本發(fā)明屬于電力電纜缺陷檢測領域，涉及一種基于特殊的遞歸神經(jīng)網(wǎng)絡——雙向長短期記憶(簡稱bi-lstm)的電纜缺陷類型分類方法。

背景技術(shù)：

1、隨著中國城市化進程的不斷推進，電能需求也進一步擴大。近年來，110kv和220kv高壓電纜系統(tǒng)的發(fā)展十分迅速，與之相關的電纜及電纜系統(tǒng)所面臨的維護、缺陷檢測等一系列問題都隨之而來。因此，有關電纜維護技術(shù)的研究于國家城市化進程的推進和國家工業(yè)化發(fā)展都有著非凡的意義。然而，絕大部分的電力電纜均敷設于地下，這給電纜系統(tǒng)的維護造成了巨大的不便。

2、為了提高電纜檢測效率，對于電纜的缺陷檢測定位以行波法為主。時域反射法(tdr)和頻域反射法(fdr)是較為經(jīng)典的定位電纜缺陷方法，二者均為利于電纜維護的無損檢測法。其中，tdr法是對電纜一端注入脈沖信號，通過計算入射波與反射波的時間差來定位電纜的缺陷位置。而近年來，fdr法更為廣泛應用于電纜的缺陷定位檢測。理由是在tdr的基礎上，fdr的入射波里引入了更高頻成分的信號，使其擁有更高精度的分辨率、更強的抗干擾能力去實現(xiàn)更精準地定位。根據(jù)tdr、fdr等行波法的掃頻信號，通過信號測量可獲取電纜的特征參數(shù)，寬頻阻抗譜(bis)法和反射系數(shù)譜(rcs)法應運而生。bis法通過電纜頻譜中的局部阻抗畸變點，即可定位缺陷的位置。如今已可以通過bis和rcs等方法實現(xiàn)電纜局部缺陷的精確定位，但對于電纜缺陷處故障類型分類方面的研究仍十分欠缺。

3、目前，已有部分研究團隊正在開展結(jié)合深度學習進行電纜缺陷檢測的研究。lstm長短期記憶神經(jīng)網(wǎng)絡是針對處理時序數(shù)據(jù)較有優(yōu)勢的深度學習算法，能夠針對類似于時序的數(shù)據(jù)結(jié)構(gòu)進行學習和分類。而bi-lstm是lstm基礎模型的擴展，其最大的優(yōu)點就是具有雙向性，允許網(wǎng)絡同時處理過去和未來的上下文信息，這在處理具有時序依賴性的序列數(shù)據(jù)時特別有用。電纜的寬頻阻抗譜蘊涵了電纜缺陷的位置及類型信息。目前尚未有人基于電纜的寬頻阻抗譜數(shù)據(jù)，借助類似于bi-lstm的深度學習模型的時序優(yōu)勢來實現(xiàn)電纜的缺陷類型識別。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對目前人為判別缺陷類型效率低下的問題，根據(jù)寬頻阻抗譜bis，提出了一種基于bi-lstm模型的電纜缺陷類型分類方法，解決了電纜缺陷人工分類效率低下的問題，降低對工人技術(shù)和經(jīng)驗的要求。

2、本發(fā)明采取的技術(shù)方案為：

3、基于bi-lstm模型的電纜缺陷類型分類方法，包括以下步驟：

4、步驟1：根據(jù)電纜不同缺陷類型導致的不同傳輸特性，將電纜缺陷類型大致分為經(jīng)過渡電阻接地、開路故障、短路故障以及阻抗增大、阻抗減小共五種缺陷類型；

5、步驟2：通過傳輸線模型計算得到電纜五類缺陷的寬頻阻抗譜zdi(f),i∈{1,2,3,4,5}；

6、步驟3：經(jīng)過傅里葉逆變換處理，得到五種缺陷類型的定位譜zdi(x)的樣本數(shù)據(jù)庫；

7、步驟4：將阻抗增大、阻抗減小這兩種缺陷類型的數(shù)據(jù)合并為阻抗變化類，建立bi-lstm模型，并驗證bi-lstm模型對該四類缺陷類型的識別效果；

8、步驟5：若識別到電纜缺陷類型為阻抗變化類，則依據(jù)初始計算的寬頻阻抗譜zdj(f),j∈{4,5}與正常電纜的寬頻阻抗譜z0(f)進行比較，觀察其偏移方向，從而實現(xiàn)阻抗變化類的二次分類；若為剩余三類，即直接實現(xiàn)缺陷類型的識別。

9、所述步驟2中，依據(jù)傳輸線理論，將高頻下的電纜等效為分布參數(shù)模型。電纜的缺陷會造成缺陷處的分布參數(shù)發(fā)生改變，采用分布參數(shù)模型描述含缺陷電纜的信號傳遞特性，如圖1所示。其中，r0、l0、g0、c0分別表示單位長度下電纜的電阻、電感、電導、電容；根據(jù)fdr法仿真得到含缺陷電纜的寬頻阻抗譜zd(f)；其中，電纜缺陷起始位置分別為la到lb；z0h、γh分別為正常電纜的特性阻抗和傳播常數(shù)，z0d、γd分別為電纜缺陷處的特性阻抗和傳播常數(shù)；通過式(1)～式(5)計算得到含缺陷電纜的寬頻阻抗譜zd(f)；

10、

11、上式中，zla(f)、zlb(f)分別為電纜在la、lb處的寬頻阻抗譜；γla、γlb分別為電纜la、lb處的反射系數(shù)；γl為電纜末端l處的反射系數(shù)。

12、所述步驟3中，對五種類型缺陷的寬頻阻抗譜zdi(f),i∈{1,2,3,4,5}，借助傅里葉逆變換對其進行處理，將頻域數(shù)據(jù)轉(zhuǎn)換為空間域數(shù)據(jù)，得到五種缺陷的定位譜zdi(x),i∈{1,2,3,4,5}；通過調(diào)整相關參數(shù)的值，建立了含阻抗增大、阻抗減小、經(jīng)過渡電阻接地、開路故障、短路故障共五類仿真電纜缺陷定位譜的樣本數(shù)據(jù)庫。

13、通過調(diào)整相關參數(shù)的值，具體如下：

14、對于經(jīng)過渡電阻接地g類缺陷，更改電纜缺陷處的電阻為過渡電阻阻值，即令rd＝rx；對于開路故障k類缺陷，更改電纜缺陷處的電阻值為無窮大，即令rd＝∞；對于短路故障d類缺陷，更改電纜缺陷處的電阻為0，即令rd＝0；對于阻抗變化類缺陷z、j類，需要說明的是，本發(fā)明選取的阻抗減小類的電纜缺陷類型為老化缺陷，已知電纜老化會造成絕緣層的相對介電常數(shù)增大，致使局部缺陷段的電容增大；選取的阻抗增大類的電纜缺陷類型為銅屏蔽層破損缺陷，由于局部電纜的銅屏蔽層破壞會導致該段電纜的物理實體部分缺失，物理結(jié)構(gòu)發(fā)生變化，致使局部缺陷段的電容減小。故更改電纜缺陷處的電容為完好電纜電容c乘以一個比例系數(shù)x，即令cd＝xc，對于缺陷z,x<1；對于缺陷j,x>1。

15、所述步驟4中，經(jīng)實驗表明，阻抗增大類、阻抗減小類缺陷的寬頻阻抗譜數(shù)據(jù)僅在缺陷處有幅值大小的差距和時間軸上不同方向的偏移，而定位譜圖像幾乎完全一致，用bi-lstm模型難以將二者分類。因此先將阻抗增大類、阻抗減小類缺陷歸并為一類，統(tǒng)稱為阻抗變化類；故本發(fā)明先用bi-lstm模型識別阻抗變化類、經(jīng)過渡電阻接地、開路故障、短路故障這四類缺陷，四類缺陷通過一定的比例劃分作為bi-lstm模型的訓練集和測試集，驗證bi-lstm模型對經(jīng)過渡電阻接地、開路故障、短路故障以及阻抗變換類這4類缺陷類型的識別效果。再根據(jù)寬頻阻抗譜對阻抗變化類進行二次分類。

16、步驟4包括以下步驟：

17、s4.1：加載完阻抗變化類、經(jīng)過渡電阻接地、開路故障、短路故障這四類缺陷類型的樣本數(shù)據(jù)后，使用原始數(shù)據(jù)訓練分類器，將每個類的樣本數(shù)據(jù)按照一定的數(shù)量比，隨機分為訓練集和測試集。

18、s4.2：定義bi-lstm模型網(wǎng)絡架構(gòu)，調(diào)整參數(shù)，由輸入層到輸出層，設置隱含單元、全連接層、交叉熵分類層，從上往下依次構(gòu)建bi-lstm模型網(wǎng)絡；再設置bi-lstm模型網(wǎng)絡的超參數(shù)，如最大訓練epoch次數(shù)、學習率等。

19、s4.3：利用訓練集數(shù)據(jù)，訓練已調(diào)好參數(shù)的bi-lstm模型網(wǎng)絡，并把訓練好的模型存貯到matlab神經(jīng)網(wǎng)絡中的net結(jié)構(gòu)體中。

20、s4.4：對訓練數(shù)據(jù)進行分類，計算訓練準確度，再用測試集驗證bi-lstm模型的準確性。通過對比訓練集和測試集的真正率和假正率、正預測值和假發(fā)現(xiàn)率，來觀察bi-lstm模型的缺陷識別效果。

21、所述步驟5中，若識別到缺陷類型為阻抗變化類，則對其進行二次分類，具體如下：已知當電纜中存在阻抗減小類型的缺陷時，電纜缺陷寬頻阻抗譜會往左偏移，而當電纜中存在阻抗增大類型的缺陷時，電纜缺陷寬頻阻抗譜會往右偏移。因此能夠用該特性來區(qū)分阻抗變化中的兩類：阻抗增大、阻抗減小缺陷類型；

22、對于含阻抗變換類缺陷，選取電纜的寬頻阻抗譜zdj(f),j∈{4,5}，根據(jù)傳輸線模型仿真生成同一傳輸特性下完好電纜的寬頻阻抗譜z0(f)數(shù)據(jù)；

23、將含缺陷電纜的寬頻阻抗譜zdj(f),j∈{4,5}與完好電纜的寬頻阻抗譜z0(f)進行圖像比對，觀察zdj(f)曲線于z0(f)的偏移方向，從而判別該缺陷類型從屬于哪種阻抗變化類。若往左偏移，則為阻抗減小類型的缺陷；若往右偏移，則為阻抗增大類型的缺陷。

24、本發(fā)明一種基于bi-lstm模型的電纜缺陷類型分類方法，技術(shù)效果如下：

25、1)本發(fā)明采用bi-lstm神經(jīng)網(wǎng)絡模型作為分類器，充分利用了其記憶性能對時序的敏感性，能夠?qū)W習到電纜不同缺陷下定位譜中的模式和特征，從而提高了缺陷類型識別的準確性。

26、2)本發(fā)明建立了一套完備的電纜缺陷類型識別系統(tǒng)，從根據(jù)bi-lstm模型進行四大類缺陷的識別，再到對難以直接區(qū)分的阻抗變化類缺陷的二次分類，高效實現(xiàn)了現(xiàn)實中電纜最常見的五種缺陷類型的識別。

27、3)本發(fā)明解決電纜缺陷人工分類效率低下的問題，降低對工人技術(shù)和經(jīng)驗的要求。