一种基于残差神经网络的电缆缺陷识别方法

1.本发明属于电缆检测技术领域，涉及一种基于残差神经网络的电缆缺陷识别方法。


背景技术：

2.随着我国电力能源互联网的建设，凸显输电网络安全有效运行的重要性。随着长期运行电缆的绝缘结构逐渐老化，其故障率也随之上升，准确判断电缆的故障类型并快速修复，可以减少停电事故造成的诸多损失。电缆绝缘结构缺陷区域易发生局部放电现象，将加剧绝缘结构进一步劣化，加深原有的绝缘缺陷引起更严重的放电，给电缆的安全运行带来极大困难。
3.交联聚乙烯电力电缆根据各种不同类型的绝缘缺陷导致的局部放电一般可以分为：主绝缘划痕沿面放电、金属尖刺放电、气隙放电、外半导电层损伤悬浮放电。电力电缆不同绝缘缺陷引起的局部放电现象有一定的差异，导致的危害程度也有所不同，因此准确识别分析电力电缆存在的绝缘缺陷类型对于及时维护、修缮电缆线路意义重大，同时对于指导现场工程实际具有重大意义。
4.现阶段通过神经网络模型识别电缆存在的缺陷类型的研究开展广泛，如孟航提出了基于长短期记忆神经网络和mann-kendall检验法的监测系统，有效提高了对电缆终端接头局部放电的监测水平，并应用到河北省某变电站，实现了对开关柜电缆终端接头局部放电的有效预警。朱煜峰针对直流交联聚乙烯电缆局部放电的强随机信号难以进行特征提取的问题，提出了基于卷积神经网络的模式识别算法，其识别准确率相比传统的识别方法至少提高了8.97％。张安安为解决电缆附件绝缘缺陷识别复杂、特征参量选择困难的问题，提出了一种基于数学形态学和hurst指数的直接识别含噪声局部放电信号的方法，提高了识别准确率。
5.然而，目前对于电缆缺陷识别的方法还无法完全掌握信号中的全部信息，方法自动化程度不够，识别准确率及效率需进一步提高。


技术实现要素：

6.本发明所要解决的技术问题是：目前的电缆缺陷类型识别存在自动化程度不够、识别准确率及效率不高的问题，提供一种基于残差神经网络的电缆缺陷识别方法，以实现电缆故障的快速判定、修复。
7.为了解决上述技术问题，本发明的技术方案如下：
8.一种基于残差神经网络的电缆缺陷识别方法，具体步骤为：
9.(1)通过脉冲电流法获取不同缺陷类型电缆的局部放电数据；
10.(2)得到局部放电的prpd图谱；
11.(3)对电缆局放图谱进行预处理得到灰度图像；
12.(4)对经过预处理后的电缆局放数据灰度图进行增强图像信息操作，提取图像纹
理特征；
13.(5)利用残差神经网络模型训练电缆局放数据并测试识别准确率及识别效率；
14.(6)运用该方法识别电缆存在的缺陷类型。
15.所述的电缆缺陷类型，包括：气隙缺陷、尖刺缺陷、划痕缺陷和外半导电层损伤，气隙缺陷是由于在排气过程中留在绝缘层，或者绝缘层密封性不足导致气体进入；尖刺缺陷形成原因是绝缘层表面残留的金属颗粒陷入绝缘层，或金属屏蔽层金属毛刺进入绝缘层；主绝缘划痕是由于在电缆制作过程中由于操作不当，拖拉绝缘层导致交联聚乙烯表面破损，或剥离外半导电层时损伤绝缘层；外半导电层损伤因操作不当导致外半导电层断口处有残留，在此断口容易发生局部放电现象。
16.所述的步骤(1)中，通过脉冲电流法采集电缆的局部放电信息，脉冲电流法通过罗格夫斯基线圈从电气设备的接地点或测量阻抗在耦合电容上由局部放电所导致的脉冲电流来实现对放电相位、放电幅值、局部放电量、放电次数等放电参数的采集，实验系统按照相应国家标准gb/t 7354-2018《高电压试验技术——局部放电测量》设计搭建，局放检测系统可以保存所有局放信息并对其分析处理。
17.所述的步骤(2)中，得到局部放电prpd图谱，即基于局部放电相位分布模式分析电缆局放数据。通过采集多个放电周期下的脉冲放电量、放电次数和对应相位等数据，构造三者之间的关系，从而获得其三维统计谱图。
18.所述的步骤(3)中，对局放图谱进行预处理形成对应灰度图像，可以直观地观察到局部放电的放电量、相位分布以及放电次数等特征，不同区域内的局部放电次数为n
i,j
，该区域内的最大放电次数为n
max
，计算图谱中各像素点的灰度值：
[0019][0020]
进一步地，通过线性灰度变换提高对局放图谱图像增强，对图像做灰度线性延伸，常能显著改善图像的主观质量。通过下列计算公式将图像灰度函数f(x,y)的灰度范围从[a,b]扩展到[c，d]：
[0021][0022]
进一步地，调节图片的对比度，增加图像的可视化程度。
[0023]
所述的步骤(5)中，搭建深度残差神经网络模型训练上述步骤得到的电缆局部放电灰度图像，残差网络引入一个恒等映射，改善梯度消失现象提高了网络的运算能力。
[0024]
进一步地，在卷积神经网络结构的基础上在每两个卷积层之间引入残差结构单元，形成恒等映射连接，残差单元的输出由多个卷积层级联的输出和输入元素间相加并经过relu激活后得到，将这种结构级联起来就得到了残差网络。
[0025]
进一步地，确定深度残差网络各项参数，比如周期迭代次数、学习率、每次投入训练量等，输入为prpd图谱数据，输出为电缆缺陷类型，进行神经网络内部参数结构训练进而优化网络结构，最终形成深度残差网络识别模型。
[0026]
本发明采用残差神经网络模型作为分类器，在卷积神经网络结构的基础上在每两
个卷积层之间引入残差结构单元，形成恒等映射连接，使极深网络的学习成为可能，提高模型的运行效率和识别准确率。应用本发明的技术方案，在现场进行电缆故障检修工作时，工作人员只需要将通过脉冲电流法获取缺陷电缆的局部放电prpd图谱作为输入，即可通过软件系统输出其缺陷类型。操作简单，识别准确率能达到96％并且大大提高识别效率，为电缆故障的快速诊断及修复提供了可能。
附图说明
[0027]
图1为四种典型缺陷模型电缆示意图；
[0028]
(a)气隙缺陷；(b)尖刺缺陷；(c)主绝缘划痕缺陷；(d)外半导电层损伤缺陷；
[0029]
图2为脉冲电流法测量原理示意图；
[0030]
图3为电缆局部放电测量实验平台设计图；
[0031]
图4为电缆典型缺陷局部放电prpd图谱；
[0032]
(a)气隙缺陷；(b)尖刺缺陷；(c)主绝缘划痕缺陷；(d)外半导电层损伤缺陷；
[0033]
图5为电缆局放数据预处理策略示意图；
[0034]
图6为不同缺陷电缆局部放电灰度图像；
[0035]
图7为基本灰度变换函数；
[0036]
图8为增大灰度图图像；
[0037]
图9为残差神经网络运算流程图。
具体实施方式
[0038]
下面结合附图所表示的实施例对本发明专利作进一步描述：
[0039]
本实施例中，一种基于残差神经网络的电缆缺陷识别方法具体步骤为：
[0040]
通过脉冲电流法获取不同缺陷类型电缆的局部放电数据；得到局部放电的prpd图谱；对电缆局放图谱进行预处理得到灰度图像；对经过预处理后的电缆局放数据灰度图进行增强图像信息操作，提取图像纹理特征；利用残差神经网络模型训练电缆局放数据并测试识别准确率及识别效率；运用该方法识别电缆存在的缺陷类型。
[0041]
所述的电缆缺陷类型，如图1所示包括：气隙缺陷、尖刺缺陷、划痕缺陷和外半导电层损伤，气隙缺陷是由于在排气过程中留在绝缘层，或者绝缘层密封性不足导致气体进入；尖刺缺陷形成原因是绝缘层表面残留的金属颗粒陷入绝缘层，或金属屏蔽层金属毛刺进入绝缘层；主绝缘划痕是由于在电缆制作过程中由于操作不当，拖拉绝缘层导致交联聚乙烯表面破损，或剥离外半导电层时损伤绝缘层；外半导电层损伤因操作不当导致外半导电层断口处有残留，在此断口容易发生局部放电现象。
[0042]
所述脉冲电流法采集电缆的局部放电信息，如图2所示脉冲电流法通过罗格夫斯基线圈从电气设备的接地点或测量阻抗在耦合电容上由局部放电所导致的脉冲电流来实现对放电相位、放电幅值、局部放电量、放电次数等放电参数的采集。
[0043]
所述prpd图谱由图3所示试验系统获取，该实验系统按照相应国家标准gb/t 7354-2018《高电压试验技术——局部放电测量》设计搭建，局放检测系统可以保存所有局放信息并对其分析处理。
[0044]
所述局部放电prpd图谱如图4所示，即基于局部放电相位分布模式分析电缆局放
数据，通过采集多个放电周期下的脉冲放电量、放电次数和对应相位等数据，构造三者之间的关系，从而获得其三维统计谱图。
[0045]
如图5对局放图谱进行预处理，形成对应灰度图像如图6所示，可以直观地观察到局部放电的放电量、相位分布以及放电次数等特征。
[0046]
为改善图像的主观质量，通过线性灰度变换提高对局放图谱图像增强，对图像做灰度线性延伸，得到如图8所示的增大灰度图像。
[0047]
为提高网络的运算能力，搭建深度残差神经网络模型训练上述步骤得到的电缆局部放电灰度图像，残差网络引入一个恒等映射。
[0048]
构建残差网络时，在卷积神经网络结构的基础上在每两个卷积层之间引入残差结构单元，形成恒等映射连接，残差单元的输出由多个卷积层级联的输出和输入元素间相加并经过relu激活后得到，将这种结构级联起来就得到了残差网络，该网络可提高模型的运行效率和识别准确率。
[0049]
最后，确定深度残差网络各项参数，比如周期迭代次数、学习率、每次投入训练量等，输入为prpd图谱数据，输出为电缆缺陷类型，进行神经网络内部参数结构训练进而优化网络结构，最终形成深度残差网络识别模型。
[0050]
将通过脉冲电流法获取缺陷电缆的局部放电prpd图谱作为输入，输出其缺陷类型。