基于双向长短时记忆网络的电力电缆故障识别方法及系统

1.本发明属于电力电缆故障信号识别技术领域，具体涉及基于双向长短时记忆网络的电力电缆故障识别方法及系统。


背景技术：

2.随着现代工业的发展和城市化水平的提高，电力电缆作为传输电能的重要工具，越来越得到人们的重视，其运行的可靠性直接影响电力系统的正常运行。电力电缆在长期运行过程中，易受到电场、热效应、机械应力、化学腐蚀以及环境条件等因素的影响，其绝缘品质将逐渐劣化。某电网的电力电缆部分已达到使用寿命30年的期限，加上各种潜在的缺陷及问题存在便有可能引发绝缘击穿事故。同时由于电力电缆敷设于地下，一旦出现故障，会造成难以估量的停电损失。为提高供电的可靠性，减少经济损失，对电力电缆应采用科学的故障识别技术与合理的检修体制，发现问题于萌芽状态并及时解决,确保其健康、安全运行，减少经济损失。
3.电力电缆设备状态监测局限于传统意义上的设备简单参数监测，并且依赖专业的人员去进行故障诊断与检修，缺乏智能化分析的手段。
4.基于人工神经网络的方法虽然可以实现故障类型的判别，但是其自身训练时间长、判别精度低。因此，如何选择和改进神经网络模型使其更好的与实际工况相结合，仍然需要进一步的研究与验证。
5.近年来,深度学习技术因其优异的性能广泛用于计算机视觉和自然语言处理领域。深度学习技术没有显式的特征提取过程，直接把底层特征作为深度学习模型的输入，通过多层的非线性映射方式,提取抽象不变的高层属性特征，形成表征数据分布式的表示，相较于浅层机器学习模型具有更强的泛化能力，能刻画数据更加丰富的信息本质.因此,将深度学习技术用于电缆故障信号识别，将是电缆故障识别领域的一个研究热点。


技术实现要素：

6.为解决电力电缆故障诊断现有技术中存在的不足，本发明的目的在于，提供基于双向长短时记忆网络的电力电缆故障识别方案，将一维卷积网络与双向长短时记忆网络结合，采用一维卷积提取特征向量，同时对双向长短时记忆网络的电缆故障模型进行优化，实现了对电力电缆故障故障信号的诊断。
7.本发明采用如下的技术方案。基于双向长短时记忆网络的电力电缆故障识别方法，包括以下步骤：
8.步骤1，搭建三相电力电缆运行模型；
9.步骤2，仿真单相接地短路故障、两相相间短路故障、两相接地短路故障和三相短路故障，得出仿真结果的故障电压信号；
10.步骤3，根据仿真得出的各种短路故障的电压信号，构建故障电压信号样本集；
11.步骤4，搭建一维卷积神经网络，自动提取电力电缆故障信号的有效特征；
12.步骤5，搭建双向长短时记忆网络的电缆检测模型，输入由卷积层提取到的有效特征，使用双向长短时记忆网络对提取到的有效特征进行识别与分类；
13.步骤6，训练和优化一维卷积神经网络和双向长短时记忆网络的电缆检测模型，更新权重系数，得到最新的模型，并输出短路故障分类结果。
14.优选地，步骤3中，选取单个样本长度为2560，每相样本的长度为2560，三相样本长度为7680，对所述短路故障信号进行采集，一共得到12550个样本。
15.优选地，步骤4中，所述有效特征包括：故障信号的最大值、最小值、方差。
16.步骤4中所述卷积神经网络包括4层一维卷积层和4层池化层，卷积层各层尺寸均是3，池化层均采用最大值池化，池化大小为2，步长为2。
17.步骤4中，在第四层卷积层输出端加入dropout层，dropout层的概率设为0.5。
18.步骤4中，所述一维卷积神经网络的卷积过程如下：
[0019][0020]
式中：
[0021]
j表示每层的输出样本个数，
[0022]
f表示激活函数，
[0023]
i表示第i个输入的样本，
[0024]
mj表示输入的操作，
[0025]
l表示第l层卷积，
[0026]
表示目标输入的待卷积区域，
[0027]
表示卷积核，也称为权重，
[0028]bj
表示对应卷积核的偏置系数，
[0029]
表示卷积输出结果。
[0030]
优选地，步骤5中，所述双向长短时记忆网络包括2层，每个双向长短时记忆网络层包含前向层和后向层，隐藏节点数均设为256，每层双向长短时记忆网络层加dropout层,dropout层概率设为0.5。
[0031]
步骤6中，根据电力电缆故障信号的输入特征向量,设置一个由8层结构的深度神经网络模型，第一层为输入层,中间层为卷积神经网络层和双向长短时记忆网络层,最后一层为全连接输出层。
[0032]
步骤6具体包括：
[0033]
步骤6.1，采集电力电缆的电压故障信号数据；
[0034]
步骤6.2，将待识别的电压故障信号经过预处理后,输入到一维卷积神经网络与双向长短时记忆网络模型进行短路故障分类识别，得到短路故障识别结果；
[0035]
步骤6.3，训练一维卷积神经网络和双向长短时记忆网络模型，通过反向传播优化算法对损失函数进行迭代优化,并朝着损失函数减小的方向更新网络权重系数,当达到设置的迭代轮数或损失值经过设定迭代轮数不再降低时,停止对深度神经网络模型的训练,并且停止网络中参数的更新，此时网络训练已经完成，得到一个训练好的网络模型。
[0036]
优选地，步骤6.3中，双向长短时记忆网络包含前向层和后向层，前向层和后向层
共同连接着输出层，前向层从时刻1到时刻t正向计算一遍，得到并保存每个时刻的前向隐层输出；后向层沿着时刻t到时刻1反向计算一遍，得到并保存每个时刻后向隐层输出；最后将前向层和后向层在每个时刻的隐层输出结合，得到最终的输出结果数学表达式如下：
[0037]ht
＝f(w1x
t
+w2h
t-1
)
[0038]h*t
＝f(w3x
t
+w5h
*t-1
)
[0039]ot
＝g(w4h
t
+w6h
*t
)
[0040]
式中：
[0041]
t表示某个时刻，
[0042]
x
t
表示输入，输入的是上一层的输出，
[0043]ht
表示t时刻前向传播层隐层输出，
[0044]
表示t时刻后向传播层隐层输出，
[0045]ot
表示t时刻最终输出，
[0046]
w1表示输入层到前向层的权重，
[0047]
w2表示前向层中的权重，
[0048]
w3表示输入层到后向层的权重，
[0049]
w4表示前向层到输出层的权重，
[0050]
w5表示后向层的权重，
[0051]
w6表示后向层到输出层的权重。
[0052]
基于双向长短时记忆网络的电力电缆故障识别系统，包括：仿真模型搭建模块，故障信号仿真模块，构建故障样本集模块，卷积神经网络模块，双向长短时记忆网络模块，模型优化模块，其特征在于：
[0053]
仿真模型搭建模块，根据电力电缆的结构，利用matlab软件在simulink仿真平台上搭建10kv电力电缆运行模型；
[0054]
故障信号仿真模块，用于仿真单相接地短路故障、两相相间短路故障、两相接地短路故障和三相短路故障，得出仿真结果的故障电压信号；
[0055]
构建故障样本集模块，根据仿真得出的各种短路故障的电压信号，构建故障样本集；
[0056]
卷积神经网络模块，用于搭建一维卷积神经网络，自动提取电力电缆故障信号的有效特征；
[0057]
双向长短时记忆网络模块，用于搭建双向长短时记忆网络模型，输入由卷积层提取到的有效特征，使用双向长短时记忆网络对提取到的有效特征进行识别与分类；
[0058]
模型优化模块，训练和优化一维卷积神经网络和双向长短时记忆网络的电缆检测模型，更新权重系数，得到最新的模型，并输出短路故障分类结果。
[0059]
本发明的有益效果在于，与现有技术相比，
[0060]
1)本发明将卷积神经网络和双向长短时记忆网络相融合，通过卷积网络强大的特征提取能力和双向长短时记忆网络的时序捕捉能力，对电力电缆故障信号进行诊断。首先利用卷积神经网络从电缆故障信号中提取出丰富的特征，然后将提取到的特征量输入到双向长短时记忆网络中，双向长短时记忆网络可以很好的解决长期依赖问题，能同时捕捉过去和未来的信息。
[0061]
2)本发明能对电力电缆多种短路故障进行识别和分类。相对于传统的电缆故障诊断方法，本方法利用一维卷积提取电缆故障信号的局部特征，接着利用双向长短时记忆网络可以考虑故障信号时序信息，使得网络对电缆故障诊断的准确率更高。
附图说明
[0062]
图1是本发明所述基于双向长短时记忆网络的电力电缆故障识别流程图；
[0063]
图2是基于本发明的实验流程图；
[0064]
图3是本发明的卷积神经网络和双向长短时记忆网络结构图；
[0065]
图4是本发明网络模型训练过程中损失值和准确率的学习曲线；
[0066]
图5是本发明故障信号识别算法的识别混淆矩阵。
具体实施方式
[0067]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0068]
本发明实施例1，提供了一种基于双向长短时记忆网络的电力电缆故障识别方法，如图1所示，包括以下步骤：
[0069]
步骤1，搭建三相电力电缆运行模型。
[0070]
实施例1优选地，利用matlab软件在simulink仿真平台上搭建10kv电力电缆运行模型。10kv供电网络采用三芯电缆，即由a相、b相、c相三相线路组成。除了三相短路故障属于对称性短路故障外，其余都是不对称短路故障。
[0071]
步骤2，根据运行经验，对于电力系统故障来说，短路故障在所有电缆故障中所占比重最大。主要包括:单相接地短路、两相接地短路、两相相间短路、三相短路故障。因此仿真出单相接地短路故障、两相相间短路故障、两相接地短路故障和三相短路故障，得出仿真结果的各种短路故障的电压信号。
[0072]
步骤3，根据仿真得出的各种短路故障的电压信号，构建得到故障电压样本集。为了电缆故障电压信号进行特征分析以及后续电缆故障检测算法的训练与测试，需要构建大量的故障电压信号数据作为实验的数据集。选取单个样本长度为2560，即2560个采样点。每相样本的长度为2560，三相样本长度为7680。对上述四大类短路故障电压信号进行采集，一共得到12550个样本。
[0073]
步骤4，搭建一维卷积神经网络，自动提取电力电缆故障电压信号的有效特征，有效特征包括短路故障电压信号的最大值、最小值、方差等。
[0074]
卷积神经网络包含四层一维卷积层以及四层池化层。
[0075]
搭建的一维卷积网络与长短时记忆网络结构为，输入的数据大小为7680x1，其中1是通道数，即是个一维的向量。
[0076]
其中卷积神经网络部分为4层一维卷积层和4层池化层，卷积层各层尺寸均是3，池化层均采用最大值池化，池化大小为2，步长为2。从第一层开始，每层卷积核个数分别设置为16、32、64、64，一共四层。在第四层
‑‑
维卷积层输出端加入dropout层，可以使一定的概率让部分神经元停止工作，来减少神经网络的参数数量，提高网络的泛化性能。dropout层的概率设为0.5，即以0.5的概率将前一层的输出失活，防止网络出现过拟合现象。
[0077]
一维卷积过程如下：
[0078][0079]
式中：
[0080]
j表示每层的输出样本个数，
[0081]
f表示激活函数，
[0082]
i表示第i个输入的样本，
[0083]
mj表示输入的操作，
[0084]
l表示第l层卷积，
[0085]
表示目标输入的待卷积区域，
[0086]
表示卷积核，也称为权重，
[0087]bj
表示对应卷积核的偏置系数，
[0088]
表示卷积输出结果。
[0089]
本卷积过程通过输入电力电缆的故障样本，通过卷积层中的卷积计算和池化层中的池化，得到电缆故障样本的局部有效特征，这些局部有效特征有电缆故障样本局部最大值、峰值、最小值等。通过对电缆故障样本有效特征的提取，可以帮助网络更加准确的预测出电缆故障的类别。
[0090]
步骤5，搭建双向长短时记忆网络的电缆检测模型，输入由卷积层提取到的有效特征，使用双向长短时记忆网络对提取到的有效特征进行识别与分类。
[0091]
卷积层后接2层双向长短时记忆网络层，每个双向长短时记忆网络层包含前向层和后向层，隐藏节点数均设为256。每层双向长短时记忆网络层仍加dropout,dropout概率设为0.5。dropout层用来训练网络模型，在测试时移除所有dropout层。双向长短时记忆网络层后接全连接层，经softmax函数输出短路故障类别。
[0092]
步骤6，训练和优化一维卷积神经网络和双向长短时记忆网络的电缆检测模型，更新权重系数，得到最新的模型，并输出电力电缆短路故障分类结果。
[0093]
根据电力电缆故障电压信号的输入特征向量,设置一个由8层结构的深度神经网络模型，第一层为输入层,中间层为卷积神经网络层和双向长短时记忆层,最后一层为全连接输出层,最后通过softmax函数对短路故障类型进行分类。其训练优化算法的过程如下：
[0094]
步骤6.1，通过采集电力电缆电压故障信号，得到的电压故障信号大小为7680个数据点，即网络的输入大小为7680x1的向量。
[0095]
步骤6.2，将待识别的电压故障信号经过预处理后,输入到一维卷积神经网络与双向长短时记忆网络模型进行短路故障分类识别，得到短路故障识别结果。
[0096]
步骤6.3，训练一维卷积神经网络和双向长短时记忆网络模型，通过反向传播优化算法对损失函数进行迭代优化,并朝着损失函数减小的方向更新网络权重系数,当达到设置的迭代轮数或损失值经过设定迭代轮数不再降低时,停止对一维卷积神经网络和双向长短时记忆网络的训练,并且停止网络中参数的更新，此时网络训练已经完成，得到一个训练好的网络模型。
[0097]
双向长短时记忆网络既可以沿时间从前往后传递信息，也可以从后到前进行传递
信息。
[0098]
双向长短时记忆网络包含前向传播层和后向传播层，它们共同连接着输出层，前向层从时刻1到时刻t正向计算一遍，得到并保存每个时刻的前向隐层输出。
[0099]
后向传播层沿着时刻t到时刻1反向计算一遍，得到并保存每个时刻后向隐层输出。最后将前向传输层和后向传输层在每个时刻的隐层输出结合，得到最终的输出结果。因为前向层的输出是获取电缆故障信号过去的时序信息，后向层的输出是获取电缆故障信号未来时序的信息，将这两个输出结果结合起来更能准确的预测出电缆故障的类别。数学表达式如下：
[0100]ht
＝f(w1x
t
+w2h
t-1
)
[0101]h*t
＝f(w3x
t
+w5h
*t-1
)
[0102]ot
＝g(w4h
t
+w6h
*t
)
[0103]
式中：
[0104]
t表示某个时刻，
[0105]
x
t
表示输入，输入的是上一层的输出，
[0106]ht
表示t时刻前向传播层隐层输出，
[0107]
表示t时刻后向传播层隐层输出，
[0108]ot
表示t时刻最终输出，
[0109]
w1表示输入层到前向层的权重，
[0110]
w2表示前向层中的权重，
[0111]
w3表示输入层到后向层的权重，
[0112]
w4表示前向层到输出层的权重，
[0113]
w5表示后向层的权重，
[0114]
w6表示后向层到输出层的权重。
[0115]
长短时记忆网络中使用的损失函数是均方差函数，多用于回归任务，最终利于对电力电缆的短路故障进行分类。
[0116]
基于一维卷积神经网络和基于双向长短时记忆网络的电缆故障检测模型，用于处理直接对原始数据进行处理。将一维卷积网络与双向长短时记忆网络结合，对双向长短时记忆网络的电缆故障模型进行优化。相比传统的机器学习算法，一维卷积模型和双向长短时记忆网络模型在检测准确率上都很大的提高。
[0117]
虽然一维卷积神经网络很好的适应了电力电缆故障信号的一维特性，提取故障信号的局部特征，避免了人工提取特征的过程，但却没有考虑故障信号的时序信息，无法解决故障信号长信息的长期依赖问题。而双向长短时记忆网络考虑了电缆故障信号的长时序信息，解决了长期依赖问题，并且取得了比一维卷积网络更高的准确率，但是双向长短时记忆网络的特征提取能力相对卷积网络较弱。
[0118]
如果双向长短时记忆网络输入更好的特征，其检测准确率将进一步提升。基于此，将一维卷积网络与双向长短时记忆网络结合，提出一种改进的双向长短时记忆网络的电缆故障检测模型。
[0119]
将一维卷积网络与长短时记忆网络的特点相结合，利用一维卷积强大的特征提取能力与双向长短时记忆网络的时序信息捕捉能力，对双向长短时记忆网络的电缆故障模型
进行改进。
[0120]
首先选择一维卷积从输入中获得信息丰富的特征。接着将特征向量输入到双向长短时记忆网络中，双向长短时记忆网络可以捕捉长期依赖关系，同时双向结构获取过去和未来的信息。在双向长短时记忆网络基础上搭接全连接层，进行电缆故障检测预测。
[0121]
实施例2。
[0122]
基于双向长短时记忆网络的电力电缆故障诊断系统，包括：仿真模型搭建模块，故障信号仿真模块，构建故障样本集模块，卷积神经网络模块，双向长短时记忆网络模块，模型优化模块，其中：
[0123]
仿真模型搭建模块，根据电力电缆的结构，利用matlab软件在simulink仿真平台上用于搭建10kv电力电缆运行模型；
[0124]
故障信号仿真模块，用于仿真单相接地短路故障、两相相间短路故障、两相接地短路故障和三相短路故障，得出仿真结果的故障电压信号；
[0125]
构建故障样本集模块，根据仿真得出的各种短路故障的电压信号，构建故障样本集；
[0126]
卷积神经网络模块，用于搭建一维卷积神经网络，自动提取电力电缆故障信号的有效特征；
[0127]
双向长短时记忆网络模块，用于搭建双向长短时记忆网络模型，输入由卷积层提取到的有效特征，使用双向长短时记忆网络对提取到的有效特征进行识别与分类；
[0128]
模型优化模块，训练和优化一维卷积神经网络和双向长短时记忆网络的电缆检测模型，更新权重系数，得到最新的模型，并输出短路故障分类结果。
[0129]
实施例3。
[0130]
以某批次采集电力电缆故障信号数据为例，运行一种双向长短时记忆网络的电力电缆故障识别方法，实现流程如图2所示,具体实施步骤如下：
[0131]
步骤1，电力电缆故障信号的预处理:
[0132]
带标签的故障信号原始数据包含信号类型9类，信号个数合计12550个。
[0133]
数据集划分:将标记好标签的样本集随机打乱顺序，按9:1进行分层抽样，划分训练集和测试集。并将训练集按8:2进一步细分为训练集和验证集。最终训练集样本数为11295。
[0134]
步骤2，搭建深度神经网络，其结构主要由卷积层和双向长短时记忆层组成。
[0135]
构建输入层:通过采集电力电缆故障信号，作为输入特征。根据所选特征输入层形状为7680x1。
[0136]
从图3中可以看出，构建一维卷积层选用4层的卷积层和4层最大池化层。卷积层的尺寸大小为3，每层卷积核的个数分别为16、32、64、128。
[0137]
构建长短时记忆层：选用2层的双向长短时记忆网络，2层双向长短时记忆层的单元输出空间维度均设置为256维。每层双向长短时记忆层后增加一层失活层,失活概率设置为0.5。
[0138]
步骤构建全连接输出层：全连接输出层神经元个数根据故障信号类型设置为9，每个神经元采用非线性整流函数激活。通过softmax函数,获得分类信号类型标签及对应所属概率的输出。
[0139]
步骤3，训练深度神经网络。
[0140]
优化器的选择：本实例选择adam算法作为模型优化器，学习率设置为0.001，指数衰减率设置为0.9，指数衰减率设置为0.999。
[0141]
性能评估指标的选择：选择识别准确率作为训练阶段评价网络模型好坏的性能评估指标。
[0142]
批处理大小选择：批处理大小设置为128。
[0143]
训练轮数选择:轮数设置为500轮，提前终止训练轮数设置为5。
[0144]
网络模型训练：每一轮训练时将训练集打乱顺序并按批处理大小分为150份输入至网络模型进行训练，利用损失函数和优化器对网络权重系数进行更新,每轮训练后将验证集数据输入网络模型获取模型损失值与准确率，以指导模型训练防止模型欠拟合或过拟合。
[0145]
步骤4，基于双向长短时记忆网络的电力电缆故障信号识别：
[0146]
以将电力电缆故障信号测试集样本输入到训练好的网络模型中，得到故障信号样本所属故障信号类型及概率的输出。根据测试集标签对识别的故障信号类型进行评估。
[0147]
从图4可以看出，实线代表着损失函数，虚线表示准确率。迭代次数提高，准确率逐渐增高，损失函数逐渐降低。当网络最终收敛时，训练集准确率最高为95.69％。经测试集数据对模型进行多次测试，最终测试集的平均准确率为96.28％。
[0148]
从图5可以看出，电缆故障正确分类的概率达到96.4％，经一维卷积网络提取特征后，再送入双向长短时记忆网络中进行检测，每类信号均得到了很好的区分。通过改进双向长短时记忆网络的电力电缆检测模型，准确率达到最高，可以用来检测电缆故障信号。
[0149]
本发明的有益效果在于，与现有技术相比，将一维卷积网络与长短时记忆网络的特点相结合，利用一维卷积强大的特征提取能力与双向长短时记忆网络的时序信息捕捉能力，对双向长短时记忆网络的电缆故障模型进行改进。相比传统的机器学习算法，一维卷积模型和双向长短时记忆网络模型在检测准确率上有很大的提高。
[0150]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。