CN116629131A - 基于神经网络算法的电缆主绝缘故障定位方法及系统 - Google Patents
基于神经网络算法的电缆主绝缘故障定位方法及系统 Download PDFInfo
- Publication number
- CN116629131A CN116629131A CN202310631853.4A CN202310631853A CN116629131A CN 116629131 A CN116629131 A CN 116629131A CN 202310631853 A CN202310631853 A CN 202310631853A CN 116629131 A CN116629131 A CN 116629131A
- Authority
- CN
- China
- Prior art keywords
- cable
- fault
- neural network
- main insulation
- layer
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 118
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000010410 layer Substances 0.000 claims description 93
- 238000012549 training Methods 0.000 claims description 74
- 238000004088 simulation Methods 0.000 claims description 69
- 239000011241 protective layer Substances 0.000 claims description 18
- 239000002184 metal Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000002829 reductive effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000005674 electromagnetic induction Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 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
- 239000004020 conductor Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01R31/088—Aspects of digital computing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及电缆故障检测技术领域,公开了一种基于神经网络算法的电缆主绝缘故障定位方法及系统,其方法通过根据电缆结构构建电缆主绝缘故障仿真模型,通过修改电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集,通过训练样本集对BP神经网络进行训练,构建电缆主绝缘故障定位预测模型,通过电缆主绝缘故障定位预测模型对高压电缆主绝缘故障点的定位,实现了对故障进行快速且准确的定位,保障了供电可靠性的同时降低了对电缆造成极大危害。
Description
技术领域
本发明涉及电缆故障检测技术领域,尤其涉及一种基于神经网络算法的电缆主绝缘故障定位方法及系统。
背景技术
电力电缆由线芯导体,内半导电层,绝缘层,外半导电层,金属护层和护层绝缘构成。其中绝缘层可将线芯的高压与外部隔离,若绝缘层发生故障,将使电缆电力传输能力大幅度降低;同时若长期处于故障状态,绝缘层的绝缘特性将逐渐下降,缩短电缆的使用寿命。因此尽快的发现绝缘层故障位置,及时消除故障变得尤为重要。
当前电缆主绝缘故障定位方法大致可分为平衡桥法、行波法和声磁同步法。
其中,平衡电桥法是利用双臂电桥测出电缆芯线的直流电阻,根据电缆长度与直流电阻成正比关系,得到故障点的位置。该方法在短路点的接触电阻小于1Ω的故障定位上,误差通常在3m以内。当故障点接触电阻大于1Ω时,可以对电缆施加高压使故障点烧穿,直到接触电阻降至1Ω以内,再按此方法进行测量,可减小定位误差。但是,采用平衡电桥法进行主绝缘故障定位时,需对故障点进行击穿,使其阻值降低,直到可以通过电桥法进行测试,上述工作从准备到完成的过程需要花费很长的时间,不能快速的对故障进行定位检修,最终线路不能快速恢复正常运行。
行波法是在故障检测时,对三相电缆中其中一相的线芯施加低压脉冲信号,该脉冲信号沿着电缆线芯向前传播。当传播到故障点或电缆接头,由于该位置的阻抗与电缆线芯相比有明显差异,此时脉冲信号会反射,反射波会重新沿着电缆线芯传播回来,接收到反射波时记录下接收时间,根据信号波的接收时间与发射时间可以得到一个时间差。即信号波在这个时间内,在电缆首端发射位置与发生反射点之间传播了一个来回。根据这个时间差和脉冲传播速度可推算出该阻抗匹配点的位置。但是,行波法的依据是基于对与故障电流相关的瞬态波传播时间的分析。然而行波法的问题在于需要消除噪声、准确的识别波头,同时存在测试盲区,造成了行波法无法快速且准确的进行故障定位。
声磁同步法是通过高压脉冲将故障点击穿放电,会产生声音信号和磁场信号。根据电磁信号的传播速度和声音信号的传播速度不同,分别检测电磁信号和声音信号,记录下两者传播到地面的时间,可以得到一个时间差。随着距离故障点不断接近,时间差在不断减小,当时间差减小到最小时则该信号接收点为故障点的正上方。此方法的精度可以达到0.1米。但是,该声磁同步法为离线检测方法,故障发生后,需要在现场对全线电缆沿线测量,若故障点处于线路末端,则可能导致检测工作量大,检测时间长,不能快速的对故障进行定位检修,将使电缆长期处于故障状态,影响供电可靠性的同时将对电缆造成极大危害。
综上,当前电缆主绝缘故障定位方法难以对故障进行快速且准确的定位,导致影响供电可靠性的同时将对电缆造成极大危害。
发明内容
本发明提供了一种基于神经网络算法的电缆主绝缘故障定位方法及系统,解决了当前电缆主绝缘故障定位方法难以对故障进行快速且准确的定位,导致影响供电可靠性的同时将对电缆造成极大危害的技术问题。
有鉴于此,本发明第一方面提供了一种基于神经网络算法的电缆主绝缘故障定位方法,包括以下步骤:
根据电缆结构构建电缆主绝缘故障仿真模型,所述电缆结构由内至外依次包括导电线芯、主绝缘层和电缆保护层;
通过对所述电缆主绝缘故障仿真模型设置不同的电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集;
通过所述训练样本集对BP神经网络进行训练,以电缆护层环流值幅值为输入,其对应的故障位置为输出,构建电缆主绝缘故障定位预测模型;
将实时采集的电缆护层环流值幅值输入至所述电缆主绝缘故障定位预测模型进行训练,输出相应的预测故障位置。
优选地,通过对所述电缆主绝缘故障仿真模型设置不同的电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集的步骤,具体包括:
将所述电缆主绝缘故障仿真模型中多个预设的故障位置进行短接,构成单相接地故障;
通过设置不同的电缆线芯对金属护层的互感系数仿真模拟不同的电缆敷设方式;
通过对所述电缆主绝缘故障仿真模型设置电缆线芯的不同阻值仿真模拟不同的接地电阻;
通过在所述电缆主绝缘故障仿真模型中设置不同的电缆数量仿真模拟不同的回路电缆;
提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集。
优选地,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集的步骤,具体包括:
将电缆沿长度方向进行分段为多段电缆,在每段电缆两端均设置电流传感器,通过所述电流传感器采集在每个预设的故障位置下的电缆两端的电缆护层环流值,并计算电缆两端的电缆护层环流值幅值,记录其对应的故障位置、电缆敷设方式、故障类型、接地电阻和回路电缆,构建训练样本集。
优选地,本方法还包括:
通过在所述电缆主绝缘故障仿真模型中设置各段电缆间的间距和长度仿真模拟电缆不均匀敷设场景。
优选地,通过所述训练样本集对BP神经网络进行训练,以电缆护层环流值幅值为输入,其对应的故障位置为输出,构建电缆主绝缘故障定位预测模型的步骤,具体包括:
构建BP神经网络,所述BP神经网络为三层网络,分别为输入层、隐含层、输出层,设置BP神经网络的基本网络参数;
将所述训练样本集中的电缆护层环流值幅值为所述BP神经网络的输入,并给定权重值和偏置值,利用所述权重值和所述偏置值对所述BP神经网络进行训练,输出故障位置;
计算所述BP神经网络输出的故障位置与所述训练样本集中的故障位置之间的损失值,并判断所述损失值是否在预设损失范围内;
若判断所述损失值在预设损失范围内,则停止更新所述权重值和所述偏置值,并得到训练好的BP神经网络作为电缆主绝缘故障定位预测模型;
若判断所述损失值不在预设损失范围内,则在所述BP神经网络中对输出的电缆敷设方式、故障位置和故障类型进行反向传播,将输出通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号;
根据所述误差信号修正各层网络的权重值和偏置值,直到所述BP神经网络的测试数据误差最小或迭代次数达到预设最大次数为止,得到训练好的神经网络模型作为电缆主绝缘故障定位预测模型。
优选地,将实时采集的电缆护层环流值幅值输入至所述电缆主绝缘故障定位预测模型进行训练,输出相应的预测故障位置的步骤之后还包括:
根据所述预测故障位置在预设的报警数据台账中进行匹配得到相应的报警等级,并发出报警信息,其中,所述报警信息包括电缆护层环流值幅值、电缆敷设方式、故障位置、故障类型和报警等级,预设的报警数据台账包括所述预测故障位置与报警等级之间的映射关系。
第二方面,本发明提供的一种基于神经网络算法的电缆主绝缘故障定位系统,包括:
电缆仿真模块,用于根据电缆结构构建电缆主绝缘故障仿真模型,所述电缆结构由内至外依次包括导电线芯、主绝缘层和电缆保护层;
故障仿真模块,用于通过对所述电缆主绝缘故障仿真模型设置不同的电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集;
训练模块,用于通过所述训练样本集对BP神经网络进行训练,以电缆护层环流值幅值为输入,其对应的故障位置为输出,构建电缆主绝缘故障定位预测模型;
故障位置预测模块,用于将实时采集的电缆护层环流值幅值输入至所述电缆主绝缘故障定位预测模型进行训练,输出相应的预测故障位置。
优选地,所述故障仿真模块具体包括:
故障类型仿真模块,用于将所述电缆主绝缘故障仿真模型中多个预设的故障位置进行短接,构成单相接地故障;
敷设仿真模块,用于通过设置不同的电缆线芯对金属护层的互感系数仿真模拟不同的电缆敷设方式;
接地电阻仿真模块,用于通过对所述电缆主绝缘故障仿真模型设置电缆线芯的不同阻值仿真模拟不同的接地电阻;
回路仿真模块,用于通过在所述电缆主绝缘故障仿真模型中设置不同的电缆数量仿真模拟不同的回路电缆;
电流采集模块,用于提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集。
优选地,所述电流采集模块具体用于,将电缆沿长度方向进行分段为多段电缆,在每段电缆两端均设置电流传感器,通过所述电流传感器采集在每个预设的故障位置下的电缆两端的电缆护层环流值,并计算电缆两端的电缆护层环流值幅值,记录其对应的故障位置、电缆敷设方式、故障类型、接地电阻和回路电缆,构建训练样本集。
优选地,本系统还包括:
不均匀敷设仿真模块,用于通过在所述电缆主绝缘故障仿真模型中设置各段电缆间的间距和长度仿真模拟电缆不均匀敷设场景。
优选地,所述训练模块具体包括:
神经网络构建模块,用于构建BP神经网络,所述BP神经网络为三层网络,分别为输入层、隐含层、输出层,设置BP神经网络的基本网络参数;
样本训练模块,用于将所述训练样本集中的电缆护层环流值幅值为所述BP神经网络的输入,并给定权重值和偏置值,利用所述权重值和所述偏置值对所述BP神经网络进行训练,输出故障位置;
损失值模块,用于计算所述BP神经网络输出的故障位置与所述训练样本集中的故障位置之间的损失值,并判断所述损失值是否在预设损失范围内;
损失判断模块,用于若判断所述损失值在预设损失范围内,则停止更新所述权重值和所述偏置值,并得到训练好的BP神经网络作为电缆主绝缘故障定位预测模型;
反向传播模块,用于若判断所述损失值不在预设损失范围内,则在所述BP神经网络中对输出的电缆敷设方式、故障位置和故障类型进行反向传播,将输出通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号;
修正模块,用于根据所述误差信号修正各层网络的权重值和偏置值,直到所述BP神经网络的测试数据误差最小或迭代次数达到预设最大次数为止,得到训练好的神经网络模型作为电缆主绝缘故障定位预测模型。
优选地,本系统还包括:
报警模块,用于根据所述预测故障位置在预设的报警数据台账中进行匹配得到相应的报警等级,并发出报警信息,其中,所述报警信息包括电缆护层环流值幅值、电缆敷设方式、故障位置、故障类型和报警等级,预设的报警数据台账包括所述预测故障位置与报警等级之间的映射关系。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过根据电缆结构构建电缆主绝缘故障仿真模型,通过修改电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集,通过训练样本集对BP神经网络进行训练,构建电缆主绝缘故障定位预测模型,通过电缆主绝缘故障定位预测模型对高压电缆主绝缘故障点的定位,实现了对故障进行快速且准确的定位,保障了供电可靠性的同时降低了对电缆造成极大危害。
附图说明
图1为本发明实施例提供的一种基于神经网络算法的电缆主绝缘故障定位方法的流程图;
图2为本发明实施例提供的水平敷设方式对应的电缆回路示意图;
图3为本发明实施例提供的品字形敷设方式对应的电缆回路示意图;
图4为本发明实施例提供的一种基于神经网络算法的电缆主绝缘故障定位系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
为了便于理解,请参阅图1,本发明提供的一种基于神经网络算法的电缆主绝缘故障定位方法,包括以下步骤:
步骤101,根据电缆结构构建电缆主绝缘故障仿真模型,电缆结构由内至外依次包括导电线芯、主绝缘层和电缆保护层。
其中,电缆线芯主要起传递电能的作用,具有导电率高,线损低的特点。绝缘层的功能是将导线上的高压与外部隔离。保护层的主要功能是保护绝缘层免受敷设环境中的侵蚀和损坏,以保持电缆的电气性能。如电应力、热应力、机械应力以及环境应力(水、氧气、酸、碱、盐微生物以及高能射线等)引起的电缆绝缘老化。
步骤102,通过对电缆主绝缘故障仿真模型设置不同的电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集。
需要说明的是,在实际工程中,电缆运行环境较为复杂,电缆主绝缘的故障定位受电缆敷设方式、接地电阻、电缆不均匀敷设、电缆运行环境等多种因素的影响,因此无法直接通过测量电缆电流或者接地护层环流来判断电缆主绝缘故障位置,且在实际情况下难以获得大量的采集数据。
因此,本实施例通过在matlab软件中的simulink搭建电缆主绝缘故障仿真模型,通过不断改变电缆参数(模拟不同电缆敷设方式)、故障类型及故障位置,采集电缆两端电流传感器的电流值,并记录故障位置,即可获得大量训练数据。
同时,对于参数的选取,本实施例提取了电缆两端的电缆护层环流值幅值,其原因如下:
对于运行电缆,由于电磁感应原理及静电感应原理,可在电缆护层产生感应电压。其中,电磁感应原理是电缆线芯中流过的负荷电流会在电缆周围产生交变磁场,并在周围产生一个与金属护层相交链的磁通。变化的磁通使金属护层上产生感应电压。护层感应电压大小与电缆的长度、电缆芯线中流过的负荷电流大小等因素有关。静电感应原理是金属护层接地时,由于电力电缆芯线与护层间电容的存在,金属护层存在电容电流。电缆的护层电流是护层中流过的感应电流和电容电流之和。电容电流只受电缆运行电压和分段长度的影响。
模型搭建原理是电缆护层环流是由电磁感应和静电感应共同作用产生的,且电容电流与电缆运行电压和分段长度相关。当电缆发生故障时,主要是电缆芯线中流过的负荷电流发生变化,电缆的运行电压和电缆长度未发生变化,护层环流中电容电流不变且很小。因此,电磁感应激发的电流占护层环流的主要部分,仿真回路中可采用电流源模型来设定电缆线芯流过的负荷电流。
综上,环流波形可直接反映电缆运行状态,因此,本实施例选取电缆护层环流值作为输入参数,而对于正常运行的电缆,电缆护层环流值呈正弦波趋势变化;当电缆发生运行故障时,电缆护层环流值将发生明显的幅值变化,因此,选取电缆护层环流值的幅值作为模型的输入值。
步骤103,通过训练样本集对BP神经网络进行训练,以电缆护层环流值幅值为输入,其对应的故障位置为输出,构建电缆主绝缘故障定位预测模型。
其中,采用BP神经网络作为电缆故障定位的分类器,BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力,是一种十分成熟的分类器。BP神经网络分为输入层、隐含层和输出层共三层,在本方案中输入层共有4个神经元,对应输入的4种电缆参数;输出层共有7个神经元。
步骤104,将实时采集的电缆护层环流值幅值输入至电缆主绝缘故障定位预测模型进行训练,输出相应的预测故障位置。
需要说明的是,本发明通过根据电缆结构构建电缆主绝缘故障仿真模型,通过修改电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集,通过训练样本集对BP神经网络进行训练,构建电缆主绝缘故障定位预测模型,通过电缆主绝缘故障定位预测模型对高压电缆主绝缘故障点的定位,实现了对故障进行快速且准确的定位,保障了供电可靠性的同时降低了对电缆造成极大危害。
在一个具体实施例中,步骤102具体包括:
步骤1021,将电缆主绝缘故障仿真模型中多个预设的故障位置进行短接,构成单相接地故障。
其中,设定故障类型为单相接地故障,即线芯对护层短接。故障模拟的方式为通过在电缆主绝缘故障仿真模型中设置时控开关,并通过时控开关在预定时间内将电缆主绝缘故障仿真模型中多个预设的故障位置的导电线芯和电缆保护层进行短接,在预设的故障位置构成单相接地故障。
步骤1022,通过设置不同的电缆线芯对金属护层的互感系数仿真模拟不同的电缆敷设方式。
需要说明的是,对于双回线路,电缆敷设方式包括水平敷设方式和品字形敷设方式,水平敷设方式和品字形敷设方式分别对应的电缆回路示意图分别如图2和图3所示。
电缆敷设方式的不同,即各个电缆的相间距和回间间距不同,直接反映于电缆线芯对金属护层的互感系数。互感系数可表示为:
式中,i,j=1,2,3....n表示电缆编号,n表示电缆个数,Lii为电缆线芯与该相电缆护层之间的互感系数;Lij为电缆i线芯与其他电缆j护层之间的互感系数,Lji为电缆j线芯与其他电缆i护层之间的互感系数;Sij为三相电缆中心轴间距离,Ds为电缆线芯直径。
步骤1023,通过对电缆主绝缘故障仿真模型设置电缆线芯的不同阻值仿真模拟不同的接地电阻。
步骤1024,通过在电缆主绝缘故障仿真模型中设置不同的电缆数量仿真模拟不同的回路电缆。
需要说明的是,通过增加线路数模拟多回路电缆模型;不同回路电缆的主要区别在于电缆线芯对金属护层的互感系数,因为增减电缆回路数,需对个电缆之间的互感系数进行修正,其中,回路电缆包括单回路电缆和多回路电缆。
步骤1025,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集。
在本实施例中,具体为,将电缆沿长度方向进行分段为多段电缆,在每段电缆两端均设置电流传感器,通过电流传感器采集在每个预设的故障位置下的电缆两端的电缆护层环流值,并计算电缆两端的电缆护层环流值幅值,记录其对应的故障位置、电缆敷设方式、故障类型、接地电阻和回路电缆,构建训练样本集。
其中,多段电缆可以为三段。
在一个具体实施例中,本方法还包括:
通过在电缆主绝缘故障仿真模型中设置各段电缆间的间距和长度仿真模拟电缆不均匀敷设场景。
需要说明的是,在仿真模拟电缆不均匀敷设方式时,通过设置各电缆段相间距与回间距一致,仅设置各电缆段不同的长度,即可获得等间距不等长度的电缆模型。通过设置各电缆段长度一致,仅设置各电缆段不同的间距,即可获得等长度不等间距的电缆模型。
在一个具体实施例中,步骤103具体包括:
步骤1031,构建BP神经网络,BP神经网络为三层网络,分别为输入层、隐含层、输出层,设置BP神经网络的基本网络参数;
步骤1032,将训练样本集中的电缆护层环流值幅值为BP神经网络的输入,并给定权重值和偏置值,利用权重值和偏置值对BP神经网络进行训练,输出故障位置;
其中,激活函数,一般选择sigmoid函数或者线性函数。
步骤1033,计算BP神经网络输出的故障位置与训练样本集中的故障位置之间的损失值,并判断损失值是否在预设损失范围内;
步骤1034,若判断损失值在预设损失范围内,则停止更新权重值和偏置值,并得到训练好的BP神经网络作为电缆主绝缘故障定位预测模型;
步骤1035,若判断损失值不在预设损失范围内,则在BP神经网络中对输出的电缆敷设方式、故障位置和故障类型进行反向传播,将输出通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号;
步骤1036,根据误差信号修正各层网络的权重值和偏置值,直到BP神经网络的测试数据误差最小或迭代次数达到预设最大次数为止,得到训练好的神经网络模型作为电缆主绝缘故障定位预测模型。
在一个具体实施例中,步骤104之后还包括:
步骤105,根据预测故障位置在预设的报警数据台账中进行匹配得到相应的报警等级,并发出报警信息,其中,报警信息包括电缆护层环流值幅值、电缆敷设方式、故障位置、故障类型和报警等级,预设的报警数据台账包括预测故障位置与报警等级之间的映射关系。
以上为本发明提供的一种基于神经网络算法的电缆主绝缘故障定位方法的实施例的详细描述,以下为本发明提供的一种基于神经网络算法的电缆主绝缘故障定位系统的实施例的详细描述。
为了便于理解,请参阅图4,本发明提供的一种基于神经网络算法的电缆主绝缘故障定位系统,包括:
电缆仿真模块100,用于根据电缆结构构建电缆主绝缘故障仿真模型,电缆结构由内至外依次包括导电线芯、主绝缘层和电缆保护层;
故障仿真模块200,用于通过对电缆主绝缘故障仿真模型设置不同的电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集;
训练模块300,用于通过训练样本集对BP神经网络进行训练,以电缆护层环流值幅值为输入,其对应的故障位置为输出,构建电缆主绝缘故障定位预测模型;
故障位置预测模块400,用于将实时采集的电缆护层环流值幅值输入至电缆主绝缘故障定位预测模型进行训练,输出相应的预测故障位置。
在一个具体实施例中,故障仿真模块具体包括:
故障类型仿真模块,用于通过时控开关在预定时间内将电缆主绝缘故障仿真模型中多个预设的故障位置的导电线芯和电缆保护层进行短接,在预设的故障位置构成单相接地故障;
敷设仿真模块,用于通过设置不同的电缆线芯对金属护层的互感系数仿真模拟不同的电缆敷设方式,电缆敷设方式包括水平敷设方式和品字形敷设方式;
接地电阻仿真模块,用于通过对电缆主绝缘故障仿真模型设置电缆线芯的不同阻值仿真模拟不同的接地电阻;
回路仿真模块,用于通过在电缆主绝缘故障仿真模型中设置不同的电缆数量仿真模拟不同的回路电缆,回路电缆包括单回路电缆和多回路电缆;
电流采集模块,用于提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集。
在一个具体实施例中,电流采集模块具体用于,将电缆沿长度方向进行分段为多段电缆,在每段电缆两端均设置电流传感器,通过电流传感器采集在每个预设的故障位置下的电缆两端的电缆护层环流值,并计算电缆两端的电缆护层环流值幅值,记录其对应的故障位置、电缆敷设方式、故障类型、接地电阻和回路电缆,构建训练样本集。
在一个具体实施例中,本系统还包括:
不均匀敷设仿真模块,用于通过在电缆主绝缘故障仿真模型中设置各段电缆间的间距和长度仿真模拟电缆不均匀敷设场景。
在一个具体实施例中,训练模块具体包括:
神经网络构建模块,用于构建BP神经网络,BP神经网络为三层网络,分别为输入层、隐含层、输出层,设置BP神经网络的基本网络参数;
样本训练模块,用于将训练样本集中的电缆护层环流值幅值为BP神经网络的输入,并给定权重值和偏置值,利用权重值和偏置值对BP神经网络进行训练,输出故障位置;
损失值模块,用于计算BP神经网络输出的故障位置与训练样本集中的故障位置之间的损失值,并判断损失值是否在预设损失范围内;
损失判断模块,用于若判断损失值在预设损失范围内,则停止更新权重值和偏置值,并得到训练好的BP神经网络作为电缆主绝缘故障定位预测模型;
反向传播模块,用于若判断损失值不在预设损失范围内,则在BP神经网络中对输出的电缆敷设方式、故障位置和故障类型进行反向传播,将输出通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号;
修正模块,用于根据误差信号修正各层网络的权重值和偏置值,直到BP神经网络的测试数据误差最小或迭代次数达到预设最大次数为止,得到训练好的神经网络模型作为电缆主绝缘故障定位预测模型。
在一个具体实施例中,本系统还包括:
报警模块,用于根据预测故障位置在预设的报警数据台账中进行匹配得到相应的报警等级,并发出报警信息,其中,报警信息包括电缆护层环流值幅值、电缆敷设方式、故障位置、故障类型和报警等级,预设的报警数据台账包括预测故障位置与报警等级之间的映射关系。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,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。
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,也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述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精神和范围。
Claims (12)
1.基于神经网络算法的电缆主绝缘故障定位方法,其特征在于,包括以下步骤:
根据电缆结构构建电缆主绝缘故障仿真模型,所述电缆结构由内至外依次包括导电线芯、主绝缘层和电缆保护层;
通过对所述电缆主绝缘故障仿真模型设置不同的电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集;
通过所述训练样本集对BP神经网络进行训练,以电缆护层环流值幅值为输入,其对应的故障位置为输出,构建电缆主绝缘故障定位预测模型;
将实时采集的电缆护层环流值幅值输入至所述电缆主绝缘故障定位预测模型进行训练,输出相应的预测故障位置。
2.根据权利要求1所述的基于神经网络算法的电缆主绝缘故障定位方法,其特征在于,通过对所述电缆主绝缘故障仿真模型设置不同的电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集的步骤,具体包括:
将所述电缆主绝缘故障仿真模型中多个预设的故障位置进行短接,构成单相接地故障;
通过设置不同的电缆线芯对金属护层的互感系数仿真模拟不同的电缆敷设方式;
通过对所述电缆主绝缘故障仿真模型设置电缆线芯的不同阻值仿真模拟不同的接地电阻;
通过在所述电缆主绝缘故障仿真模型中设置不同的电缆数量仿真模拟不同的回路电缆;
提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集。
3.根据权利要求2所述的基于神经网络算法的电缆主绝缘故障定位方法,其特征在于,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集的步骤,具体包括:
将电缆沿长度方向进行分段为多段电缆,在每段电缆两端均设置电流传感器,通过所述电流传感器采集在每个预设的故障位置下的电缆两端的电缆护层环流值,并计算电缆两端的电缆护层环流值幅值,记录其对应的故障位置、电缆敷设方式、故障类型、接地电阻和回路电缆,构建训练样本集。
4.根据权利要求2所述的基于神经网络算法的电缆主绝缘故障定位方法,其特征在于,还包括:
通过在所述电缆主绝缘故障仿真模型中设置各段电缆间的间距和长度仿真模拟电缆不均匀敷设场景。
5.根据权利要求2所述的基于神经网络算法的电缆主绝缘故障定位方法,其特征在于,通过所述训练样本集对BP神经网络进行训练,以电缆护层环流值幅值为输入,其对应的故障位置为输出,构建电缆主绝缘故障定位预测模型的步骤,具体包括:
构建BP神经网络,所述BP神经网络为三层网络,分别为输入层、隐含层、输出层,设置BP神经网络的基本网络参数;
将所述训练样本集中的电缆护层环流值幅值为所述BP神经网络的输入,并给定权重值和偏置值,利用所述权重值和所述偏置值对所述BP神经网络进行训练,输出故障位置;
计算所述BP神经网络输出的故障位置与所述训练样本集中的故障位置之间的损失值,并判断所述损失值是否在预设损失范围内;
若判断所述损失值在预设损失范围内,则停止更新所述权重值和所述偏置值,并得到训练好的BP神经网络作为电缆主绝缘故障定位预测模型;
若判断所述损失值不在预设损失范围内,则在所述BP神经网络中对输出的电缆敷设方式、故障位置和故障类型进行反向传播,将输出通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号;
根据所述误差信号修正各层网络的权重值和偏置值,直到所述BP神经网络的测试数据误差最小或迭代次数达到预设最大次数为止,得到训练好的神经网络模型作为电缆主绝缘故障定位预测模型。
6.根据权利要求1所述的基于神经网络算法的电缆主绝缘故障定位方法,其特征在于,将实时采集的电缆护层环流值幅值输入至所述电缆主绝缘故障定位预测模型进行训练,输出相应的预测故障位置的步骤之后还包括:
根据所述预测故障位置在预设的报警数据台账中进行匹配得到相应的报警等级,并发出报警信息,其中,所述报警信息包括电缆护层环流值幅值、电缆敷设方式、故障位置、故障类型和报警等级,预设的报警数据台账包括所述预测故障位置与报警等级之间的映射关系。
7.基于神经网络算法的电缆主绝缘故障定位系统,其特征在于,包括:
电缆仿真模块,用于根据电缆结构构建电缆主绝缘故障仿真模型,所述电缆结构由内至外依次包括导电线芯、主绝缘层和电缆保护层;
故障仿真模块,用于通过对所述电缆主绝缘故障仿真模型设置不同的电缆参数进行仿真模拟不同的电缆敷设方式、接地电阻、回路数、故障类型以及故障位置,提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集;
训练模块,用于通过所述训练样本集对BP神经网络进行训练,以电缆护层环流值幅值为输入,其对应的故障位置为输出,构建电缆主绝缘故障定位预测模型;
故障位置预测模块,用于将实时采集的电缆护层环流值幅值输入至所述电缆主绝缘故障定位预测模型进行训练,输出相应的预测故障位置。
8.根据权利要求7所述的基于神经网络算法的电缆主绝缘故障定位系统,其特征在于,所述故障仿真模块具体包括:
故障类型仿真模块,用于将所述电缆主绝缘故障仿真模型中多个预设的故障位置进行短接,构成单相接地故障;
敷设仿真模块,用于通过设置不同的电缆线芯对金属护层的互感系数仿真模拟不同的电缆敷设方式;
接地电阻仿真模块,用于通过对所述电缆主绝缘故障仿真模型设置电缆线芯的不同阻值仿真模拟不同的接地电阻;
回路仿真模块,用于通过在所述电缆主绝缘故障仿真模型中设置不同的电缆数量仿真模拟不同的回路电缆;
电流采集模块,用于提取电缆两端的电缆护层环流值幅值以及其对应的故障位置,构建训练样本集。
9.根据权利要求8所述的基于神经网络算法的电缆主绝缘故障定位系统,其特征在于,所述电流采集模块具体用于,将电缆沿长度方向进行分段为多段电缆,在每段电缆两端均设置电流传感器,通过所述电流传感器采集在每个预设的故障位置下的电缆两端的电缆护层环流值,并计算电缆两端的电缆护层环流值幅值,记录其对应的故障位置、电缆敷设方式、故障类型、接地电阻和回路电缆,构建训练样本集。
10.根据权利要求8所述的基于神经网络算法的电缆主绝缘故障定位系统,其特征在于,还包括:
不均匀敷设仿真模块,用于通过在所述电缆主绝缘故障仿真模型中设置各段电缆间的间距和长度仿真模拟电缆不均匀敷设场景。
11.根据权利要求8所述的基于神经网络算法的电缆主绝缘故障定位系统,其特征在于,所述训练模块具体包括:
神经网络构建模块,用于构建BP神经网络,所述BP神经网络为三层网络,分别为输入层、隐含层、输出层,设置BP神经网络的基本网络参数;
样本训练模块,用于将所述训练样本集中的电缆护层环流值幅值为所述BP神经网络的输入,并给定权重值和偏置值,利用所述权重值和所述偏置值对所述BP神经网络进行训练,输出故障位置;
损失值模块,用于计算所述BP神经网络输出的故障位置与所述训练样本集中的故障位置之间的损失值,并判断所述损失值是否在预设损失范围内;
损失判断模块,用于若判断所述损失值在预设损失范围内,则停止更新所述权重值和所述偏置值,并得到训练好的BP神经网络作为电缆主绝缘故障定位预测模型;
反向传播模块,用于若判断所述损失值不在预设损失范围内,则在所述BP神经网络中对输出的电缆敷设方式、故障位置和故障类型进行反向传播,将输出通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号;
修正模块,用于根据所述误差信号修正各层网络的权重值和偏置值,直到所述BP神经网络的测试数据误差最小或迭代次数达到预设最大次数为止,得到训练好的神经网络模型作为电缆主绝缘故障定位预测模型。
12.根据权利要求7所述的基于神经网络算法的电缆主绝缘故障定位系统,其特征在于,还包括:
报警模块,用于根据所述预测故障位置在预设的报警数据台账中进行匹配得到相应的报警等级,并发出报警信息,其中,所述报警信息包括电缆护层环流值幅值、电缆敷设方式、故障位置、故障类型和报警等级,预设的报警数据台账包括所述预测故障位置与报警等级之间的映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310631853.4A CN116629131A (zh) | 2023-05-31 | 2023-05-31 | 基于神经网络算法的电缆主绝缘故障定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310631853.4A CN116629131A (zh) | 2023-05-31 | 2023-05-31 | 基于神经网络算法的电缆主绝缘故障定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629131A true CN116629131A (zh) | 2023-08-22 |
Family
ID=87613120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310631853.4A Pending CN116629131A (zh) | 2023-05-31 | 2023-05-31 | 基于神经网络算法的电缆主绝缘故障定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629131A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031357A (zh) * | 2023-10-08 | 2023-11-10 | 江苏省电力试验研究院有限公司 | 单端接地的单芯电缆金属护套的接地缺陷定位方法及装置 |
-
2023
- 2023-05-31 CN CN202310631853.4A patent/CN116629131A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031357A (zh) * | 2023-10-08 | 2023-11-10 | 江苏省电力试验研究院有限公司 | 单端接地的单芯电缆金属护套的接地缺陷定位方法及装置 |
CN117031357B (zh) * | 2023-10-08 | 2024-01-19 | 江苏省电力试验研究院有限公司 | 单端接地的单芯电缆金属护套的接地缺陷定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103487727B (zh) | 一种高压电力电缆外护套故障在线定位方法 | |
CN110346688B (zh) | 一种110kV及以上高压复杂电缆故障快速分段判别及定位方法 | |
CN109116126B (zh) | 一种通信电缆屏蔽层屏蔽效能在线监测评估方法及系统 | |
CN101459334A (zh) | 电力系统故障信息获取方法 | |
CN103529366A (zh) | 基于罗氏线圈原理的uhf宽频带电流传感器及联合监测系统 | |
CN107942198A (zh) | 一种基于阻抗频谱分析的电缆局部缺陷评估的装置和方法 | |
Shafiq et al. | Identification and location of PD defects in medium voltage underground power cables using high frequency current transformer | |
CN107621591B (zh) | 一种基于零模行波波速变化特性的输电线路迭代测距方法 | |
CN106940413A (zh) | 高压长电缆线路的短路故障区段判断方法及装置 | |
Govindarajan et al. | A review on partial discharge diagnosis in cables: Theory, techniques, and trends | |
CN116629131A (zh) | 基于神经网络算法的电缆主绝缘故障定位方法及系统 | |
CN105353269B (zh) | 一种高压电缆在线故障测距方法 | |
CN205248761U (zh) | 一种单芯电缆交叉互联箱 | |
CN112083263A (zh) | 一种基于行波原理的多源数据融合的高压电缆线路故障在线定位装置及定位方法 | |
CN106771843B (zh) | 一种单芯电力电缆的故障行波测距方法 | |
Zhang et al. | Fault location method for three-core cable using amplitude ratio of shield-grounding wire currents | |
Jensen et al. | Field test and theoretical analysis of electromagnetic pulse propagation velocity on crossbonded cable systems | |
CN117491801B (zh) | 交叉互联电缆缺陷检测系统、模型及缺陷定位方法 | |
CN117434386A (zh) | 一种基于护层接地回路宽频阻抗谱的高压电缆护套缺陷定位方法 | |
Chang et al. | Anomaly detection for shielded cable including cable joint using a deep learning approach | |
CN103424627A (zh) | 双端测量平行电网线路零序阻抗的方法 | |
CN106990327B (zh) | 高压单芯电缆短路故障点检测方法 | |
CN117347910A (zh) | 一种基于护层环流的电缆绝缘接地故障的检测方法及系统 | |
CN116754890A (zh) | 一种电缆故障在线定位系统及其定位方法 | |
CN102495334B (zh) | 电力电缆故障的多踪行波测距方法 |
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 |