CN113466616A - 一种电缆故障点快速定位方法以及装置 - Google Patents

Abstract

本发明提供一种电缆故障点快速定位方法及装置，其故障点定位方法包括下列步骤：采集多个第二声音信号并提取频谱特征参数，将频谱特征参数输入训练后的声音分类模型，初步判断第二声音信号是否包含电缆故障声信号；通过降噪器对第二声信号进行降噪处理，判断降噪处理后的第二声信号中是否包含电缆故障声信号；若降噪处理后的第二声信号中包含电缆故障声信号，将第二声音信号中的频谱特征参数输入预先构建的声音分析模型中，获得冲击函数系数特征，基于冲击函数系数特征以及预先构建的声源定位模型，获得电缆故障声源与声采集终端之间的距离，从而得到电缆故障点位置。

Description

一种电缆故障点快速定位方法以及装置

技术领域

本发明涉及电缆故障定位技术领域，尤其涉及一种电缆故障点快速定位方法以及装置。

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。声测法和声磁同步法均需要人工监听电缆故障声信息，由于人耳对声音强弱细微变化不敏感，环境噪声干扰，以及电缆埋深不同导致声音强弱的变化等因素的影响，其监听难度大，目前只能由有经验的测试者人工侦听，但人侦听培训时间长，成本高，而且这种技能脱离现场环境难以培训、传授和继承，制约了电缆故障探测自动化水平的发展。

发明内容

本发明的目的在于提供一种电缆故障点快速定位方法以及装置，以解决上述背景技术中提出的问题。

本发明是通过以下技术方案实现的：本发明第一方面提供了一种电缆故障点快速定位方法，通过监控终端快速确定电缆故障点的故障区段，通过故障点定位方法在故障区段内快速确定故障点，其中故障点定位方法包括下列步骤：

采集不同情况下的第一声信号，并从第一声信号中提取不同情况下的频谱特征参数，所述不同情况下的第一声信号包括故障条件下的第一声信号，所述故障条件下的第一声信号包含了电缆故障声信号以及噪声信号；

将频谱特征参数输入预先构建的声音分类模型中进行训练，得到训练后的声音分类模型；

在若干个采样周期T内，通过声采集终端采集来自故障区段电缆的多个第二声音信号，同时提取每个采样周期中的第二声音信号中的频谱特征参数，将频谱特征参数输入训练后的声音分类模型，初步判断第二声音信号是否包含电缆故障声信号；

若第二声音信号中包含了电缆故障声信号，通过降噪器对第二声信号进行降噪处理，然后提取出降噪处理后的第二声信号中的时频特征，并形成第一曲线图，同时提取故障条件下的第一声信号中的时频特征，形成第二曲线图，将第一曲线图与第二曲线图进行对比，判断降噪处理后的第二声信号中是否包含电缆故障声信号，其中所述曲线图包括各种时域特征量与时间的关系曲线图、不同时间位置的频谱、声压级与时间关系曲线图、主峰频率与时间关系曲线图；

若降噪处理后的第二声信号中包含电缆故障声信号，将第二声音信号中的频谱特征参数输入预先构建的声音分析模型中，获得冲击函数系数特征，基于冲击函数系数特征以及预先构建的声源定位模型，获得电缆故障声源与声采集终端之间的距离，从而得到电缆故障点位置。

可选的，所述频谱特征参数包括LPC特征参数、MFCC特征参数、PLP特征参数中的一种或多种。

可选的，所述频谱特征参数包括LPC特征参数与MFCC特征参数进行融合后的融合特征参数或PLP特征参数与MFCC特征参数进行融合后的融合特征参数。

可选的，构建所述声音分类模型还包括：确定声音分类模型的拓扑结构，所述拓扑结构包括输入层、输出层以及隐含层，所述输入层的输入包括频谱特征参数；所述输出层的输出包括基于频谱参数的声音信号分类情况。

可选的，构建声音分析模型的过程包括：确定声音分析模型的拓扑结构，所述拓扑结构包括输入层、输出层以及隐含层，所述输入层的输入包括频谱特征参数；所述输出层的输出包括冲击函数系数特征；

将训练数据输入拓扑结构中进行训练，在训练结束后获得声音分析模型，所述训练数据包括从第一声信号中提取的不同情况下的频谱特征参数。

可选的，构建声源定位模型的过程包括：确定声源定位模型的拓扑结构，所述拓扑结构包括输入层、输出层以及隐含层，所述输入层的输入包括冲击函数系数特征；所述输出层的输出包括声源与所述声采集终端之间的距离。

可选的，所述降噪器中包含不同的降噪算法，采用其中一个降噪算法对所述第二声信号进行降噪处理，若降噪处理后的第二声信号中不包含电缆故障声信号，则采用其他降噪算法对所述第二声信号进行降噪处理。

本发明第二方面提供了一种电缆故障点快速定位装置，包括：

历史数据模块，所述历史数据模块中存储不同条件下的第一声信号；

频谱特征提取模块，用于提取声信号中的频谱特征；

时频特征分析模块，用于提取声信号的中的时频特征，并形成相应的曲线图，所述曲线图包括各种时域特征量与时间的关系曲线图、不同时间位置的频谱、声压级与时间关系曲线图、主峰频率与时间关系曲线图；

声音分类模块，用于生成声音分类模型，并将训练数据输入声音分类模型进行训练学习，从而得到基于频谱参数的声音信号分类情况；

声音分析模块，用于生成声音分析模型，并将训练数据输入声音分类模型进行训练学习，从而得到冲击函数系数特征；

声源定位模块，用于生成声源定位模型，并将训练数据输入声源定位模型中进行训练学习，从而得到声源与所述声采集终端之间的距离。

与现有技术相比，本发明达到的有益效果如下：

本发明提供的一种电缆故障点快速定位方法及装置，基于声音信号的声学特征，采用机器学习的方法进行距离判定，具体地，提取现场采集的电缆附近处的声音信号的频谱特征，根据该频谱特征利用预先构建的声音分类模型，判断该现场处所采集到的声音是否包含电缆故障声，然后再利用时频特征所构成的曲线图进行对比，判断降噪后的声音信号是否包含电缆故障声，然后根据前述频谱特征利用预先构建的声音分析模型获得冲击函数系数特征，最后再利用声源定位模型确定电缆故障声源与声采集终端的距离信息，从而无需借助第三方传感器进行距离测定，降低了成本，而且也解决了传统声采集终端上的多麦克受限于麦克风阵列硬件布局集中所带来的距离测定不准确的问题。

附图说明

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优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种电缆故障点快速定位方法的流程图。

具体实施方式

为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。

在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。

为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。

参见图1，本发明第一方面提供了一种电缆故障点快速定位方法，通过监控终端快速确定电缆故障点的故障区段，其监控终端间隔布设在电力电缆上，并且每个监控终端均具有故障行波采集能力，能采集电缆故障点所发出的故障行波信息，同时记录采集故障行波的时间，后台服务器通过双端行波定位法确定电缆故障点的故障区段范围，然后通过故障点定位方法在故障区段内快速确定故障点，其中故障点定位方法包括下列步骤：

步骤S1、采集不同情况下的第一声信号，并从第一声信号中提取不同情况下的频谱特征参数，所述不同情况下的第一声信号包括故障条件下的第一声信号，所述故障条件下的第一声信号包含了电缆故障声信号以及噪声信号；

步骤S2、将频谱特征参数输入预先构建的声音分类模型中进行训练，得到训练后的声音分类模型；

步骤S3、在若干个采样周期T内，通过声采集终端采集来自故障区段电缆的多个第二声音信号，同时提取每个采样周期中的第二声音信号中的频谱特征参数，将频谱特征参数输入训练后的声音分类模型，初步判断第二声音信号是否包含电缆故障声信号；

步骤S4、若第二声音信号中包含了电缆故障声信号，通过降噪器对第二声信号进行降噪处理，然后提取出降噪处理后的第二声信号中的时频特征，并形成第一曲线图，同时提取故障条件下的第一声信号中的时频特征，形成第二曲线图，将第一曲线图与第二曲线图进行对比，判断降噪处理后的第二声信号中是否包含电缆故障声信号，其中所述曲线图包括各种时域特征量与时间的关系曲线图、不同时间位置的频谱、声压级与时间关系曲线图、主峰频率与时间关系曲线图；

步骤S5、若降噪处理后的第二声信号中包含电缆故障声信号，将第二声音信号中的频谱特征参数输入预先构建的声音分析模型中，获得冲击函数系数特征，基于冲击函数系数特征以及预先构建的声源定位模型，获得电缆故障声源与声采集终端之间的距离，从而得到电缆故障点位置。

在步骤S1的一些实施例中，其第一声信号来源于预先收集的真实环境下的不同故障情况的带噪电缆故障声或人为合成的带噪电缆故障声，例如通过对故障声以不同信噪比加入噪声，而从第一声信号中提取的所述频谱特征参数包括LPC特征参数、MFCC特征参数、PLP特征参数中的一种或多种。

在具体实施时，以提取PLP特征参数为例，其PLP特征参数的提取步骤具体如下：

将第一声信号S(n)进行短时傅立叶变换，得到频谱x(ω)，计算频谱x(ω)的功率谱p(ω)；

对功率谱p(ω)进行临界频带分析：

Ω(ω)＝6ln{ω/1200π+[(ω/1200π)²+1]^1/2}

式中，ω为角频率，Ω为Bark域频率。

将功率谱p(ω)与模拟听觉频率临界曲线Ψ(Ω)进行卷积操作，获得临界带功率谱θ[Ω_i]，其中临界带曲线的公式为：

进行等响度曲线预加重处理；

进行强度-响度转换；

进行傅里叶逆变换，得到信号短时自相关函数R(τ)，根据Durbin公式获得12阶线性预测系数，对所述12阶线性预测系数进行谱分析，获得12维PLP特征参数及其一阶差分特征参数，共24维PLP特征参数。

另外需要时说明的是，LPC特征参数、MFCC特征参数的提取均采用现有常规方式进行提取，本实施例不再详细阐述

在步骤S1的一些实施例中，从第一声信号中提取所述频谱特征参数包括LPC特征参数与MFCC特征参数进行融合后的融合特征参数或PLP特征参数与MFCC特征参数进行融合后的融合特征参数。

在具体实施时，以PLP特征参数与MFCC特征参数进行融合后为例，其融合的具体步骤包括：

设定特征向量V，将所述PLP特征参数与所述MFCC特征参数进行串联融合：

V＝(αβ)

式中，α为PLP特征参数，β为MFCC特征参数。

在步骤S2的一些实施方式中，所构建的声音分类模型可采用深度置信神经网络、前馈神经网络、卷积神经网络或循环神经网络的一种或多种的组合，而作为优选的，本实施例以深度置信网络为例进行介绍。

在通过深度置信神经网络来构建声音分类模型时，首先确定声音分类模型的拓扑结构，所述拓扑结构包括输入层、输出层以及隐含层，所述输入层的输入包括频谱特征参数；所述输出层的输出包括基于频谱参数的声音信号分类情况，而隐含层一般为3到8层，本实施例取为4层。

可以理解的是，由于在不同故障类型下，电缆故障声的表现形式也不同，因此由频谱参数输入声音分类模型进行不间断训练后，可获得不同故障的声音信号分类结果。

而深度置信网络的训练过程包括如下两步：预训练和微调。

(1)预训练。进行RBM参数学习的过程，整个预训练的过程是无监督的。训练的每一个RBM都是对输入数据的新的表示，假设输入数据为向量v，经过一个RBM隐藏层单元激活后得到的输出向量为h，将该输出向量h作为下一个RBM的输入训练数据来训练一个新的RBM，其中获得的每一个RBM的权重都可以独立的从前一层的输出中提取特征。

(2)微调过程。将RBM预训练权重参数作为网络的初始参数，通过随机梯度下降(SGD)有监督地精细调整所有的权重，直至训练完成。

在步骤S3的一些实施例中，所述声采集终端为麦克风阵列式采集终端，其采集终端可选为手持式采集终端，操作者从电缆故障区段的一侧通过手持式采集终端采集声音信号，通过采集终端上的麦克风阵列可在周期T内采集多组声音信号，可选的，每个周期T内至少采集一次声音信号声，所采集的声音信号作为第二声信号，并通过如步骤S1中的频谱特征参数提取方法进行频谱特征参数提取，并将提取后的频谱特征参数输入声分类模型中获得声分类结果，从而进一步判断第二声信号中是否包含电缆故障声的存在。

在步骤S4的一些实施例中，所述降噪器中包含不同的降噪算法，所述降噪算法为目前常用的声降噪算法，采用其中一个降噪算法对所述第二声信号进行降噪处理，然后提取出降噪处理后的第二声信号中的时频特征，并形成第一曲线图，同时提取故障条件下的第一声信号中的时频特征，形成第二曲线图，将第一曲线图与第二曲线图进行对比，判断降噪处理后的第二声信号中是否全部包含电缆故障声信号，若第二声信号中部分包含电缆故障声信号，则说明第二声信号降噪处理过程出现异常，则采用其他降噪算法对所述第二声信号进行降噪处理。

在步骤S5的一些实施例中，所构建的声音分析模型可采用深度置信神经网络、前馈神经网络、卷积神经网络或循环神经网络的一种或多种的组合，而作为优选的，本实施例以深度置信网络为例进行介绍。

其构建声音分析模型的过程包括：确定声音分析模型的拓扑结构，所述拓扑结构包括输入层、输出层以及隐含层，所述输入层的输入包括频谱特征参数；所述输出层的输出包括冲击函数系数特征；

将训练数据输入拓扑结构中进行训练，在训练结束后获得声音分析模型，所述训练数据包括从第一声信号中提取的不同情况下的频谱特征参数，而训练方法可参考步骤S1中的训练方法对此不再详细描述。

将所提取的第二声信号的频谱特征参数输入到训练完成的声音分析模型中，可获得第二声信号的冲击函数系数特征。

需要说明的是，冲击函数系数特征通常以频域表示，具体的维数与频域分辨率有关，若音频为16K采样率，由于频域表示的对称性，通常选取8K个采样点，即混响冲击函数用8K维的向量表示；若音频为8K采样率，通常选择4K个采样点。以16K采样率为例，则混响冲击函数系数特征用8000维的向量表示。

在步骤S5的另一些实施例中，所构建的声源定位模型可采用深度置信神经网络、前馈神经网络、卷积神经网络或循环神经网络的一种或多种的组合，而作为优选的，本实施例以深度置信网络为例进行介绍。

构建声源定位模型的过程包括：确定声源定位模型的拓扑结构，所述拓扑结构包括输入层、输出层以及隐含层，所述输入层的输入包括冲击函数系数特征；所述输出层的输出包括声源与所述声采集终端之间的距离。所述训练数据包括从声源与所述声采集终端之间的不同距离下的冲击函数系数特征，而训练方法可参考步骤S1中的训练方法对此不再详细描述。

将第二声信号的冲击函数系数特征输入至训练完成的声源定位模型中，可获得故障点声源与采集终端之间的距离信息，其所述距离信息可以是一个确定的距离数值，此时声源定位模型为一个回归模型，故输出层的节点数可以是1个，表示确定的距离数值。

本发明第二方面提供了一种电缆故障点快速定位装置，包括：

历史数据模块，所述历史数据模块中存储不同条件下的第一声信号；

频谱特征提取模块，用于提取声信号中的频谱特征；

时频特征分析模块，用于提取声信号的中的时频特征，并形成相应的曲线图，所述曲线图包括各种时域特征量与时间的关系曲线图、不同时间位置的频谱、声压级与时间关系曲线图、主峰频率与时间关系曲线图；

声音分类模块，用于生成声音分类模型，并将训练数据输入声音分类模型进行训练学习，从而得到基于频谱参数的声音信号分类情况；

声音分析模块，用于生成声音分析模型，并将训练数据输入声音分类模型进行训练学习，从而得到冲击函数系数特征；

声源定位模块，用于生成声源定位模型，并将训练数据输入声源定位模型中进行训练学习，从而得到声源与所述声采集终端之间的距离。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述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，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (8)

1.一种电缆故障点快速定位方法，其特征在于，通过监控终端快速确定电缆故障点的故障区段，通过故障点定位方法在故障区段内快速确定故障点，其中故障点定位方法包括下列步骤：

采集不同情况下的第一声信号，并从第一声信号中提取不同情况下的频谱特征参数，所述不同情况下的第一声信号包括故障条件下的第一声信号，所述故障条件下的第一声信号包含了电缆故障声信号以及噪声信号；

将频谱特征参数输入预先构建的声音分类模型中进行训练，得到训练后的声音分类模型；

在若干个采样周期T内，通过声采集终端采集来自故障区段电缆的多个第二声音信号，同时提取每个采样周期中的第二声音信号中的频谱特征参数，将频谱特征参数输入训练后的声音分类模型，初步判断第二声音信号是否包含电缆故障声信号；

若第二声音信号中包含了电缆故障声信号，通过降噪器对第二声信号进行降噪处理，然后提取出降噪处理后的第二声信号中的时频特征，并形成第一曲线图，同时提取故障条件下的第一声信号中的时频特征，形成第二曲线图，将第一曲线图与第二曲线图进行对比，判断降噪处理后的第二声信号中是否包含电缆故障声信号，其中所述曲线图包括各种时域特征量与时间的关系曲线图、不同时间位置的频谱、声压级与时间关系曲线图、主峰频率与时间关系曲线图；

若降噪处理后的第二声信号中包含电缆故障声信号，将第二声音信号中的频谱特征参数输入预先构建的声音分析模型中，获得冲击函数系数特征，基于冲击函数系数特征以及预先构建的声源定位模型，获得电缆故障声源与声采集终端之间的距离，从而得到电缆故障点位置。

2.根据权利要求1所述的一种电缆故障点快速定位方法，其特征在于，所述频谱特征参数包括LPC特征参数、MFCC特征参数、PLP特征参数中的一种或多种。

3.根据权利要求2所述的一种电缆故障点快速定位方法，其特征在于，所述频谱特征参数包括LPC特征参数与MFCC特征参数进行融合后的融合特征参数或PLP特征参数与MFCC特征参数进行融合后的融合特征参数。

4.根据权利要求2或3所述的一种电缆故障点快速定位方法，其特征在于，构建所述声音分类模型还包括：确定声音分类模型的拓扑结构，所述拓扑结构包括输入层、输出层以及隐含层，所述输入层的输入包括频谱特征参数；所述输出层的输出包括基于频谱参数的声音信号分类情况。

5.根据权利要求1所述的一种电缆故障点快速定位方法，其特征在于，构建声音分析模型的过程包括：确定声音分析模型的拓扑结构，所述拓扑结构包括输入层、输出层以及隐含层，所述输入层的输入包括频谱特征的参数；所述输出层的输出包括冲击函数系数特征；

将训练数据输入拓扑结构中进行训练，在训练结束后获得声音分析模型，所述训练数据包括从第一声信号中提取的不同情况下的频谱特征参数。

6.根据权利要求1所述的一种电缆故障点快速定位方法，其特征在于，构建声源定位模型的过程包括：确定声源定位模型的拓扑结构，所述拓扑结构包括输入层、输出层以及隐含层，所述输入层的输入包括冲击函数系数特征；所述输出层的输出包括声源与所述声采集终端之间的距离。

7.根据权利要求1所述的一种电缆故障点快速定位方法，其特征在于，所述降噪器中包含不同的降噪算法，采用其中一个降噪算法对所述第二声信号进行降噪处理，若降噪处理后的第二声信号中不包含电缆故障声信号，则采用其他降噪算法对所述第二声信号进行降噪处理。

8.一种电缆故障点快速定位装置，其特征在于，包括：

历史数据模块，所述历史数据模块中存储不同条件下的第一声信号；

频谱特征提取模块，用于提取所述声信号中的频谱特征；

时频特征分析模块，用于提取声信号的中的时频特征，并形成相应的曲线图，所述曲线图包括各种时域特征量与时间的关系曲线图、不同时间位置的频谱、声压级与时间关系曲线图、主峰频率与时间关系曲线图；

声音分类模块，用于生成声音分类模型，并将训练数据输入声音分类模型进行训练学习，从而得到基于频谱参数的声音信号分类情况；

声音分析模块，用于生成声音分析模型，并将训练数据输入声音分类模型进行训练学习，从而得到冲击函数系数特征；

声源定位模块，用于生成声源定位模型，并将训练数据输入声源定位模型中进行训练学习，从而得到声源与所述声采集终端之间的距离。

Images