一种融合深度学习与逻辑判断的电缆间歇性故障监测方法与流程

本发明涉及电力电缆状态监测，特别是涉及一种融合深度学习与逻辑判断的电缆间歇性故障监测方法。

背景技术：

1、电力电缆在长期运行过程中，受绝缘老化、水分侵入、机械损伤、热应力以及局部电弧放电等因素影响，容易产生间歇性故障。间歇性故障通常表现为电压波形在短时间内发生畸变并随后恢复正常，具有瞬时性、重复性和非持续性的特点，是电缆由健康状态向永久性故障发展的早期异常状态。由于该类故障的波形变化持续时间短、幅值变化不稳定，且现场电压信号中常伴随噪声干扰和幅值波动，传统保护装置和单一阈值判断方法难以及时、准确地识别故障发生情况。为了实现电缆间歇性故障的早期监测，现有技术中主要采用电压畸变特征分析、时频特征提取、统计变化检测以及深度学习识别等方法。

2、现存的电缆间歇性故障监测方法例如文献《multi-cycle incipient faultdetection and location for medium voltage underground cable》提出了基于多周期电压扰动特征的电缆早期故障检测与定位方法，通过分析故障引起的电压畸变实现故障判断。尽管该方法能够对多周期早期故障进行识别，但其判断过程依赖电压畸变特征和相关阈值，在电压幅值波动、噪声干扰或故障畸变程度较弱时，容易影响检测精度；文献《detecting incipient faults via numerical modeling and statistical changedetection》提出了基于数值建模和统计变化检测的早期故障识别方法，通过统计量变化判断故障发生时刻。该方法在理论上能够反映故障前后信号分布的变化，但其识别效果受模型假设和统计窗口选取影响较大，面对复杂现场工况时适应性不足；文献《基于平稳小波变换与随机森林的电缆早期故障识别方法》提出利用平稳小波变换提取故障波形特征，并结合随机森林进行故障识别。该方法提高了对暂态特征的表达能力，但需要人工设计和筛选特征，且识别效果依赖特征提取质量，难以充分适应间歇性故障波形的多样性；文献《基于深度学习的电力电缆故障在线诊断研究》提出基于深度学习模型对电缆故障进行在线诊断，能够在一定程度上自动学习故障波形特征，但其故障样本多来源于仿真平台，仿真数据与真实电缆间歇性故障波形之间仍存在差异，导致实际应用中的泛化能力受到限制；文献《基于改进深度残差收缩网络的电缆早期故障识别》引入深度残差收缩网络进行电缆早期故障识别和故障时序分析，虽然提升了复杂波形下的识别能力，但其仍主要侧重于故障分类，对故障起始周期和故障结束周期的边界判断不够精细，难以满足高时序精度故障定位需求。

3、所以，目前采用电压畸变阈值、统计变化检测、传统机器学习或单一深度学习模型进行电缆间歇性故障监测时，仍存在抗噪声能力不足、对真实实测数据适应性有限、故障时间边界识别精度不高以及长周期训练效率较低等问题，尚不能很好地满足电缆间歇性故障早期监测和周期级故障发生时间识别的工程应用需求。

技术实现思路

1、本发明的目的是提供一种融合深度学习与逻辑判断的电缆间歇性故障监测方法，可解决现有方法易受电压幅值波动和噪声干扰、故障时间边界识别精度不足的问题，实现电缆间歇性故障的单周期识别和周期级时间定位。

2、为实现上述目的，本发明提供了如下方案：

3、一种融合深度学习与逻辑判断的电缆间歇性故障监测方法，包括：

4、采集电缆运行过程中的连续电压信号，按照工频周期将连续电压信号划分为多个单周期电压样本，并为各单周期电压样本设置对应的时间标签；

5、将各单周期电压样本输入预先训练的cnn-bilstm-mha深度学习模型，cnn-bilstm-mha深度学习模型包括依次连接的卷积神经网络cnn、双向长短期记忆网络bilstm和多头注意力机制mha；

6、利用卷积神经网络cnn提取各单周期电压样本的局部畸变特征，利用双向长短期记忆网络bilstm根据局部畸变特征提取周期内前后时序关联特征，利用多头注意力机制mha对周期内前后时序关联特征中的关键时间片段进行注意力加权，对注意力加权后的周期内前后时序关联特征进行分类处理，确定各单周期电压样本为正常周期或故障周期，形成对应的单周期判别结果；

7、将各单周期判别结果按照连续电压信号的采样时序排列，并与对应的时间标签关联，形成带有时序索引的单周期判别结果序列；

8、利用逻辑判断模块以滑动窗口方式分析单周期判别结果序列，当滑动窗口内存在连续故障周期区间，且连续故障周期区间前后的相邻周期均为正常周期时，判定电缆发生间歇性故障，并根据连续故障周期区间中首个故障周期和末个故障周期对应的时间标签以及工频周期，确定故障起始时间、故障结束时间和故障持续时间。

9、优选地，按照工频周期将连续电压信号划分为多个单周期电压样本，并为各单周期电压样本设置对应的时间标签，包括：

10、根据连续电压信号对应的工频频率确定工频周期；其中：；

11、自连续电压信号的起始时间起，按照工频周期依次划分连续电压信号，形成按照采样时序排列的多个单周期电压样本；

12、将第个单周期电压样本的起始时间设置为对应的时间标签；其中：，为连续电压信号的起始时间，为单周期电压样本的序号。

13、优选地，cnn-bilstm-mha深度学习模型的训练过程，包括：

14、采集电缆正常运行状态和间歇性故障状态下的电压信号，按照工频周期将采集的电压信号划分为多个模型训练用单周期电压样本，并为各模型训练用单周期电压样本设置状态标签，状态标签包括与正常周期对应的正常标签和与故障周期对应的故障标签；

15、采用线性插值法补全各模型训练用单周期电压样本中的缺失采样点，并对完成缺失采样点补全的各模型训练用单周期电压样本进行z-score标准化处理；

16、根据完成z-score标准化处理的各模型训练用单周期电压样本以及对应的状态标签，训练cnn-bilstm-mha深度学习模型。

17、优选地，利用卷积神经网络cnn提取各单周期电压样本的局部畸变特征，包括：

18、将各单周期电压样本中的电压值按照采样时序排列，形成对应的输入序列；

19、采用一维卷积神经网络沿采样时序对输入序列进行卷积处理，并对卷积处理结果进行非线性激活，获得多个卷积通道的特征序列；

20、由各卷积通道的特征序列共同形成局部畸变特征。

21、优选地，利用双向长短期记忆网络bilstm根据局部畸变特征提取周期内前后时序关联特征，包括：

22、将局部畸变特征按照采样时序输入正向长短期记忆网络，获得各采样时刻对应的正向隐藏状态；

23、将局部畸变特征按照与采样时序相反的顺序输入反向长短期记忆网络，获得各采样时刻对应的反向隐藏状态；

24、将同一采样时刻对应的正向隐藏状态和反向隐藏状态进行拼接，形成周期内前后时序关联特征。

25、优选地，利用多头注意力机制mha对周期内前后时序关联特征中的关键时间片段进行注意力加权，包括：

26、将周期内前后时序关联特征分别映射为各注意力头对应的查询向量、键向量和值向量；

27、对各注意力头对应的查询向量与键向量的转置之间的点积按照键向量维度的平方根进行缩放，并经softmax归一化处理，获得各时间片段对应的注意力权重；

28、采用注意力权重对对应的值向量进行加权，形成各注意力头对应的注意力特征；

29、将各注意力头对应的注意力特征进行拼接和线性映射，形成注意力加权后的周期内前后时序关联特征。

30、优选地，对注意力加权后的周期内前后时序关联特征进行分类处理，确定各单周期电压样本为正常周期或故障周期，形成对应的单周期判别结果，包括：

31、将注意力加权后的周期内前后时序关联特征输入全连接层，形成对应的综合特征；

32、将综合特征输入softmax层，获得对应的单周期电压样本分别属于正常周期和故障周期的分类概率；

33、将最大分类概率对应的周期类别确定为对应的单周期电压样本的周期类别，形成单周期判别结果。

34、优选地，利用逻辑判断模块以滑动窗口方式分析单周期判别结果序列，包括：

35、将滑动窗口的窗口长度设置为十个工频周期，并将滑动窗口的滑动步长设置为一个工频周期；

36、逻辑判断模块按照滑动步长，从单周期判别结果序列中依次选取与窗口长度对应的多个单周期判别结果；

37、在每一滑动窗口内确定由连续的故障周期构成且位于滑动窗口内部的连续故障周期区间，并按照确定连续故障周期数；其中，为连续故障周期区间的起始周期序号，为连续故障周期区间的结束周期序号。

38、优选地，判定电缆发生间歇性故障，并根据连续故障周期区间中首个故障周期和末个故障周期对应的时间标签以及工频周期，确定故障起始时间、故障结束时间和故障持续时间，包括：

39、判断连续故障周期数是否为1至4，并判断连续故障周期区间内的各单周期判别结果是否均对应故障周期；

40、当连续故障周期数为1至4、连续故障周期区间内的各单周期判别结果均对应故障周期，且连续故障周期区间之前和之后的相邻单周期判别结果均对应正常周期时，判定电缆发生间歇性故障；

41、将连续故障周期区间中第个单周期电压样本对应的时间标签确定为故障起始时间，将第个单周期电压样本对应的时间标签与工频周期之和确定为故障结束时间，并将连续故障周期数与工频周期之积确定为故障持续时间，具体为：

42、；

43、；

44、。

45、优选地，利用逻辑判断模块以滑动窗口方式分析单周期判别结果序列，还包括：

46、当滑动窗口内的各单周期判别结果均对应正常周期时，判定滑动窗口对应的电缆运行片段处于正常运行状态；

47、当滑动窗口内存在对应故障周期的单周期判别结果，但不存在连续故障周期数为1至4且前后相邻单周期判别结果均对应正常周期的连续故障周期区间时，不判定滑动窗口对应的电缆运行片段发生间歇性故障，并按照滑动步长移动滑动窗口，对后续单周期判别结果进行联合判断。

48、本发明公开了以下有益效果：

49、（1）本发明将连续电压信号按照工频周期划分为多个单周期电压样本，并为各单周期电压样本设置对应的时间标签，使持续时间较短的电压畸变能够保留在明确的周期位置内。与直接采用较长时间段电压信号进行整体判断相比，单周期划分可避免短时故障特征在长时间序列中被弱化，为后续逐周期识别和故障时间边界确定提供数据基础。

50、（2）本发明将单周期电压样本依次交由卷积神经网络cnn、双向长短期记忆网络bilstm和多头注意力机制mha处理。卷积神经网络cnn提取电压波形中的局部畸变特征，双向长短期记忆网络bilstm利用所述局部畸变特征提取周期内前后时序关联特征，多头注意力机制mha进一步对关键时间片段进行注意力加权。上述处理使单周期判别同时考虑局部波形变化、周期内前后关联以及故障特征所在时间片段，可减小仅依赖单一波形特征时受电压幅值波动、噪声干扰和弱畸变影响产生的识别偏差。

51、（3）本发明将各单周期判别结果按照连续电压信号的采样时序排列，并与对应的时间标签关联，形成带有时序索引的单周期判别结果序列。单个周期的判别结果不再被孤立使用，逻辑判断模块能够结合相邻周期的状态变化分析电压波形由正常状态进入故障状态并恢复正常状态的过程，从而适应间歇性故障持续时间短且具有恢复特征的运行表现。

52、（4）本发明利用滑动窗口分析单周期判别结果序列，并以滑动窗口内存在连续故障周期区间、连续故障周期区间前后的相邻周期均为正常周期作为间歇性故障判定条件。连续性条件用于排除不构成故障区间的零散异常判别，前后正常条件用于确认电压状态经历正常、故障和恢复正常的变化过程，可降低瞬时噪声或单个周期异常对故障判定的影响。

53、（5）本发明根据连续故障周期区间中首个故障周期和末个故障周期对应的时间标签以及工频周期，分别确定故障起始时间、故障结束时间和故障持续时间。故障时间边界直接对应单周期电压样本，时间定位粒度可达到单个工频周期，改善仅能判断故障是否发生而难以确定故障起止边界的问题。