本發(fā)明屬于電纜故障診斷，具體涉及一種基于機器學習的高壓電纜智能化故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代電力系統(tǒng)中，高壓電纜的可靠性和穩(wěn)定性至關(guān)重要。然而，由于高壓電纜在運行過程中可能會受到各種因素的影響，在過負荷運行或者絕緣老化等作用下，導致各種電纜故障的發(fā)生：如絕緣局部損傷、絕緣氣泡、閃絡故障或故障電弧。這些故障不僅會影響電力系統(tǒng)的正常運行，還可能造成嚴重的經(jīng)濟損失和安全隱患。然而，傳統(tǒng)故障診斷方法具有一定的局限性：

2、其主要依賴于人工檢測和經(jīng)驗判斷，效率低下且容易出現(xiàn)誤判。且該經(jīng)驗判斷方法需要復雜的測尋方法，如：電橋法、脈沖法、故障點燒穿法等進行故障測試并診斷，診斷過程復雜多變，導致故障處理不及時。

3、伴隨著機器學習等技術(shù)的研究發(fā)展，現(xiàn)有的機器學習方法在處理高壓電纜故障診斷時，模型的穩(wěn)定性和魯棒性較差，容易出現(xiàn)過擬合或欠擬合的情況。

技術(shù)實現(xiàn)思路

1、為解決上述背景技術(shù)中存在的技術(shù)問題，本發(fā)明提供了一種基于機器學習的高壓電纜智能化故障診斷方法及系統(tǒng)。

2、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：一種基于機器學習的高壓電纜智能化故障診斷系統(tǒng)，包括數(shù)據(jù)采集模塊、工控機模塊和上位機模塊；數(shù)據(jù)采集模塊包含電流互感器、高頻電流傳感器和溫度傳感器；分別采集電纜的采集電纜中的電流信號、高頻電流信號和電纜溫度信號；通過這些傳感器，系統(tǒng)能夠獲取電纜的運行狀態(tài)數(shù)據(jù)，為故障診斷提供基礎數(shù)據(jù)支持。

3、工控機模塊包含stc89c51單片機、ad轉(zhuǎn)換器和通訊電路；工控機模塊通過通訊電路接收數(shù)據(jù)采集模塊發(fā)送的信號數(shù)據(jù)并進行初步處理；

4、所述stc89c51單片機固化了數(shù)據(jù)采集程序和串口通訊程序；

5、所述ad轉(zhuǎn)換器ad轉(zhuǎn)換器用于將模擬信號轉(zhuǎn)換為數(shù)字信號，便于后續(xù)處理；

6、所述通訊電路分為兩路，一路是與數(shù)據(jù)采集模塊連接的rs232通訊電路，另一路是與上位機模塊連接的can總線電路。

7、上位機模塊包含xilinx芯片和可拓展存儲器；xilinx芯片用于對電流信號進行數(shù)據(jù)處理和數(shù)據(jù)建模；可拓展存儲器用于存儲相關(guān)的數(shù)據(jù)和機器學習應用程序。

8、基于上述高壓電纜智能化故障診斷系統(tǒng)，利用機器學習程序?qū)崿F(xiàn)高壓電纜故障診斷的方法，具體步驟如下：

9、s1)電流波形信號分解：收集高壓電纜在高壓電纜已知故障狀態(tài)下的電流波形信號；采用局部均值(lmd)的時頻分析方法提取電流波形信號的特征信息，進而被分解為多個解調(diào)信號分量，即pf分量；

10、s2)構(gòu)建聚類預測的高斯混合模型，具體步驟如下：

11、s21)將lmd處理后的多個pf分量作為聚類因素，以構(gòu)建特征矩陣[x]，并輸入到高斯混合模型中進行訓練；通過期望最大化(em)算法，用于最大化觀測數(shù)據(jù)的對數(shù)似然函數(shù)，進而確定最佳的數(shù)據(jù)分類結(jié)果，即聚類標簽；

12、s22)初始化高斯混合模型模型，設定高斯混合模型的參數(shù)，包括高斯分布數(shù)量k和協(xié)方差類型；

13、s23)采集高壓電纜在未知故障時間段的電流波形信號輸入到訓練好的高斯混合模型中進行聚類預測，得到每個數(shù)據(jù)點的聚類標簽；并計算每個數(shù)據(jù)點屬于各個高斯分量的后驗概率；

14、s24)根據(jù)聚類標簽和后驗概率，識別并判定故障類型為絕緣局部損傷、絕緣氣泡、閃絡故障或故障電弧。

15、優(yōu)選地，可以設定一個故障類型閾值，當某個聚類標簽的后驗概率超過該故障類型閾值時，判定為該故障類型。

16、優(yōu)選地，所述步驟s22)中定義高斯分布數(shù)量k,選用電流波形信號分解后其中一個pf分量數(shù)據(jù)的樣本熵、排列熵或多尺度熵作為定量值。

17、優(yōu)選地，在定量值初選的基礎上，通過交叉驗證的方法繼續(xù)驗證其余pf分量數(shù)據(jù)的樣本熵，進而選取最優(yōu)的高斯分布數(shù)量k的值，以提高模型性能。

18、優(yōu)選地，所述絕緣局部損傷的故障類型閾值為0.8；絕緣氣泡的故障類型閾值為0.86；閃絡故障的故障類型閾值為0.9。

19、優(yōu)選地，所述故障電弧的故障類型閾值為0.85，并且采集到的高壓電纜溫度達到并且采集到的高壓電纜溫度達到1200℃以上。

20、優(yōu)選地，所述電流波形信號的樣本熵的計算方法如下：

21、定義樣本序列：原始電流波形信號被分解成多個pf分量，選取其中一個pf分量數(shù)據(jù)作為樣本序列，則樣本序列可以表示為：x(t)＝{pf(t)}；其中t＝1,2,…,n；

22、構(gòu)建嵌入向量：對于任意一個時間序列{pf(t)}，構(gòu)建嵌入維度為(m)的向量：xm(t)＝{x(t)，x(t+1)，...，x(t+m-1)}；

23、計算相似向量對數(shù)：計算所有嵌入向量對xm(t)和xm(j)之間的距離：并統(tǒng)計滿足d[xm(t)，xm(j)]≤r的向量對數(shù)

24、計算樣本熵：其中，m表示嵌入維度；r表示相似度閾值；n表示時間序列的長度；

25、表示在嵌入維度為(m+1)和相似度閾值為(r)條件下的相似向量對數(shù)；

26、表示在嵌入維度為(m+1)和相似度閾值為(r)的條件下，所有嵌入向量的相似向量對數(shù)之和。

27、本發(fā)明的有益效果：

28、1、收集已知故障狀態(tài)下高壓電纜電流波形信號,分別進行l(wèi)md處理；然后，構(gòu)建高斯混合模型(gmm)進行聚類分析；進而使用訓練好的模型對新的信號數(shù)據(jù)進行聚類預測，得出新數(shù)據(jù)所屬簇(即對應高斯分量的標簽)，進而識別出高壓電纜的故障類型；提高電力系統(tǒng)的可靠性和穩(wěn)定性，減少故障停電時間和經(jīng)濟損失。

29、2、本發(fā)明利用電流波形的樣本熵、排列熵或多尺度熵等指標來作為高斯分布數(shù)量k的值，提高模型的穩(wěn)定性和魯棒性，減少過擬合或欠擬合的風險。

30、3、另一方面，通過實時采集高壓電纜的電流波形信號并進行聚類預測，可以實現(xiàn)對高壓電纜故障的實時監(jiān)測和預警，及時發(fā)現(xiàn)和處理故障。

技術(shù)特征：

1.一種基于機器學習的高壓電纜智能化故障診斷方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于機器學習的高壓電纜智能化故障診斷方法，其特征在于：所述后驗概率設定一個故障類型閾值，當某個聚類標簽的后驗概率超過該故障類型閾值時，判定為該故障類型。

3.根據(jù)權(quán)利要求1所述的一種基于機器學習的高壓電纜智能化故障診斷方法，其特征在于：所述步驟s2)中定義高斯分布數(shù)量k,選用電流波形信號分解后其中一個pf分量數(shù)據(jù)的樣本熵作為定量值。

4.根據(jù)權(quán)利要求3所述的一種基于機器學習的高壓電纜智能化故障診斷方法，其特征在于：在定量值初選的基礎上，通過交叉驗證的方法繼續(xù)驗證其余pf分量數(shù)據(jù)的樣本熵，進而選取最優(yōu)的高斯分布數(shù)量k的值。

5.根據(jù)權(quán)利要求3所述的一種基于機器學習的高壓電纜智能化故障診斷方法，其特征在于：所述電流波形信號的樣本熵的計算方法如下：

6.根據(jù)權(quán)利要求1所述的一種基于機器學習的高壓電纜智能化故障診斷方法及系統(tǒng)，其特征在于：所述步驟s2中協(xié)方差類型選用‘full’、‘ti?ed’、‘diag’或‘spherical’。

7.根據(jù)權(quán)利要求2所述的一種基于機器學習的高壓電纜智能化故障診斷方法及系統(tǒng)，其特征在于：所述絕緣局部損傷的故障類型閾值為0.8；絕緣氣泡的故障類型閾值為0.86；閃絡故障的故障類型閾值為0.9。

8.根據(jù)權(quán)利要求2所述的一種基于機器學習的高壓電纜智能化故障診斷方法及系統(tǒng)，其特征在于：所述故障電弧的故障類型閾值為0.85，并且采集到的高壓電纜溫度達到1200℃以上。

9.根據(jù)權(quán)利要求1所述的一種基于機器學習的高壓電纜智能化故障診斷方法的系統(tǒng)，其特征在于：包括數(shù)據(jù)采集模塊、工控機模塊和上位機模塊；數(shù)據(jù)采集模塊包含電流互感器、高頻電流傳感器和溫度傳感器；分別采集電纜的采集電纜中的電流信號、高頻電流信號和電纜溫度信號；

10.根據(jù)權(quán)利要求9所述的一種基于機器學習的高壓電纜智能化故障診斷方法的系統(tǒng)，其特征在于：所述上位機模塊包含xilinx芯片和可拓展存儲器；xilinx芯片用于對電流信號進行數(shù)據(jù)處理和數(shù)據(jù)建模；可拓展存儲器用于存儲相關(guān)的數(shù)據(jù)和機器學習應用程序。

技術(shù)總結(jié)
本發(fā)明屬于電纜故障診斷技術(shù)領域，具體涉及一種基于機器學習的高壓電纜智能化故障診斷方法及系統(tǒng)。利用機器學習程序?qū)崿F(xiàn)高壓電纜故障診斷的方法，具體步驟如下：S1)電流波形信號分解：收集高壓電纜已知故障狀態(tài)下的電流波形信號；采用局部均值的時頻分析方法提取電流波形信號的特征信息；進而被分解為多個解調(diào)信號分量，即PF分量；S2)構(gòu)建高斯混合模型的聚類預測：將LMD處理后的多個解調(diào)信號分量數(shù)據(jù)作為聚類因素，以構(gòu)建特征矩陣[X]，并輸入到高斯混合模型中進行訓練；進而確定最佳的數(shù)據(jù)分類結(jié)果，即聚類標簽。進而識別出高壓電纜的故障類型；提高電力系統(tǒng)的可靠性和穩(wěn)定性，減少故障停電時間和經(jīng)濟損失。

技術(shù)研發(fā)人員：張彥軍,張志軍,劉銀磊
受保護的技術(shù)使用者：上海緦電智能科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19