CN109116196B - 一种电力电缆故障放电声智能识别方法 - Google Patents

Abstract

一种电力电缆故障放电声智能识别方法，属于电力电缆故障探测领域。其特征在于：包括如下步骤：步骤1，采样声音信号并进行模数转换；步骤2，数据预处理和特征提取；步骤3，将提取到的声音信号的特征向量送入支持向量机进行识别并得到判断结果；步骤4，当前声音信号如果是电缆故障放电声，顺序执行步骤5～步骤7，如果是非电缆故障放电声，执行步骤7；步骤5，保存当前声音信号的数据；步骤6，进行相关系数的计算；步骤7，显示判断结果及声音信号波形。在本电力电缆故障放电声智能识别方法中，基于支持向量机且能够自动识别电力电缆故障放电声音，摆脱长期以来依赖测试者个人经验的制约，大大提升电力电缆故障定点的工作效率。

Description

一种电力电缆故障放电声智能识别方法

技术领域

一种电力电缆故障放电声智能识别方法，属于电力电缆故障探测领域。

背景技术

电力电缆在城市地下电网、工矿企业的内部供电线路和过江、过海的水下输电线路中有广泛的应用。电缆一旦发生故障，会给企业生产造成停电损失，给居民生活带来不便，因此电缆发生故障后需要尽快查找到故障进行修复。

查找电缆故障一般需要经过故障诊断、故障测距和故障定点三个步骤。故障诊断是用万用表等工具和设备检查电缆各相的连通性、故障相的绝缘阻值，目的是判明故障性质，为后续步骤选择合适的测试方法；故障测距是用仪器测出故障点与测试点之间电缆的长度，目的是大体确定电缆故障所在的区域，缩小故障查找的范围；故障定点是用仪器探测故障信号的强度或者到达时间，目的是逐渐接近并最终确认故障的位置。

目前在电缆故障定点环节，国内外主要通过探测电缆故障放电声音的方法查找故障点。该方法有两种实现方式：声测法和声磁同步法。

声测法的工作原理是利用置于地面的声测探头接收电缆故障点放电声音，声音信号由探头传递到主机，经过滤波、放大等处理，再由主机将处理后的声音信号传送到侦听耳机，供测试者侦听和识别，测试者通过分析比较不同位置故障放电声音的强弱变化，判断故障点的远近或者位置。

声磁同步法的工作原理是利用置于地面的声磁同步探测探头同步接收电缆故障点放电产生的声音信号和电磁场信号，声音和电磁场信号由探头传递到主机，主机对两种信号进行滤波、放大等处理，然后将声音信号送到侦听耳机，同时将声音和磁场波形以及两种信号到达时刻之间的差值(声磁延时)显示在屏幕上。测试者综合耳机侦听到的声音和主机显示的信息进行分析，识别故障放电声音，判断故障点的远近或者位置。

目前声测法和声磁同步法在故障放电声音识别方面仍然存在如下不足之处：(1)故障放电声音识别完全依靠测试者个人经验，经验不足的测试者很难准确识别故障放电声音。(2)由于测试现场存在大量的环境噪声和干扰，因此即使有经验的测试者往往也难以准确区分和识别故障放电声音。(3)人工识别故障放电声音的培训时间长，成本高，而且人工识别故障放电声音的经验和技能脱离现场环境难以传授和继承。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种基于支持向量机且能够自动识别电力电缆故障放电声音，摆脱长期以来依赖测试者个人经验的制约，大大提升电力电缆故障定点工作效率的电力电缆故障放电声智能识别方法。

本发明解决其技术问题所采用的技术方案是：该电力电缆故障放电声智能识别方法，其特征在于：包括如下步骤：

步骤1，在电缆故障放电时刻开始采样声音信号并进行模数转换得到原始数据x₀(i)；

步骤2，对数字化的声音信号进行去直流处理，得到数据x₁(i)，然后对去直流处理的数据进行归一化处理，得到数据x₂(i)，最后提取得到声音信号的特征向量；

步骤3，将提取到的声音信号的特征向量送入支持向量机进行识别并得到判断结果；

步骤4，当前声音信号是否为电缆故障放电声，如果是电缆故障放电声，顺序执行步骤5～步骤7，如果是非电缆故障放电声，执行步骤7；

步骤5，保存当前声音信号的数据；

步骤6，进行第二次声音信号的采集并进行相关系数的计算；

步骤7，显示判断结果及声音信号波形。

优选的，步骤2中所述的特征向量包括：

根据数据x₃(i)提取声音信号短时能量分布脉冲宽度特征z₁：

在满足条件

的前提下，定义：w_last＝max[1,2,…,n-D+1]，w_first＝min[1,2,…,n-D+1]，则z₁为：z₁＝w_last-w_first

根据数据x₃(i)提取声音信号短时能量分布脉冲高宽比特征z₂：

根据数据x₃(i)提取声音信号短时能量分布脉冲位置特征z₃：

根据数据x₄(i)提取声音信号短时过零率特征z₄：

在满足条件

的前提下，定义r_last＝max[1,2,…,n-D]，r_first＝min[1,2,…,n-D]，则z₄为：

其中：x₃(i)为根据所述数据x₂(i)计算得到的步长为D的声音信号数据短时能量分布；x₄(i)为根据数据x₃(i)计算得到的步长为D的声音信号数据短时过零率。

优选的，所述的步长为D的声音信号数据短时能量分布的数据x₃(i)为：

其中：D表示步长。

优选的，所述的步长为D的声音信号数据短时过零率的数据x₄(i)为：

其中：sign为符号函数，th表示大于零的阈值，i∈[1,2,…,n-D]。

优选的，步骤6中所述的相关系数的计算公式为：

其中：x_k(i)，x_k+1(i)，i∈[1,2,…,n]分别表示连续两次采集的声音信号数据。

优选的，步骤3中所述的支持向量机的训练过程包括如下步骤：

步骤3-1，各准备M条电缆故障放电声信号数据和非电缆故障放电声信号数据；

步骤3-2，分别对M条电缆故障放电声信号数据和非电缆故障放电声信号数据进行处理，得到特征矩阵z_ij，i∈[1,2,…,2M]，j∈[1,2,3,4]，

其中，i＝[1,2,…,M]是电缆故障放电声信号特征向量，i＝[M+1,M+2,…,2M]是非电缆故障放电声信号特征向量；

步骤3-3，赋值2M行的列向量s，其中第1至第M行赋值为1，表示电缆故障放电声，第M+1至第2M行赋值为0表示非电缆故障放电声；

步骤3-4，将矩阵z_ij和列向量s输入支持向量机训练函数，选择线性核进行训练。

与现有技术相比，本发明所具有的有益效果是：

在本电力电缆故障放电声智能识别方法中，基于支持向量机且能够自动识别电力电缆故障放电声音，摆脱长期以来依赖测试者个人经验的制约，大大提升电力电缆故障定点的工作效率。

由于电力电缆故障放电声智能识别方法能够自动识别电力电缆故障放电声音，因此大大降低了现场存在的大量环境噪声以及干扰的影响。

克服了现有技术中进行声磁同步法需要进行长时间培训的弊端，大大降低了企业的培训成本以及人工成本。

附图说明

图1为电力电缆故障放电声智能识别方法流程图。

图2为电力电缆故障放电声智能识别方法实例1电缆故障放电声原始波形图。

图3为电力电缆故障放电声智能识别方法实例1电缆故障放电声去直流波形图。

图4为电力电缆故障放电声智能识别方法实例1电缆故障放电声归一化波形图。

图5为电力电缆故障放电声智能识别方法实例1电缆故障放电声短时能量分布波形图。

图6为电力电缆故障放电声智能识别方法实例1电缆故障放电声短时过零率波形图。

图7为电力电缆故障放电声智能识别方法实例1电缆故障放电声二次采集波形图。

图8为电力电缆故障放电声智能识别方法实例2非电缆故障放电声原始波形图。

图9为电力电缆故障放电声智能识别方法实例2非电缆故障放电声去直流波形图。

图10为电力电缆故障放电声智能识别方法实例2非电缆故障放电声归一化波形图。

图11为电力电缆故障放电声智能识别方法实例2非电缆故障放电声短时能量分布波形图。

图12为电力电缆故障放电声智能识别方法实例2非电缆故障放电声短时过零率波形图。

图13为电力电缆故障放电声智能识别方法实例2非电缆故障放电声二次采集波形图。

具体实施方式

图1～13是本发明的最佳实施例，下面结合附图1～13对本发明做进一步说明。

如图1所示，一种电力电缆故障放电声智能识别方法，包括如下步骤：

步骤1，在电缆故障放电时刻开始采样声音信号并进行模数转换；

在电力电缆故障定点测试过程中，电缆故障点击穿时刻电缆全线会产生脉冲磁场信号，利用该信号触发声音信号数据采集，记录下从故障放电时刻开始时长为T的一段声音信号数据，并对该声音信号数据进行模数转换。

步骤2，对数字化的声音信号进行去直流、归一化以及特征提取等预处理。

多数情况下声音信号数据采集采用单极性A/D转换器，获得数据首先要做去直流量处理，对于N位A/D转换器输出的原始数据x₀(i)，i∈[1,2,…,n]，去直流量处理后的数据x₁(i)为：

x₁(i)＝x₀(i)-2^N-1,i∈[1,2,…,n]

然后对去直流量处理后的数据x₁(i)进行归一化处理，得到归一化处理结果x₂(i)：

然后对归一化数据x₂(i)进行处理，计算步长为D的声音信号数据短时能量分布x₃(i)：

对归一化数据x₃(i)进行处理，计算步长为D的声音信号数据短时过零率x₄(i)：

其中，sign是符号函数，th是大于零的阈值。

最后对归一化的数据进行特征提取，具体包括：

(1)根据数据x₃(i)提取声音信号短时能量分布脉冲宽度特征z₁：

在满足条件

的前提下，定义：w_last＝max[1,2,…,n-D+1]，w_first＝min[1,2,…,n-D+1]，则z₁为：z₁＝w_last-w_first

(2)根据数据x₃(i)提取声音信号短时能量分布脉冲高宽比特征z₂：

(3)根据数据x₃(i)提取声音信号短时能量分布脉冲位置特征z₃：

(4)根据数据x₄(i)提取声音信号短时过零率特征z₄：

在满足条件

的前提下，定义r_last＝max[1,2,…,n-D]，r_first＝min[1,2,…,n-D]，则z₄为：

上述的特征z₁、z₂、z₃、z₄构成声音信号特征向量z＝{z₁、z₂、z₃、z₄}。

步骤3，将提取到的声音信号的特征向量送入支持向量机进行识别并得到判断结果；

将步骤2中提取得到的声音特征信息送入支持向量机中，由支持向量机对声音特征信息进行判断，判断出当前声音信号是否属于电缆故障放电声。

在使用支持向量机进行声音特征信息识别之前，需要对支持向量机进行训练，具体训练过程包括如下步骤：

步骤3-1，按照前述声音信号数据采集要求，各准备M条电缆故障放电声信号数据和非电缆故障放电声信号数据。

步骤3-2，按照前述数据预处理和特征提取要求，分别对M条电缆故障放电声信号数据和非电缆故障放电声信号数据进行处理，得到特征矩阵z_ij，i∈[1,2,…,2M]，j∈[1,2,3,4]。其中，i＝[1,2,…,M]是电缆故障放电声信号特征向量，i＝[M+1,M+2,…,2M]是非电缆故障放电声信号特征向量。

步骤3-3，赋值2M行的列向量s，其中第1至第M行赋值为1(表示是电缆故障放电声)，第M+1至第2M行赋值为0(表示不是电缆故障放电声)。

步骤3-4，将矩阵z_ij和列向量s输入支持向量机训练函数，选择线性核进行训练。

步骤4，当前声音信号是否为电缆故障放电声，如果是电缆故障放电声，顺序执行步骤5～步骤7，如果是非电缆故障放电声，执行步骤7。

步骤5，保存当前声音信号的数据。

步骤6，进行第二次声音信号的采集并进行相关系数的计算；

重复执行步骤1和步骤2，进行第二次声音信号的采集，并在将第二次声音信号数字化后执行去直流、归一化处理，最后提取得到第二次声音信号的数据，并针对先后连续两次采集的声音信号数据计算两次声音信号数据x_k(i)，x_k+1(i)，i∈[1,2,…,n]的相关系数C：

计算得到当前两次声音信号数据的相关系数C后，将相关系数C与预设定的相关系数阈值C₀进行比较，对第一次采集得到的声音信号是否为电缆故障放电声进行再次确认。

步骤7，显示判断结果及声音信号波形。

下面分别通过一个电缆故障放电声实例和一个非电缆故障放电声的实例对上述步骤进行详细说明。实例1：当声音信息为电缆故障放电声时：

步骤1，采集时长T为100ms的一端声音信号，并采用单极性分辨率N为12bit的A/D转换器，获取一组采样点数n为800的电缆故障放电声的原始数据x₀(i)，其波形如图2所示。

步骤2，对缆故障放电声的原始数据x₀(i)进行去直流处理，得到去直流处理后的数据x₁(i)，如图3所示。然后对数据x₁(i)进行归一化处理，得到数据x₂(i)，如图4所示。

利用归一化数据x₂(i)，计算步长D为50的声音信号数据短时能量分布x₃(i)(如图5所示)，计算阈值th为0.5的短时过零率x₄(i)，(如图6所示)。

利用短时能量分布数据x₃(i)，计算短时能量分布脉冲宽度特征z₁＝95，高宽比特征z₂＝0.0024，位置特征z₃＝121。利用短时过零率数据x₄(i)计算短时过零率特征z₄＝500。z₁、z₂、z₃、z₄构成特征向量z＝{95,0.0024,121,500}。

步骤3～5，将特征向量z＝{95,0.0024,121,500}送入支持向量机，由支持向量机进判断后得到该声音信号为电缆故障放电声的结论，并保存当前声音信号的数据。

步骤6，再次采集时长为100ms的声音信号x_k+1(i)，其波形如图7所示，将该声音信号的数据与上次采集得到的声音信号的数据x_k(i)(即x₀(i)，波形见图2)进行相关系数的计算，计算得到两个声音信号的相关系数C＝0.954，最终确认当前声音信息为电缆故障放电声。

步骤7，将当前声音信息为电缆故障放电声的判断结果以及声音信息的波形进行显示。

实例2：当声音信息为非电缆故障放电声时：

步骤1，采集时长T为100ms的一端声音信号，并采用单极性分辨率N为12bit的A/D转换器，获取一组采样点数n为800的电缆故障放电声的原始数据x'₀(i)，其波形如图8所示。

步骤2，对缆故障放电声的原始数据x'₀(i)进行去直流处理，得到去直流处理后的数据x'₁(i)，如图9所示。然后对数据x'₁(i)进行归一化处理，得到数据x'₂(i)，如图10所示。

利用归一化数据x'₂(i)，计算步长D为50的声音信号数据短时能量分布x'₃(i)(如图11所示)，计算阈值th为0.5的短时过零率x'₄(i)，(如图12所示)。

利用短时能量分布数据x'₃(i)，计算短时能量分布脉冲宽度特征z₁'＝615，高宽比特征z'₂＝1.41×10^-4，位置特征z'₃＝426。利用短时过零率数据x'₄(i)计算短时过零率特征z'₄＝1826。z₁’、z’₂、z’₃、z’₄构成特征向量z'＝{615,1.41×10^-4,426,1826}。

步骤3～4，将特征向量z'＝{615,1.41×10^-4,426,1826}送入支持向量机，由支持向量机进判断后得到该声音信号为非电缆故障放电声的结论。

步骤7，将当前声音信息为非电缆故障放电声的判断结果以及声音信息的波形进行显示。

也可以通过步骤6对声音信号为非电缆故障放电声的结论进行验证：

再次采集时长为100ms的声音信号x’_k+1(i)，其波形如图13所示，将该声音信号的数据与上次采集得到的声音信号的数据x’_k(i)(即x’₀(i)，波形见图8)进行相关系数的计算，计算得到两个声音信号的相关系数C’＝0.025，最终确认当前声音信息为非电缆故障放电声。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种电力电缆故障放电声智能识别方法，其特征在于：包括如下步骤：

步骤1，在电缆故障放电时刻开始采样声音信号并进行模数转换得到原始数据x₀(i)；

步骤2，对数字化的声音信号进行去直流处理，得到数据x₁(i)，然后对去直流处理的数据进行归一化处理，得到数据x₂(i)，最后提取得到声音信号的特征向量；

步骤3，将提取到的声音信号的特征向量送入支持向量机进行识别并得到判断结果；

步骤4，判断前声音信号是否为电缆故障放电声，如果是电缆故障放电声，顺序执行步骤5～步骤7，如果是非电缆故障放电声，执行步骤7；

步骤5，保存当前声音信号的数据；

步骤6，进行第二次声音信号的采集并进行相关系数的计算；

步骤7，显示判断结果及声音信号波形；

步骤2中所述的特征向量包括：

根据数据x₃(i)提取声音信号短时能量分布脉冲宽度特征z₁：

在满足条件

i∈[1,2,…,n-D+1]的前提下，定义：w_last＝max[1,2,…,n-D+1]，w_first＝min[1,2,…,n-D+1]，则z₁为：z₁＝w_last-w_first

根据数据x₃(i)提取声音信号短时能量分布脉冲高宽比特征z₂：

根据数据x₃(i)提取声音信号短时能量分布脉冲位置特征z₃：

根据数据x₄(i)提取声音信号短时过零率特征z₄：

在满足条件

i∈[1,2,…,n-D]的前提下，定义r_last＝max[1,2,…,n-D]，r_first＝min[1,2,…,n-D]，则z₄为：

其中：x₃(i)为根据所述数据x₂(i)计算得到的步长为D的声音信号数据短时能量分布；x₄(i)为根据数据x₃(i)计算得到的步长为D的声音信号数据短时过零率。

2.根据权利要求1所述的电力电缆故障放电声智能识别方法，其特征在于：所述的步长为D的声音信号数据短时能量分布x₃(i)为：

其中：D表示步长。

3.根据权利要求1所述的电力电缆故障放电声智能识别方法，其特征在于：所述的步长为D的声音信号数据短时过零率x₄(i)为：

其中：sign为符号函数，th表示大于零的阈值，i∈[1,2,…,n-D]。

4.根据权利要求1所述的电力电缆故障放电声智能识别方法，其特征在于：步骤6中所述的相关系数的计算公式为：

其中：x_k(i)，x_k+1(i)，i∈[1,2,…,n]分别表示连续两次采集的声音信号数据。

5.根据权利要求1所述的电力电缆故障放电声智能识别方法，其特征在于：步骤3中所述的支持向量机的训练过程包括如下步骤：

步骤3-1，各准备M条电缆故障放电声信号数据和非电缆故障放电声信号数据；

步骤3-2，分别对M条电缆故障放电声信号数据和非电缆故障放电声信号数据进行处理，得到特征矩阵z_ij，i∈[1,2,…,2M]，j∈[1,2,3,4]，

其中，i＝[1,2,…,M]是电缆故障放电声信号特征向量，i＝[M+1,M+2,…,2M]是非电缆故障放电声信号特征向量；

步骤3-3，赋值2M行的列向量s，其中第1至第M行赋值为1，表示电缆故障放电声，第M+1至第2M行赋值为0表示非电缆故障放电声；

步骤3-4，将矩阵z_ij和列向量s输入支持向量机训练函数，选择线性核进行训练。

Images