CN116466181B - 埋入线缆的故障人工智能检测***、方法和存储介质 - Google Patents
埋入线缆的故障人工智能检测***、方法和存储介质 Download PDFInfo
- Publication number
- CN116466181B CN116466181B CN202310380312.9A CN202310380312A CN116466181B CN 116466181 B CN116466181 B CN 116466181B CN 202310380312 A CN202310380312 A CN 202310380312A CN 116466181 B CN116466181 B CN 116466181B
- Authority
- CN
- China
- Prior art keywords
- fault
- magnetic field
- cloud server
- measuring point
- detection
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims description 8
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16547—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies voltage or current in AC supplies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/14—Session management
- H04L67/141—Setup of application sessions
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Locating Faults (AREA)
Abstract
一种线缆故障的人工智能确定检测***、方法和计算机程序，涉及人工智能技术领域。该***包括两个以上的第一检测管理设备终端，与云端服务器通过通信网络连接，用于检测测点的磁场和位置并将其传输至云端服务器，通过云端服务器接收划区范围内的第一控制中心输出的故障信息并显示；以及第一控制中心，与云端服务器通过通信网络连接，用于根据从云端服务器获取的第一检测管理设备终端输出的磁场确定获得故障信息，将故障信息进行显示及传输至云端服务器。本发明具有智能化程度高、检测精度高、故障响应及时性高、不易漏检、误检的优点。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种埋入线缆的故障人工智能检测***、方法和存储介质，特别涉及一种埋入线缆的故障状态和故障区间的人工智能检测***、方法和存储介质。
背景技术
随着城市化的快速扩张，大城市的土地资源日益匮乏，城市的电网线缆路已经逐渐向地下式(埋入)电缆线路方向发展，因而带来了一系列故障查找等方面的问题。而现代化建设对电网运行质量的要求越来越高，电力工作人员需要及时了解电力设备的运行情况，分析故障发生的原因，因而实时、完整、准确的记录电网运行过程中发生的各种故障是十分必要的。当在线缆路发生接地短路、跳闸等故障时，人工巡视无法及时判断故障来源，造成查找故障和修复故障的时间很长，产生较大的经济损失。
为解决上述问题，目前对于线缆路故障定位主要有行波法和故障分析法两种，行波法由于定位原理简单在电力***中得到大量的应用。例如中国专利201110452999.X、201010300240.5和201010186103.3中分别提出了不同的分布式故障定位方法，总体上看都是通过在线缆路上分布式的安装几组故障检测装置，通过检测线路上的故障行波来定位。线缆路上的绝大多数故障都会引起强烈的行波信号，很容易被检测装置检测到。但是，由于其一故障行波的非线性衰减、相间行波幅值的差异、线路不通区域噪声的差异和个别装置异常，其二解耦矩阵的限制下线路上的故障信号本身十分微弱，从而会使得线路上各个检测点不可能都同时测量到故障电流行波，利用行波的保护将不能准确捕捉到故障信号，一旦***中某一个或者几个装置没有触发启动或者出现异常时，都会导致测距失败。
发明内容
因此，为了克服上述缺陷，本发明实施例提供一种埋入线缆的故障人工智能检测***、方法和存储介质。
为此，本发明实施例的一种埋入线缆的故障状态和故障区间的人工智能检测***，包括：
两个以上的第一检测管理设备终端，与云端服务器通过通信网络连接，用于检测测点的磁场和位置并将其传输至云端服务器，通过云端服务器接收划区范围内的第一控制中心输出的故障信息并显示；以及
第一控制中心，与云端服务器通过通信网络连接，用于根据从云端服务器获取的所述第一检测管理设备终端输出的磁场确定获得故障信息，将故障信息进行显示及传输至云端服务器。
优选地，所述第一检测管理设备终端包括：
磁场检测数据获取装置，安装于测点处，用于获取测点的被测磁场量和磁场方向并传输至云端服务器；
测点位置获取装置，用于获取测点位置信息并传输至云端服务器；
分配及管理装置，用于根据从云端服务器获取的测点位置信息确定出第一检测管理设备终端所属划区范围，通过云端服务器建立与管辖所述划区范围的第一控制中心的连接；以及
故障信息接收及显示装置，用于通过云端服务器从第一控制中心接收故障信息并进行显示。
优选地，所述第一控制中心包括：
故障确定装置，用于根据从云端服务器获取的第一检测管理设备终端输出的被测磁场的方向变化确定获得故障区间；从云端服务器获取故障区间的两端测点的磁场量，根据磁场量获得电流；判断电流的电流模量是否满足易忽视故障条件：在i+j时刻的电流模量的绝对值的导数大于第一预设值且在i时刻的电流模量的绝对值的导数与在i+j时刻的电流模量的绝对值的导数的差值的绝对值小于第二预设值；i时刻为捕捉到的故障信息到达测点处的时刻，j时刻是i时刻之后的第j个采样点；当满足易忽视故障条件时，利用遗传算法将故障区间内线路参数作为变量进行多变量的优化求解，获得故障距离；当不满足易忽视故障条件时，利用多层神经网络将测点的磁场量及其三维磁场分量作为输入量进行计算，获得输出量故障类型；
故障信息输出装置，用于从故障确定装置获取故障信息并传输至云端服务器；以及
显示装置，用于从故障确定装置获取故障信息并显示。
优选地，还包括：
两个以上的第二检测管理设备终端，与云端服务器通过通信网络连接，用于检测测点的磁场和位置并将其传输至云端服务器，通过云端服务器接收划区范围内的第二控制中心输出的故障信息并显示；以及
第二控制中心，与云端服务器通过通信网络连接，用于根据从云端服务器获取的所述第一检测管理设备终端和/或第二检测管理设备终端输出的磁场确定获得故障信息，将故障信息进行显示及传输至云端服务器。
本发明实施例的一种埋入线缆的故障状态和故障区间的人工智能检测方法，包括以下步骤：
根据各测点的被测磁场的方向变化确定获得故障区间；
获取故障区间的两端测点的磁场量，根据磁场量获得电流；
判断电流的电流模量是否满足易忽视故障条件：在i+j时刻的电流模量的绝对值的导数大于第一预设值且在i时刻的电流模量的绝对值的导数与在i+j时刻的电流模量的绝对值的导数的差值的绝对值小于第二预设值；i时刻为捕捉到的故障信息到达测点处的时刻，j时刻是i时刻之后的第j个采样点；
当满足易忽视故障条件时，利用遗传算法将故障区间内线路参数作为变量进行多变量的优化求解，获得故障距离。
优选地，所述故障区间为磁场反向的相邻两个测点之间区间。
优选地，磁场量与电流之间的关系可根据华奥-萨伐尔定理计算获得。
优选地，所述当满足易忽视故障条件时，利用遗传算法将故障区间内线路参数作为变量进行多变量的优化求解，获得故障距离的步骤包括：
当满足易忽视故障条件时，建立优化模型：
其中，Zc为特征阻抗，r为电阻率，v为波速度，x为故障距离，l的取值范围为0～故障区间长度，t为时间，uk1为根据Zc,r,v,x,t确定的电压，uk2为根据Zc,r,v,l-x,t确定的电压；Zc,r,v,x为故障区间内线路参数；
采用遗传算法求解所述优化模型，取最小值的一组解为最优解，获得最优解中的x为故障距离。
优选地，还包括以下步骤：
当不满足易忽视故障条件时，利用多层神经网络将测点的磁场量及其三维磁场分量作为输入量进行计算，获得输出量故障类型。
本发明实施例的一种计算机可读存储介质，其存储计算机程序，所述计算机程序适合于在计算机上执行，其特征在于，所述计算机程序包括适于当其在所述计算机上运行时执行根据上述任一所述的埋入线缆的故障状态和故障区间的人工智能检测方法的步骤的指令。
本发明实施例的埋入线缆的故障状态和故障区间的人工智能检测***、方法和计算机程序，具有如下优点：
通过将分布于各个检测站点的检测管理设备终端进行划区分配，一个划区范围内采用一个控制中心进行管理控制，实现故障检测，并且通过云端服务器实现数据的传输，从而构建了组网灵活、便捷的埋入线缆故障人工智能检测***，并且通过划区组网，降低了控制中心的数据处理压力，从而提高了处理效率和故障响应能力，及时性高。而且控制中心的故障确定装置能够在故障信号微弱、不产生电流行波或电流行波较小、容易造成漏检等情况下进行高精度的故障检测，结合遗传算法和多层神经网络算法，具有智能化程度高的优点。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1中埋入线缆的故障状态和故障区间的人工智能检测方法的一个具体示例的流程图；
图2为本发明实施例2中埋入线缆的故障状态和故障区间的人工智能检测***的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明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，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，本说明书中的某些图式是用于例示方法的流程图。应了解，这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器，以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中，所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作，以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上，以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程，从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
相应地，各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解，所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机***、或者专用硬件与计算机指令的组合来实施。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种埋入线缆的故障状态和故障区间的人工智能检测方法，如图1所示，包括以下步骤：
S1、根据各测点的被测磁场的方向变化确定获得故障区间；优选地，磁场反向的相邻两个测点之间区间为故障区间；
S2、获取故障区间的两端测点的磁场量，根据磁场量获得电流；优选地，磁场量与电流之间的关系可根据华奥-萨伐尔定理计算获得；
S3、判断电流的电流模量是否满足易忽视故障条件：在i+j时刻的电流模量的绝对值的导数大于第一预设值且在i时刻的电流模量的绝对值的导数与在i+j时刻的电流模量的绝对值的导数的差值的绝对值小于第二预设值；i时刻为捕捉到的故障信息到达测点处的时刻，j时刻是i时刻之后的第j个采样点，考虑到故障保护的及时性和降低计算量，一般j的取值为1,2,…,6～10；第一预设值和第二预设值的设置是考虑了误差存在的情况；
S4、当满足易忽视故障条件时，意味着有可能存在以下故障中的任一个或两个以上：电压过零点或其附近经高阻接地，此时不会产生电流行波或电流行波较小，不易被检测到；两相电压相等，此时当进行两相电压的减法运算时，会导致电流模量为零，易造成漏检；利用遗传算法将故障区间内线路参数作为变量进行多变量的优化求解，获得故障距离；
优选地，S4的步骤包括：
S41、当满足易忽视故障条件时，建立优化模型：
其中，Zc为特征阻抗，r为电阻率，v为波速度，x为故障距离，l的取值范围为0～故障区间长度，t为时间，uk1为根据Zc,r,v,x,t确定的电压，uk2为根据Zc,r,v,l-x,t确定的电压，电压确定的方法可根据实际需要进行设置；Zc,r,v,x为故障区间内线路参数；
S42、采用遗传算法求解所述优化模型，取最小值的一组解为最优解，获得最优解中的x为故障距离。
S5、当不满足易忽视故障条件时，利用多层神经网络将测点的磁场量及其三维磁场分量作为输入量进行计算，获得输出量故障类型。根据故障类型，并结合故障区间所在的实际线缆状况，就能很容易定位到故障位置了。优选地，多层神经网络为三层结构，第一层为输入层，输入量为测点的磁场量及其三维磁场分量，第二层为隐含层，传输函数为tansig，第三层为输出层，输出量为故障类型，采用线性变换函数purelin。使用trainbr作为训练函数，目标函数误差为0.01。
优选地，S5的步骤包括：
S51、当不满足易忽视故障条件时，获取预设故障测点的磁场量及其三维磁场分量构成样本集，记录各预设故障测点所发生的故障类型；优选地，故障类型包括A相接地故障、B相接地故障、C相接地故障、AB相间短路故障、AC相间短路故障、BC相间短路故障、AB接地故障、AC接地故障和BC接地故障；
S52、将所述样本集作为输入样本，对多层神经网络进行训练、测试，直至输出的故障类型与所述记录的故障类型相一致，获得训练好的神经网络模型；
S53、将测点的磁场量及其三维磁场分量作为输入量输入所述训练好的神经网络模型，获得输出量故障类型。
上述埋入线缆的故障状态和故障区间的人工智能检测方法，通过易忽视故障条件的判断，实现了在故障信号微弱、不产生电流行波或电流行波较小、容易造成漏检等情况下的故障人工智能确定，提高了检测范围和精度。结合遗传算法和多层神经网络算法，利用各算法的优势分别进行故障距离和故障类型的人工智能确定，提高了智能化程度。
实施例2
本实施例提供一种埋入线缆的故障状态和故障区间的人工智能检测***，如图2所示，包括：
检测管理设备终端100，分布于各个检测站点，与云端服务器300通过通信网络连接，用于检测测点的磁场和位置并将其传输至云端服务器300，通过云端服务器300接收划区范围内的控制中心200输出的故障信息并显示；每个划区范围内包括一个控制中心200和两个以上检测管理设备终端100，埋入线缆的故障状态和故障区间的人工智能检测***包括一个云端服务器300和两个以上划区范围内的控制中心200和检测管理设备终端100；
优选地，检测管理设备终端100包括磁场检测数据获取装置101、测点位置获取装置102、分配及管理装置103和故障信息接收及显示装置104；
磁场检测数据获取装置101安装于测点处，用于获取测点的被测磁场量和磁场方向并将其传输至云端服务器300；优选地，测点包括电缆井、电缆始末点、中间接头等；
测点位置获取装置102用于获取测点位置信息并将其传输至云端服务器300；优选地，测点位置获取装置可以利用GPS定位等来获取测点位置信息；
分配及管理装置103用于根据从云端服务器300获取的测点位置信息确定出检测管理设备终端100所属划区范围，通过云端服务器300建立与管辖所述划区范围的控制中心200的连接；
故障信息接收及显示装置104用于通过云端服务器300从控制中心200接收故障信息并进行显示，以供故障维修人员及时获得辖区故障点；以及
控制中心200，分布于各个线路故障管理机构，与云端服务器300通过通信网络连接，用于根据从云端服务器300获取的检测管理设备终端100输出的磁场确定获得故障信息并传输至云端服务器300及显示；
优选地，控制中心200包括故障确定装置201、故障信息输出装置202和显示装置203；
故障确定装置201用于根据从云端服务器300获取的管辖划区范围内的各测点的被测磁场的方向变化确定获得故障区间；优选地，磁场反向的相邻两个测点之间区间为故障区间；从云端服务器300获取故障区间的两端测点的磁场量，根据磁场量获得电流；优选地，磁场量与电流之间的关系可根据华奥-萨伐尔定理计算获得；判断电流的电流模量是否满足易忽视故障条件：在i+j时刻的电流模量的绝对值的导数大于第一预设值且在i时刻的电流模量的绝对值的导数与在i+j时刻的电流模量的绝对值的导数的差值的绝对值小于第二预设值；i时刻为捕捉到的故障信息到达测点处的时刻，j时刻是i时刻之后的第j个采样点，考虑到故障保护的及时性和降低计算量，一般j的取值为1,2,…,6～10；第一预设值和第二预设值的设置是考虑了误差存在的情况；当满足易忽视故障条件时，利用遗传算法将故障区间内线路参数作为变量进行多变量的优化求解，获得故障距离；当不满足易忽视故障条件时，利用多层神经网络将测点的磁场量及其三维磁场分量作为输入量进行计算，获得输出量故障类型；根据故障类型，并结合故障区间所在的实际线缆状况，就能很容易定位到故障位置了；优选地，多层神经网络为三层结构，第一层为输入层，输入量为测点的磁场量及其三维磁场分量，第二层为隐含层，传输函数为tansig，第三层为输出层，输出量为故障类型，采用线性变换函数purelin；使用trainbr作为训练函数，目标函数误差为0.01；
故障信息输出装置202用于从故障确定装置201获取故障信息并传输至云端服务器300；
显示装置203用于从故障确定装置201获取故障信息并显示。
上述埋入线缆的故障状态和故障区间的人工智能检测***，首先将分布于各个检测站点的检测管理设备终端进行划区分配，一个划区范围内采用一个控制中心进行管理控制，实现故障检测，并且通过云端服务器实现数据的传输，从而构建了组网灵活、便捷的埋入线缆故障人工智能检测***，并且通过划区组网，降低了控制中心的数据处理压力，从而提高了处理效率和故障响应能力，及时性高。而且控制中心的故障确定装置能够在故障信号微弱、不产生电流行波或电流行波较小、容易造成漏检等情况下进行高精度的故障检测，结合遗传算法和多层神经网络算法，具有智能化程度高的优点。
实施例3
本实施例提供一种计算机存储介质，其存储在计算机程序，所述计算机程序适合于在计算机上执行，其特征在于，所述计算机程序包括适于当其在所述计算机上运行时执行根据上述的埋入线缆的故障状态和故障区间的人工智能检测方法的步骤的指令。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种埋入线缆的故障状态和故障区间的人工智能检测***，其特征在于，包括：
两个以上的第一检测管理设备终端，与云端服务器通过通信网络连接，用于检测测点的磁场和位置并将其传输至云端服务器，通过云端服务器接收划区范围内的第一控制中心输出的故障信息并显示；以及
第一控制中心，与云端服务器通过通信网络连接，用于根据从云端服务器获取的所述第一检测管理设备终端输出的磁场确定获得故障信息，将故障信息进行显示及传输至云端服务器，所述第一控制中心包括：
故障确定装置，用于根据从云端服务器获取的第一检测管理设备终端输出的被测磁场的方向变化确定获得故障区间；从云端服务器获取故障区间的两端测点的磁场量，根据磁场量获得电流；判断电流的电流模量是否满足易忽视故障条件：在i+j时刻的电流模量的绝对值的导数大于第一预设值且在i时刻的电流模量的绝对值的导数与在i+j时刻的电流模量的绝对值的导数的差值的绝对值小于第二预设值；i时刻为捕捉到的故障信息到达测点处的时刻，j时刻是i时刻之后的第j个采样点；当满足易忽视故障条件时，利用遗传算法将故障区间内线路参数作为变量进行多变量的优化求解，获得故障距离；当不满足易忽视故障条件时，利用多层神经网络将测点的磁场量及其三维磁场分量作为输入量进行计算，获得输出量故障类型；
故障信息输出装置，用于从故障确定装置获取故障信息并传输至云端服务器；以及
显示装置，用于从故障确定装置获取故障信息并显示。
2.根据权利要求1所述的***，其特征在于，所述第一检测管理设备终端包括：
磁场检测数据获取装置，安装于测点处，用于获取测点的被测磁场量和磁场方向并传输至云端服务器；
测点位置获取装置，用于获取测点位置信息并传输至云端服务器；
分配及管理装置，用于根据从云端服务器获取的测点位置信息确定出第一检测管理设备终端所属划区范围，通过云端服务器建立与管辖所述划区范围的第一控制中心的连接；以及
故障信息接收及显示装置，用于通过云端服务器从第一控制中心接收故障信息并进行显示。
3.根据权利要求1-2任一项所述的***，其特征在于，还包括：
两个以上的第二检测管理设备终端，与云端服务器通过通信网络连接，用于检测测点的磁场和位置并将其传输至云端服务器，通过云端服务器接收划区范围内的第二控制中心输出的故障信息并显示；以及
第二控制中心，与云端服务器通过通信网络连接，用于根据从云端服务器获取的所述第一检测管理设备终端和/或第二检测管理设备终端输出的磁场确定获得故障信息，将故障信息进行显示及传输至云端服务器。
4.一种埋入线缆的故障状态和故障区间的人工智能检测方法，其特征在于，包括以下步骤：
根据各测点的被测磁场的方向变化确定获得故障区间；
获取故障区间的两端测点的磁场量，根据磁场量获得电流；
判断电流的电流模量是否满足易忽视故障条件：在i+j时刻的电流模量的绝对值的导数大于第一预设值且在i时刻的电流模量的绝对值的导数与在i+j时刻的电流模量的绝对值的导数的差值的绝对值小于第二预设值；i时刻为捕捉到的故障信息到达测点处的时刻，j时刻是i时刻之后的第j个采样点；
当满足易忽视故障条件时，利用遗传算法将故障区间内线路参数作为变量进行多变量的优化求解，获得故障距离。
5.根据权利要求4所述的方法，其特征在于，所述故障区间为磁场反向的相邻两个测点之间区间。
6.根据权利要求5所述的方法，其特征在于，磁场量与电流之间的关系可根据华奥-萨伐尔定理计算获得。
7.根据权利要求5-6任一项所述的方法，其特征在于，所述当满足易忽视故障条件时，利用遗传算法将故障区间内线路参数作为变量进行多变量的优化求解，获得故障距离的步骤包括：
当满足易忽视故障条件时，建立优化模型：
其中，Zc为特征阻抗，r为电阻率，v为波速度，x为故障距离，l的取值范围为0～故障区间长度，t为时间，uk1为根据Zc,r,v,x,t确定的电压，uk2为根据Zc,r,v,l-x,t确定的电压；
采用遗传算法求解所述优化模型，取最小值的一组解为最优解，获得最优解中的x为故障距离。
8.根据权利要求7所述的方法，其特征在于，还包括以下步骤：
当不满足易忽视故障条件时，利用多层神经网络将测点的磁场量及其三维磁场分量作为输入量进行计算，获得输出量故障类型。
9.一种计算机可读存储介质，其存储计算机程序，所述计算机程序适合于在计算机上执行，其特征在于，所述计算机程序包括适于当其在所述计算机上运行时执行根据权利要求4-8任一项所述的埋入线缆的故障状态和故障区间的人工智能检测方法的步骤的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310380312.9A CN116466181B (zh) | 2023-04-11 | 2023-04-11 | 埋入线缆的故障人工智能检测***、方法和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310380312.9A CN116466181B (zh) | 2023-04-11 | 2023-04-11 | 埋入线缆的故障人工智能检测***、方法和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116466181A CN116466181A (zh) | 2023-07-21 |
| CN116466181B true CN116466181B (zh) | 2023-11-21 |
Family
ID=87178324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310380312.9A Active CN116466181B (zh) | 2023-04-11 | 2023-04-11 | 埋入线缆的故障人工智能检测***、方法和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116466181B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111371587A (zh) * | 2019-12-25 | 2020-07-03 | 长沙理工大学 | 分层式配电网故障定位***、方法、服务器和设备 |
| CN113466608A (zh) * | 2021-05-21 | 2021-10-01 | 国网浙江省电力有限公司湖州供电公司 | 一种配网线路接地故障智能查找分析***及方法 |
| CN215525997U (zh) * | 2021-05-21 | 2022-01-14 | 国网浙江省电力有限公司 | 一种配网线路接地故障查找终端 |
| CN114325234A (zh) * | 2021-12-28 | 2022-04-12 | 国网江西省电力有限公司抚州供电分公司 | 一种基于遗传优化算法的配电网故障定位方法 |
| CN115480129A (zh) * | 2022-09-28 | 2022-12-16 | 中国能源建设集团江苏省电力设计院有限公司 | 一种海缆在状态监测方法、***及故障恢复方法 |
| CN115542085A (zh) * | 2022-10-14 | 2022-12-30 | 国网天津市电力公司 | 一种基于近故障点计算的配电网接地故障识别方法 |
| CN115825649A (zh) * | 2022-11-23 | 2023-03-21 | 安徽理工大学 | 一种基于电流磁致信号和参数优化变分模态分解的电缆故障点中点行波测距在线定位*** |
-
2023
- 2023-04-11 CN CN202310380312.9A patent/CN116466181B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111371587A (zh) * | 2019-12-25 | 2020-07-03 | 长沙理工大学 | 分层式配电网故障定位***、方法、服务器和设备 |
| CN113466608A (zh) * | 2021-05-21 | 2021-10-01 | 国网浙江省电力有限公司湖州供电公司 | 一种配网线路接地故障智能查找分析***及方法 |
| CN215525997U (zh) * | 2021-05-21 | 2022-01-14 | 国网浙江省电力有限公司 | 一种配网线路接地故障查找终端 |
| CN114325234A (zh) * | 2021-12-28 | 2022-04-12 | 国网江西省电力有限公司抚州供电分公司 | 一种基于遗传优化算法的配电网故障定位方法 |
| CN115480129A (zh) * | 2022-09-28 | 2022-12-16 | 中国能源建设集团江苏省电力设计院有限公司 | 一种海缆在状态监测方法、***及故障恢复方法 |
| CN115542085A (zh) * | 2022-10-14 | 2022-12-30 | 国网天津市电力公司 | 一种基于近故障点计算的配电网接地故障识别方法 |
| CN115825649A (zh) * | 2022-11-23 | 2023-03-21 | 安徽理工大学 | 一种基于电流磁致信号和参数优化变分模态分解的电缆故障点中点行波测距在线定位*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116466181A (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106771861B (zh) | 基于广域行波能量和时间差的复杂电网故障定位方法 | |
| CN102175597A (zh) | 地铁杂散电流腐蚀在线监测***的在线监测方法 | |
| CN111222743B (zh) | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 | |
| CN109324241B (zh) | 一种变电站接地网腐蚀诊断预警方法及*** | |
| CN110907755A (zh) | 一种输电线路在线监测故障识别方法 | |
| CN101231323A (zh) | 分布式高精度输电线路行波定位*** | |
| DE102005036508A1 (de) | Verfahren und Vorrichtung zur Überwachung und Detektierung von Beschichtungsdefekten einer erd- oder wasserverlegten Rohrleitung | |
| CN108535598B (zh) | 一种轨道电路电缆故障在线检测方法和装置 | |
| CN106443360A (zh) | 基于关联矩阵的配电网行波故障定位方法 | |
| CN109470927A (zh) | 轨道交通钢轨过渡电阻检测***及方法 | |
| CN104865495A (zh) | 电力线路故障行波定位方法及*** | |
| CN109737317B (zh) | 流体管道泄漏的次声波定位***及方法 | |
| CN106646133A (zh) | 一种基于广义量测的地区电网t接线路故障测距*** | |
| CN113447762A (zh) | 一种海上风电场海缆故障位置定位***及其工作方法 | |
| CN113128709A (zh) | 一种供水管网漏损管理*** | |
| CN1603814A (zh) | 地下管道腐蚀与泄漏智能在线检测*** | |
| CN116466181B (zh) | 埋入线缆的故障人工智能检测***、方法和存储介质 | |
| CN114384371A (zh) | 用于电力线路故障检测的服务中心、监测终端和*** | |
| CN109596935A (zh) | 一种结合磁场能衰减特征的输电线路故障行波法 | |
| CN112114229A (zh) | 配电网故障定位方法、装置和*** | |
| CN209387743U (zh) | 轨道交通钢轨过渡电阻检测*** | |
| Dzhala et al. | Information Technology of Surveys and Diagnostics of Underground Pipelines | |
| CN114779007A (zh) | 基于接地线电流和零序电流的配电电缆故障区段定位方法 | |
| CN109521253B (zh) | 一种母线跟踪识别方法及*** | |
| CN112904155B (zh) | 一种多分支配网故障杆塔级定位方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |