具体实施方式
请参阅图1,图1是本发明海底电缆在线监测方法的流程示意图。
所述海底电缆在线监测方法,包括以下步骤:
S101,根据海底电缆故障时的压力场信息、温度场信息、电场信息以及故障类型,建立海底电缆故障判断模型;
S102,对海底电缆同轴布设分布式光纤传感器,通过所述分布式光纤传感器监测获取所述海底电缆的压力场信息、温度场信息和电场信息;
S103,根据所述压力场信息、温度场信息和电场信息,以及所述海底电缆故障判断模型,判断所述海底电缆是否发生故障,以及发生故障的类型。
通过采用多特征量监测,并综合多种特征量数据和海底电缆故障判断模型进行故障判别,因此监测数据的可靠性得到提高;并且对故障定位的精度得到提高,缩小了模糊的区域。并且分布式光纤传感器的感测更加精确。
首先,上述步骤S101为故障判断模型的建立。
通过海底电缆故障时的压力场信息、温度场信息、电场信息,主要针对以下几种故障类型建立故障判断模型:
电缆主绝缘出现老化故障。海底高压电缆老化故障有对正常运行的电缆有一定影响的范围,并且故障越长,影响的范围也越长,但是我们还是可以通过分布式光纤传感器沿线监测绝缘层外表的温度,从传感器测得电缆沿线温度发生突变的位置,从而定位到故障位置。
电缆主绝缘出现杂质故障。当电缆绝缘层存在着杂质时,杂质所在位置的电场发生了很大的畸变,而且根据杂质位置的不同,电场畸变的程度也不一样。杂质与导体的距离不相同的情况下,电缆内部的最高温度也几乎没有变化,但是因为杂质的存在,使得周围产生的电场强度接近甚至大于绝缘层的击穿强度,很容易发生局部放电,造成绝缘击穿。如果绝缘层某处发生击穿时,其他良好的绝缘就会承受更大的电压,所受到的电场强度将会进一步加大。如果该场强大到足以击穿绝缘层,又会使其他良好绝缘受到的场强加大,如此以来恶性循环,将会威胁电缆的绝缘性能。同时我们还可以看到,最靠近导体的杂质所产生的电场畸变的最为厉害,因此也更容易产生局部放电现象,导致绝缘击穿失效。通过分布式光纤传感器可以监测到电缆沿线发生畸变的电场,同时由于杂质引起的畸变电场对正常电场的影响范围很小,因此通过监测电场变化可以提高定位精度。
电缆受到外力挤压。当海床运动海底电缆受到挤压或者与海边鹅卵石摩擦时,同样可以用分布式光纤传感器检测出受到挤压的位置在哪里。海底电力电缆老化前铠装层承受的压强最大不超过17Mpa。因此,一旦海底电缆受到了外力的挤压,就可以通过分布式光纤传感器检测电缆内部压力,由此判断出电缆外部受到的压力大小,并通过分布式光纤传感器的数据计算出电缆受到挤压的位置,当超出设定的极限值时,快速排除故障。
电缆铠装层损伤故障。海底电缆受到不同程度损伤,电缆内部温度场和电场均会发生变化。当海底电缆铠装层受到损伤但没有伤透时,海底电缆内部的温度场和电场与正常情况下并没有明显变化,说明海底电缆在铠装层没有破损的情况下,还能维持正常运行一段时间。如果破损达到填充层,海底电缆内部温度场和电场强度也几乎没有变化,但是因为填充层的刚性不足以承受深水压力,所以一旦破损至填充层,海底电缆会在很段的时间内发生短路故障。最严重的是损伤直达绝缘层,绝缘层不但刚性远不如铠装层,更严重的是海底电缆内部的电场强度会急剧升高,使得电缆绝缘层由于高场强而发生击穿。利用分布式光纤传感器,通过同时测量温度场和压力场的变化,就可以定位到故障位置。
由于有三类不同的通过分布式光纤传感器监测的特征量,不同的故障类型和故障位置,通过测量搭建一个光电信号信息融合***的海底电缆故障判断模型来辅助进行故障判别,如图2所示。
通过对海底电缆故障点的二维量(温度,温度突变的海缆位置分步)、(压力,压力突变的海缆位置分步)和(电场,电场突变的海缆位置分步)的归一化处理。将各传感器采集的信息作为证据,每个传感器提供一组命题,对应我们关注的四类故障和故障的位置:x1…xi…x n,并建立一个相应的信度函数,这样,多传感器信息融合实质上就成为在同一识别框架下,将不同的证据体合并成一个新的证据体的过程。
具体地,在建立所述海底电缆故障判断模型时,将海底电缆故障时的压力场信息、温度场信息、电场信息以及对应的故障类型作为训练参数训练人工神经网络(Artificial Neural Network,简称ANN),生成所述海底电缆故障判断模型。
本发明提供了一个信息融合技术的模型,融合上面提出的检测的特征量得到的结果,达到一个精确故障定位和故障类型分类的结果。
上述步骤S102为获取海底电缆的特征参数的步骤。
在本发明中,对海底电缆同轴布设分布式光纤传感器来获取监测的特征参数。所述分布式光纤传感器优选为六芯复合光纤,其两端设置有光纤信号解调器,其中两芯用于感测压力场信息,两芯用于感测温度场信息,两芯用于感测电场信息。
在温度、压力和电场强度获取的过程中,通过分布式光纤干涉解调仪,利用温度、压力和电场强度沿海底电缆同轴光纤的分步会影响布里渊散射的脉冲信号的原理,获取所述海底电缆的压力场信息、温度场信息和电场信息。就可以得到三类物理量以及沿海底电缆距离的二维物理量分步,亦即:
获取所述海底电缆的压力值和压力突变点的位置信息;温度值以及温度突变点的位置信息;沿线电场强度值和电场强度突变点的位置。如下表1所示:
沿线分步(km) |
1 |
2 |
3 |
4 |
温度(℃) |
75.6℃ |
76.3℃ |
79.6℃ |
88.3℃ |
压力 |
0.56Kp |
1.48Kp |
1.24Kp |
2.09kp |
电场强度 |
11.5MV/m |
11.5MV/m |
11.8MV/m |
22.6MV/m |
表1中列举出从分布式光纤干涉解调仪的输出得到的三组二维的物理量,也就是被监测海底高压电缆的温度、压力和电场强度。所谓的二维,例如,既有温度的数据,同时还有测温点在电缆上的分布。列表仅为举例说明,实际的数据处理远多于此。
上述步骤S103为根据获取的特征参数进行故障判别的步骤。
优选地,先对所述海底电缆是否发生故障进行判断:
先将所述海底电缆的压力场信息、温度场信息和电场信息与预设的安全值范围比较,如果不超出所述安全值范围,则判断所述海底电缆未发生故障;
如果超出所述安全值范围,则判断所述海底电缆发生故障,将所述压力场信息、温度场信息和电场信息输入所述海底电缆故障判断模型,判断所述海底电缆发生故障的类型和位置。
所述安全值范围根据历史数据产生,比对正常情况下的历史数据(即安全值范围),如果海底高压电缆的温度、压力和电场强度均在正常范围以内,那么仅仅只记录当前数据,而不触发计算。
在故障判断时,首先对获取的所述压力场信息、温度场信息和电场信息进行归一化处理,获取所述海底电缆的温度最高点和所述温度最高点所在的温度突变区间的位置上下限、所述海底电缆的压力最大点和所述压力最大点所在的压力突变区间的位置上下限,以及所述海底电缆的电场强度最大点和所述电场强度最大点所在的电场强度突变区间的位置上下限;
然后,将上述获取的数据作为海底电缆故障判断模型的输入,通过所述海底电缆故障判断模型中的网络结构、诊断权值和阀值,判断所述海底电缆发生故障的类型和位置。
在判断具体的故障类型时,根据所述海底电缆的压力场信息判断电缆主绝缘老化故障;根据所述海底电缆的电场信息判断电缆主绝缘杂质故障;根据所述海底电缆的压力场信息判断电缆受力挤压故障;以及,根据所述海底电缆的压力场信息和温度场信息判断电缆铠装层损伤故障。
即,如果海底高压电缆有区域出现超过所述安全值范围的数据,则通过对分布式光纤传感器解调后得到的海底电缆故障点的二维量(电缆的压力值和压力突变点的位置信息;温度值以及温度突变点的位置信息;沿线电场强度值和电场强度突变点的位置)。例如上表1中,4km处的三个物理量。由于三个物理量都有一定的变化分布,导致计算复杂,为了便于后面的部分进行处理首先将三个特征量的数值进行归一化处理:
得到一组可信度的输入量。而故障点的位置则关注两个量,即各个物理量超过所述安全值范围的所在的位置区域。例如,上表1中我们测得温度最大值的点在4km处,而实际上,在区域[3.9,4.2]km之间,都差不多在这个温度值。因此,为了能够精确定位,我们将这样一个位置区间的上下限的位置也作为特征量输入。归一化后的特征值在【0,1】之间,这样一个过程称之为像素级融合。
这样作为下一级的输入量就有9个。分别是所述海底电缆的温度最高点和所述温度最高点所在的温度突变区间的位置上下限、所述海底电缆的压力最大点和所述压力最大点所在的压力突变区间的位置上下限,以及所述海底电缆的电场强度最大点和所述电场强度最大点所在的电场强度突变区间的位置上下限。
这些特征值挑选好以后,我们利用所述人工神经网络(ANN)构成的所述海底电缆故障判断模型进行特征级融合,如图2所示,所述海底电缆故障判断模型的输出为4个,分别是电缆绝缘老化、电缆绝缘出现杂质、电缆局部外部应力越限(锚伤),故障点的位置。每一个输出的数值在[0,1]之间分布,可以将之作为概率分布,输入下一级融合。
将上级融合中提取出的能反映电缆故障征兆的特征向量作为ANN的输入,经过训练后的神经网络能利用存贮在网络结构、权值和阀值中的诊断推理知识进行初步的模式分类和故障位置识别,最后给出局部信息融合判断的结果,然后提交给决策级进行全局决策。
选用三层BP网络进行特征级融合,如图3所示,通过对神经网络的权值(ωij,Tli)与阀值(θ)的修正,使误差函数E沿梯度方向下降。该BP网络用三层节点表示输入节点xj,隐节点yi,输出节点ol。
设某一训练输入矢量为Xk,网络实际输出为Yk,并设有N个样本(Xk,Yk),k=1、2、…、N,网络隐层采用sigmoid函数作为激励函数,输出层采用线性函数。
各神经元权系数迭代方程:ωij(k+1)=ωij(k)+μδkjxki
输出层误差:δkj=(y′kj-ykj)fj(netkj)(1-fj(netkj))
隐含层误差:
由于BP网络存在不少局部最小点,在某些初始值条件下,算法的结果会陷入局部最小,使算法不收敛。为了加速收敛和防止振荡,引入一动量因子α来减少过调量,即:
ωij(k+1)=ωij(k)+μδkjxki+α[ωij(k)-ωij(k-1)]
其中,μ为学习步长,α为加权因子,通常取μ<1,0<α。
定义网络的均方误差数为所有训练样本的平均值E(W):
最后,利用DS证据理论综合判断得到更为精确的故障类型和故障位置的判别。
根据神经网络的输出,决策级的识别框架为{(A1),(A2),(A3),B1},在训练BP网络样本中,网络的输出并不完全等于0或1,而是一个介于0和1之间的有理数。因此采用D-S证据理论融合的方式是一个很好的解决方案,可将每个神经网络的输出作为一个独立的证据,使之成为该证据下各种状态的可信度分配。计算的步骤为:
(a)对ANN的输出进行归一化处理:
式中y(Ai)为神经网络各节点的实际输出,其中:
式中En为网络的样本误差,
(b)将神经网络的证据进行融合处理得到最终的基本概率赋值:
使用D-S证据理论对ANN逻辑二值输出进行信息融合;判断所处的故障类型,以及故障在海底电缆中的分布区域。
本发明技术方案还带来以下有益效果:
1.采用多特征量监测和判别,因此监测数据的可靠性得到提高;
2.为海底电缆常见的故障类型的判别提供了一种方案;
3.故障定位的精度得到提高,缩小了模糊的区域;
4.分布式光纤传感器的证据区间和不确定性概率和融合后的证据区间和不确定性概率,融合后的mj(θ)明显减小,这说明信息融合降低了***的不确定性,同时使融合后的基本可信度函数比融合前各传感器的基本可信度函数具有更好的区分度,具有更好的辨识度。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。