使用电力线通信设备的电缆老化识别方法

摘要

本发明公开了使用电力线通信设备的电缆老化识别方法，具体按照以下步骤实施：步骤1，根据电网拓扑结构、电缆长度、负载以及单位长度的电阻R、电感L、电导G和电容C，采用自底向上的方式，建立电力线信道响应；步骤2，计算老化电缆相对介电常数；步骤3，对步骤1中得到的网络总传递函数进行经验模态分解，进行机器学习，对电缆老化的类型进行分类，以识别及预测电缆老化。本发明方法能够针对不同的老化类型及时识别处电缆老化的程度，避免因长时间使用导致的局部漏电或者引发电缆短路的问题。

说明书

技术领域

本发明属于电力线老化监测技术领域，具体涉及使用电力线通信设备的电缆老化识别方法。

背景技术

电力线通信作为电力系统特有的通信系统，在电力系统中发挥着重要的作用。目前，在城市配电网中，电缆占有较大的比重，因此使用电力线通信技术对电网进行监控具有一定的经济性。电力线故障的发生会影响电力系统的稳定运行，对电气故障进行实时监测并快速定位是未来智能电网发展的方向。

近年来，对故障进行监测和定位的研究也越来越多，人工智能技术也常被用于故障识别，例如使用人工神经网络技术进行输电线路故障检测与定位，目前，人工智能技术和电力线通信技术也相结合用于对电网的监控，例如使用电力线通信调制解调器作为电网传感器来实现配电网异常自动检测，使用电力线通信技术和机器学习技术对电缆基础设施的老化进行监测以及对网络的阻抗进行实时监控。但人工智能技术对数据的要求较高，不光需要数据的准确性，而且对于数据的数量也有一定的要求，并且使用中心局测量的阻抗数据会有一定的延时。

电网的可靠连续运行是电网运行的基本要求，但发生故障时会影响这一要求甚至会造成严重的经济损失，因此，必须尽快识别。

发明内容

本发明的目的是提供使用电力线通信设备的电缆老化识别方法，能够针对不同的老化类型及时识别处电缆老化的程度，避免因长时间使用导致的局部漏电或者引发电缆短路的问题。

本发明所采用的技术方案是，使用电力线通信设备的电缆老化识别方法，具体按照以下步骤实施：

步骤1，根据电网拓扑结构、电缆长度、负载以及单位长度的电阻R、电感L、电导G和电容C，采用自底向上的方式，建立电力线信道响应；

步骤2，计算老化电缆相对介电常数；

步骤3，对步骤1中得到的网络总传递函数进行经验模态分解，进行机器学习，对电缆老化的类型进行分类，以识别及预测电缆老化。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

步骤1.1，将电网拓扑结构分解成n个基本单元，每个所述基本单元的结构包括主干及若干个分支，将分支等效成支路侧的阻抗且分支与主干并联，形成T型单元，计算第n个T型单元的电阻R、电感L、电导G和电容C；

步骤1.2，通过步骤1.1得到的电阻R、电感L、电导G和电容C，计算相应的特性阻抗Z

步骤1.3，假设横向电场和磁场为准横向传播模式，计算发射机侧第n基本单元的阻抗；

步骤1.4，根据发射侧和接收侧电压比法，第n个基本单元的传递函数，即：

式(12)中，

其中，

式(13)中，

式(14)中，

步骤1.5，计算网络总传递函数。

步骤1.1中，电阻R、电感L、电导G和电容C的表达式为：

(1)电阻R为：

R＝r

式(1)和式(2)中，σ

X

式(3)中，n

(2)电感L为：

式(4)中，L

其中，

式(5)中，L

(3)电容C为：

C＝μ

式(6)中，ε

(4)电导G为：

G＝2πfμ

式(7)中，f为频率；ε

步骤1.2中，相应的特性阻抗Z

式(8)和式(9)中，R为电阻；L为电感；G为电导；C为电容；f为频率；j为虚部。

步骤1.3中，发射机侧第n基本单元的阻抗的表达式为：

式(10)中，γ为传播常数；l为对应位置的电力线长度；

其中，

式(11)中，

步骤1.5中，网络总传递函数表达式为：

步骤2的具体过程为：

将电缆的纵截面作为电缆绝缘，设绝缘总厚度为y，均匀老化部分厚度为y

式(16)中，ε

对老化部分的测量电容值C

用等效相对介电常数ε

假设K

若电缆局部包含有内部制作缺陷或者工作的环境较为恶劣，电缆局部将会发生严重的老化，则老化电缆整体相对介电常数为：

步骤3具体按照以下步骤实施：

步骤3.1，对步骤1中得到的网络总传递函数进行经验模态分解，得到本征模态函数；

步骤3.2，将网络总传递函数的峰谷值和本征模态函数的峰谷值作为特征量，将网络总传递函数的峰谷值分成训练集和测试集；采用支持向量机算法进行训练，传递函数与本征模态函数的峰谷值作为输入，将电缆老化类型的分类结果作为输出，以进行识别与预测电缆老化。

本发明的有益效果在于：本发明使用电力线通信设备的电缆老化识别方法，通过与机器学习技术相结合的方式监测电缆老化的严重程度，以及时解决老化问题，防止长时间使用导致的局部漏电或者引发电缆短路，以减少经济损失。

附图说明

图1是典型的拓扑网络结构图；

图2是典型的拓扑网络结构图中第n个单元的详细结构图；

图3是电缆老化示意图；

图4是电缆线路的信道频率响应图；

图5是均匀老化线路、局部老化线路与正常线路的差值对比图；

图6是随机生成的信道频率响应图；

图7是图6经经验模态分解的结果图；

图8是随机生成1000组信道频率响应；

图9是图8经经验模态分解的结果图；

图10是机器学习分类结果图；

图11是电缆均匀老化深度预测图；

图12是电缆局部老化深度预测图；

图13是经验模态分解流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明使用电力线通信设备的电缆老化识别方法，具体按照以下步骤实施：

步骤1，根据电网拓扑结构、电缆长度、负载以及单位长度的电阻R、电感L、电导G和电容C，采用自底向上的方式，建立电力线信道响应CFR(网络总传递函数)；

步骤1.1，如图1所示，将电网拓扑结构分解成n个基本单元，每个基本单元的结构包括主干及若干个分支，如图2所示，将分支等效成支路侧的阻抗且分支与主干并联，形成T型单元，计算第n个T型单元的电阻R、电感L、电导G和电容C；

(1)电阻R为：

R＝r

式(1)和式(2)中，σ

X

式(3)中，n

(2)电感L为：

式(4)中，L

其中，

式(5)中，L

(3)电容C为：

C＝μ

式(6)中，ε

(4)电导G为：

G＝2πfμ

式(7)中，f为频率；ε

步骤1.2，通过步骤1.1得到的电阻R、电感L、电导G和电容C，计算相应的特性阻抗Z

式(8)和式(9)中，R为电阻；L为电感；G为电导；C为电容；f为频率；j为虚部；

步骤1.3，假设横向电场和磁场为准横向传播模式，则发射机侧第n基本单元的阻抗计算公式为：

式(10)中，γ为传播常数；l为对应位置的电力线长度；

其中，

式(11)中，

步骤1.4，根据发射侧和接收侧电压比法，第n个基本单元的传递函数，即：

式(12)中，

其中，

式(13)中，

式(14)中，

步骤1.5，计算网络总传递函数：

步骤2，计算老化电缆相对介电常数

如图3所示，将电缆的纵截面作为电缆绝缘，设绝缘总厚度为y，均匀老化部分厚度为y

式(16)中，ε

对老化部分的测量电容值C

用等效相对介电常数ε

假设K

若电缆局部包含有内部制作缺陷或者工作的环境较为恶劣，电缆局部将会发生严重的老化，则老化电缆整体相对介电常数为：

将公式(20)及公式(19)代入公式(6)和公式(7)中，计算电容C和电导G；

步骤3，对步骤1中得到的网络总传递函数进行经验模态分解，进行机器学习，对电缆老化的类型进行分类，以识别与预测电缆老化；

步骤3.1，对步骤1中得到的网络总传递函数进行经验模态分解(EDM分解)，得到本征模态函数(IMF分量)；

经验模态分解(EMD)对于非线性非平稳信号的处理有着相对于其他方法不可比拟的优势；EMD方法是将原始信号中不同尺度的波动逐级分解，得到各个本征模态函数，对IMF分量进行分析更容易掌握原始信号的信息，具体的经验模态分解过程如下，如图13所示：

步骤3.1.1，根据IMF分量的特点，通过三次样条曲线分别将原始信号x(t)的极大值和极小值连接起来，构成上包络和下包络，求得上下包络的均值m

h

步骤3.1.2，判断IMF分量h

h

步骤3.1.3，判断h

h

k表示重复次数，k＝(2,3,4……)；

直至h

步骤3.1.4，求得剩余信号为：

r

再将r

步骤3.2，将网络总传递函数的峰谷值和本征模态函数的峰谷值作为特征量，将网络总传递函数的峰谷值分成训练集和测试集；采用支持向量机算法进行训练，传递函数与本征模态函数的峰谷值作为输入，将电缆老化类型的分类结果作为输出，并且假设均匀老化与正常线路的输出结果为1，带有局部老化的线路输出结果为2。

仿真结果：

假设电缆在发生均匀老化时，老化深度为σ

正常线路和考虑老化后线路的信道频率响应如图4所示，为了更加明显的看出不同运行状态下，电缆线路信道频率响应的区别，使用均匀老化线路，局部老化线路的CFR与正常运行线路的CFR做差，结果如图5所示，从图5中可以看出，在低频段，局部老化具有更多的峰值，而在高频段，均匀老化线路与正常线路的CFR相比，具有更高的峰值；

对所的CFR进行EMD分解，得到3组IMF分量，如图6所示，随机生成1000组CFR，如图8所示，并利用EMD对其进行分解，结果如图9所示，CFR的峰谷值和IMF信号的峰值和电缆的运行状态相关，因此，选择CFR信号的峰谷值以及每个IMF信号的峰谷值作为特征量训练机器学习，利用电缆CFR的峰谷值和EMD算法分解得到的IMF分量的峰谷值作为特征量，随机选择1000组CFR作为训练集，500组CFR作为测试集进行机器学习机的训练，采用的机器学习算法为支持向量机算法，首先对电缆老化的类型进行分类，并且假设正常线路和均匀老化线路的输出结果为1，带有局部老化线路的输出结果为2，利用机器学习机分类的结果如图10所示；分类完成以后，利用支持向量机分别预测均匀老化线路和带有局部老化线路的老化深度，仿真结果如图11、图12所示，从结果中可以看出，均匀老化线路和带有局部严重老化线路的预测值都趋近于准确值。