CN118152936A - 基于阻抗谱的电缆分析方法及系统 - Google Patents
基于阻抗谱的电缆分析方法及系统 Download PDFInfo
- Publication number
- CN118152936A CN118152936A CN202410564351.9A CN202410564351A CN118152936A CN 118152936 A CN118152936 A CN 118152936A CN 202410564351 A CN202410564351 A CN 202410564351A CN 118152936 A CN118152936 A CN 118152936A
- Authority
- CN
- China
- Prior art keywords
- cable
- features
- feature
- signal
- interaction
- 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
- 238000001453 impedance spectrum Methods 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 230000003993 interaction Effects 0.000 claims abstract description 133
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 230000002452 interceptive effect Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000001566 impedance spectroscopy Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 7
- 238000013329 compounding Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 150000001875 compounds Chemical group 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 230000007787 long-term memory Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Landscapes
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种基于阻抗谱的电缆分析方法及系统,通过获得电缆的阻抗谱信号,通过电缆分析模型基于所述阻抗谱信号进行分析,得到电缆的故障类别,在进行信号分析故分析时,通过构建特征交互空间,对时域信号和频域信号进行交互,能够提取出阻抗谱信号中的内隐信息,使得提取出来的全局特征和局部特征能够准确表征电缆的故障状况。基于所述全局特征和局部特征获得电缆的故障类别,能够准确分析出电缆的故障类别,提高了电缆故障类别分析的准确性。电缆分析模型特征提取、特征融合、故障分类的准确性高,进而提高电缆故障类别的准确性。
Description
技术领域
本发明涉及电缆技术领域,具体而言,涉及一种基于阻抗谱的电缆分析方法及系统。
背景技术
电缆是由两根或多根导线(股线)组成的导体,用于电力传输。现今随时随地都需要用电,电力消耗量大,电缆承载力和电缆消耗量也很大。随着电力电缆投运量的大幅度增加,使其故障率不断上升。但是电力电缆要么架设在高空,要么铺设在地下,故障检测和维修都极其困难。
目前,有采用脉冲电流测试法(impulse current experimentation,ICE)、时域反射法(time domain reflectometry,TDR)检测电力电缆是否出现故障,但是其测试精度与效果却不能满足现场要求。也有通过阻抗谱来分析电缆是否出现故障的,但是由于阻抗仪的测试精度以及环境影响,使得目前的分析结果准确性低。
发明内容
本发明的目的在于提供了一种基于阻抗谱的电缆分析方法及系统,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种基于阻抗谱的电缆分析方法,包括:
获得电缆的阻抗谱信号;
对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号;
通过电缆分析模型基于所述阻抗谱信号进行分析,得到电缆的故障类别,具体包括:
基于构建的特征交互空间对所述时域信号和频域信号进行信息交互和特征提取,获得阻抗谱信号的全局特征和局部特征;
基于所述全局特征和局部特征获得电缆的故障类别;
其中,特征交互空间的数据处理方式如公式(1)所示的计算方式:(1)
其中,表示第k层网络进行特征交互后的输出;表示第i层网络进行特征
交互后的输出;()表示第k层网络的交互函数;()表示第i层网络的交互函数;第k-1层网络进行特征交互后的输出;第i-1层网络进行特征交互后的输出;i
和k的取值为1-L之间的任意实数,L为大于1的实数;当k=1时,为特征交互空间的输入,
当i=1时,为所述特征交互空间的输入。
可选的,所述对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号,包括:
将抗阻谱信号输入差分放大模块,差分放大模块将抗阻谱信号进行放大,得到放大信号;
将放大信号输入低通滤波模块和高通滤波模块;通过低通滤波模块滤除放大信号的高频部分,得到时域信号;通过高通滤波模块滤除放大信号的低频部分,得到频域信号。
可选的,基于所述时域信号和频域信号,获得阻抗谱信号的全局特征和局部特征,包括:
构建特征交互空间,时域信号和频域信号作为特征交互空间的输入,特征交互空间对时域信号和频域信号进行特征交互,提取出阻抗谱信号的全局特征和局部特征;其中,特征交互空间进行特征交互的方式如下公式(1)所示:
(1)
此时,表示第k层网络进行特征交互后的时域特征;表示第i层网络进行
特征交互后的频域特征;()表示第k层网络的交互函数;()表示第i层网络的交互
函数;第k-1层网络进行特征交互后的时域特征;第i-1层网络进行特征交互
后的频域特征;i和k的取值为1-L之间的任意实数,L为大于1的实数;当k=1时,为所述
的频域信号,当i=1时,为所述的频域信号;
基于特征交互空间输出的交互时域特征和交互频域特征,获得全局特征和局部特征。
可选的,基于特征交互空间输出的交互时域特征和交互频域特征,获得全局特征和局部特征,包括:
将交互时域特征和交互频域特征复合得到复合信号;
对复合信号进行傅里叶变换得到变换复信号;
对分别对交互时域特征和交互频域特征进行傅里叶变换,分别获得变换交互时域特征和变换交互频域特征;
将变换交互时域特征和变换交互频域特征复合得到变换特征信号;
以变换复信号和变换特征信号作为特征交互空间的输入,获得交换信号;所述交
换信号为特征交互空间针对输入为变换复信号和变换特征信号对应输出的。
对交换信号进行全局池化处理,得到池化特征;
对交换信号进行卷积处理,得到卷积特征;
通过分类器基于池化特征进行分类,得到全局特征;
通过分类器基于卷积特征进行分类,得到局部特征。
可选的,L=8。
可选的,基于所述全局特征和局部特征获得电缆的故障类别,包括:
对全局特征和局部特征进行特征融合,得到电缆特征;
通过卷积神经网络对电缆特征进行分类,得到电缆的故障类别。
可选的,对全局特征和局部特征进行特征融合,得到电缆特征,包括:
通过特征交互空间对全局特征和局部特征进行特征融合,获得电缆特征。
可选的,电缆特征为当k=L时的。
可选的,L=5。
第二方面,本发明实施例还提供了一种基于阻抗谱的电缆分析系统,包括:
获得模块,用于获得电缆的阻抗谱信号;
分析模块,用于通过电缆分析模型基于所述阻抗谱信号进行分析,得到电缆的故障类别,具体包括:对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号;基于构建的特征交互空间对所述时域信号和频域信号进行信息交互和特征提取,获得阻抗谱信号的全局特征和局部特征;基于所述全局特征和局部特征获得电缆的故障类别。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例还提供了一种基于阻抗谱的电缆分析方法及系统,通过获得电缆的阻抗谱信号,通过电缆分析模型基于所述阻抗谱信号进行分析,得到电缆的故障类别,具体包括:对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号;基于构建的特征交互空间对所述时域信号和频域信号进行信息交互和特征提取,获得阻抗谱信号的全局特征和局部特征;基于所述全局特征和局部特征获得电缆的故障类别。在进行信号分析故分析时,通过构建特征交互空间,对时域信号和频域信号进行交互,能够提取出阻抗谱信号中的内隐信息,使得提取出来的全局特征和局部特征能够准确表征电缆的故障状况。基于所述全局特征和局部特征获得电缆的故障类别,能够准确分析出电缆的故障类别,提高了电缆故障类别分析的准确性。电缆分析模型特征提取、特征融合、故障分类的准确性高,进而提高电缆故障类别的准确性。
附图说明
图1是本发明实施例提供的一种基于阻抗谱的电缆分析方法流程图。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例
本发明实施例提供了一种基于阻抗谱的电缆分析方法,如图1所示,所述方法包括:
S101:获得电缆的阻抗谱信号。
在本发明实施例中,电缆的阻抗谱信号通过阻抗分析仪检测得到。
S102:通过电缆分析模型基于所述阻抗谱信号进行分析,得到电缆的故障类别。
在本发明实施例中,电缆分析模型由特征交互空间和卷积神经网络成,电缆分析模型特征提取、特征融合、故障分类的准确性高,进而提高电缆故障类别的准确性。特征交互空间用于特征交互、特征提取、特征融合等。在本发明实施例中,特征交互空间的数据处理方式如公式(1)所示的计算方式:(1)
其中,表示第k层网络进行特征交互后的输出;表示第i层网络进行特征
交互后的输出;()表示第k层网络的交互函数;()表示第i层网络的交互函数;第k-1层网络进行特征交互后的输出;第i-1层网络进行特征交互后的输出;i
和k的取值为1-L之间的任意实数,L为大于1的实数;当k=1时,为特征交互空间的输入,
当i=1时,为所述特征交互空间的输入。
如此,特征交互空间通过对两个输入进行交互,使得特征交互空间的输出融合了两个输入的内隐信息和两个输入之间的关联关系,进而提高了电缆分析模型特征提取、特征融合、故障分类的准确性。
在本发明实施例中,交互函数的结构为长短期记忆网络。特征交互空间具体
通过交互函数进行交互,具体的交互方式为:
针对第k层网络(交互层)(),将第k-1层网络的输出作为长短期记忆网
络()的输入,以第i-1层网络的输出作为长短期记忆网络()的内部状态。
针对第i层网络(交互层)(),将第i-1层网络的输出作为长短期记忆网
络()的输入,以第k-1层网络的输出作为长短期记忆网络()的内部状态。
然后以()的输出作为第k层网络进行特征交互后的输出。以()输出
作为第i层网络进行特征交互后的输出。
当i、k=1时,()的内部状态是随机生成的。
其中,S102具体包括:
S1021:对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号。
S1022基于构建的特征交互空间对所述时域信号和频域信号进行信息交互和特征提取,获得阻抗谱信号的全局特征和局部特征。
S1023基于所述全局特征和局部特征获得电缆的故障类别。
通过采用以上方案,特征交互空间通过对两个输入进行交互,使得特征交互空间的输出融合了两个输入的内隐信息和两个输入之间的关联关系,进而提高了电缆分析模型特征提取、特征融合、故障分类的准确性。进行信号分析故分析时,通过构建特征交互空间,对时域信号和频域信号进行交互,能够提取出阻抗谱信号中的内隐信息,使得提取出来的全局特征和局部特征能够准确表征电缆的故障状况。基于所述全局特征和局部特征获得电缆的故障类别,能够准确分析出电缆的故障类别,提高了电缆故障类别分析的准确性。电缆分析模型特征提取、特征融合、故障分类的准确性高,进而提高电缆故障类别的准确性。
作为进一步的,所述对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号,包括:
将抗阻谱信号输入差分放大模块,差分放大模块将抗阻谱信号进行放大,得到放大信号;
将放大信号输入低通滤波模块和高通滤波模块;通过低通滤波模块滤除放大信号的高频部分,得到时域信号;通过高通滤波模块滤除放大信号的低频部分,得到频域信号。
通过通过将对抗阻谱信号信号拆分,结合到通过特征交互空间提取出时域信号和频域信号之间的关联关系和信号内部隐含的内心特征,能够提高特征提取的准确性和可靠性。
基于构建的特征交互空间对所述时域信号和频域信号进行信息交互和特征提取,获得阻抗谱信号的全局特征和局部特征,包括:
将时域信号和频域信号作为特征交互空间的输入,特征交互空间对时域信号和频
域信号进行特征交互,提取出阻抗谱信号的全局特征和局部特征;此时,表示第k层网
络进行特征交互后的时域特征;表示第i层网络进行特征交互后的频域特征;()表
示第k层网络的交互函数;()表示第i层网络的交互函数;第k-1层网络进行特征
交互后的时域特征;第i-1层网络进行特征交互后的频域特征;i和k的取值为1-L之
间的任意实数,L为大于1的实数;当k=1时,为所述的频域信号,当i=1时,为所述的
频域信号;
基于特征交互空间输出的交互时域特征和交互频域特征,获得全局特征和局部特
征。特征交互空间在进行特征提取时,L=5,即特征交互空间有5层交互层,此时,针对输入,为交互时域特征,为交互频域特征。整个特征交互空间的输出中,交互时域特征为
当k=5时的,交互频域特征当i=1时的。
通过采用以上方案,通过特征交互空间提取出时域信号和频域信号之间的关联关系和信号内部隐含的内心特征,相较于直接在抗阻谱信号中进行特征提取,其特征提取的准确性和可靠性高。
作为进一步的,基于特征交互空间输出的交互时域特征和交互频域特征,获得全局特征和局部特征,包括:
将交互时域特征和交互频域特征复合得到复合信号,复合的具体方式为:
(2)
其中,CR表示复合信号,R表示交互时域特征,I表示交互频域特征。j表示虚数单位。j是构成虚数的数学表示,称为j算子,通常j=sqrt(-1),j算子表示把一个复数逆时针旋转90度。
对复合信号进行傅里叶变换得到变换复信号。
对分别对交互时域特征和交互频域特征进行傅里叶变换,分别获得变换交互时域特征和变换交互频域特征;即,对交互时域特征进行傅里叶变换得到变换交互时域特征,对交互频域特征进行傅里叶变换得到变换交互频域特征。
将变换交互时域特征和变换交互频域特征复合得到变换特征信号。具体的复合方式如公式(2)所示的方式,在此不再赘述。
以变换复信号和变换特征信号作为特征交互空间的输入,获得交换信号;所述交
换信号为特征交互空间针对输入为变换复信号和变换特征信号对应输出的。此时,针
对输入,为变换特征信号,为变换复信号。L=8,交换信号为特征交互空间。
对交换信号进行全局池化处理,得到池化特征。
对交换信号进行卷积处理,得到卷积特征。
通过分类器基于池化特征进行分类,得到全局特征。
通过分类器基于卷积特征进行分类,得到局部特征。
在本发明实施例中,采用为分类器进行分类。
可选的,基于所述全局特征和局部特征获得电缆的故障类别,包括:
对全局特征和局部特征进行特征融合,得到电缆特征;
通过卷积神经网络Convolutional Neural Networks,CNN)对电缆特征进行分类,得到电缆的故障类别。
在本发明实施例中,对全局特征和局部特征进行特征融合,得到电缆特征,包括:
通过特征交互空间对全局特征和局部特征进行特征融合,获得电缆特征。具体的,
以全局特征和局部特征分别作为特征交互空间的输入,此时,L=5或者6,电缆特征为整体输
出中的,针对输入,为全局特征,为局部特征。电缆特征为当k=L时的。
综上,通过采用以上方案,特征交互空间通过对两个输入进行交互,使得特征交互空间的输出融合了两个输入的内隐信息和两个输入之间的关联关系,针对于特征提取、特征融合、故障分类过程中,能够挖掘出两个输入之间的内隐信息和关联关系,电缆分析模型特征提取、特征融合、故障分类的准确性高。
基于上述的基于阻抗谱的电缆分析方法,本发明实施例提供了一种基于阻抗谱的电缆分析系统,用于执行上述的基于阻抗谱的电缆分析方法,所述系统包括:
获得模块,用于获得电缆的阻抗谱信号。
分析模块,用于通过电缆分析模型基于所述阻抗谱信号进行分析,得到电缆的故障类别,具体包括:对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号;基于构建的特征交互空间对所述时域信号和频域信号进行信息交互和特征提取,获得阻抗谱信号的全局特征和局部特征;基于所述全局特征和局部特征获得电缆的故障类别。
综上,在进行信号分析故分析时,通过构建特征交互空间,对时域信号和频域信号进行交互,能够提取出阻抗谱信号中的内隐信息,使得提取出来的全局特征和局部特征能够准确表征电缆的故障状况。基于所述全局特征和局部特征获得电缆的故障类别,能够准确分析出电缆的故障类别,提高了电缆故障类别分析的准确性。电缆分析模型特征提取、特征融合、故障分类的准确性高,进而提高电缆故障类别的准确性。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种基于阻抗谱的电缆分析方法,其特征在于,包括:
获得电缆的阻抗谱信号;
通过电缆分析模型基于所述阻抗谱信号进行分析,得到电缆的故障类别,具体包括:
对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号;
基于构建的特征交互空间对所述时域信号和频域信号进行信息交互和特征提取,获得阻抗谱信号的全局特征和局部特征;
基于所述全局特征和局部特征获得电缆的故障类别;
其中,特征交互空间的数据处理方式如公式(1)所示的计算方式:
(1)
其中,表示第k层网络进行特征交互后的输出;表示第i层网络进行特征交互后
的输出;()表示第k层网络的交互函数;()表示第i层网络的交互函数;第k-
1层网络进行特征交互后的输出;第i-1层网络进行特征交互后的输出;i和k的取值
为1-L之间的任意实数,L为大于1的实数;当k=1时,为特征交互空间的输入,当i=1时,为所述特征交互空间的输入。
2.根据权利要求1所述的基于阻抗谱的电缆分析方法,其特征在于,所述对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号,包括:
将抗阻谱信号输入差分放大模块,差分放大模块将抗阻谱信号进行放大,得到放大信号;
将放大信号输入低通滤波模块和高通滤波模块;通过低通滤波模块滤除放大信号的高频部分,得到时域信号;通过高通滤波模块滤除放大信号的低频部分,得到频域信号。
3.根据权利要求1所述的基于阻抗谱的电缆分析方法,其特征在于,基于构建的特征交互空间对所述时域信号和频域信号进行信息交互和特征提取,获得阻抗谱信号的全局特征和局部特征,包括:
将时域信号和频域信号作为特征交互空间的输入,特征交互空间对时域信号和频域信号进行特征交互,提取出阻抗谱信号的全局特征和局部特征;其中,特征交互空间进行特征交互的方式如下公式(1)所示:
此时,表示第k层网络进行特征交互后的时域特征;表示第i层网络进行特征交
互后的频域特征;()表示第k层网络的交互函数;()表示第i层网络的交互函数;第k-1层网络进行特征交互后的时域特征;第i-1层网络进行特征交互后的频
域特征;i和k的取值为1-L之间的任意实数,L为大于1的实数;当k=1时,为所述的频域
信号,当i=1时,为所述的频域信号;
基于特征交互空间输出的交互时域特征和交互频域特征,获得全局特征和局部特征。
4.根据权利要求3所述的基于阻抗谱的电缆分析方法,其特征在于,基于特征交互空间输出的交互时域特征和交互频域特征,获得全局特征和局部特征,包括:
将交互时域特征和交互频域特征复合得到复合信号;
对复合信号进行傅里叶变换得到变换复信号;
对分别对交互时域特征和交互频域特征进行傅里叶变换,分别获得变换交互时域特征和变换交互频域特征;
将变换交互时域特征和变换交互频域特征复合得到变换特征信号;
以变换复信号和变换特征信号作为特征交互空间的输入,获得交换信号;所述交换信
号为特征交互空间针对输入为变换复信号和变换特征信号对应输出的;
对交换信号进行全局池化处理,得到池化特征;
对交换信号进行卷积处理,得到卷积特征;
通过分类器基于池化特征进行分类,得到全局特征;
通过分类器基于卷积特征进行分类,得到局部特征。
5.根据权利要求4所述的基于阻抗谱的电缆分析方法,其特征在于,L=8。
6.根据权利要求3所述的基于阻抗谱的电缆分析方法,其特征在于,基于所述全局特征和局部特征获得电缆的故障类别,包括:
对全局特征和局部特征进行特征融合,得到电缆特征;
通过卷积神经网络对电缆特征进行分类,得到电缆的故障类别。
7.根据权利要求6所述的基于阻抗谱的电缆分析方法,其特征在于,对全局特征和局部特征进行特征融合,得到电缆特征,包括:
通过特征交互空间对全局特征和局部特征进行特征融合,获得电缆特征。
8.根据权利要求7所述的基于阻抗谱的电缆分析方法,其特征在于,电缆特征为当k=L
时的。
9.根据权利要求8所述的基于阻抗谱的电缆分析方法,其特征在于,L=5。
10.一种基于阻抗谱的电缆分析系统,其特征在于,包括:
获得模块,用于获得电缆的阻抗谱信号;
分析模块,用于通过电缆分析模型基于所述阻抗谱信号进行分析,得到电缆的故障类别,具体包括:对抗阻谱信号进行时域和频域拆分,得到时域信号和频域信号;基于构建的特征交互空间对所述时域信号和频域信号进行信息交互和特征提取,获得阻抗谱信号的全局特征和局部特征;基于所述全局特征和局部特征获得电缆的故障类别;
其中,特征交互空间的数据处理方式如公式(1)所示的计算方式: (1)
其中,表示第k层网络进行特征交互后的输出;表示第i层网络进行特征交互后
的输出;()表示第k层网络的交互函数;()表示第i层网络的交互函数;第k-
1层网络进行特征交互后的输出;第i-1层网络进行特征交互后的输出;i和k的取值
为1-L之间的任意实数,L为大于1的实数;当k=1时,为特征交互空间的输入,当i=1时,为所述特征交互空间的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410564351.9A CN118152936A (zh) | 2024-05-09 | 2024-05-09 | 基于阻抗谱的电缆分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410564351.9A CN118152936A (zh) | 2024-05-09 | 2024-05-09 | 基于阻抗谱的电缆分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118152936A true CN118152936A (zh) | 2024-06-07 |
Family
ID=91295211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410564351.9A Pending CN118152936A (zh) | 2024-05-09 | 2024-05-09 | 基于阻抗谱的电缆分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118152936A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150253370A1 (en) * | 2012-10-24 | 2015-09-10 | Wirescan As | Method and system for monitoring a condition of electrical cables |
CN107942198A (zh) * | 2017-11-20 | 2018-04-20 | 广东核电合营有限公司 | 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 |
CN117491801A (zh) * | 2023-11-01 | 2024-02-02 | 哈尔滨理工大学 | 交叉互联电缆缺陷检测系统、模型及缺陷定位方法 |
-
2024
- 2024-05-09 CN CN202410564351.9A patent/CN118152936A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150253370A1 (en) * | 2012-10-24 | 2015-09-10 | Wirescan As | Method and system for monitoring a condition of electrical cables |
CN107942198A (zh) * | 2017-11-20 | 2018-04-20 | 广东核电合营有限公司 | 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 |
CN117491801A (zh) * | 2023-11-01 | 2024-02-02 | 哈尔滨理工大学 | 交叉互联电缆缺陷检测系统、模型及缺陷定位方法 |
Non-Patent Citations (2)
Title |
---|
QINGZHU WAN等: "Fault Identification and Localization of a Time−Frequency Domain Joint Impedance Spectrum of Cables Based on Deep Belief Network", SENSORS, 6 January 2023 (2023-01-06), pages 1 - 17 * |
周伟;: "基于遗传算法的电缆局部缺陷状态评估方法", 电力设备管理, no. 06, 25 June 2018 (2018-06-25), pages 43 - 46 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A hybrid attention improved ResNet based fault diagnosis method of wind turbines gearbox | |
Hao et al. | A three-dimensional geometric features-based SCA algorithm for compound faults diagnosis | |
US10796316B2 (en) | Method and system for identifying fraudulent publisher networks | |
CN111680642A (zh) | 一种地形分类方法及装置 | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
Islam et al. | Motor bearing fault diagnosis using deep convolutional neural networks with 2d analysis of vibration signal | |
Yao et al. | An adaptive anti-noise network with recursive attention mechanism for gear fault diagnosis in real-industrial noise environment condition | |
Gord et al. | Real fault section estimation in electrical distribution networks based on the fault frequency component analysis | |
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 | |
CN115238740A (zh) | 一种基于时频分布和深度学习的故障诊断方法及装置 | |
CN113627547B (zh) | 训练方法、电弧检测方法、装置、电子设备及存储介质 | |
Chouhan et al. | Artificial neural network–based fault diagnosis for induction motors under similar, interpolated and extrapolated operating conditions | |
Li et al. | Filter bank properties of envelope modified EMD methods | |
CN115079052A (zh) | 一种变压器故障诊断方法和系统 | |
Luo et al. | A fault diagnosis method for rotating machinery with variable speed based on multi-feature fusion and improved ShuffleNet V2 | |
CN118152936A (zh) | 基于阻抗谱的电缆分析方法及系统 | |
CN116610986A (zh) | 电弧故障检测模型的训练、电弧故障检测方法及电子设备 | |
Wang et al. | Fast Spectral Correlation Based on Sparse Representation Self‐Learning Dictionary and Its Application in Fault Diagnosis of Rotating Machinery | |
CN111245815B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
Luo et al. | Evaluating railway noise sources using distributed microphone array and graph neural networks | |
Lampart et al. | Dynamical properties of partial-discharge patterns | |
Jiang et al. | Rolling element bearing fault feature extraction using an optimal chirplet | |
Zhang et al. | A 1.5 D Spectral Kurtosis‐Guided TQWT Method and Its Application in Bearing Fault Detection | |
Wu et al. | An ADS‐B signal poisoning method based on generative adversarial network | |
Huang et al. | A method for extracting fingerprint feature of communication satellite signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |