CN116027158A - 一种高压电缆局放故障预测方法及*** - Google Patents
一种高压电缆局放故障预测方法及*** Download PDFInfo
- Publication number
- CN116027158A CN116027158A CN202310076323.8A CN202310076323A CN116027158A CN 116027158 A CN116027158 A CN 116027158A CN 202310076323 A CN202310076323 A CN 202310076323A CN 116027158 A CN116027158 A CN 116027158A
- Authority
- CN
- China
- Prior art keywords
- cable
- partial discharge
- data set
- prediction
- historical data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 claims abstract description 126
- 230000000877 morphologic effect Effects 0.000 claims abstract description 37
- 238000011049 filling Methods 0.000 claims abstract description 22
- KGKGSIUWJCAFPX-UHFFFAOYSA-N 2,6-dichlorothiobenzamide Chemical compound NC(=S)C1=C(Cl)C=CC=C1Cl KGKGSIUWJCAFPX-UHFFFAOYSA-N 0.000 claims description 58
- 238000000354 decomposition reaction Methods 0.000 claims description 46
- 230000004044 response Effects 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 24
- 238000012417 linear regression Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 230000005266 beta plus decay Effects 0.000 claims description 2
- 208000028659 discharge Diseases 0.000 abstract description 138
- 238000012544 monitoring process Methods 0.000 abstract description 26
- 238000009413 insulation Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000008447 perception Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种高压电缆局放故障预测方法及***，采集电缆在线监测的多项局放数据、温度数据及电力数据，实现在线监测的高压电缆局放定位；提取在线采集PRPD图谱中的形态统计特征量；对时序缺失的其余监测参量进行缺项填补；利用其余监测参量以及提取的局放形态统计特征量，分别提取各项趋势项以及周期项后，结合搭建趋势预测模型；将其余监测参量以及局放形态统计特征量的趋势预测结果作为局放诊断模型的输入，得到高压电缆局放故障诊断结果。实现对高压电缆局放故障的预测定位和诊断。本发明实现对高压电缆绝缘运行风险实时定位和辅助决策，有助于提升电力***数字孪生化的可靠性预警、全局感知以及强鲁棒调控等多方面能力。
Description
技术领域
本发明属于电力设备状态预测和故障诊断技术领域，具体涉及一种高压电缆局放故障预测方法及***。
背景技术
为适应清洁能源发展和低碳转型的需求趋势，将有大量新能源发电厂接入电网。电网安全、稳定和运行优化将为迎来重重挑战，尤其是“双高”电力***，这给电网运行状况的常规预测和输电控制带来了前所未有的挑战。并且随着社会建设对电力***运行安全可靠性要求的提高，完善电力***的多维检测、状态预测和***管理以成为当前电网数字化的主要攻坚方向和需求。
对于数据，随着电力物联网的建设与发展，在电网设备建设和运行过程中，积累了海量历史数据。大量设备数据累计沉淀，处于“沉睡状态”，未能有效挖掘其价值，缺少一套能够对历史试验、在线检测等众多数据进行科学分析和高效决策的手段，难以利用大数据精准指导现有生产作业开展。其中高压电缆作为重要的传输电设备，涉及到大量表征其运行状态的相关参量，如在线监测数据，电气试验数据，电网运行数据，气象环境数据，绝缘监测数据以及设备质量记录等。而由于各特征属性间相互耦合、关系密切。其中电缆绝缘问题一直是电缆稳定可靠运行的技术核心，因此通过数据驱动方法全方位地对高压电缆当前状态进行诊断定位，以及对状态的未来发展趋势进行预测诊断，可以有助于快速有效有针对性地安排设备检修和制定运维策略。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种高压电缆局放故障预测方法及***，用于解决高压电缆局放状态无法预测、局放故障类型诊断及定位的技术问题。
本发明采用以下技术方案：
一种高压电缆局放故障预测方法，包括以下步骤：
S1、采集高压电缆的状态数据，构建电缆局放故障定位数据集，电缆状态预测历史数据集，以及原始的电缆故障诊断历史数据集；
S2、利用小波滤波处理步骤S1得到的电缆局放故障定位数据集中的高频信号，逆向重构得到高频信号；
S3、对步骤S2得到的高频信号进行模态组分提取，获取高频信号的首要有限带宽固有模态函数；
S4、基于双端相位响应法，利用快速傅里叶分布变化处理步骤S1中电缆局放故障定位数据集中的高频信号，得到对应的相位响应图谱，联立步骤S3得到的高频信号首要有限带宽固有模态函数中峰值所在的相位响应，利用电缆局放相位衰减特征方程实现高压电缆局放的故障定位；
S5、提取步骤S1得到的电缆状态预测历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆状态预测历史数据集；
S6、利用多重线性回归对步骤S5得到的新的电缆状态预测历史数据集中各项电缆特征参量进行数据填补，构成电缆状态历史数据集；
S7、利用时间序列趋势分解算法将步骤S6得到的电缆状态历史数据集中的各项历史数据分解成趋势分量、周期分量和余项，再通过长短期记忆网络实现对各项历史数据趋势分量的联合时序预测，得到高压电缆各项特征参量的预测结果；
S8、提取步骤S1得到的电缆故障诊断历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆故障诊断历史数据集；
S9、利用步骤S8得到的新的电缆故障诊断历史数据集建立深度卷积置信网络的故障诊断模型，保存训练结果最优的模型作为DCBN电缆故障诊断模型，将步骤S7得到的高压电缆各项特征参量的预测结果作为DCBN电缆故障诊断模型的输入，实现电缆的近期局放故障预测。
具体的，步骤S1中，采集高压电缆的PRPD图谱、高频信号、接地电流、温度以及负载电流数据；将高压电缆上位置临近的两个高频传感器所采集的高频信号作为电缆局放故障定位数据集；将PRPD图谱、接地电流、温度以及负载电流作为电缆状态预测历史数据集；收集高压电缆正常状态及产生局放下的PRPD图谱、接地电流、温度以及负载电流数据，构成原始的电缆故障诊断历史数据集。
具体的，步骤S3中，引入Lagrange乘数法和惩罚因子α使局放高频信号变分分解有约束，并用Lagrange乘法因子和更新因子σ，通过交替方向算法迭代优化直至满足收敛标准容错ε，得到各自分解后的一系列有限带宽固有模态函数，最终获取两高频信号的首要有限带宽固有模态函数。
具体的，步骤S4具体为：
获取高压电缆上位置相邻的两个高频信号；对两个高频信号进行快速傅里叶变换，得到两个高频信号的相位响应图谱；分别获取两个高频信号的首要有限带宽固有模态函数中峰值所在的相位响应
和
联立
和
确定局放故障的位置。
具体的，步骤S5中，PRPD图谱特征提取包括偏斜Sk、陡峭度Ku、放电因素Q、相互关系数CC和相位不对称度ψ。
具体的，步骤S6中，多重线性回归的数据缺补具体为：
S601、获取历史数据中完整参量组，对不同参量之间进行排列组合，利用多重线性回归拟合所有组合的关系，获取在线传感器采集的数据，明确某一时刻缺失的数据类型；
S602、以缺失的数据为因变量ζ，非缺失的数据为自变量α，利用历史数据逼近αβ+ε＝ζ，β是权重矩阵，ε是偏置矩阵；
S603、利用拟合结果实现缺失项的填补。
具体的，步骤S7中，进行联合时序预测具体为：
S701、获取多项参量历史时序数据，分别对图谱统计特征量、接地电流、温度以及负载电流进行STL分解，得到各特征参量历史数据的趋势分量；
S702、明确需要预测的时间跨幅；
S703、取STL分解所得周期量的时间跨幅为LSTM的输入窗口长度；
S704、利用LSTM模型，联合步骤S701中所有参量分解所得的趋势分量，作为联合时序预测的输入，得到电缆各特征参量的趋势分量时序预测结果；
S705、将步骤S704得到的不同参量的趋势预测结果与各自周期分量相加，实现多参量联合时序预测。
具体的，步骤S9中，利用深度卷积置信网路DCBN进行故障诊断具体为：
将步骤S8得到的电缆故障诊断历史数据集归一化[-1,1]，作为DCBN电缆故障诊断模型的输入，局放类型进行one-hot编码，作为输出；
设置DCBN电缆故障诊断模型的接口参数，即输入层和输出层神经元数目，输入层的数目等于特征参数的数量，输出层的数目等于局放类型的数量；
设置DCBN电缆故障诊断模型的内部网络结构，利用内部网络前端的CNN提取输出的有效特征值，对内部网络结构的多层RBM进行无监督优化；利用内部网络结构末端的全连接，使用BP算法对内部网络结构进行全局优化；
用历史数据集的归一尺度归一化步骤S7得到的多参量联合时序预测结果；将多参量联合时序预测结果输入最优的DCBN电缆故障诊断模型，得到最终诊断结果，实现电缆局放故障预测。
进一步的，最优的DCBN电缆故障诊断模型具体为：
获取历史故障数据集，确定输入层和输出层神经元数以及网络结构RBM的层数、RBM每层的神经元数、卷积层和池化层的参数，卷积核、padding；然后对数据集局放故障类型进行one-hot编码作为DCBN电缆故障诊断模型的输出，然后将特征参量归一化至[-1,1]并划分训练集和测试集，利用训练集训练并利用测试集调优，保存测试集效果最优的模型作为DCBN电缆故障诊断模型。
第二方面，本发明实施例提供了一种高压电缆局放故障预测***，包括：
数据模块，采集高压电缆的状态数据，构建电缆局放故障定位数据集，电缆状态预测历史数据集，以及原始的电缆故障诊断历史数据集；
重构模块，利用小波滤波处理数据模块得到的电缆局放故障定位数据集中的高频信号，逆向重构得到过滤后的高频信号；
提取模块，对重构模块得到的高频信号进行模态组分提取，获取高频信号的首要有限带宽固有模态函数；
定位模块，基于双端相位响应法，利用快速傅里叶分布变化处理数据模块中电缆局放故障定位数据集中的高频信号，得到对应的相位响应图谱，联立提取模块得到的高频信号首要有限带宽固有模态函数中峰值所在的相位响应，利用电缆局放相位衰减特征方程实现高压电缆局放的故障定位；
第一替换模块，提取数据模块得到的电缆状态预测历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆状态预测历史数据集；
填补模块，利用多重线性回归对第一替换模块得到的新的电缆状态预测历史数据集中各项电缆特征参量进行数据填补，构成电缆状态历史数据集；
分解模块，利用时间序列趋势分解算法将填补模块得到的电缆状态历史数据集中的各项历史数据分解成趋势分量、周期分量和余项，再通过长短期记忆网络实现对各项历史数据趋势分量的联合时序预测，得到高压电缆各项特征参量的预测结果；
第二替换模块，提取数据模块得到的电缆故障诊断历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆故障诊断历史数据集；
预测模块，利用第二替换模块得到的新的电缆故障诊断历史数据集建立深度卷积置信网络的故障诊断模型，保存训练结果最优的模型作为DCBN电缆故障诊断模型，将分解模块得到的高压电缆各项特征参量的预测结果作为DCBN电缆故障诊断模型的输入，实现电缆的近期局放故障预测。
与现有技术相比，本发明至少具有以下有益效果：
一种高压电缆局放故障预测方法，利用高压电缆历史数据以及在线数据，实现局放故障的定位及预测诊断，对在线高频信号进行小波去噪和变分模态分解(VMD)，选取IMF1中幅值最高处的相位响应，联合电缆双端信号实现局放定位。基于多重线性回归算法(MLR)，利用历史数据逼近接地电流、温度、负载电流以及PRPD图谱形态统计特征量间的相关特性，实现对在线监测数据中缺失项的实时填补；基于时序分解模型(STL)及时序预测模型(LSTM)，实现对多种参量的联合时序预测；建立DCBN深度卷积置信网络，挖掘多种参量与电缆局放类型的潜在关联。实现对高压电缆局放故障的预测定位和诊断
进一步的，电缆在长久的运行维护过程中，沉淀了大量历史有效数据，将其收集成为电缆局放故障定位数据集，电缆状态预测历史数据集，以及原始的电缆故障诊断历史数据集可以为电缆故障定位、状态预测以及绝缘故障诊断模型训练提供数据支持。
进一步的，精确的局放故障定位可以有效减少高压电缆运维过程中所消费的人力及物力。对电缆高频信号进行模态组分提取，引入Lagrange乘数法和惩罚因子α使局放高频信号变分分解有约束，获取两高频信号的首要有限带宽固有模态函数，为双端相位响应定位提供信号参考。
进一步的，当前对于电缆局放相位衰减特性的研究较为成熟，而当前主流的小波分析去噪及变分模态分析可以有效地从原始高频信号中获取相位响应。对原始高频进行快速傅里叶变化得到传感器相位响应图谱，结合原始信号滤波、变分模态分解(VariationalMode Decomposition)VMD后所得的本征模态函数(intrinsic mode function1)IMF1的峰值位置得到传感器的相位响应，联立相位衰减特征方程得到局放故障位置定位。
进一步的，对电缆局放PRPD图谱中的图谱统计特征物理量进行提取，通过几个数字型特征量表示局放图谱中的关键信息，便利后续的数据缺补以及时序预测；具体的图谱统计特征物理量有：偏斜Sk、陡峭度Ku、放电因素Q、相互关系数CC及相位不对称度ψ。倾斜度Sk代表PRPD图谱的形状对称倾斜程度，若Sk等于0则说明图谱呈对称形，若Sk大于0则说明图谱形状呈向小于算术平均数测倾斜，若Sk小于0则说明图谱形状呈向大于算术平均数测倾斜。陡峭度Ku代表PRPD图谱相对正态分布的突起程度，若Ku等于0则说明图谱形状和正态分布一般平滑，若Ku大于0则较正太分布更尖锐，若Ku小于0则较正太分布更平坦。放电因素Q代表了PRPD图谱中在正负半周期上的放电差异性。相互关系数CC代表了PRPD图谱图形轮廓在正负半周期上的相似程度，从0至1，意味着轮廓差异从大到小。相位不对称度ψ代表PRPD图谱正负半周期起始放电相位的差异。
进一步的，对应高压电缆的局部放电是电气设备运行过程中施加电压导体之间局部区域产生击穿放电的过程，其活动的类型与程度必然会导致电缆电热特性的不同程度上的改变，而负载电流、电缆温度、接地电流又是电缆电热性特征的体现，而PRPD图谱统计特征物理量作为电缆局放程度和现象的统计表征，这几者之间必然有着强烈的相关性。利用历史数据，基于多重线性回归(multiple linear regression)MLR算法，挖掘之间的潜在关系，实现自适应弥补电缆监测***中不同传感器采样频率或采样异常等原因导致的数据缺失，为后续的实现预测奠定基础。
进一步的，季节趋势分解方法STL是一种应用广泛且具有强鲁棒性的时间序列分解方法，可以将一段时间序列分解为趋势项、周期项和余项。而长短期记忆网络(LongShort-Term Memory)LSTM利用输入门、遗忘门和输出门的结构，可有效挖掘多项参量之间的关联和数据的时序特征，进而实现多参量的时序预测。为了达到更高精度的预测效果，将STL分解后得到的趋势项作为LSTM的输入，而后将STL分解后得到的周期项在加与LSTM的预测输出。
进一步的，深度卷积置信网络(Deep Convolution Belief Networks)DCBN是一种基于大量训练数据集的深度学习分类方法。利用卷积层提取输入数据特征，再利用若干层受限玻尔兹曼机(Restricted Boltzmann Machine)RBM实现特征提炼与转化，最后在用全连接感知机(Multi layer Perceptron)MLP以及ReLU函数(Rectified Linear Units)作为激活函数实现分类诊断。最后再利用反向传播(Back Propagation)BP对整体网络进行微调。深度卷积置信网络比一般分类器的准确率更高，故选用DCBN网络作为高压电缆局放故障诊断的网络模板。
进一步的，利用深度卷积置信网络(Deep Convolution Belief Networks)DCBN作为电缆故障诊断的终端模型，由其对输入特征深度挖掘和便利性的特点，可以有效提高对数据的利用率和故障诊断的时效性，以实现电缆局放故障预测的快速准确诊断。
可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
综上所述，本发明实现对电网高压电缆局放故障定位以及预测诊断分析，可以有效高压电缆的绝缘故障势态感知及自适应监调能等各方面能力。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明状态全息感知数据驱动的高压电缆局放故障预测的全过程示意图；
图2为本发明对于高压电缆局放故障在线定位的流程图；
图3为本发明基于多重线性回归MLR实现在线缺补的流程图；
图4为本发明基于STL和LSTM实现多参量联合时序预测的流程图；
图5为本发明高压电缆绝缘故障诊断DCBN网络模型搭建和训练的流程图；
图6为本发明电缆A相电路上实验监测所得的一种两端滤波高频信号；
图7为本发明电缆A相电路上实验监测所得的另一种两端滤波高频信号。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种高压电缆局放故障预测方法，采集电缆在线监测的多项局放数据、温度数据及电力数据，通过滤波除杂以及模态提取实现在线监测的高压电缆局放定位；建立高压电缆的历史故障数据集，训练得到局放诊断DCBN模型；提取在线采集PRPD图谱中的形态统计特征量；对时序缺失的其余监测参量进行缺项填补；利用其余监测参量以及提取的局放形态统计特征量，分别提取各项趋势项以及周期项后，结合搭建趋势预测模型；将其余监测参量以及局放形态统计特征量的趋势预测结果作为局放诊断模型的输入，得到高压电缆局放故障诊断结果。实现对高压电缆局放故障的预测定位和诊断。本发明基于历史运行数据和在线监测数据，实现对高压电缆绝缘运行风险实时定位和辅助决策，有助于提升电力***数字孪生化的可靠性预警、全局感知以及强鲁棒调控等多方面能力。
请参阅图1，本发明预测方法分为三个数据采集、在线定位及预测诊断三部分，基于电缆局部放电高频信号在传播过程中的相位衰减特性，利用在线采集高频信号实现局放故障在线定位。利用多重线性回归方法，根据完整时间节点数据组，排列组合拟合参量之间的潜在关系，实现补全历史数据时序列中的缺失项，为后续的预测奠定夯实数据基础；然后基于STL和LSTM模型，通过综合挖掘历史数据中的发展趋势和周期量，实现多参量联合时序预测。最后基于DCBN网络，以PRPD图谱形态统计特征量、接地电流、负载电流及光测温度作为输入特征搭建局放故障诊断模型，实现最终的高压电缆绝缘故障预测诊断。
数据采集分为两类，一类是局放监测信号，另一类是其余监测参量；
局放监测信号有高频信号和PRPD图谱；其余监测参量有接地电流、负载电流及光测温度。
具体采样周期由现场电缆监测***中的传感器灵活调整。
在线定位利用的是局放监测信号中的高频信号，需要的是相邻两个高频传感器采集到的高频信号组；
利用经典小波分析方法，选定小波基和阈值后，对原始高频信号进行降噪提纯；
然后对采集到的原始信号进行快速傅里叶变换，得到两个传感器信号各自的相位响应图谱；
接着利用变分模态分解法提取出降噪后高频信号的有限带宽固有模态函数IMF1，结合相位响应图谱和IMF1峰值位置，得到两个高频信号的相位响应
和
最后利用电缆局放相位衰减特性，联立
和
得到局放故障点在两个高频传感器间的具***置。
预测诊断所需的数据有PRPD图谱、接地电流、负载电流及光测温度。操作过程可以分为四个部分：PRPD图谱形态统计特征量提取、数据缺补、时序预测及故障诊断。其中PRPD图谱形态统计特征量提取是提取出图谱中能有效代表统计物理特征的物理量，包括：偏斜Sk、陡峭度Ku、放电因素Q、相互关系数CC及相位不对称度ψ。
数据缺补是利用多重线性回归补全缺失时间节点的特征参数数据，目的是为了防止不同传感器采样频率或设备异常导致的数据不对称或缺失。利用历史时序数据中完整的数据组，以缺失项为因变量，非缺失项为自变量，利用历史数据逼近自变量与因变量之间的关系。为了在现场应用中具有优秀时效性以实现快速预测诊断，可对多种特征参量进行排列组合，得到完善的数据缺补模型，在传感器采集数据并上传数据库的过程中自行补全缺失项。
时序预测是利用STL和LSTM，基于完整多项参数历史时序数据，实现对高压电缆未来各项特征参数的趋势预测。利用STL对各个参数的历史时序数据进行组份分解，保留其中的趋势项和周期项。利用LSTM，取STL分解结果中LSTM预测结果最优的周期项周期长度为LSTM的窗口长度，实现多参量周期项联合时序预测，最后各参量分别加上各自的周期项，得到最后的预测结果。
故障诊断是利用DCBN神经网络模型，基于历史故障数据集，以多项参数作为DCBN的输入特征，得到最终的高压电缆绝缘故障预测诊断结果，其中包括模型的建立和训练及模型的使用。对于DCBN模型的建立和训练，需要根据参量数量以及电缆绝缘故障可能类型数确定网络的输入层和输出层神经元数，通过调参寻优确定最终的网络参数和结构有RBM的层数、RBM每层的神经元数、卷积层和池化层的参数，卷积核、padding等，最后保存效果最优的DCBN模型。模型的使用则是以多项参数的预测结果作为保存的DCBN模型输入，根据模型输出的各类故障类型概率，得到最终的预测诊断结果。
请参阅图2，本发明一种高压电缆局放故障预测方法，包括以下步骤：
S1、利用在线监测装置采集所需的电缆状态数据，包括PRPD图谱、高频信号、接地电流、温度以及负载电流；以电缆上位置相临近的两高频传感器所采集的高频信号为一组，作为电缆局放故障定位数据集；将PRPD图谱、接地电流、温度以及负载电流作为电缆状态预测历史数据集；收集电缆正常状态及产生局放下的PRPD图谱、接地电流、温度以及负载电流数据，构成原始的电缆故障诊断历史数据集；
S2、利用小波滤波处理步骤S1得到电缆局放故障定位数据集中的两高频信号，对原始信号进行小波分解，得到各尺度系数，随后通过阈值处理，筛掉高频噪音，逆向重构得到过滤后的信号；
S201、选取小波基，考虑到局放信号为指数衰减震荡型，选取相似小波基有利去噪；
S202、确定分解尺度，分解尺度应兼顾信噪分离的目的和防止失真的发生；
S203、明确阈值及阈值函数；
S204、逆向重构，得到提纯后的高频信号。
S3、对步骤S2得到的经过数据处理的两高频信号分别进行模态组分提取，通过引入Lagrange乘数法和惩罚因子α使局放高频信号变分分解有约束，并用Lagrange乘法因子和更新因子σ，通过交替方向算法迭代优化直至满足收敛标准容错ε，得到各自分解后的一系列有限带宽固有模态函数(IMF)，最终获取两高频信号的首要有限带宽固有模态函数(IMF1)；
S4、基于双端相位响应法，利用快速傅里叶分布变化处理步骤S1中电缆局放故障定位数据集中的两高频信号，得到各自的相位响应图谱，联立步骤S3得到的两IMF1中峰值所在的相位响应，结合两传感器之间的距离，利用电缆局放相位衰减特征方程，实现电缆局放的故障定位；
通过双端相位响应法实现故障定位具体为：
S401、获取电缆上位置相邻的两个高频传感器信号；
S402、对采集信号进行快速傅里叶变换，分别得到二者相位响应图谱；
S403、通过步骤S2和步骤S3后得到二者的IMF1；
S404、分别获取两个IMF1中峰值所在的相位响应
和
S405、联立
和
利用下列公式，确定局放故障的位置。
其中，
为原始局放高频信号的峰值相位，d为局放位置，l为两个传感器之间的距离，β1和β2分别为两个传感器所在电缆位置的局放信号相位常数，由下列公式计算得到：
其中，R0、G0、L0和C0分别单位长度电缆的电阻、电导、电感和电容值，ω是局放IMF1峰值位置的角频率。
S5、提取步骤S1得到的电缆状态预测历史数据集中的PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆状态预测历史数据集；
PRPD图谱特征提取包括以下内容：偏斜Sk、陡峭度Ku、放电因素Q、相互关系数CC、相位不对称度ψ；
偏斜Sk的计算方法如式(3)所示：
其中，N是图谱半工频周期内相位开窗的个数，
是第i个相窗的相位，
是相位宽度，μ、pi和σ分别是以
为变量时图谱第i个相窗局放发生的均值、概率和方差，计算公式如式(4)～(6)所示，其中y是二维图谱的纵坐标，
陡峭度Ku的计算公式为：
放电因素Q的计算公式为：
其中，
和
分别为相位正半周期和负半周期的放电量总和，
和
分别是正半周期和负半周期的放电次数总和；
相互关系数CC的计算公式为：
其中，
和
分别是图谱第i个相窗的正半周期和负半周期的平均放电量；相位不对称度ψ的计算公式为：
其中，
和
分别是图谱在正半周期和负半周期起始放电相位。
S6、对步骤S5得到的电缆状态预测历史数据集中的各项电缆特征参量，利用多重线性回归进行数据填补，补全缺失的特征参数，从而构成电缆状态历史数据集，为后续的时序预测提供可靠数据支持；
请参阅图3，多重线性回归的数据缺补的步骤具体为：
S601、获取历史数据中完整参量组，对不同参量之间进行排列组合，利用多重线性回归拟合所有组合的关系，获取在线传感器采集的数据，明确某一时刻缺失的数据类型；
S602、以缺失项为因变量，非缺失项为自变量，利用历史数据逼近下式：
αβ+ε＝ζ (11)
其中，α是自变量，ζ是因变量，β是权重矩阵，ε是偏置矩阵。
S603、利用拟合结果实现缺失项的填补。
S7、利用时间序列趋势分解算法STL(Seasonal-Trend decomposition procedurebased on Loess)将步骤S6得到的电缆状态预测历史数据集中的各项历史数据分解成趋势分量(Trend Component)、周期分量(Seasonal Component)和余项(RemainderComponent)，再通过长短期记忆网络LSTM(Long Short-Term Memory)实现对各项历史数据趋势分量的联合时序预测，得到电缆各项特征参量的预测结果；
请参阅图4，利用时序分解STL和长短期记忆网络LSTM对电缆各项特征参量的历史数据进行联合时序预测具体为：
S701、获取多项参量历史时序数据，分别对图谱统计特征量、接地电流、温度以及负载电流进行STL分解，得到各特征参量历史数据的趋势分量；
S702、明确所需预测时间跨幅；
S703、取STL分解所得周期量的时间跨幅为LSTM的输入窗口长度(如STL分解得多个不同时间跨幅，选取预测效果最佳得一个)；
S704、利用LSTM模型，联合步骤S701中所有参量分解所得的趋势分量，作为联合时序预测的输入，得到电缆各特征参量的趋势分量时序预测结果；
S705、不同参量的趋势预测结果与各自周期分量相加，实现多参量联合时序预测。
S8、提取步骤S1得到的电缆故障诊断历史数据集中的PRPD图谱的形态统计特征量，包括偏斜Sk、陡峭度Ku、放电因素Q、相互关系数CC、相位不对称度ψ，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆故障诊断历史数据集；
S9、利用步骤S8得到的电缆故障诊断历史数据集，建立深度卷积置信网络(DCBN)的故障诊断模型，保存训练结果最优的模型为DCBN电缆故障诊断模型。将步骤S7得到的电缆各项特征参量的预测结果作为DCBN电缆故障诊断模型的输入，实现电缆的近期局放故障预测。
请参阅图5，高压电缆绝缘故障诊断DCBN网络模型搭建和训练的整体流程如下：
S901、历史故障数据集获取，然后到步骤S902；
S902、确定输入层和输出层神经元数以及网络结构RBM的层数、RBM每层的神经元数、卷积层和池化层的参数，卷积核、padding等，然后到步骤S903；
S903、对数据集局放故障类型进行one-hot编码作为DCBN网络的输出，然后到步骤S904；
S904、特征参量归一化至[-1,1]并划分训练集和测试集，然后到步骤S905；
S905、利用训练集训练并利用测试集调优，然后到步骤S906；
S906、保存测试集效果最优的模型作为DCBN电缆故障诊断模型。
请参阅图6，利用深度卷积置信网路DCBN进行故障诊断具体为：
S907、将步骤S8所得的电缆故障诊断历史数据集归一化[-1,1]，作为DCBN网络的输入，局放类型进行one-hot编码，作为输出；
S908、设置DCBN的接口参数即输入层和输出层神经元数目，输入层的数目等于特征参数的数量，输出层的数目等于局放类型的数量；
S909、设置DCBN内部网络结构，即RBM的层数、RBM每层的神经元数、卷积层和池化层的参数，卷积核、padding等；
S910、利用网络前端的CNN，提取输出的有效特征值；
S911、对DCBN的多层RBM进行无监督优化；
S912、利用网络末端的全连接，使用BP算法对网络全局进行优化；
S913、用步骤S907中归一后的数据集反复训练网络，保存诊断效果最佳的模型；
S914、用步骤S907的历史数据集的归一尺度归一化步骤S7得到的多参量联合时序预测结果；
S915、将步骤S914的结果输入给DCBN，得到最终诊断结果，实现电缆局放故障预测。
本发明再一个实施例中，提供一种高压电缆局放故障预测***，该***能够用于实现上述高压电缆局放故障预测方法，具体的，该高压电缆局放故障预测***包括数据模块、重构模块、提取模块、定位模块、第一替换模块、填补模块、分解模块、第二替换模块以及预测模块。
其中，数据模块，采集高压电缆的状态数据，构建电缆局放故障定位数据集，电缆状态预测历史数据集，以及原始的电缆故障诊断历史数据集；
重构模块，利用小波滤波处理数据模块得到的电缆局放故障定位数据集中的高频信号，逆向重构得到过滤后的高频信号；
提取模块，对重构模块得到的高频信号进行模态组分提取，获取高频信号的首要有限带宽固有模态函数；
定位模块，基于双端相位响应法，利用快速傅里叶分布变化处理数据模块中电缆局放故障定位数据集中的高频信号，得到对应的相位响应图谱，联立提取模块得到的高频信号首要有限带宽固有模态函数中峰值所在的相位响应，利用电缆局放相位衰减特征方程实现高压电缆局放的故障定位；
第一替换模块，提取数据模块得到的电缆状态预测历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆状态预测历史数据集；
填补模块，利用多重线性回归对第一替换模块得到的新的电缆状态预测历史数据集中各项电缆特征参量进行数据填补，构成电缆状态历史数据集；
分解模块，利用时间序列趋势分解算法将填补模块得到的电缆状态历史数据集中的各项历史数据分解成趋势分量、周期分量和余项，再通过长短期记忆网络实现对各项历史数据趋势分量的联合时序预测，得到高压电缆各项特征参量的预测结果；
第二替换模块，提取数据模块得到的电缆故障诊断历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆故障诊断历史数据集；
预测模块，利用第二替换模块得到的新的电缆故障诊断历史数据集建立深度卷积置信网络的故障诊断模型，保存训练结果最优的模型作为DCBN电缆故障诊断模型，将分解模块得到的高压电缆各项特征参量的预测结果作为DCBN电缆故障诊断模型的输入，实现电缆的近期局放故障预测。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于高压电缆局放故障预测方法的操作，包括：
采集高压电缆的状态数据，构建电缆局放故障定位数据集，电缆状态预测历史数据集，以及原始的电缆故障诊断历史数据集；利用小波滤波处理电缆局放故障定位数据集中的高频信号，逆向重构得到过滤后的高频信号；对高频信号进行模态组分提取，获取高频信号的首要有限带宽固有模态函数；基于双端相位响应法，利用快速傅里叶分布变化处理电缆局放故障定位数据集中的高频信号，得到对应的相位响应图谱，联立高频信号首要有限带宽固有模态函数中峰值所在的相位响应，利用电缆局放相位衰减特征方程实现高压电缆局放的故障定位；提取电缆状态预测历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆状态预测历史数据集；利用多重线性回归对新的电缆状态预测历史数据集中各项电缆特征参量进行数据填补，构成电缆状态历史数据集；利用时间序列趋势分解算法将电缆状态历史数据集中的各项历史数据分解成趋势分量、周期分量和余项，再通过长短期记忆网络实现对各项历史数据趋势分量的联合时序预测，得到高压电缆各项特征参量的预测结果；提取电缆故障诊断历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆故障诊断历史数据集；利用新的电缆故障诊断历史数据集建立深度卷积置信网络的故障诊断模型，保存训练结果最优的模型作为DCBN电缆故障诊断模型，将高压电缆各项特征参量的预测结果作为DCBN电缆故障诊断模型的输入，实现电缆的近期局放故障预测。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关高压电缆局放故障预测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
采集高压电缆的状态数据，构建电缆局放故障定位数据集，电缆状态预测历史数据集，以及原始的电缆故障诊断历史数据集；利用小波滤波处理电缆局放故障定位数据集中的高频信号，逆向重构得到过滤后的高频信号；对高频信号进行模态组分提取，获取高频信号的首要有限带宽固有模态函数；基于双端相位响应法，利用快速傅里叶分布变化处理电缆局放故障定位数据集中的高频信号，得到对应的相位响应图谱，联立高频信号首要有限带宽固有模态函数中峰值所在的相位响应，利用电缆局放相位衰减特征方程实现高压电缆局放的故障定位；提取电缆状态预测历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆状态预测历史数据集；利用多重线性回归对新的电缆状态预测历史数据集中各项电缆特征参量进行数据填补，构成电缆状态历史数据集；利用时间序列趋势分解算法将电缆状态历史数据集中的各项历史数据分解成趋势分量、周期分量和余项，再通过长短期记忆网络实现对各项历史数据趋势分量的联合时序预测，得到高压电缆各项特征参量的预测结果；提取电缆故障诊断历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆故障诊断历史数据集；利用新的电缆故障诊断历史数据集建立深度卷积置信网络的故障诊断模型，保存训练结果最优的模型作为DCBN电缆故障诊断模型，将高压电缆各项特征参量的预测结果作为DCBN电缆故障诊断模型的输入，实现电缆的近期局放故障预测。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
以某220kv三相电缆的实验数据为例，对本发明进行说明。如图6及图7所示为该电缆A相电路上某次实验监测所得的两端滤波所得高频信号。根据本发明提出的高压电缆局放故障预测方法和***，对两端原始信号进行快速傅里叶变换，并进行模态分解，得到两个IMF1峰值相位响应分别为1.37rad和1.25rad。联立公式1和2确定局放位置，最终定位误差为0.023％。
该电缆的负载电流、光测温度及A相接地电流的历史数据如表所示。
表1电缆历史数据
以负载电流、光测温度及A相接地电流作为预测对象，先利用MLR补全PRPD图谱形态统计特征量，再基于STL-LSTM模型建立预测模型。多次调试选取拟合度最好的预测模型，其对负载电流、光测温度及A相接地电流的拟合准确率分别为93.235％、95.856％和96.519％。因此，STL-LSTMLSTM可以作为预测电缆状态的基础模型。该电缆未来2天的预测结果如表所示。
表2电缆预测数据
| 预测时间 | 负载电流/A | 光测温度/℃ | 接地电流/A |
| 2022-08-19 | 272 | 35.6 | 6.95 |
| 2022-08-20 | 265 | 35.8 | 6.86 |
根据历史故障数据集，建立基于DCBN的高压电缆局放故障诊断模型。以8：2的比例将历史故障数据集划分为训练集和测试集，通过DCBN进行模型参数寻优后，DCBN的模型参数分别为：隐藏层层数为8，rbm学习率为0.1，激活函数为ReLU，padding为2。结果表明，训练集的诊断准确率为96.568％，测试集的诊断准确率为94.056％，建立的DCBN故障诊断模型可以实现利用电缆多项监测信号实现电缆故障诊断的有效检测。因此，对表2的预测结果进行诊断，诊断结果如表3所示，该高压电缆A相线路在未来两天内存在沿面放电故障的概率最高，其次是气隙放电故障。
表3电缆故障预测诊断结果
本发明具有以下特点：
(1)结合利用高压电缆在线定位和故障预测方法，遵从先定位再诊断的顺序，可实现对高压电缆的在线监督、快速定位、趋势预测及故障预诊。不仅能够给高压电缆的可靠运维提供指示参考，还能有效节省所需时间和资源。
(2)利用对高压电缆局放PRPD图谱统计特征物理量的提取，不仅实现用较小的存储资源保留数据，也为数据缺补和实现预测提供便利。减少程序计算量的同时，节省了时间又提高了精度。
(3)以PRPD图谱统计特征物理量、负载电流、电缆温度及接地电流为特征数据，利用MLR算法挖掘彼此之间的潜在关系，建立数据缺补模型，使得整体方案落地的自适应性得到提升，不用受限于高压电缆监测***中异步采样频率和不稳定性等条件。
(4)结合STL和LSTM算法，实现PRPD图谱统计特征物理量、负载电流、电缆温度及接地电流的可靠时序预测，为高压电缆故障预测诊断提供特征来源，使其成为可能。对指导高压电缆针对绝缘故障的运行维护有着重要意义。
综上所述，本发明一种高压电缆局放故障预测方法及***，利用电缆局部放电高频信号在传播过程中的相位衰减特性对局放位置进行定位。为了给时序预测奠定夯实数据基础，利用多重线性回归方法，补全所需数据时序列中的缺失项。利用高压电缆在线可得信号基于时序分解(STL)方法和长短期记忆网络(LSTM)，联合挖掘数据时间上的趋势动向以及数据结构组份与故障类型的关联，对高压电缆绝缘故障实现预测诊断，可以有效利用电缆历史沉淀数据并挖掘潜在价值，实现了高压电缆的局放故障定位及预测诊断，并对高压电缆的运维有一定的指导作用。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等，需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种高压电缆局放故障预测方法，其特征在于，包括以下步骤：
S1、采集高压电缆的状态数据，构建电缆局放故障定位数据集，电缆状态预测历史数据集，以及原始的电缆故障诊断历史数据集；
S2、利用小波滤波处理步骤S1得到的电缆局放故障定位数据集中的高频信号，逆向重构得到高频信号；
S3、对步骤S2得到的高频信号进行模态组分提取，获取高频信号的首要有限带宽固有模态函数；
S4、基于双端相位响应法，利用快速傅里叶分布变化处理步骤S1中电缆局放故障定位数据集中的高频信号，得到对应的相位响应图谱，联立步骤S3得到的高频信号首要有限带宽固有模态函数中峰值所在的相位响应，利用电缆局放相位衰减特征方程实现高压电缆局放的故障定位；
S5、提取步骤S1得到的电缆状态预测历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆状态预测历史数据集；
S6、利用多重线性回归对步骤S5得到的新的电缆状态预测历史数据集中各项电缆特征参量进行数据填补，构成电缆状态历史数据集；
S7、利用时间序列趋势分解算法将步骤S6得到的电缆状态历史数据集中的各项历史数据分解成趋势分量、周期分量和余项，再通过长短期记忆网络实现对各项历史数据趋势分量的联合时序预测，得到高压电缆各项特征参量的预测结果；
S8、提取步骤S1得到的电缆故障诊断历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆故障诊断历史数据集；
S9、利用步骤S8得到的新的电缆故障诊断历史数据集建立深度卷积置信网络的故障诊断模型，保存训练结果最优的模型作为DCBN电缆故障诊断模型，将步骤S7得到的高压电缆各项特征参量的预测结果作为DCBN电缆故障诊断模型的输入，实现电缆的近期局放故障预测。
2.根据权利要求1所述的高压电缆局放故障预测方法，其特征在于，步骤S1中，采集高压电缆的PRPD图谱、高频信号、接地电流、温度以及负载电流数据；将高压电缆上位置临近的两个高频传感器所采集的高频信号作为电缆局放故障定位数据集；将PRPD图谱、接地电流、温度以及负载电流作为电缆状态预测历史数据集；收集高压电缆正常状态及产生局放下的PRPD图谱、接地电流、温度以及负载电流数据，构成原始的电缆故障诊断历史数据集。
3.根据权利要求1所述的高压电缆局放故障预测方法，其特征在于，步骤S3中，引入Lagrange乘数法和惩罚因子α使局放高频信号变分分解有约束，并用Lagrange乘法因子和更新因子σ，通过交替方向算法迭代优化直至满足收敛标准容错ε，得到各自分解后的一系列有限带宽固有模态函数，最终获取两高频信号的首要有限带宽固有模态函数。
4.根据权利要求1所述的高压电缆局放故障预测方法，其特征在于，步骤S4具体为：
获取高压电缆上位置相邻的两个高频信号；对两个高频信号进行快速傅里叶变换，得到两个高频信号的相位响应图谱；分别获取两个高频信号的首要有限带宽固有模态函数中峰值所在的相位响应
和
联立
和
确定局放故障的位置。
5.根据权利要求1所述的高压电缆局放故障预测方法，其特征在于，步骤S5中，PRPD图谱特征提取包括偏斜Sk、陡峭度Ku、放电因素Q、相互关系数CC和相位不对称度ψ。
6.根据权利要求1所述的高压电缆局放故障预测方法，其特征在于，步骤S6中，多重线性回归的数据缺补具体为：
S601、获取历史数据中完整参量组，对不同参量之间进行排列组合，利用多重线性回归拟合所有组合的关系，获取在线传感器采集的数据，明确某一时刻缺失的数据类型；
S602、以缺失的数据为因变量ζ，非缺失的数据为自变量α，利用历史数据逼近αβ+ε＝ζ，β是权重矩阵，ε是偏置矩阵；
S603、利用拟合结果实现缺失项的填补。
7.根据权利要求1所述的高压电缆局放故障预测方法，其特征在于，步骤S7中，进行联合时序预测具体为：
S701、获取多项参量历史时序数据，分别对图谱统计特征量、接地电流、温度以及负载电流进行STL分解，得到各特征参量历史数据的趋势分量；
S702、明确需要预测的时间跨幅；
S703、取STL分解所得周期量的时间跨幅为LSTM的输入窗口长度；
S704、利用LSTM模型，联合步骤S701中所有参量分解所得的趋势分量，作为联合时序预测的输入，得到电缆各特征参量的趋势分量时序预测结果；
S705、将步骤S704得到的不同参量的趋势预测结果与各自周期分量相加，实现多参量联合时序预测。
8.根据权利要求1所述的高压电缆局放故障预测方法，其特征在于，步骤S9中，利用深度卷积置信网路DCBN进行故障诊断具体为：
将步骤S8得到的电缆故障诊断历史数据集归一化[-1,1]，作为DCBN电缆故障诊断模型的输入，局放类型进行one-hot编码，作为输出；
设置DCBN电缆故障诊断模型的接口参数，即输入层和输出层神经元数目，输入层的数目等于特征参数的数量，输出层的数目等于局放类型的数量；
设置DCBN电缆故障诊断模型的内部网络结构，利用内部网络前端的CNN提取输出的有效特征值，对内部网络结构的多层RBM进行无监督优化；利用内部网络结构末端的全连接，使用BP算法对内部网络结构进行全局优化；
用历史数据集的归一尺度归一化步骤S7得到的多参量联合时序预测结果；将多参量联合时序预测结果输入最优的DCBN电缆故障诊断模型，得到最终诊断结果，实现电缆局放故障预测。
9.根据权利要求8所述的高压电缆局放故障预测方法，其特征在于，最优的DCBN电缆故障诊断模型具体为：
获取历史故障数据集，确定输入层和输出层神经元数以及网络结构RBM的层数、RBM每层的神经元数、卷积层和池化层的参数，卷积核、padding；然后对数据集局放故障类型进行one-hot编码作为DCBN电缆故障诊断模型的输出，然后将特征参量归一化至[-1,1]并划分训练集和测试集，利用训练集训练并利用测试集调优，保存测试集效果最优的模型作为DCBN电缆故障诊断模型。
10.一种高压电缆局放故障预测***，其特征在于，包括：
数据模块，采集高压电缆的状态数据，构建电缆局放故障定位数据集，电缆状态预测历史数据集，以及原始的电缆故障诊断历史数据集；
重构模块，利用小波滤波处理数据模块得到的电缆局放故障定位数据集中的高频信号，逆向重构得到过滤后的高频信号；
提取模块，对重构模块得到的高频信号进行模态组分提取，获取高频信号的首要有限带宽固有模态函数；
定位模块，基于双端相位响应法，利用快速傅里叶分布变化处理数据模块中电缆局放故障定位数据集中的高频信号，得到对应的相位响应图谱，联立提取模块得到的高频信号首要有限带宽固有模态函数中峰值所在的相位响应，利用电缆局放相位衰减特征方程实现高压电缆局放的故障定位；
第一替换模块，提取数据模块得到的电缆状态预测历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆状态预测历史数据集；
填补模块，利用多重线性回归对第一替换模块得到的新的电缆状态预测历史数据集中各项电缆特征参量进行数据填补，构成电缆状态历史数据集；
分解模块，利用时间序列趋势分解算法将填补模块得到的电缆状态历史数据集中的各项历史数据分解成趋势分量、周期分量和余项，再通过长短期记忆网络实现对各项历史数据趋势分量的联合时序预测，得到高压电缆各项特征参量的预测结果；
第二替换模块，提取数据模块得到的电缆故障诊断历史数据集中PRPD图谱的形态统计特征量，利用PRPD图谱的形态统计特征量代替PRPD图谱，构成新的电缆故障诊断历史数据集；
预测模块，利用第二替换模块得到的新的电缆故障诊断历史数据集建立深度卷积置信网络的故障诊断模型，保存训练结果最优的模型作为DCBN电缆故障诊断模型，将分解模块得到的高压电缆各项特征参量的预测结果作为DCBN电缆故障诊断模型的输入，实现电缆的近期局放故障预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076323.8A CN116027158A (zh) | 2023-02-07 | 2023-02-07 | 一种高压电缆局放故障预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076323.8A CN116027158A (zh) | 2023-02-07 | 2023-02-07 | 一种高压电缆局放故障预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116027158A true CN116027158A (zh) | 2023-04-28 |
Family
ID=86091277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310076323.8A Pending CN116027158A (zh) | 2023-02-07 | 2023-02-07 | 一种高压电缆局放故障预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116027158A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074888A (zh) * | 2023-10-11 | 2023-11-17 | 国网天津市电力公司电力科学研究院 | 用于对电气设备进行击穿定位检测的方法、装置和设备 |
| CN118091331A (zh) * | 2024-04-26 | 2024-05-28 | 国网辽宁省电力有限公司抚顺供电公司 | 一种电缆线故障感知方法及*** |
| CN118130984A (zh) * | 2024-05-10 | 2024-06-04 | 山东博通节能科技有限公司 | 基于数据驱动的电缆局放故障实时监测方法 |
| CN118209830A (zh) * | 2024-05-14 | 2024-06-18 | 山东博通节能科技有限公司 | 一种电缆局放异常智能监测方法及*** |
-
2023
- 2023-02-07 CN CN202310076323.8A patent/CN116027158A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074888A (zh) * | 2023-10-11 | 2023-11-17 | 国网天津市电力公司电力科学研究院 | 用于对电气设备进行击穿定位检测的方法、装置和设备 |
| CN117074888B (zh) * | 2023-10-11 | 2024-01-26 | 国网天津市电力公司电力科学研究院 | 用于对电气设备进行击穿定位检测的方法、装置和设备 |
| CN118091331A (zh) * | 2024-04-26 | 2024-05-28 | 国网辽宁省电力有限公司抚顺供电公司 | 一种电缆线故障感知方法及*** |
| CN118130984A (zh) * | 2024-05-10 | 2024-06-04 | 山东博通节能科技有限公司 | 基于数据驱动的电缆局放故障实时监测方法 |
| CN118209830A (zh) * | 2024-05-14 | 2024-06-18 | 山东博通节能科技有限公司 | 一种电缆局放异常智能监测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116027158A (zh) | 一种高压电缆局放故障预测方法及*** | |
| CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及*** | |
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| CN110336534B (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
| CN109597967B (zh) | 一种电力***配变电站负荷数据异常检测与修复方法 | |
| Zheng et al. | Research on rolling bearing fault diagnosis of small dataset based on a new optimal transfer learning network | |
| CN110515931B (zh) | 一种基于随机森林算法的电容型设备缺陷预测方法 | |
| CN106373167A (zh) | 一种基于深度神经网络的压缩传感核磁共振成像方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN115015683B (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
| CN115827577A (zh) | 智能电表高频数据压缩与重构的云端协同自适应分治方法 | |
| CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
| CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
| CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
| CN113780160B (zh) | 一种电能质量扰动信号分类方法和*** | |
| CN109902133B (zh) | 基于电网任意分割区域的多源数据纠错处理方法及*** | |
| CN113449920A (zh) | 一种风电功率预测方法、***及计算机可读介质 | |
| CN112182499A (zh) | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 | |
| CN116937559A (zh) | 基于循环神经网络和张量分解的电力***负荷预测***和方法 | |
| CN116881640A (zh) | 岩心采出程度的预测方法、***及计算机可读存储介质 | |
| CN115051363B (zh) | 一种配网台区户变关系辨识方法、装置及计算机存储介质 | |
| CN116706888A (zh) | 基于联邦学习的智能电网负荷预测方法 | |
| CN114970698B (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 | |
| CN114298413B (zh) | 一种水电机组振摆趋势预测方法 | |
| CN113537010B (zh) | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |