CN116540028A - 电缆故障的智能定位方法及系统 - Google Patents
电缆故障的智能定位方法及系统 Download PDFInfo
- Publication number
- CN116540028A CN116540028A CN202310680185.4A CN202310680185A CN116540028A CN 116540028 A CN116540028 A CN 116540028A CN 202310680185 A CN202310680185 A CN 202310680185A CN 116540028 A CN116540028 A CN 116540028A
- Authority
- CN
- China
- Prior art keywords
- signal
- comparison result
- fault
- characteristic
- comparison
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明提供了电缆故障的智能定位方法及系统,涉及数据处理技术领域,对第一目标区域的电缆进行探测,得到第一反射波形信号并进行异常识别,截取异常波形信号并识别第一信号特征,输入第一信号特征比对模型进行比对获取第一特征比对结果;截取第一相邻波形信号和第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果,结合所述第一特征比对结果,获取第一故障定位结果,解决了现有技术中对于电缆故障的定位方式过于依赖设备状态,导致故障定位精准度不足,存在探测偏差风险的技术问题,通过对探测反馈信号进行分段,分别进行针对性独立分析,针对分析结果进行重叠校对以校验,可有效提高故障探测定位的准确度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及电缆故障的智能定位方法及系统。
背景技术
电缆作为电能的传输媒介,其运行状态是维系配电网稳定运行的基本依托,由于电缆深埋于地下,针对发生的电缆故障,难以及时精准进行故障的定位检测。
目前,主要通过仪器探测的方法进行电缆故障定位,过于依赖设备状态,导致故障定位精准度不足,存在探测偏差风险。
发明内容
本申请提供了电缆故障的智能定位方法及系统,用于针对解决现有技术中存在的对于电缆故障的定位方式过于依赖设备状态,导致故障定位精准度不足,存在探测偏差风险的技术问题。
鉴于上述问题,本申请提供了电缆故障的智能定位方法及系统。
第一方面,本申请提供了电缆故障的智能定位方法,所述方法包括:
通过对第一目标区域的电缆进行探测,得到第一反射波形信号;
对所述第一反射波形信号进行异常识别,并截取异常波形信号和第一相邻波形信号和第二相邻波形信号,其中,所述第一相邻波形信号为所述异常波形信号所处异常回路的左波形信号,所述第二相邻波形信号为所述异常波形信号所处回路的右波形信号;
对所述异常波形信号进行信号特征识别,输出第一信号特征;
将所述第一信号特征输入第一信号特征比对模型进行比对,输出第一特征比对结果;
将所述第一相邻波形信号和所述第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果;
按照所述第一特征比对结果和所述第二特征比对结果,获取第一故障定位结果。
第二方面,本申请提供了电缆故障的智能定位系统,所述系统包括:
信号探测模块,所述信号探测模块用于通过对第一目标区域的电缆进行探测,得到第一反射波形信号;
信号截取模块,所述信号截取模块用于对所述第一反射波形信号进行异常识别,并截取异常波形信号和第一相邻波形信号和第二相邻波形信号,其中,所述第一相邻波形信号为所述异常波形信号所处异常回路的左波形信号,所述第二相邻波形信号为所述异常波形信号所处回路的右波形信号;
特征识别模块,所述特征识别模块用于对所述异常波形信号进行信号特征识别,输出第一信号特征;
第一特征比对结果获取模块,所述第一特征比对结果获取模块用于将所述第一信号特征输入第一信号特征比对模型进行比对,输出第一特征比对结果;
第二特征比对结果获取模块,所述第二特征比对结果获取模块用于将所述第一相邻波形信号和所述第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果;
故障定位模块,所述故障定位模块用于按照所述第一特征比对结果和所述第二特征比对结果,获取第一故障定位结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的电缆故障的智能定位方法,通过对第一目标区域的电缆进行探测,得到第一反射波形信号并进行异常识别,截取异常波形信号和第一相邻波形信号和第二相邻波形信号,所述第一相邻波形信号为所述异常波形信号所处异常回路的左波形信号,所述第二相邻波形信号为所述异常波形信号所处回路的右波形信号;对所述异常波形信号进行信号特征识别,输出第一信号特征,输入第一信号特征比对模型进行比对获取第一特征比对结果;将所述第一相邻波形信号和所述第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果,结合所述第一特征比对结果,获取第一故障定位结果,解决了现有技术中存在的对于电缆故障的定位方式过于依赖设备状态,导致故障定位精准度不足,存在探测偏差风险的技术问题,通过对探测反馈信号进行分段,分别进行针对性独立分析,针对分析结果进行重叠校对以校验,可有效提高故障探测定位的准确度。
附图说明
图1为本申请提供了电缆故障的智能定位方法流程示意图;
图2为本申请提供了电缆故障的智能定位方法中第二特征比对结果获取流程示意图;
图3为本申请提供了电缆故障的智能定位方法中第一故障定位结果获取流程示意图;
图4为本申请提供了电缆故障的智能定位系统结构示意图。
附图标记说明:信号探测模块11,信号截取模块12,特征识别模块13,第一特征比对结果获取模块14,第二特征比对结果获取模块15,故障定位模块16。
具体实施方式
本申请通过提供电缆故障的智能定位方法及系统,通过对第一目标区域的电缆进行探测,得到第一反射波形信号并进行异常识别,截取异常波形信号进行信号特征识别,获取第一信号特征,输入第一信号特征比对模型进行比对获取第一特征比对结果;截取第一相邻波形信号和第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果,结合所述第一特征比对结果,获取第一故障定位结果,用于解决现有技术中存在的对于电缆故障的定位方式过于依赖设备状态,导致故障定位精准度不足,存在探测偏差风险的技术问题。
实施例一
如图1所示,本申请提供了电缆故障的智能定位方法,所述方法包括:
步骤S100:通过对第一目标区域的电缆进行探测,得到第一反射波形信号;
具体而言,电缆作为电能的传输媒介,其运行状态是维系配电网稳定运行的基本依托,由于电缆深埋于地下,针对发生的电缆故障,难以及时精准进行故障的定位检测。本申请提供的电缆故障的智能定位方法,基于信号探伤的方式,接收反馈信号并进行波形分段,分别进行特征识别比对,完成电缆故障的精准定位。具体的,所述第一目标区域为电缆待进行故障检测的区域,发射探测信号对所述第一目标区域的电缆进行探测,所述探测信号可以是超声波信号、电磁波信号等存在反馈的探伤信号,将所述第一目标区域的电缆作为传输物理介质,所述探测信号的信号波在所述第一目标区域中进行传输移动,对反馈信号进行接收,作为所述第一反射波形信号,所述第一反射波形信号为进行故障定位分析的采集信号源。
步骤S200:对所述第一反射波形信号进行异常识别,并截取异常波形信号和第一相邻波形信号和第二相邻波形信号,其中,所述第一相邻波形信号为所述异常波形信号所处异常回路的左波形信号,所述第二相邻波形信号为所述异常波形信号所处回路的右波形信号;
步骤S300:对所述异常波形信号进行信号特征识别,输出第一信号特征;
具体而言,对所述第一反射波形信号进行异常识别,截取所述异常波形信号,所述异常波形信号为主要异常中心,将其作为信号中段,并基于各异常波形信号的持续区段,分别进行邻域波形信号截取。识别所述异常波形信号所处异常回路的左波形信号,即所述异常波形信号的前段信号,将其作为波形异常预兆,截取并作为所述第一相邻波形信号;同理,识别所述异常比兴信号所处回路的右波形信号,即所述异常波形信号的后段信号,将其作为波形异常后继,截取并作为所述第二相邻波形信号。进一步的,对所述异常波形信号进行特征识别,包括波形、波幅、脉冲、相位等表征信号状态的指标,识别提取对应的特征值,并进行特征映射规整,作为所述第一信号特征,所述第一信号特征用于进行故障类型分析。
步骤S400:将所述第一信号特征输入第一信号特征比对模型进行比对,输出第一特征比对结果;
步骤S500:将所述第一相邻波形信号和所述第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果;
步骤S600:按照所述第一特征比对结果和所述第二特征比对结果,获取第一故障定位结果。
具体而言,所述第一信号特征比对模型适用于异常波形信号,内嵌有第一信号特征比对库,将所述第一信号特征输入所述第一信号特征比对模型中,进行匹配分析确定故障类型,作为所述第一特征比对结果。所述第二信号特征比对模型包括第一邻域比对子模型与第二邻域比对子模型,分别适用于所述第一相邻波形信号与所述第二相邻波形信号,将所述第一相邻波形信号输入所述第一邻域比对子模型,输出第一邻域比对结果;将所述第二相邻波形信号输入所述第二邻域比对子模型中,输出第二邻域比对结果,校对所述第一邻域比对结果与所述第二邻域比对结果,识别提取重叠特征作为所述第二特征比对结果。
进一步的,确定所述第一特征比对结果与所述第二特征比对结果的响应失误率分析,将其作为识别权重进行故障类型重叠识别,确定重叠故障类型并于所述第一目标区域的电缆中进行定位,获取故障类型与故障位置作为所述第一故障定位结果,通过进行波形信号分段,单独分析并进行重叠识别,完成故障类型的独立识别与校验,最大化保障所述第一故障定位结果的准确度。
进一步而言,本申请步骤S400还包括:
步骤S410-1:获取所述第一目标区域的历史故障样本数据集;
步骤S420-1:根据所述历史故障样本数据集进行故障类型划分,得到m个故障类型,当所述m个故障类型中各个故障类型对应的样本数据量满足预设样本数据量,对该故障类型进行标识,输出标识故障类型;
步骤S430-1:以所述标识故障类型进行样本特征提取,输出标识故障类型的样本特征集合;
步骤S440-1:以所述样本特征集合,搭建信号特征比对库;
其中,所述信号特征比对库包括第一信号特征比对库和第二信号特征比对库,所述第一信号特征比对库嵌于所述第一信号特征比对模型,所述第二信号特征比对库嵌于所述第二信号特征比对模型。
进一步而言,本申请步骤S410-1还包括:
步骤S411-1:获取所述历史故障样本数据集,所述历史故障样本数据集包括历史故障信号、以及所述历史故障信号所处异常回路的相邻波形信号;
其中,所述相邻波形信号包括所述异常回路对应的左邻域信号和右邻域信号,且所述相邻波形信号与所述历史故障信号具有时序对应性。
具体而言,基于所述预定时间区间,即接壤于当前时刻点的时间段,对所述第一目标区域进行历史故障探伤信息的采集,包括探测的所述历史故障信号与所述历史故障信号所处异常回路的相邻波形信号,所述相邻波形信号包括左邻域信号与右邻域信号,对采集的所述历史故障信号与左邻域信号、右邻域信号进行映射对应与时序整合,作为所述历史故障样本数据集。进一步的,对所述历史故障样本数据集进行故障类型划分,示例性的,对所述历史故障样本数据集进行聚类处理,确定多个聚类结果,各聚类结果分别对应一种故障类型,获取所述m个故障类型。获取所述预设样本数据量,即基于专家经验自定义设定的用于进行故障类型筛选的临界数据量,对划分的多个聚类结果进行类内数据量统计,进而与所述预设样本数据量进行校对,提取类内数据量大于等于所述预设样本数据量的聚类结果,匹配识别对应的故障类型并进行标识,作为所述标识故障类型,通过基于所述预设样本数据量进行故障类型筛选,筛除偶然性事件,保障确定的标识故障类型的代表性。
进一步的,基于所述标识故障类型,根据各标识故障类型对应的历史故障样本数据集,分别进行样本特征提取。具体的,针对各标识故障类型对应的历史故障样本数据集,基于历史故障信号进行特征提取,包括基于波形、波幅、脉冲、相位等的特征值,获取特征提取结果,所述特征提取结果与所述m个故障类型一一对应,对两者进行映射关联与集成,生成所述第一信号特征比对库;同理,针对各标识故障类型对应的所述历史故障信号所处回路的左邻域信号和右邻域信号,分别进行特征提取与映射关联,获取m组左邻域特征提取结果与m组右邻域特征提取结果,分别与所述m个故障类型进行对应关联,获取左邻域特征比对库与右邻域特征比对库,作为所述第二信号特征比对库。将所述第一信号特征比对库与所述第二信号特征比对库作为所述信号特征比对库,分别内嵌于对应的所述第一信号特征比对模型与所述第二信号特征比对模型中,用于进行探测特征的匹配与故障类型归属。
进一步而言,将所述第一信号特征输入第一信号特征比对模型进行比对,输出第一特征比对结果,本申请步骤S400还包括:
步骤S410-2:搭建第一信号特征比对模型,其中,所述第一信号特征比对模型通过对所述历史故障信号,所述历史故障信号对应样本特征集合,以及标识故障类型的标识信息进行训练获得;
步骤S420-2:将所述第一信号特征输入所述第一信号特征比对模型进行信号特征相似性比对,输出所述第一特征比对结果,其中,所述第一特征比对结果包括匹配故障类型,所述匹配故障类型为信号特征相似性达到预设相似性指数对应的故障类型。
具体而言,搭建所述第一信号特征比对模型的架构,将所述第一信号特征比对库嵌入其中,对所述历史故障信号、所述历史故障信号对应的样本特征集合与所述标识故障类型的标识信息进行映射关联,作为训练数据,基于所述训练数据进行神将网络监督训练,生成所述第一信号特征比对模型,基于所述第一信号特征比对模型进行输入特征比对分析,可有效提高分析效率,保障分析结果精准度。进一步将所述第一信号特征输入所述第一信号特征比对模型中,与所示第一信号特征比对库进行特征相似度比对,确定多个特征相似性。并设定所述预设相似性指数,即进行故障类型归属的临界相似度数据,例如相似性95%,基于所述预设相似性指数,对所述多个特征相似性进行筛选,提取满足所述预设相似性指数的一组或多组比对特征,将其对应的故障类型确定为所述第一信号特征的故障类型,作为所述第一特征比对结果并进行模型输出。
进一步而言,将所述第一相邻波形信号和所述第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果,本申请步骤S500还包括:
步骤S510:搭建第二信号特征比对模型,所述第二信号特征比对模型包括第一邻域比对子模型和第二邻域比对子模型;
其中,所述第一邻域比对子模型通过对所述左邻域信号,所述左邻域信号对应样本特征集合,以及标识故障类型的标识信息进行训练获得,所述第二邻域比对子模型通过对所述右邻域信号,所述右邻域信号对应样本特征集合,以及标识故障类型的标识信息进行训练获得;
步骤S520:将所述第一相邻波形信号输入所述第一邻域比对子模型,将所述第二相邻波形信号输入所述第二邻域比对子模型中,获取第一邻域比对结果和第二邻域比对结果;
步骤S530:根据所述第一邻域比对结果和所述第二邻域比对结果,输出所述第二特征比对结果。
进一步而言,如图2所示,根据所述第一邻域比对结果和所述第二邻域比对结果,输出所述第二特征比对结果,本申请步骤S530还包括:
步骤S531:获取所述第一邻域比对结果,其中,所述第一邻域比对结果为左邻域信号特征相似性达到预设相似性指数对应的匹配故障类型;
步骤S532:获取所述第二邻域比对结果,其中,所述第二邻域比对结果为右邻域信号特征相似性达到预设相似性指数对应的匹配故障类型;
步骤S533:将所述第一邻域比对结果对应的匹配故障类型与所述第二邻域比对结果对应的匹配故障类型进行重叠识别,输出重叠故障类型;
步骤S534:将所述重叠故障类型作为所述第二特征比对结果进行输出。
具体而言,搭建所述第一邻域比对子模型的架构,并嵌入左邻域特征比对库,对所述左邻域信号、所述左邻域信号对应样本特征集合,以及标识故障类型的标识信息进行映射关联,作为训练数据,通过进行神经网络训练,获取搭建完成的所述第一邻域比对子模型;同理,对所述右邻域信号,所述右邻域信号对应样本特征集合,以及标识故障类型的标识信息进行映射关联,通过进行神经网络训练生成所述第二邻域比对子模型,其中,所述第一信号特征比对模型、所述第一邻域比对子模型与所述第二邻域比对子模型的构建方式相同,具体构建数据不同。集成所述第一邻域比对子模型与所述第二邻域比对子模型进行并行布设,生成所述第二信号特征比对模型。
进一步的,将所述第一相邻波形信号特征输入所述第二信号特征比对模型内的所述第一邻域比对子模型,通过与左邻域特征比对库进行特征比对,确定多个特征相似性,将所述预设相似性指数作为筛选标准,提取所述多个相似性指数中大于等于所述预设相似性指数者,将对应的故障类型作为所述第一邻域比对结果;同理,将所述第二波形信号特征输入所述第二信号特征比对模型内的所述第二邻域比对子模型,通过与所述右邻域特征比对库进行特征比对,确定多个特征相似性,并基于所述预设相似性指数进行筛选,确定筛选结果对应的故障类型,作为所述第二邻域比对结果。
进一步的,对所述第一邻域比对结果对应的匹配故障类型与所述第二邻域比对结果对应的匹配故障类型进行重叠识别,对重叠故障进行提取与集成规整,作为所述重叠故障类型,通过进行异常波形信号的信号前段与后继的单独分析与结果综合判定,可有效调高故障类型的分析准确率,将所述重叠故障类型作为所述第二特征比对结果。
进一步而言,如图3所示,按照所述第一特征比对结果和所述第二特征比对结果,获取第一故障定位结果,本申请步骤S600还包括:
步骤S610:获取所述第一特征比对结果对应的第一响应失误概率;
步骤S620:获取所述第二特征比对结果对应的第二响应失误概率;
步骤S630:按照所述第一响应失误概率与所述第二响应失误概率为识别权重对所述第一特征比对结果和所述第二特征比对结果进行故障类型重叠识别,获取第一重叠故障类型;
步骤S640:根据所述第一重叠故障类型对所述电缆进行故障定位,输出所述第一故障定位结果。
具体而言,进行特征比对结果的响应失误率分析,以此为基准进行存在故障类型的重叠比对,以精准进行电缆故障类型的定位。获取所述第一特征比对结果对应的所述第一响应失误概率,示例性的,调用历史时间段内的第一样本特征比对结果集合,识别其中的异常判定特征类型对应的样本特征比对结果并统计异常数量,与所述第一样本特征比对结果集合的总数量进行比值计算,将计算结果作为所述第一响应失误概率,即衡量所述第一特征比对结果误差率的指标;同理,获取所述第二特征比对结果对应的所述第二响应失误概率,所述第一响应失误概率与所述第二响应失误概率的获取方式相同,对应的评估数据不同。
进一步的,基于所述第一响应失误概率与所述第二响应失误概率进行识别权重配置,具体配置权重值与响应失误概率呈负相关,配置的分布权重值之和为1。基于配置的分布权重值,对所述第一特征比对结果与所述第二特征比对结果进行赋权与重叠识别,即识别完全重叠故障类型与根据权重识别未完全重叠故障类型,作为所述第一重叠故障类型,即确定的所述第一目标区域的电缆的存在故障类型。于所述第一目标区域的电缆中,确定所述第一重叠故障类型的位置,将故障类型-故障位置组作为所述第一故障定位结果。
实施例二
基于与前述实施例中电缆故障的智能定位方法相同的发明构思,如图4所示,本申请提供了电缆故障的智能定位系统,所述系统包括:
信号探测模块11,所述信号探测模块11用于通过对第一目标区域的电缆进行探测,得到第一反射波形信号;
信号截取模块12,所述信号截取模块12用于对所述第一反射波形信号进行异常识别,并截取异常波形信号和第一相邻波形信号和第二相邻波形信号,其中,所述第一相邻波形信号为所述异常波形信号所处异常回路的左波形信号,所述第二相邻波形信号为所述异常波形信号所处回路的右波形信号;
特征识别模块13,所述特征识别模块13用于对所述异常波形信号进行信号特征识别,输出第一信号特征;
第一特征比对结果获取模块14,所述第一特征比对结果获取模块14用于将所述第一信号特征输入第一信号特征比对模型进行比对,输出第一特征比对结果;
第二特征比对结果获取模块15,所述第二特征比对结果获取模块15用于将所述第一相邻波形信号和所述第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果;
故障定位模块16,所述故障定位模块16用于按照所述第一特征比对结果和所述第二特征比对结果,获取第一故障定位结果。
进一步而言,所述系统还包括:
样本获取模块,所述样本获取模块用于获取所述第一目标区域的历史故障样本数据集;
故障类型划分标识模块,所述故障类型划分标识模块用于根据所述历史故障样本数据集进行故障类型划分,得到m个故障类型,当所述m个故障类型中各个故障类型对应的样本数据量满足预设样本数据量,对该故障类型进行标识,输出标识故障类型;
样本特征提取模块,所述样本特征提取模块用于以所述标识故障类型进行样本特征提取,输出标识故障类型的样本特征集合;
特征比对库搭建模块,所述特征比对库搭建模块用于以所述样本特征集合,搭建信号特征比对库;
其中,所述信号特征比对库包括第一信号特征比对库和第二信号特征比对库,所述第一信号特征比对库嵌于所述第一信号特征比对模型,所述第二信号特征比对库嵌于所述第二信号特征比对模型。
进一步而言,所述系统还包括:
样本数据获取模块,所述样本数据获取模块用于获取所述历史故障样本数据集,所述历史故障样本数据集包括历史故障信号、以及所述历史故障信号所处异常回路的相邻波形信号;
其中,所述相邻波形信号包括所述异常回路对应的左邻域信号和右邻域信号,且所述相邻波形信号与所述历史故障信号具有时序对应性。
进一步而言,所述系统还包括:
第一信号特征比对模型搭建模块,所述第一信号特征比对模型搭建模块用于搭建第一信号特征比对模型,其中,所述第一信号特征比对模型通过对所述历史故障信号,所述历史故障信号对应样本特征集合,以及标识故障类型的标识信息进行训练获得;
第一特征比对结果获取模块,所述第一特征比对结果获取模块用于将所述第一信号特征输入所述第一信号特征比对模型进行信号特征相似性比对,输出所述第一特征比对结果,其中,所述第一特征比对结果包括匹配故障类型,所述匹配故障类型为信号特征相似性达到预设相似性指数对应的故障类型。
进一步而言,所述系统还包括:
第二信号特征比对模型搭建模块,所述第二信号特征比对模型搭建模块用于搭建第二信号特征比对模型,所述第二信号特征比对模型包括第一邻域比对子模型和第二邻域比对子模型;
其中,所述第一邻域比对子模型通过对所述左邻域信号,所述左邻域信号对应样本特征集合,以及标识故障类型的标识信息进行训练获得,所述第二邻域比对子模型通过对所述右邻域信号,所述右邻域信号对应样本特征集合,以及标识故障类型的标识信息进行训练获得;
邻域比对结果获取模块,所述邻域比对结果获取模块用于将所述第一相邻波形信号输入所述第一邻域比对子模型,将所述第二相邻波形信号输入所述第二邻域比对子模型中,获取第一邻域比对结果和第二邻域比对结果;
第二特征比对结果获取模块,所述第二特征比对结果获取模块用于根据所述第一邻域比对结果和所述第二邻域比对结果,输出所述第二特征比对结果。
进一步而言,所述系统还包括:
第一邻域比对结果获取模块,所述第一邻域比对结果获取模块用于获取所述第一邻域比对结果,其中,所述第一邻域比对结果为左邻域信号特征相似性达到预设相似性指数对应的匹配故障类型;
第二邻域比对结果获取模块,所述第二邻域比对结果获取模块用于获取所述第二邻域比对结果,其中,所述第二邻域比对结果为右邻域信号特征相似性达到预设相似性指数对应的匹配故障类型;
重叠识别模块,所述重叠识别模块用于将所述第一邻域比对结果对应的匹配故障类型与所述第二邻域比对结果对应的匹配故障类型进行重叠识别,输出重叠故障类型;
结果输出模块,所述结果输出模块用于将所述重叠故障类型作为所述第二特征比对结果进行输出。
进一步而言,所述系统还包括:
第一响应失误概率获取模块,所述第一响应失误概率获取模块用于获取所述第一特征比对结果对应的第一响应失误概率;
第二响应失误概率获取模块,所述第二响应失误概率获取模块用于获取所述第二特征比对结果对应的第二响应失误概率;
重叠故障类型获取模块,所述重叠故障类型获取模块用于按照所述第一响应失误概率与所述第二响应失误概率为识别权重对所述第一特征比对结果和所述第二特征比对结果进行故障类型重叠识别,获取第一重叠故障类型;
故障定位结果输出模块,所述故障定位结果输出模块用于根据所述第一重叠故障类型对所述电缆进行故障定位,输出所述第一故障定位结果。
本说明书通过前述对电缆故障的智能定位方法的详细描述,本领域技术人员可以清楚的知道本实施例中电缆故障的智能定位方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.电缆故障的智能定位方法,其特征在于,所述方法包括:
通过对第一目标区域的电缆进行探测,得到第一反射波形信号;
对所述第一反射波形信号进行异常识别,并截取异常波形信号和第一相邻波形信号和第二相邻波形信号,其中,所述第一相邻波形信号为所述异常波形信号所处异常回路的左波形信号,所述第二相邻波形信号为所述异常波形信号所处回路的右波形信号;
对所述异常波形信号进行信号特征识别,输出第一信号特征;
将所述第一信号特征输入第一信号特征比对模型进行比对,输出第一特征比对结果;
将所述第一相邻波形信号和所述第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果;
按照所述第一特征比对结果和所述第二特征比对结果,获取第一故障定位结果。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述第一目标区域的历史故障样本数据集;
根据所述历史故障样本数据集进行故障类型划分,得到m个故障类型,当所述m个故障类型中各个故障类型对应的样本数据量满足预设样本数据量,对该故障类型进行标识,输出标识故障类型;
以所述标识故障类型进行样本特征提取,输出标识故障类型的样本特征集合;
以所述样本特征集合,搭建信号特征比对库;
其中,所述信号特征比对库包括第一信号特征比对库和第二信号特征比对库,所述第一信号特征比对库嵌于所述第一信号特征比对模型,所述第二信号特征比对库嵌于所述第二信号特征比对模型。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述历史故障样本数据集,所述历史故障样本数据集包括历史故障信号、以及所述历史故障信号所处异常回路的相邻波形信号;
其中,所述相邻波形信号包括所述异常回路对应的左邻域信号和右邻域信号,且所述相邻波形信号与所述历史故障信号具有时序对应性。
4.如权利要求3所述的方法,其特征在于,将所述第一信号特征输入第一信号特征比对模型进行比对,输出第一特征比对结果,方法包括:
搭建第一信号特征比对模型,其中,所述第一信号特征比对模型通过对所述历史故障信号,所述历史故障信号对应样本特征集合,以及标识故障类型的标识信息进行训练获得;
将所述第一信号特征输入所述第一信号特征比对模型进行信号特征相似性比对,输出所述第一特征比对结果,其中,所述第一特征比对结果包括匹配故障类型,所述匹配故障类型为信号特征相似性达到预设相似性指数对应的故障类型。
5.如权利要求3所述的方法,其特征在于,将所述第一相邻波形信号和所述第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果,方法包括:
搭建第二信号特征比对模型,所述第二信号特征比对模型包括第一邻域比对子模型和第二邻域比对子模型;
其中,所述第一邻域比对子模型通过对所述左邻域信号,所述左邻域信号对应样本特征集合,以及标识故障类型的标识信息进行训练获得,所述第二邻域比对子模型通过对所述右邻域信号,所述右邻域信号对应样本特征集合,以及标识故障类型的标识信息进行训练获得;
将所述第一相邻波形信号输入所述第一邻域比对子模型,将所述第二相邻波形信号输入所述第二邻域比对子模型中,获取第一邻域比对结果和第二邻域比对结果;
根据所述第一邻域比对结果和所述第二邻域比对结果,输出所述第二特征比对结果。
6.如权利要求5所述的方法,其特征在于,根据所述第一邻域比对结果和所述第二邻域比对结果,输出所述第二特征比对结果,方法包括:
获取所述第一邻域比对结果,其中,所述第一邻域比对结果为左邻域信号特征相似性达到预设相似性指数对应的匹配故障类型;
获取所述第二邻域比对结果,其中,所述第二邻域比对结果为右邻域信号特征相似性达到预设相似性指数对应的匹配故障类型;
将所述第一邻域比对结果对应的匹配故障类型与所述第二邻域比对结果对应的匹配故障类型进行重叠识别,输出重叠故障类型;
将所述重叠故障类型作为所述第二特征比对结果进行输出。
7.如权利要求5所述的方法,其特征在于,按照所述第一特征比对结果和所述第二特征比对结果,获取第一故障定位结果,方法包括:
获取所述第一特征比对结果对应的第一响应失误概率;
获取所述第二特征比对结果对应的第二响应失误概率;
按照所述第一响应失误概率与所述第二响应失误概率为识别权重对所述第一特征比对结果和所述第二特征比对结果进行故障类型重叠识别,获取第一重叠故障类型;
根据所述第一重叠故障类型对所述电缆进行故障定位,输出所述第一故障定位结果。
8.电缆故障的智能定位系统,其特征在于,所述系统包括:
信号探测模块,所述信号探测模块用于通过对第一目标区域的电缆进行探测,得到第一反射波形信号;
信号截取模块,所述信号截取模块用于对所述第一反射波形信号进行异常识别,并截取异常波形信号和第一相邻波形信号和第二相邻波形信号,其中,所述第一相邻波形信号为所述异常波形信号所处异常回路的左波形信号,所述第二相邻波形信号为所述异常波形信号所处回路的右波形信号;
特征识别模块,所述特征识别模块用于对所述异常波形信号进行信号特征识别,输出第一信号特征;
第一特征比对结果获取模块,所述第一特征比对结果获取模块用于将所述第一信号特征输入第一信号特征比对模型进行比对,输出第一特征比对结果;
第二特征比对结果获取模块,所述第二特征比对结果获取模块用于将所述第一相邻波形信号和所述第二相邻波形信号输入第二信号特征比对模型进行比对,输出第二特征比对结果;
故障定位模块,所述故障定位模块用于按照所述第一特征比对结果和所述第二特征比对结果,获取第一故障定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680185.4A CN116540028B (zh) | 2023-06-09 | 2023-06-09 | 电缆故障的智能定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680185.4A CN116540028B (zh) | 2023-06-09 | 2023-06-09 | 电缆故障的智能定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116540028A true CN116540028A (zh) | 2023-08-04 |
CN116540028B CN116540028B (zh) | 2023-11-14 |
Family
ID=87457852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310680185.4A Active CN116540028B (zh) | 2023-06-09 | 2023-06-09 | 电缆故障的智能定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116540028B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6448781B1 (en) * | 2000-10-06 | 2002-09-10 | Northrop Grumman Corporation | Method and system for analyzing cable faults |
CN202093127U (zh) * | 2011-06-03 | 2011-12-28 | 西安福润德电子科技有限公司 | 用冲击振荡波原理检测电缆故障点及电缆路径走向的装置 |
CN109470987A (zh) * | 2018-09-30 | 2019-03-15 | 昆明理工大学 | 一种基于区段匹配算法t接输电线路单端行波测距方法 |
CN111785113A (zh) * | 2020-06-15 | 2020-10-16 | 广东电网有限责任公司 | 基于多维信息融合的智能电缆典型故障定位仿真培训系统 |
CN111856209A (zh) * | 2020-07-23 | 2020-10-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障分类方法及装置 |
CN113625112A (zh) * | 2021-08-11 | 2021-11-09 | 国网河北省电力有限公司保定供电分公司 | 电缆故障定位方法及定位仪 |
CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和系统 |
CN114217164A (zh) * | 2021-11-19 | 2022-03-22 | 山东大学 | 一种基于放电波形智能识别的电缆故障测距方法及系统 |
US20220170975A1 (en) * | 2020-11-27 | 2022-06-02 | Mitsubishi Electric Corporation | System and method for sensing fault symptom before occurrence of fault utilizing neural network model |
-
2023
- 2023-06-09 CN CN202310680185.4A patent/CN116540028B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6448781B1 (en) * | 2000-10-06 | 2002-09-10 | Northrop Grumman Corporation | Method and system for analyzing cable faults |
CN202093127U (zh) * | 2011-06-03 | 2011-12-28 | 西安福润德电子科技有限公司 | 用冲击振荡波原理检测电缆故障点及电缆路径走向的装置 |
CN109470987A (zh) * | 2018-09-30 | 2019-03-15 | 昆明理工大学 | 一种基于区段匹配算法t接输电线路单端行波测距方法 |
CN111785113A (zh) * | 2020-06-15 | 2020-10-16 | 广东电网有限责任公司 | 基于多维信息融合的智能电缆典型故障定位仿真培训系统 |
CN111856209A (zh) * | 2020-07-23 | 2020-10-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障分类方法及装置 |
US20220170975A1 (en) * | 2020-11-27 | 2022-06-02 | Mitsubishi Electric Corporation | System and method for sensing fault symptom before occurrence of fault utilizing neural network model |
CN113625112A (zh) * | 2021-08-11 | 2021-11-09 | 国网河北省电力有限公司保定供电分公司 | 电缆故障定位方法及定位仪 |
CN114217164A (zh) * | 2021-11-19 | 2022-03-22 | 山东大学 | 一种基于放电波形智能识别的电缆故障测距方法及系统 |
CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和系统 |
Non-Patent Citations (3)
Title |
---|
TOPON PAUL ET AL.: "Segmentation of Multi-State Compound Waveform and Extraction of Features for Anomaly Detection", 2020 19TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA), pages 503 - 510 * |
曹颖 等: "基于突变量波形互异性的故障定位新方法", 《电力科学与工程》, vol. 33, no. 3, pages 31 - 35 * |
钱峰 等: "高压电缆故障定位方法探析", 《软件》, vol. 41, no. 9, pages 162 - 164 * |
Also Published As
Publication number | Publication date |
---|---|
CN116540028B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829497B (zh) | 一种基于监督学习的台区用户识别及判别方法 | |
CN115938095B (zh) | 一种基于集成融合模型的山体滑坡监测预警方法及系统 | |
CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
CN108229553A (zh) | 一种otdr曲线数据分析方法 | |
CN105067101A (zh) | 振源识别的基于振动信号的基音频率特征的提取方法 | |
CN106023499A (zh) | 一种光纤安防信号双重识别方法及系统 | |
CN110619479A (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
CN116776279A (zh) | 多模态数据协同的输电线路闪爆预警异常目标检测方法 | |
CN102346948B (zh) | 一种周界入侵检测方法和系统 | |
CN116823172A (zh) | 基于模型优化的工程造价评估方法及系统 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN116540028B (zh) | 电缆故障的智能定位方法及系统 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN105222885A (zh) | 一种光纤振动检测方法及装置 | |
CN104964736A (zh) | 基于时频特性em分类的光纤入侵振源识别方法 | |
CN115809622B (zh) | 具有自动优化配置功能的芯片仿真加速系统 | |
CN115879616A (zh) | 一种基于输电线路微气象站监测数据的高危气象识别方法及装置 | |
CN117113259B (zh) | 用于安全隐患预测的煤矿状态数据处理方法及系统 | |
Pang et al. | Impact localization method for composite plate based on low sampling rate embedded fiber bragg grating sensors | |
CN116663875B (zh) | 一种基于大数据的智能化安装工程监测系统及方法 | |
CN117275512B (zh) | 一种基于声纹识别的开关柜状态在线监测方法及系统 | |
CN116559817B (zh) | 一种用于复杂电磁环境的雷达信号分选方法 | |
CN116405863B (zh) | 基于数据挖掘的舞台音响设备故障检测方法及系统 | |
CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 | |
CN117390548A (zh) | 基于多信息源证据融合判识地灾监测数据可靠性的方法 |
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 |