，使用same padding对输入数据进行卷积运算，得到32×32×64卷积结果，接着对卷积结果使用激活函数Relu计算，得到激活后的结果；
池化层2：对激活结果使用尺寸为2×2，步长为2的最大池化操作，得到16×16×64的池化结果，然后对池化结果使用概率为0.5的Dropout操作，获取dropout操作后的结果；
Flatten操作：使用Flatten操作将池化后的多维结果一维化；
全连接层1：采用实际数量为256个神经元的全连接层，针对前述程序计算获得的结果开展全连接操作，同时每个神经元运用激活函数Relu针对所获取的结果开展激活操作，最后针对所获得的激活结果使用概率为0.5的Dropout操作，获取dropout操作后的结果。全部的卷积层与第一个全连接层构成一个可学习的特征提取器；
全连接层2：将上一个全连接层输入的特征映射到输入样本的标签空间，并与紧跟着的SVM用于取代传统2-D CNN网络中的Softmax层构成一个新的分类器，完成分类识别。
本发明还提供一个具体的实施例，在本实施例中，步骤104：根据多组还原特征信号对初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型，具体为：
1041：通过6层小波包分解，将每组还原特征信号中各信号的幅值信息分解为64个小波包对应的64个频段；
在具体实施过程中，64小波包对应着64个子频带：第1层2个子频带，第2层4个子频带，第3层8个子频带，第4层16个子频带，第5层32个子频带，第6层64个子频带；
每两个子频带之间组成带宽相同、相互衔接的频段，如：
频段1(b 0~b 1)、频段2(b 1~b 2)、频段3(b 2~f 3)、…、频段64(b 63~b 64)；
其中，b 0、b 1、b 2...b 64分别表示第1至第64个子频带。
1042：根据64个频段的归一化能量，提取64维能量图谱的第一特征向量T 0；
在具体实施过程中，幅值信息A(t)的能量也相应的分配到这64个正交频带上；小波包分解后第i层第m(m=0,1,…,2i-1)个子频带所包含的重构信号x i,m 所具有的能量E i,m 可由下式计算：
；
其中，N表示信号数据样本的长度，x mn 为信号重构后各离散点（每个离散频带被等效为一个离散点）的幅值；
利用各频段的归一化能量构建一个64维的第一特征向量T 0如下：
。
1043：根据1.5阶标准熵，提取64个频段的64维标准熵图谱的第二特征向量T 1；
采用1.5阶标准熵表征该6层小波包信息熵特征，1.5阶标准熵的计算公式如下：
；
式中：S i 表示该信号在这组（64个）正交频带上的第i项的系数，进而对64个离散频段构建一个64维的1.5阶标准熵谱图的第二特征向量T 1。
1044：提取每组还原特征信号中各信号的幅值和相位分布信息，得到第三特征向量T 2；
本发明拟通过解调后获得的振动幅值信息A(t)和相位信息φ(t)获取局部放电相位分布谱图（PRPD），构建还原特征信号幅值与相位的第三特征向量T 2。
基于解调后获得的还原特征信号中的幅值与相位信息，相位以π/32为步长，将相位取值区域0~2π划分为64个小区域，而每个小区域内所对应的幅值采用归一化处理（以振动最大幅值为基准），从而将二维幅值-相位平面(A－φ)划分切割为若干小的平面网格区域，反映放电信号的幅值、脉冲相位间的分布特征，进而提取放电信号的幅值A(t)在0~2π相位区间内的64个小区域上的分布特征的第三特征向量T 2。
1045：将每组还原特征信号中各信号对应的第一特征向量T 0、第二特征向量T 1和第三特征向量T 2输出为各信号的特征向量集，得到多个特征向量集。
在具体实施过程中，将基于6层小波包分解提取还原特征信号能量谱的第一特征向量T 0与1.5阶标准熵谱的第二特征向量T 1，并结合表征振动信号的幅值-相位分布谱图特征的第三特征向量T 2，共同构成一个新的三维特征向量的特征向量集X=[T 0,T 1,T 2]用于后续的分类与模式识别。
小波包分解是基于小波变换的进一步发展，小波包分解可把信号按频带进行分解，同时在特征提取时获得任意频带内的信息，增加了提取信息的含量，因此在波形特征向量提取方向更有优势。
本发明还提供一个具体的实施例，在本实施例中，步骤105：根据缺陷识别模型对待识别海底电缆进行缺陷识别，具体包括如下步骤：
1051：实时采集待识别海底电缆的特征信号；
1052：对待识别海底电缆的特征信号进行预处理，得到待识别海底电缆的还原特征信号；
1053：根据待识别海底电缆的还原特征信号和缺陷识别模型，对待识别海底电缆进行缺陷识别。
在本发明的一个更具体的实施例中，在前述实施例的基础上，根据特征向量集对初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型，包括如下步骤：
按照第一预设百分比提取每个特征向量集中的特征向量，并输入至初始缺陷识别模型进行模型训练操作，得到待验证缺陷识别模型；
按照第二预设百分比提取每个特征向量集中的特征向量，并输入至待验证缺陷识别模型进行模型验证操作；
若待验证缺陷识别模型的缺陷识别准确率在第三预设百分比以下，则更新缺陷识别模型的预设设计值，并再次进行模型验证操作；
若待验证缺陷识别模型的缺陷识别准确率在第三预设百分比以上，则输出待验证缺陷识别模型进行模型得到缺陷识别模型。
在具体实施过程中，第一预设百分比可以设置为70%，第二预设百分比可以设置为30%；第三预设百分比可以设置为95%。
需要说明的是，以上关于百分比的设置并不是固定的，应当根据实际需要进行实际设置。
本发明另一方面还提供一种海底电缆局部缺陷识别装置，包括：获取模块、预处理模块、初始模型构建模块、识别模型获取模块和缺陷识别模块，其中：
获取模块用于获取对应于不同海底电缆局部缺陷的多组特征信号；
预处理模块用于对每组特征信号进行预处理，得到多组还原特征信号；
初始模型构建模块用于基于二维卷积神经网络和支持向量基分类器，构建初始缺陷识别模型；
识别模型获取模块用于根据多组还原特征信号对初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型；
陷识别模块用于根据缺陷识别模型对待识别海底电缆进行缺陷识别。
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，“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。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其他的方式实现。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，既可以位于一个地方，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。
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 (7)

1.一种海底电缆局部缺陷识别方法，其特征在于，包括如下步骤：
获取对应于不同海底电缆局部缺陷的多组特征信号，具体包括以下步骤：
预设第一梯度数量的放电量等级；
按照第一预设数量获取每个所述放电量等级下、大小相同且位置不同的多个预设缺陷对应的第一特征信号组；
按照第一预设数量获取每个所述放电量等级下、位置相同且大小不同的多个预设缺陷对应的第二特征信号组；
所述多个预设缺陷包括：气隙放电缺陷、表面放电缺陷及电晕放电缺陷；
输出所述第一特征信号组和所述第二特征信号组，得到多组特征信号；
对每组特征信号进行预处理，得到多组还原特征信号；
基于二维卷积神经网络和支持向量基分类器，构建初始缺陷识别模型；
根据多组还原特征信号对所述初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型，具体为：
通过6层小波包分解，将每组还原特征信号中各信号的幅值信息分解为64个小波包对应的64个频段；
根据64个频段的归一化能量，提取64维能量图谱的第一特征向量；
根据1.5阶标准熵，提取64个频段的64维标准熵图谱的第二特征向量；
提取每组还原特征信号中各信号的幅值和相位信息，得到第三特征向量；
将每组还原特征信号中各信号对应的第一特征向量、第二特征向量和第三特征向量输出为特征向量集，得到多个特征向量集；
根据多个特征向量集对所述初始缺陷识别模型进行训练操作与验证操作；
根据所述缺陷识别模型对待识别海底电缆进行缺陷识别。
2.根据权利要求1所述的海底电缆局部缺陷识别方法，其特征在于，所述对每组特征信号进行预处理，得到多组还原特征信号，包括以下步骤：
基于时间序列移动平均技术和移动差分技术，对每组特征信号进行去噪预处理，得到多组去噪特征信号；
基于正交I／Q相位解调算法，对每组去噪特征信号进行解调预处理，得到多组还原特征信号。
3.根据权利要求1所述的海底电缆局部缺陷识别方法，其特征在于，所述根据所述缺陷识别模型对待识别海底电缆进行缺陷识别，包括如下步骤：
实时采集待识别海底电缆的特征信号；
对所述待识别海底电缆的特征信号进行预处理，得到待识别海底电缆的还原特征信号；
根据所述待识别海底电缆的还原特征信号和所述缺陷识别模型，对待识别海底电缆进行缺陷识别。
4.根据权利要求2所述的海底电缆局部缺陷识别方法，其特征在于，所述基于时间序列移动平均技术和移动差分技术，对每组特征信号进行去噪预处理，得到多组去噪特征信号，具体为：
采用所述时间序列移动平均技术消除每组特征信号的随机波动噪声，并采用所述移动差分技术提取每组消除随机波动噪声后的特征信号，得到多组去噪特征信号。
5.根据权利要求2所述的海底电缆局部缺陷识别方法，其特征在于，所述基于正交I／Q相位解调算法，对每组去噪特征信号进行解调预处理，得到多组还原特征信号，包括如下步骤：
将每组去噪特征信号中的信号均进行混频操作，并通过低通滤波器消除高频分量，得到每组去噪特征信号中信号的零频分量；
基于零频分量得到每组去噪特征信号中信号的幅值信息和相位信息；
对相位信息进行解卷绕操作后得到解卷绕相位信息；
根据每组去噪特征信号中信号的幅值信息和解卷绕相位信息得到多组还原特征信号。
6.根据权利要求1所述的海底电缆局部缺陷识别方法，其特征在于，所述根据多个特征向量集对所述初始缺陷识别模型进行训练操作与验证操作，包括如下步骤：
按照第一预设百分比提取每个特征向量集中的特征向量，并输入至所述初始缺陷识别模型进行模型训练操作，得到待验证缺陷识别模型；
按照第二预设百分比提取每个特征向量集中的特征向量，并输入至所述待验证缺陷识别模型进行模型验证操作；
若所述待验证缺陷识别模型的缺陷识别准确率在第三预设百分比以下，则更新所述缺陷识别模型的预设设计值，并再次进行模型验证操作；
若所述待验证缺陷识别模型的缺陷识别准确率在第三预设百分比以上，则输出所述待验证缺陷识别模型进行模型。
7.一种海底电缆局部缺陷识别装置，其特征在于，包括：获取模块、预处理模块、初始模型构建模块、识别模型获取模块和缺陷识别模块，其中：
所述获取模块用于获取对应于不同海底电缆局部缺陷的多组特征信号；具体的，所述获取模块包括：第一设置单元、第一获取单元、第二获取单元和输出单元，其中：
所述第一设置单元用于预设第一梯度数量的放电量等级；
所述第一获取单元用于按照第一预设数量获取每个所述放电量等级下、大小相同且位置不同的多个预设缺陷对应的第一特征信号组；
所述第二获取单元用于按照第一预设数量获取每个所述放电量等级下、位置相同且大小不同的多个预设缺陷对应的第二特征信号组；
所述多个预设缺陷包括：气隙放电缺陷、表面放电缺陷及电晕放电缺陷；
所述输出单元用于输出所述第一特征信号组和所述第二特征信号组，得到多组特征信号；
所述预处理模块用于对每组特征信号进行预处理，得多组还原特征信号；
所述初始模型构建模块用于基于二维卷积神经网络和支持向量基分类器，构建初始缺陷识别模型；
所述识别模型获取模块用于根据多组还原特征信号对所述初始缺陷识别模型进行训练操作与验证操作，得到缺陷识别模型，具体为：
通过6层小波包分解，将每组还原特征信号中各信号的幅值信息分解为64个小波包对应的64个频段；
根据64个频段的归一化能量，提取64维能量图谱的第一特征向量；
根据1.5阶标准熵，提取64个频段的64维标准熵图谱的第二特征向量；
提取每组还原特征信号中各信号的幅值和相位信息，得到第三特征向量；
将每组还原特征信号中各信号对应的第一特征向量、第二特征向量和第三特征向量输出为特征向量集，得到多个特征向量集；
根据多个特征向量集对所述初始缺陷识别模型进行训练操作与验证操作；
所述陷识别模块用于根据所述缺陷识别模型对待识别海底电缆进行缺陷识别。
CN202310753362.7A 2023-06-26 2023-06-26 一种海底电缆局部缺陷识别方法及装置 Active CN116502051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310753362.7A CN116502051B (zh) 2023-06-26 2023-06-26 一种海底电缆局部缺陷识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310753362.7A CN116502051B (zh) 2023-06-26 2023-06-26 一种海底电缆局部缺陷识别方法及装置

Publications (2)

Publication Number Publication Date
CN116502051A CN116502051A (zh) 2023-07-28
CN116502051B true CN116502051B (zh) 2023-09-26

Family

ID=87328631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310753362.7A Active CN116502051B (zh) 2023-06-26 2023-06-26 一种海底电缆局部缺陷识别方法及装置

Country Status (1)

Country Link
CN (1) CN116502051B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117759608B (zh) * 2024-02-22 2024-05-17 青岛哈尔滨工程大学创新发展中心 一种潜器液压故障监测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443380A (zh) * 2016-09-26 2017-02-22 广东电网有限责任公司珠海供电局 一种配电电缆局部放电信号识别方法及装置
CN109085468A (zh) * 2018-07-27 2018-12-25 上海交通大学 一种电缆局部放电绝缘缺陷的识别方法
CN109102508A (zh) * 2018-08-31 2018-12-28 上海交通大学 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法
CN110717883A (zh) * 2019-07-19 2020-01-21 广东电网有限责任公司 一种基于红外图像的电缆部位自动识别方法
CN112147474A (zh) * 2020-10-30 2020-12-29 广东电网有限责任公司阳江供电局 Xlpe电力电缆典型缺陷局部放电类型识别系统及方法
CN113009290A (zh) * 2021-02-05 2021-06-22 江苏大学 一种特高压gis设备局部放电种类识别和定位方法及系统
CN113222036A (zh) * 2021-05-21 2021-08-06 广东电网有限责任公司 一种高压电缆接地系统的缺陷自动识别方法及装置
CN113673630A (zh) * 2021-09-15 2021-11-19 国网能源研究院有限公司 配电网故障分类方法、系统及装置
CN115859042A (zh) * 2021-09-22 2023-03-28 南京南瑞继保电气有限公司 一种电力电缆局部放电模式识别方法及装置
CN116243115A (zh) * 2022-12-05 2023-06-09 河南理工大学 基于时序拓扑数据分析的高压电缆模式识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2780448A1 (es) * 2019-02-22 2020-08-25 Ormazabal Corp Technology Aie Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443380A (zh) * 2016-09-26 2017-02-22 广东电网有限责任公司珠海供电局 一种配电电缆局部放电信号识别方法及装置
CN109085468A (zh) * 2018-07-27 2018-12-25 上海交通大学 一种电缆局部放电绝缘缺陷的识别方法
CN109102508A (zh) * 2018-08-31 2018-12-28 上海交通大学 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法
CN110717883A (zh) * 2019-07-19 2020-01-21 广东电网有限责任公司 一种基于红外图像的电缆部位自动识别方法
CN112147474A (zh) * 2020-10-30 2020-12-29 广东电网有限责任公司阳江供电局 Xlpe电力电缆典型缺陷局部放电类型识别系统及方法
CN113009290A (zh) * 2021-02-05 2021-06-22 江苏大学 一种特高压gis设备局部放电种类识别和定位方法及系统
CN113222036A (zh) * 2021-05-21 2021-08-06 广东电网有限责任公司 一种高压电缆接地系统的缺陷自动识别方法及装置
CN113673630A (zh) * 2021-09-15 2021-11-19 国网能源研究院有限公司 配电网故障分类方法、系统及装置
CN115859042A (zh) * 2021-09-22 2023-03-28 南京南瑞继保电气有限公司 一种电力电缆局部放电模式识别方法及装置
CN116243115A (zh) * 2022-12-05 2023-06-09 河南理工大学 基于时序拓扑数据分析的高压电缆模式识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
奇异值分解在电缆局部放电信号模式识别中的应用;牛海清;吴炬卓;郭少锋;;华南理工大学学报(自然科学版)(第01期);1-10 *

Also Published As

Publication number Publication date
CN116502051A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Chen et al. Fault diagnosis method based on integration of RSSD and wavelet transform to rolling bearing
CN107451557B (zh) 基于经验小波变换与局部能量的输电线路短路故障诊断方法
Perunicic et al. Power quality disturbance detection and classification using wavelets and artificial neural networks
CN103968933B (zh) 基于模糊域特征的光纤振动信号识别方法
Song et al. Second generation wavelet transform for data denoising in PD measurement
CN116502051B (zh) 一种海底电缆局部缺陷识别方法及装置
CN106556781A (zh) 基于深度学习的局部放电缺陷图像诊断方法及系统
CN103675617A (zh) 一种用于高频局部放电信号检测的抗干扰方法
Chen et al. Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction
Jiang et al. Non-dominated solution set based on time–frequency infograms for local damage detection of rotating machines
CN112462193B (zh) 一种基于实时故障滤波数据的配电网自动重合闸判断方法
CN111723684A (zh) 一种海上风电场内部暂态过电压类型的识别方法
CN115586406A (zh) 一种基于特高频信号的gis局部放电故障诊断方法及系统
CN113671037B (zh) 一种支柱绝缘子振动声学信号处理方法
Chaudhuri et al. Denoising of partial discharge signal using a hybrid framework of total variation denoising-autoencoder
CN112801033A (zh) 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法
CN115308538B (zh) 基于yolov5的配电网故障定位方法、系统、终端及存储介质
CN110160778A (zh) 基于序贯假设检验的齿轮箱故障状态识别方法
Hambaba et al. Multiresolution error detection on early fatigue cracks in gears
Ashtiani et al. On-line decision tree-based insulation assessment employing mathematical morphology filters for HV cables
CN112975574B (zh) 一种铝合金薄壁件铣削过程表面质量在线检测系统
CN113095170B (zh) 一种基于可调q小波电机故障诊断方法
CN104730384A (zh) 基于不完全s变换的电能扰动识别与定位方法
Douar et al. Creeping discharges features propagating in air at atmospheric pressure on various materials under positive lightning impulse voltage–part 1: noise suppression using the discrete wavelet transform approach
Lewin et al. A feature based method for partial discharge source classification

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