CN117825876A - 结合特征碎片与小波包的电缆故障特征提取方法和装置 - Google Patents
结合特征碎片与小波包的电缆故障特征提取方法和装置 Download PDFInfo
- Publication number
- CN117825876A CN117825876A CN202410004661.5A CN202410004661A CN117825876A CN 117825876 A CN117825876 A CN 117825876A CN 202410004661 A CN202410004661 A CN 202410004661A CN 117825876 A CN117825876 A CN 117825876A
- Authority
- CN
- China
- Prior art keywords
- cable fault
- representing
- fragments
- fault
- wavelet
- 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
- 239000012634 fragment Substances 0.000 title claims abstract description 55
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013467 fragmentation Methods 0.000 abstract 1
- 238000006062 fragmentation reaction Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
- Maintenance And Management Of Digital Transmission (AREA)
Abstract
本发明提供了结合特征碎片与小波包的电缆故障特征提取方法和装置,属于电力电缆故障检测技术领域。采用对电缆故障信号分段,再使用小波包分解在小波分解的基础上对每一段故障信号进行分解的方法,来获取电缆故障模式中的高频故障信息。把电缆故障信号零序电流幅值和正序电压相位作为原始故障模式,对原始故障模式进行碎片化处理,对每部分碎片进行小波包分解得到小波包系数,将不同碎片的小波包系数加权求和,再赋给各碎片不同的权值求得新故障特征。利用Fisher准则判断分类结果是否准确,对碎片权值进行重新分配,进行特征提取算法的优化。
Description
技术领域
本发明涉及结合特征碎片与小波包的电缆故障特征提取方法和装置,属于电力电缆故障检测技术领域。
背景技术
电力电缆线路以具有供电可靠、能保证安全用电、送电容量大等优点,在电力系统中的应用越来越广泛,对国民经济和社会发展起着至关重要的支撑作用。然而,由于绝缘老化和机械损坏等原因,电力电缆在长期运行过程中可能会产生各种各样的故障。一旦电力电缆发生故障,将产生巨大的社会和经济损失。因此,需要及时弄清楚故障原因,并准确判断出故障类型,从而消除故障。
小波变换是通过一组基函数对低频信号进行不断的分解,对分解出来的高频信号不做处理,但是电缆故障信号具有采样频率高、数据量大等特点,在进行故障特征提取时,需要将高频部分进行进一步的分解来获取信息。小波包分解是在小波变换的基础上发展优化的,在对每一级信号分解时,不仅对低频子带进行进一步分解,对高频子带也进行更进一步的分解,提供一种更精细的分析方法,对提高分辨率方面具有重要意义。
当前的电缆故障特征提取面临以下技术问题:
电缆故障的种类繁多,包括短路、断路、接地、绝缘老化等。不同类型的故障可能需要使用不同的方法和设备进行查找,这对维修人员来说是一个挑战。电缆布线在实际工程中往往是隐藏在建筑物、地下或管道中的,导致故障位置不易确定。有时候,故障可能发生在离检修人员较远的地方,增加了故障查找的难度。对于电缆故障的查找,需要使用一些衡量设备,如绝缘电阻测试仪、电缆故障测量仪等。然而,有时候维修人员可能无法使用到这些设备,或者设备的准确性和可靠性受到限制。在电力系统中,故障定位是电缆故障测试中的关键环节。然而,由于电缆测试仪器和设备的容量或精度有限,可能会导致故障定位不准确的情况出现。目前对电缆早期故障的识别主要有两大类:电路分析方法。基于电缆早期故障和电缆结构的特点,搭建对应的电路分析模型。信号分析与模式识别方法。但是,无论采用上述哪种方法,均无法准确识别出电缆是否出现故障。
发明内容
本发明目的是提供了结合特征碎片与小波包的电缆故障特征提取方法和装置,加大了不同故障类别数据之间的距离,同时缩小了同种故障类别内部故障数据之间的距离,降低了原始故障数据的复杂度,更加有利于电缆故障类别的识别。
本发明为实现上述目的,通过以下技术方案实现:
采集电缆故障数据并进行预处理,将电缆故障信号分成n段,分别取电缆故障信号的零序电流的幅值I0(k)和正序电压的相位U0(k)作为电缆故障模式X(k)=[U0(k),I0(k)]k∈[0,n];
提取每一段电缆故障模式的碎片信息,并进行小波包变换提取高频信息和低频信息;
将高频信息和低频信息整合为碎片的原始信号,并对各个碎片赋予权值pi后进行加权求和,具体公式如下:
其中,X表示所有碎片的小波包变换结果进行加权求和结果,Xi表示第i个碎片的原始信号,t表示碎片数量;
通过公式Xp=log|X|获取新的故障特征模式Xp;
对新故障特征模式Xp进行分类识别,得到识别结果Ti;
利用Fisher准则判断识别结果Ti是否准确,如果不准确,则对碎片权值重新分配进行优化。
优选的,所述预处理公式如下:
其中,表示零序电压,/>表示A相负载两端电压,/>表示B相负载两端电压,表示C相负载两端电压,a表示120°的旋转因子,U0表示正序电压相位,/>表示零序电流,/>表示A相负载电流,/>表示B相负载电流,/>表示C相负载电流,I0表示零序电流幅值。
优选的,小波包变换具体公式如下:
其中,为Xi所在空间V∈L2(R)的第s层的小波包分解的第k组小波包基;/>为Xi对应于第k组小波包基的系数,n为偶数时表示低频信息,n为奇数时表示高频信息。
优选的,利用Fisher准则判断识别结果Ti是否准确,如果不准确,则对碎片权值重新分配进行优化具体方式如下:
计算分类后的电缆故障特征模式中样本数据的类间方差SB,计算公式如下:
其中,mi表示第i类样本的均值,m表示所有样本的均值,c表示总类别数,ni表示每个类别中第i个样本,n表示每个类别种样本总数;
计算分类后的电缆故障特征模式中样本数据的类内方差Sw,计算公式如下:
其中,ωi表示样本x所属的类别;
计算特征的fisher准则评价值Jfisher,Fisher值越小,则说明所评判的特征的可分类识别性越好贡献率越高,计算公式如下:
Jfisher=Sw/SB,
根据各个碎片对识别结果的贡献率进行排序,预先设置一个阈值t0,当碎片对识别结果的评价值Jfisher小于阈值t0时,则减小该碎片的权值,提高对识别结果贡献率较大的特征碎片权值,优化特征提取方法。
本发明的优点在于:本发明根据电缆故障与故障数据的特点,提出利用小波包与特征碎片相结合的方法。通过使用特征碎片的方式对电缆故障数据进行分段提取,减少故障数据量,并结合小波包分解得到碎片特征,通过调整各碎片的权值得到电缆故障新特征。经过特征提取算法产生的新的故障特征加大了不同故障类别数据之间的距离,同时缩小了同种故障类别内部故障数据之间的距离,降低了原始故障数据的复杂度,更加有利于电缆故障类别的识别。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明方法流程示意图。
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。
实施例1
如图1所示,一种结合特征碎片与小波包的电缆故障特征提取方法和装置,通过以下技术方案实现:
S1:采集电缆故障数据并进行预处理,将电缆故障信号分成n段,分别取电缆故障信号的零序电流的幅值I0(k)和正序电压的相位U0(k)作为电缆故障模式X(k)=[U0(k),I0(k)]k∈[0,n];所述预处理公式如下:
其中,表示零序电压,/>表示A相负载两端电压,/>表示B相负载两端电压,表示C相负载两端电压,a表示120°的旋转因子,U0表示正序电压相位,/>表示零序电流,/>表示A相负载电流,/>表示B相负载电流,/>表示C相负载电流,I0表示零序电流幅值。
S2:提取每一段电缆故障模式的碎片信息,并进行小波包变换提取高频信息和低频信息;小波包变换具体公式如下:
其中,为Xi所在空间V∈L2(R)的第s层的小波包分解的第k组小波包基;/>为Xi对应于第k组小波包基的系数,n为偶数时表示低频信息,n为奇数时表示高频信息。
S3:将高频信息和低频信息整合为碎片的原始信号,并对各个碎片赋予权值pi后进行加权求和,具体公式如下:
其中,X表示所有碎片的小波包变换结果进行加权求和结果,Xi表示第i个碎片的原始信号,t表示碎片数量;
S4:通过公式Xp=log|X|获取新的故障特征模式Xp;
S5:对新故障特征模式Xp进行分类识别,得到识别结果Ti;
S6:利用Fisher准则判断识别结果Ti是否准确,如果不准确,则对碎片权值重新分配进行优化,具体方式如下:
计算分类后的电缆故障特征模式中样本数据的类间方差SB,计算公式如下:
其中,mi表示第i类样本的均值,m表示所有样本的均值,c表示总类别数,ni表示每个类别中第i个样本,n表示每个类别种样本总数;
计算分类后的电缆故障特征模式中样本数据的类内方差Sw,计算公式如下:
其中,ωi表示样本x所属的类别;
计算特征的fisher准则评价值Jfisher,Fisher值越小,则说明所评判的特征的可分类识别性越好贡献率越高,计算公式如下:
Jfisher=Sw/SB,
根据各个碎片对识别结果的贡献率进行排序,预先设置一个阈值t0,当碎片对识别结果的评价值Jfisher小于阈值t0时,则减小该碎片的权值,提高对识别结果贡献率较大的特征碎片权值,优化特征提取方法。
实施例2
本公开实施例还提供一种结合特征碎片与小波包的电缆故障特征提取方法和装置装置,包括处理器(processor)和存储器(memory)。可选地,该装置还可以包括通信接口(Communication Interface)和总线。其中,处理器、通信接口、存储器可以通过总线完成相互间的通信。通信接口可以用于信息传输。处理器可以调用存储器中的逻辑指令,以执行上述实施例的结合特征碎片与小波包的电缆故障特征提取方法和装置方法。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中结合特征碎片与小波包的电缆故障特征提取方法和装置方法。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器。
本公开实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述结合特征碎片与小波包的电缆故障特征提取方法和装置方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括一个或多个指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种结合特征碎片与小波包的电缆故障特征提取方法,其特征在于,包括:
采集电缆故障数据并进行预处理,将电缆故障信号分段,分别取电缆故障信号的零序电流的幅值和正序电压的相位作为电缆故障模式;
提取每一段电缆故障模式的碎片信息,并进行小波包变换提取高频信息和低频信息;
将高频信息和低频信息整合为碎片的原始信号,并对各个碎片赋予权值后进行加权求和,具体公式如下:
其中,X表示所有碎片的小波包变换结果进行加权求和结果,Xi表示第i个碎片的原始信号,t表示碎片数量;
通过公式Xp=log|X|获取新的故障特征模式Xp;
对新故障特征模式Xp进行分类识别,得到识别结果Ti;
利用Fisher准则判断识别结果是否准确,如果不准确,则对碎片权值重新分配进行优化。
2.根据权利要求1所述的结合特征碎片与小波包的电缆故障特征提取方法,其特征在于,所述预处理公式如下:
其中,表示零序电压,/>表示A相负载两端电压,/>表示B相负载两端电压,/>表示C相负载两端电压,a表示120°的旋转因子,U0表示正序电压相位,/>表示零序电流,/>表示A相负载电流,/>表示B相负载电流,/>表示C相负载电流,I0表示零序电流幅值。
3.根据权利要求1所述的结合特征碎片与小波包的电缆故障特征提取方法,其特征在于,小波包变换具体公式如下:
其中,为Xi所在空间V∈L2(R)的第s层的小波包分解的第k组小波包基;/>为Xi对应于第k组小波包基的系数,n为偶数时表示低频信息,n为奇数时表示高频信息。
4.根据权利要求1所述的结合特征碎片与小波包的电缆故障特征提取方法,其特征在于,利用Fisher准则判断识别结果Ti是否准确,如果不准确,则对碎片权值重新分配进行优化具体方式如下:
计算分类后的电缆故障特征模式中样本数据的类间方差SB,计算公式如下:
其中,mi表示第i类样本的均值,m表示所有样本的均值,c表示总类别数,ni表示每个类别中第i个样本,n表示每个类别种样本总数;
计算分类后的电缆故障特征模式中样本数据的类内方差Sw,计算公式如下:
其中,ωi表示样本x所属的类别;
计算特征的fisher准则评价值Jfisher,Fisher值越小,则说明所评判的特征的可分类识别性越好贡献率越高,计算公式如下:
Jfisher=Sw/SB,
根据各个碎片对识别结果的贡献率进行排序,预先设置一个阈值t0,当碎片对识别结果的评价值Jfisher小于阈值t0时,则减小该碎片的权值,提高对识别结果贡献率较大的特征碎片权值,优化特征提取方法。
5.一种结合特征碎片与小波包的电缆故障特征提取装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至4任一项所述的结合特征碎片与小波包的电缆故障特征提取方法。
6.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如上述权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410004661.5A CN117825876A (zh) | 2024-01-03 | 2024-01-03 | 结合特征碎片与小波包的电缆故障特征提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410004661.5A CN117825876A (zh) | 2024-01-03 | 2024-01-03 | 结合特征碎片与小波包的电缆故障特征提取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117825876A true CN117825876A (zh) | 2024-04-05 |
Family
ID=90513077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410004661.5A Pending CN117825876A (zh) | 2024-01-03 | 2024-01-03 | 结合特征碎片与小波包的电缆故障特征提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117825876A (zh) |
-
2024
- 2024-01-03 CN CN202410004661.5A patent/CN117825876A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
AU2020101683A4 (en) | Fault detection, location, and prediction within an electricity power transmission and distribution networks | |
CN109839263A (zh) | 一种基于振动信息的gis特征提取及机械缺陷诊断方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
Gao et al. | Fault line detection using waveform fusion and one-dimensional convolutional neural network in resonant grounding distribution systems | |
CN113447766A (zh) | 一种高阻接地故障的检测方法、装置、设备和存储介质 | |
CN113850330A (zh) | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 | |
Wang et al. | Gas-insulated switchgear insulation defect diagnosis via a novel domain adaptive graph convolutional network | |
CN112285494A (zh) | 一种电力电缆局部放电模式识别分析系统 | |
Yang et al. | Fault Classification in Distribution Systems Using Deep Learning With Data Preprocessing Methods Based on Fast Dynamic Time Warping and Short-Time Fourier Transform | |
Roy et al. | Application of Signal Processing Tools and Artificial Neural Network in Diagnosis of Power System Faults | |
Wang et al. | Stockwell‐transform and random‐forest based double‐terminal fault diagnosis method for offshore wind farm transmission line | |
CN117825876A (zh) | 结合特征碎片与小波包的电缆故障特征提取方法和装置 | |
CN116338391A (zh) | 一种绝缘子状态检测方法、装置、电子设备以及介质 | |
Luo et al. | Stacked denoising autoencoder based fault location in voltage source converters‐high voltage direct current | |
CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
Huai et al. | Line fault location for multi‐terminal MMC‐HVDC system based on SWT and SVD | |
Mahmud et al. | Selection of suitable features for fault classification in transmission line | |
Gao et al. | New pilot protection method based on the current fault component waveform similarity | |
Chen et al. | Identifying single‐phase to ground fault based on line multi‐dimensional data in cyber‐physical distribution system | |
CN117290756B (zh) | 基于联邦学习的输电线路故障辨识方法、装置和电子设备 | |
Inanloo Salehi et al. | Fault detection and classification of VSC-HVDC transmission lines using a deep intelligent algorithm |
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 |