一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法与流程

一种基于cnn-lstm-attention神经网络的高压电缆局部放电诊断方法
技术领域
1.本发明属于故障在线智能诊断领域，尤其涉及高压电缆局部放电诊断。


背景技术：

2.随着电力系统的不断发展而变得复杂，高压电缆起到至关重要的作用。因此，其可靠性直接关系到其自身和电网的安全运行性能。然而，高压电缆大部分工作在潮湿环境中，受工作环境影响，慢慢老化而逐渐影响其可靠性。
3.目前，在智能算法辅助下，现有诊断技术取得长足发展，识别率不断提高。但现有故障识别技术的准确率主要基于改进的智能算法的性能，然而，对前期故障特征值和特征曲线的建立，形成完整诊断系统的研究较少。因此，提高高压电缆局部放电诊断识别能力具有实际工程价值，是一个值得进一步研究的问题。


技术实现要素：

4.本发明的目的在于克服上述现有技术的不足，提供了一种能够在线智能诊断高压电缆局部放电故障的方法，具体为一种基于cnn-lstm-attention神经网络的高压电缆局部放电诊断方法。
5.本发明提供了一种基于cnn-lstm-attention神经网络的高压电缆局部放电诊断方法，该方法包括如下步骤：
6.步骤1：对高压电缆局部放电进行实时在线监测，直至高压电缆发生局部放电故障；
7.步骤2：高压电缆局部放电故障特征参数提取阶段，当高压电缆发生局部放电故障时，采用高通butterworth滤波对高压电缆上电压波形信号原始信号进行处理。
8.步骤3：在步骤2的基础上，提出利用小波阀值去噪的方法。
9.该方法的基本思想是将信号通过小波变换(采用mallat算法)后，信号产生的小波系数含有信号的重要信息，将信号经小波分解后小波系数较大，噪声的小波系数较小，并且噪声的小波系数要小于信号的小波系数，通过选取一个合适的阀值，大于阀值的小波系数被认为是有信号产生的，应予以保留，小于阀值则认为是噪声产生的，置为零从而达到去噪的目的。
10.步骤4：在步骤3的基础上，提出基于cnn-lstm-attention神经网络的局部放电诊断方法。
11.该方法采用经过提取的波形特征x作为模型的输入，首先通过卷积神经网络提取轮廓特征；再输入lstm神经网络，提取序列特征；接着利用attention结构学习需要重点注意的特征，并通过全连接层与输出层，其中输出层采用sigmoid作为激活函数。输出数值小于 0.5为0(表示某线路没有发生局部放电)或大于0.5为1(表示某线路发生了局部放电)的最终预测值yi。
12.步骤5：重复步骤2和4，直至辨别故障类型，流程结束。
13.进一步的，所述步骤2中高压电缆局部放电典型故障特征参数提取，包括如下计算过程：
14.butterworth是四大经典滤波方法之一，它通过级联一阶和双二阶设置滤波参数阶数、带通响应和频率阈值。butterworth滤波的特点是有最大的平滑响应，其n阶的滤波公式见下式，其中ω
p
表示带通边缘。
[0015][0016]
当ω＝ω
p
时，
[0017][0018]
由上可知ε表示带通传输的最大变化量，ε通过以下式子求得。
[0019][0020][0021]
进一步的，步骤1中所述局部放电故障的诊断预测包括如下计算过程：
[0022]
lstm由3个门与一个输入值z构成。第一层为遗忘门，见式：
[0023]
f＝sigmoid(wf[h
t-1
,x
t
] bf)
[0024]
第二、三层为输入门与输出门，见下式。其中输入门负责判断哪些状态可以继续输入，输出门则构造了一个新的候选输入值z，用于更新元胞的旧状态ct-1。
[0025]
i＝sigmoid(wi[h
t-1
,x
t
] bi)
[0026]
z＝tanh(wz[h
t-1
,x
t
])
[0027]
元胞的状态更新方程为：
[0028]ct
＝f
·ct-1
i
·z[0029]
最后输出门通过一个tanh层后，再与输出门互乘，输出新的状态参数。
[0030]
o＝sigmoid(wo[h
t-1
,x
t
] bo)
[0031]ht
＝o
·
tanhc
t
[0032]
其中，wi和bi为输入门的权重和偏置；wf和bf为遗忘门的权重和偏置；wo和bo为输出门的权重和偏置，tanh为正切激活函数，[h
t-1
，x
t
]表示将矩阵h
t-1
与矩阵x
t
在行数相同的情况下直接合并。
[0033]
局部放电深度检测模型的预测效果由马修斯相关系数(mcc)评价。
[0034][0035]
其中，tp代表正样本被判定为正的数目，tn表示正样本被判定为负的数目，fp代表负样本被判定为正的数目，fn表示负样本被判定为负的数目。
[0036]
有益效果：
[0037]
1.首先对局放信号进行离散小波分析，将长信号分为多段信号，并提取每段信号的统计特征量。为后续故障识别提供有效的初始值，加快算法收敛性和识别准确率。
[0038]
2.对特征量建立由卷积神经层、长短期记忆层、注意力层和分类层的神经网络预测模型。模型中卷积层提取轮廓特征，长短期记忆层提取信号时序特征，注意力层学习信号重要时序部分。有效提高了智能算法的收敛性和识别准确率。
附图说明
[0039]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1为本发明实施中高压电缆气泡缺陷局部放电原理图。
[0041]
图2为本发明实施中小波去噪原理图。
[0042]
图3为本发明实施中小波成分图。
[0043]
图4为本发明实施中特征参数提取示意图。
[0044]
图5为本发明实施中算法流程图。
[0045]
图6为本发明实施中特征提取示意图。
具体实施方式
[0046]
下面将结合本发明的实施例中的附图，对本发明的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的一部分实施例，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。
[0047]
随着电力系统的不断发展而变得复杂，高压电缆起到至关重要的作用。因此，其可靠性直接关系到其自身和电网的安全运行性能。然而，高压电缆主要工作在潮湿环境中，受工作环境影响，慢慢老化而逐渐影响其可靠性；故本实施例提供了一种基于cnn-lstm
‑ꢀ
attention神经网络的高压电缆局部放电诊断方法，根据不同故障特征曲线，辨别故障类型；如图1至图5所示，该方法包括如下步骤：
[0048]
步骤1：对高压电缆局部放电进行实时在线监测，直至高压电缆发生局部放电故障；
[0049]
步骤2：高压电缆局部放电故障特征参数提取阶段，当高压电缆发生局部放电故障时，采用高通butterworth滤波对高压电缆上电压波形信号原始信号进行处理。
[0050]
步骤3：在步骤2的基础上，提出利用小波阀值去噪的方法。
[0051]
该方法的基本思想是将信号通过小波变换(采用mallat算法)后，信号产生的小波系数含有信号的重要信息，将信号经小波分解后小波系数较大，噪声的小波系数较小，并且噪声的小波系数要小于信号的小波系数，通过选取一个合适的阀值，大于阀值的小波系数被认为是有信号产生的，应予以保留，小于阀值则认为是噪声产生的，置为零从而达到去噪的目的。
[0052]
步骤4：在步骤3的基础上，提出基于cnn-lstm-attention神经网络的局部放电诊断方法。
[0053]
该方法采用经过提取的波形特征x作为模型的输入，首先通过卷积神经网络提取
轮廓特征；再输入lstm神经网络，提取序列特征；接着利用attention结构学习需要重点注意的特征，并通过全连接层与输出层，其中输出层采用sigmoid作为激活函数。输出数值小于 0.5为0(表示某线路没有发生局部放电)或大于0.5为1(表示某线路发生了局部放电)的最终预测值yi。
[0054]
步骤5：重复步骤2和4，直至辨别故障类型，流程结束。
[0055]
在本实施例中，优选的，所述步骤2中高压电缆局部放电典型故障特征参数提取，其特征在于包括如下计算过程：
[0056]
butterworth是四大经典滤波方法之一，它通过级联一阶和双二阶设置滤波参数阶数、带通响应和频率阈值。butterworth滤波的特点是有最大的平滑响应，其n阶的滤波公式见式，其中ω
p
表示带通边缘。
[0057][0058]
当ω＝ω
p
时，有式：
[0059][0060]
由上可知ε表示带通传输的最大变化量，ε通过以下式子求得。
[0061][0062][0063]
在本实施例中，优选的，步骤1中所述局部放电故障的诊断预测包括如下计算过程：
[0064]
lstm由3个门与一个输入值z构成。第一层为遗忘门，见式：
[0065]
f＝sigmoid(wf[h
t-1
,x
t
] bf)
[0066]
第二、三层为输入门与输出门，见下式。其中输入门负责判断哪些状态可以继续输入，输出门则构造了一个新的候选输入值z，用于更新元胞的旧状态ct-1。
[0067]
i＝sigmoid(wi[h
t-1
,x
t
] bi)
[0068]
z＝tanh(wz[h
t-1
,x
t
])
[0069]
元胞的状态更新方程为：
[0070]ct
＝f
·ct-1
i
·z[0071]
最后输出门通过一个tanh层后，再与输出门互乘，输出新的状态参数。
[0072]
o＝sigmoid(wo[h
t-1
,x
t
] bo)
[0073]ht
＝o
·
tanhc
t
[0074]
其中，wi和bi为输入门的权重和偏置；wf和bf为遗忘门的权重和偏置；wo和bo为输出门的权重和偏置，tanh为正切激活函数，[h
t-1
，x
t
]表示将矩阵h
t-1
与矩阵x
t
在行数相同的情况下直接合并。
[0075]
局部放电深度检测模型的预测效果由马修斯相关系数(mcc)评价。
[0076]
[0077]
其中，tp代表正样本被判定为正的数目，tn表示正样本被判定为负的数目，fp代表负样本被判定为正的数目，fn表示负样本被判定为负的数目。
[0078]
文章实验在谷歌公司的深度学习框架tensorflow上进行，计算机条件是cpu:酷睿i7
‑ꢀ
7700、内存：16g、gpu：1080ti 11g。采用某地区20kv配电网的相电压作为分类样本，共8721条，每条的长度为800000。
[0079]
低频信息中一般只包含正常的正弦电压变化情况。为获得故障信息，对所有的样本进行高通butterworth滤波，再进行dwt去噪，去除白噪声干扰。其中某三相电压每个单相滤波去噪的例子如图6所示。
[0080]
为证明所提模型的优越性，将其与cnn-lstm、lstm-attention、lstm、bp共4个模型进行比较，所有模型的网络结构见表2。其中cnn-lstm-attention前面两层为一维卷积层(conv1d)，然后接一个最大值池化层(maxpooling),再接一个lstm层和attention层，最后接一层100单元的全连接层(dense)和一个单元全连接层作为输出层。其中conv1d层用于进一步提取序列特征，maxpooling层用于降低维度和获取峰值信息，lstm层和attention 层学习整个序列的关键特征点，最终对架空线局放做出是否故障的判断。
[0081][0082]
表2模型网络结构参数
[0083]
为证明所提方法为最优，分别将原始序列、仅采用butterworth高通滤波的序列和经 butterworth高通滤波后再经dwt去噪的特征序列分为160段，每段提取19个特征，然后分别输入进上述5个模型进行训练，共15中情况进行了对比，得到的最终mcc准确率见表 3。从表中cnn-lstm-attention模型中均优于原始序列，说明高频信号包含了局放的信息。而经过高通滤波加小波去噪预处理的特征在所有模型中均优于另外两种信号预处理方法。充分证明小波去噪可以有效去除干扰噪声。5个模型中cnn-lstm-attention在仅高通滤波处理情况中略低于cnn-lstm模型，在原始序列和高通滤波加去噪情况下显著优于其他模型。
[0084]
证明了该模型能更准确的判断局部放电异常现象，见表4。
[0085][0086]
表3不同模型和预处理方法分类结果对比
[0087][0088][0089]
表4
[0090]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。