[发明专利]一种电缆绝缘劣化类型判别方法及系统

说明书

本发明公开了一种电缆绝缘劣化类型判别方法及系统。该方法包括：获取通电实验中的电流波形；截取所述电流波形中包含至少一个完整周期的合成波的图片；获取所述合成波的谐波特征值以及合成波中谐波的贡献度；依据所述合成波中谐波的贡献度得到其对应的劣化类型；构建电缆绝缘劣化类型判别模型；将所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定后作为训练图片，对电缆绝缘劣化类型判别模型进行训练，得到训练好的电缆绝缘劣化类型判别模型。本申请将合成波的图片片段作为输入，可以模糊因为非劣化相关的原因而产生的谐波的影响，同时别免了大量的运算量，可大大提高测试效率和准确度，具有先进性。

技术领域

本发明属于电缆故障预防和诊断的技术领域，具体涉及一种电缆绝缘劣化类型判别方法及系统。

背景技术

随着科技的飞速发展，越来越多的检测工作需要用到计算机辅助，来提升检测效率和质量。比如在电缆的故障预防和故障诊断的工作中，对电缆进行通电后，通过提取电缆检测点处的谐波特征值，然后将谐波特征值输入数据库中进行自动的比对运算，由数据库给出与2、3、4、5...n次谐波分别对应的贡献度，然后由工作人员查表得到电缆的劣化类型；

上述方法虽然最终能够对电缆的劣化类型进行较为准确的判断，但是其过程需运用较大的运算量，且电缆电流中也可能因为非劣化相关的原因而产生谐波，这部分谐波有可能会被提取特征值而纳入数据库对贡献率的判断数据中，从而可能会对最终的电缆的劣化类型的判断产生影响。

深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。从一个输入中产生一个输出所涉及的计算可以通过一个流向图(flow graph)来表示：流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算以及一个计算的值，计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种电缆绝缘劣化类型判别方法及系统。

为了达到上述目的，本发明采用以下技术方案：

本发明的一个方面，提供了一种电缆绝缘劣化类型判别方法，包括下述步骤：

获取通电实验中的电流波形；

截取所述电流波形中包含至少一个完整周期的合成波的图片；

获取所述合成波的谐波特征值以及合成波中谐波的贡献度；

依据所述合成波中谐波的贡献度得到其对应的劣化类型；

构建电缆绝缘劣化类型判别模型；

将所述包含至少一个完整周期的合成波的图片与其对应的劣化类型关联绑定后作为训练图片，对电缆绝缘劣化类型判别模型进行训练，得到训练好的电缆绝缘劣化类型判别模型；

将待判别电缆的通电实验合成波图片输入至训练好的电缆绝缘劣化类型判别模型，即得待判别电缆的劣化类型。

作为优选的技术方案，作为训练图片的所述包含至少一个完整周期的合成波的图片，其大小、格式保持一致，且均从刚过合成波零点的位置进行截取。

作为优选的技术方案，所述获取所述合成波的谐波特征值具体为：通过对合成波进行傅里叶变换，得到合成波的基础波和各次谐波；所述合成波中谐波的贡献度为各次谐波在合成波所有分解波形中的占比。

作为优选的技术方案，所述构建电缆绝缘劣化类型判别模型具体为：