[发明专利]一种基于波形学习的电缆早期故障识别方法

说明书

本发明公开了一种基于波形学习的电缆早期故障识别方法，通过PSCAD/EMTDC生成用于训练DDBN的各种样本数据，提供了DDBN进行故障识别的准确性；本发明方法利用变电站端测量到的电流数据从多种过电流扰动中识别电缆早期故障，在永久性故障发生之前进行电缆检修，避免发生永久性故障，提高供电可靠性。

技术领域

本发明属于电缆故障识别技术领域，具体涉及一种基于波形学习的电路早期故障识别方法。

背景技术

电缆作为电力系统信息传送的主要设备，其故障的发展过程通常分为三个阶段：局部放电器、早期故障期及永久故障期。在电缆的使用过程中，由于绝缘层的缺陷、腐蚀或老化，最先出现一系列的局部放电脉冲，形成电树枝或者水树枝，随着进一步的恶化，将演变为伴有电弧出现的早期故障；早期故障会在首次发生后反复出现，直到变为不可逆的永久性故障。永久性故障前的一种间歇性、瞬时性故障，具有持续时间短或电流幅值低的特点，在该种故障扰动模式下不会引起继电保护装置动作，该类故障会在一段时间内重复发生，并最终导致永久性故障；目前对电缆早期故障的识别大多基于传统信号处理方法提取特征，然后再基于构建的判据和设定阈值来识别电缆早期故障；由于人工提取特征是一项费时费力的任务，且如何选取最优的特征很困难，由此造成了现有识别电缆早期故障不准确的问题。

发明内容

针对现有技术中的上述不足，本发明提供的基于波形学习的电路早期故障识别方法解决了现有的电缆故障识别方法需要人工选取提取特征，耗费时力，且识别效果不理想的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于波形学习的电缆早期故障识别方法，包括以下步骤：

S1、搭建模拟电缆早期故障期间的仿真模型，并基于仿真模型生成电缆早期故障的波形数据和过流扰动的波形数据，并将生成的电缆早期故障的波形数据和过流扰动的波形数据作为样本数据；

S2、利用平稳小波变换对样本数据进行处理，提取对应的浅层特征向量，并将其输入深度置信网络中；

S3、通过深度置信网络对输入的浅层特征向量进行学习，提取出对应的深层特征，并根据提取的深层特征进行故障类型识别；

S4、基于故障类型识别结果，对深度置信网络的识别性能进行检测，并根据检测结果对深度置信网络的参数进行优化；

S5、将待识别的电缆故障电流数据经平稳小波变换处理提取的浅层特征向量作为测试数据；

S6、将测试数据输入到参数优化后的深度置信网络中，并输出对应的故障类型，实现电缆早期故障识别。

进一步地，所述步骤S1具体为：

S11、通过在PSCAD/EMTDC中采用Kizilcay电弧模型模拟电缆早期故障期间的时变电弧电阻；

S12、基于时变电弧电阻和不同类型的电缆早期故障统计特征，搭建仿真模型；

S13、设置采样率为10kHz；

S14、通过仿真模型在设置的采样率下生成不同类型电缆早期故障的波形数据；

S15、在仿真模型中接入故障模块，使仿真模型在设置的采样率下生成对应的过流扰动数据；

S16、将生成的电缆早期故障的波形数据和过流扰动的波形数据作为样本数据。

进一步地，所述步骤S11中的Kizilcay电弧模型的表达式为：

式中，τ是电弧时间常数；

t为时间；

u₀为特征电弧电压；

r₀为特征电弧电阻；