基于小波奇异熵和BP神经网络的电力电缆故障识别方法

摘要

本发明涉及一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，包括S1、采集不同故障电缆的原始故障信号，建立样本库；S2、对S1获得的样本库的数据进行预处理；S3、构建基于小波奇异熵的故障特征量提取模型，并构建训练集、验证集和测试集；S4、构建基于BP神经网络的机器学习模型；S5、用步骤S4构建的训练集对机器学习模型进行训练；S6、验证机器学习模型；S7、测试模型。本发明能够精确识别每种种接地、短路故障，且在限定范围内不受故障距离、故障初相角和过渡电阻影响，具有高效性和实用性。

说明书

技术领域

本发明涉及一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法。属于电力电缆本体故障诊断技术领域。

背景技术

随着电网智能化水平的提升，电力电缆被广泛应用于城市地下电网、海底输电网等。电缆线路建设过程中的安装磨损、应用环境中的长期腐蚀等因素，均存在引起电缆故障的风险。而对于安装于地下的电力电缆，故障排除需要花费较多的人力、物力。一旦不能及时排除故障，将带来较大的经济损失与不良的社会影响。如何准确检测电缆故障，以保障电力的稳定供应是备受关注的问题。

随着技术的发展、计算能力的不断提高，基于人工智能的分类识别方法在图像、语音等诸多方面取得了极大进展，为全球经济增长做出巨大贡献。传统数学模型的诊断方法已很大程度上不能保证诊断的准确性和快速性等要求，而相比较来说，基于神经网络的诊断方法具有明显的优势。

发明内容

本发明的目的在于克服上述不足，提供了一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法。

本发明的目的是这样实现的：

一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特点是：包括以下步骤：

S1、采集不同故障电缆的原始故障信号，建立样本库；

S2、对S1获得的样本库的数据进行预处理；

S3、构建基于小波奇异熵的故障特征量提取模型，并构建训练集、验证集和测试集；

S4、构建基于BP神经网络的机器学习模型；

S5、用步骤S4构建的训练集对机器学习模型进行训练；

S6、用步骤S4构建的验证集验证机器学习模型，当验证训练达到设定准确率后，固化模型；

S7、测试模型，向固化模型输入电缆电压行波信号，输出相应的分类标签，最终获得电缆故障所属的类别。

进一步的，S1中，电缆原始故障信号包括故障电压、电流信号、零序电压信号、电缆的识别信息和故障的类别信息。

进一步的，S2中，数据预处理包括删除S1中样本库中的无效数据、重复数据、处理缺失值、异常值。

进一步的，S3包括以下步骤：

S3-1、对S2处理后的数据样本库的信号利用小波进行分解与重构，变成矩阵D

S3-2、对S3-1获得的矩阵D

其中，U和V分别为m×m和n×n的正交矩阵,Λ为m×n的对角矩阵，u

S3-3、去小波奇异熵的表达式为：

其中ΔP

S3-4、将步骤S3-3获得的数据添加标签进行标记，所述标签为电缆故障类别，构造特征标签。

进一步的，S4中，BP神经网络是信号检测识别的特征描述子，包括输入层、隐藏层、输出层。

进一步的，S4中，BP神经网络中神经元模型的权值和输入矩阵分别表达如下：

W＝[ω

X＝[x

进一步的，S5中，在MATLAB内的神经网络工具箱的作用下实现BP神经网络的训练，完成故障类型；故障类型识别包括故障初步、两相短路故障、接地故障三大分类模块；选用的故障初步分类模块输入量也就是对故障信号通过小波变换之后所得到的零序电压的地频段能量，用01、10、11各自表示接地故障、两相及三相短路故障；使用完成预处理的三相电压小波奇异熵值Ma、Mb、Mc表示两相短路及其接地故障分类模块的输入量。输入量的表达式为：

进一步的，S6中，按照Ma、Mb、Mc的仿真值假设出阈值A，若每个数值均不小于A，运行故障分类程序且将相应的数据置入到已调好的神经网络中。

进一步的，S7中，BP神经网络模型输出向量表达式为：

其中，ω

与现有技术相比，本发明的有益效果是：

本发明一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，该方法能够精确识别每种种接地、短路故障，且在限定范围内不受故障距离、故障初相角和过渡电阻影响，具有高效性和实用性。

附图说明

图1为本发明一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法的电力电缆本体故障识别方法流程图。

图2为BP神经网络结构图。

图3为电缆故障类型识别整体结构图。

图4为使用BP神经网络模型故障仿真迭代结果图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制发明的保护范围。

参见图1，本实施例提供了一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，包括以下步骤：

S1、采集数据；

采集不同电力电缆故障的原始信号，包括但不限于零序电压信号、电缆的识别信息和故障的类别信息以及其它附加信息等，并分别进行编号，建立样本库；

S2、对样本库的数据进行预处理；

数据预处理的目的是删除原始样本库中的无效数据、重复数据，处理缺失值、异常值。

S3、构建基于小波奇异熵的故障特征量提取模型，并构建训练集、验证集和测试集；

对S2处理后的数据样本库的信号利用小波进行分解与重构，变成矩阵D

对获得的矩阵D

其中，U和V分别为m×m和n×n的正交矩阵,Λ为m×n的对角矩阵，u

小波奇异熵是一种新式的数据处理法，所依据的理论有小波变换、奇异值分解和信息熵理论，去小波奇异熵的表达式为：

其中ΔP

对小波奇异熵模型获得的数据添加标签进行标记，所述标签为电缆故障类别，构造特征标签。

数据集划分，本次实施处理后的数据集包含1000组，随机选取600组为训练集,200组为验证集，剩余200组为测试集。训练集、验证集和测试集的类别不交叉。

S4、构建基于BP神经网络的机器学习模型；

BP神经网络是信号检测识别的特征描述子，包括输入层、隐藏层、输出层，其结构如图2所示。在输入层上，要合理调整权值ω

BP神经网络中神经元模型的权值和输入矩阵分别表达如下：

W＝[ω

X＝[x

BP神经网络模型输出向量表达式

其中，ω

S5、在MATLAB内的神经网络工具箱的作用下实现BP神经网络的训练，完成故障类型。故障类型识别主要有故障初步、两相短路故障、接地故障等三大分类模块，如图3所示。选用的故障初步分类模块输入量也就是对故障信号通过小波变换之后所得到的零序电压的地频段能量，用01、10、11各自表示接地故障、两相及三相短路故障；使用完成预处理的三相电压小波奇异熵值Ma、Mb、Mc表示两相短路及其接地故障分类模块的输入量。输入量的表达式为：

按照Ma、Mb、Mc的仿真值假设出阈值A，若每个数值均不小于A，两相短路故障的迭代曲线如图4所示。运行故障分类程序且将相应的数据置入到已调好的神经网络中，经过短时间的处理便可得知故障的类型。

S6、输入电力电缆故障原始信号，输出相应的分类标签，最终获得电力电缆本体故障所属的类别。

在上述实施例中，仅对本发明进行示范性描述，但是本领域技术人员在阅读本专利申请后可以在不脱离本发明的精神和范围的情况下对本发明进行各种修改。