基于深度学习的电缆故障放电声音的检测方法技术

本申请公开了基于深度学习的电缆故障放电声音的检测方法，包括：步骤1，利用脉冲发生器向待检测电缆施加高压直流脉冲信号，获取待检测电缆在采样区域内的原始采样声音数据；步骤2，提取原始采样声音数据的对数功率谱作为特征值，并将特征值输入至降噪深度学习网络模型；步骤3，利用降噪深度学习网络模型对特征值进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出原始采样声音数据对应的电缆放电故障声音数据，其中，电缆放电故障声音数据用于检测待检测电缆上的故障点。通过本申请中的技术方案，有助于利用故障点因放电现象释放的声音信号对电缆故障点进行精确地检测定位。点进行精确地检测定位。点进行精确地检测定位。

【技术实现步骤摘要】
基于深度学习的电缆故障放电声音的检测方法


[0001]本申请涉及电缆故障检测的
，具体而言，涉及基于深度学习的电缆故障放电声音的检测方法。

技术介绍

[0002]目前在电缆故障检测中常用的方法主要以非运行状态故障定位方法为主，非运行状态故障定位方法包括阻抗测量法与行波测量法等。其中，阻抗测量法是在电缆线路参数已知的前提下，测量测试点与故障点之间的阻抗并且通过特定的计算公式来计算故障距离。而行波测量法是通过向故障电缆施加高压脉冲波，脉冲信号沿着电缆进行传输时会因为故障点处阻抗的变化而向测试端产生反射脉冲，利用仪器记录下发生脉冲的时间与接收到反射脉冲的时间，两者的时间差即为脉冲信号在电缆测试端与电缆故障点之间往返一次所需要的时间，根据信号在电缆中传播的速度和时间即可计算出测试端与故障点的距离。
[0003]而现有技术中，电力系统中电缆敷设所处的环境状况较为复杂，导致电缆故障检测相对困难。并且，现有的方法多为离线检测，对日常用电需求会造成一定的影响。具体的，阻抗测量法因受到线路参数和过渡电阻的影响，检测时测量精度较低，所测距离与实际故障距离产生较大误差；行波测量法由于所发射的行波较为复杂，难以准确识别到反射波信号。
[0004]因此，使用上述方法测量出的故障点所处范围较大，不适宜直接对埋地电缆进行开挖处理。所以，需要采取有效的精确的电缆故障检测定位方式，以提高电缆故障处理速度、减少对埋地电缆上方地表的破环。

技术实现思路

[0005]本申请的目的在于：如何利用故障点因放电现象释放的声音信号对电缆故障点进行精确地检测定位。
[0006]本申请的技术方案是：提供了基于深度学习的电缆故障放电声音的检测方法，该方法包括：步骤1，利用脉冲发生器向待检测电缆施加高压直流脉冲信号，获取待检测电缆在采样区域内的原始采样声音数据；步骤2，提取原始采样声音数据的对数功率谱作为特征值，并将特征值输入至降噪深度学习网络模型；步骤3，利用降噪深度学习网络模型对特征值进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出原始采样声音数据对应的电缆放电故障声音数据，其中，电缆放电故障声音数据用于检测待检测电缆上的故障点。
[0007]上述任一项技术方案中，进一步地，步骤3之前还包括：构建降噪深度学习网络模型，其中，构建降噪深度学习网络模型的过程具体包括：步骤301，根据特征值的位数，确定隐含层节点数，其中，隐含层节点数由带噪放电声音的对数功率谱的位数确定；步骤302，根据隐含层节点数，搭建双隐含层网络结构，并基于误差反向传播算法，对双隐含层网络结构的权值和阈值进行调整；步骤303，确定双隐含层网络结构的学习算法，构建降噪深度学习
网络模型。
[0008]上述任一项技术方案中，进一步地，步骤3中还包括：利用训练集对降噪深度学习网络模型进行迭代训练；根据上一次迭代训练后隐含层网络结构输出的总误差，利用修正网络误差性能函数，对训练集进行修正，其中，修正网络误差性能函数的计算公式为：
[0009][0010]式中，msereg为归一化的均方误差，γ为误差性能调整率，E(ω,b)为双隐含层网络结构输出的总误差，n1为隐含层的节点数，j为隐含层的序号，x
j
为第j个隐含层的输入；
[0011]利用修正后的训练集，对上一次迭代训练后的降噪深度学习网络模型进行下一次迭代训练，直至降噪深度学习网络模型收敛。
[0012]上述任一项技术方案中，进一步地，原始采样声音数据的对数功率谱的计算公式为：
[0013]X(n2,d)＝log|Y(n2,d)|2[0014]式中，X(n2,d)为第n2个采样点、功率谱幅值为d的对数功率谱，Y(n2,d)为第n2个采样点、功率谱幅值为d的频域，||为绝对值函数。
[0015]上述任一项技术方案中，进一步地，步骤3中，具体包括：步骤311，对原始采样声音数据进行DFT变换，提取原始采样声音数据的对数功率谱及相位角；步骤312，利用降噪深度学习网络模型对特征值进行降噪处理，根据降噪处理后的特征值以及相位角，利用声音重构函数，进行声音片段重构；步骤313，使用重叠相加法，对重构后的声音片段进行时域叠加，生成电缆放电故障声音数据。
[0016]上述任一项技术方案中，进一步地，检测方法还包括：当判定电缆放电故障声音数据大于报警阈值时，将当前电缆放电故障声音数据对应位置处的电缆，记作待检测电缆上的故障点。
[0017]本申请的有益效果是：
[0018]本申请中的技术方案，采用脉冲发生器向待检测电缆施加高压直流脉冲信号，如果待检测电缆上存在故障点，则故障点在该直流脉冲信号的作用下产生放电现象并且向环境中释放声音信号，对该信号进行采集和分析，即可实现对故障点的检测。但由于实际电缆检测环境中充满了各种环境噪声，导致采集到原始采样声音数据里面混合了大量噪声信号，对故障点的准确定位造成影响。因此，提取原始采样声音数据的对数功率谱作为特征值，并将特征值输入至降噪深度学习网络模型，由降噪深度学习网络模型进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出原始采样声音数据对应的电缆放电故障声音数据，有效地滤除了放电声音中的环境噪声，提高了电缆故障定位的精度，有助于减少对埋地电缆上方地表的破环。
附图说明
[0019]本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0020]图1是根据本申请的一个实施例的基于深度学习的电缆故障放电声音的检测方法
的示意流程图；
[0021]图2是根据本申请的一个实施例的网络模型各阶段数据处理的示意图；
[0022]图3是根据本申请的一个实施例的故障放电声音信号特征提取框图；
[0023]图4是根据本申请的一个实施例的前馈神经网络拓扑结构图；
[0024]图5是根据本申请的一个实施例的故障放电声音波形重构图；
[0025]图6是根据本申请的一个实施例的降噪前后的故障放电声音波形对比图。
具体实施方式
[0026]为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
[0027]在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
[0028]如图1和图2所示，本实施例提供了基于深度学习的电缆故障放电声音的检测方法，该方法包括：步骤1，利用脉冲发生器向待检测电缆施加高压直流脉冲信号，获取待检测电缆在采样区域内的原始采样声音数据；步骤2，提取原始采样声音数据的对数功率谱作为特征值，并将特征值输入至降噪深度学习网络模型；步骤3，利用降噪深度学习网络模型对特征值进行降噪处理，并使用重叠相加法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的电缆故障放电声音的检测方法，其特征在于，所述方法包括：步骤1，利用脉冲发生器向待检测电缆施加高压直流脉冲信号，获取所述待检测电缆在采样区域内的原始采样声音数据；步骤2，提取所述原始采样声音数据的对数功率谱作为特征值，并将所述特征值输入至降噪深度学习网络模型；步骤3，利用所述降噪深度学习网络模型对所述特征值进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出所述原始采样声音数据对应的电缆放电故障声音数据，其中，所述电缆放电故障声音数据用于检测所述待检测电缆上的故障点。2.如权利要求1所述的基于深度学习的电缆故障放电声音的检测方法，其特征在于，所述步骤3之前还包括：构建所述降噪深度学习网络模型，其中，构建所述降噪深度学习网络模型的过程具体包括：步骤301，根据所述特征值的位数，确定隐含层节点数，其中，所述隐含层节点数由带噪放电声音的对数功率谱的位数确定；步骤302，根据所述隐含层节点数，搭建双隐含层网络结构，并基于误差反向传播算法，对所述双隐含层网络结构的权值和阈值进行调整；步骤303，确定所述双隐含层网络结构的学习算法，构建所述降噪深度学习网络模型。3.如权利要求1所述的基于深度学习的电缆故障放电声音的检测方法，其特征在于，所述步骤3中还包括：利用训练集对所述降噪深度学习网络模型进行迭代训练；根据上一次迭代训练后所述隐含层网络结构输出的总误差，利用修正网络误差性能函数，对所述训练集进行修正，其中，所述修正网络误差性能函数的计算公式为...

【专利技术属性】
技术研发人员：张晓鹏，白洁，赵国伟，刘玉龙，杨扬，李捷，
申请(专利权)人：国网山西省电力公司大同供电公司，
类型：发明
国别省市：