[发明专利]电缆故障检测方法及装置在审
| 申请号： | 201811053531.1 | 申请日： | 2018-09-10 |
| 公开（公告）号： | CN109142976A | 公开（公告）日： | 2019-01-04 |
| 发明（设计）人： | 李胜辉;白雪;董鹤楠;邵宝珠;王刚;孙峰;刘劲松;张涛;张钊;张潇桐;肖先勇;杨晓梅 | 申请（专利权）人： | 国网辽宁省电力有限公司电力科学研究院;四川大学 |
| 主分类号： | G01R31/08 | 分类号： | G01R31/08 |
| 代理公司： | 北京超凡志成知识产权代理事务所(普通合伙) 11371 | 代理人： | 梁香美 |
| 地址： | 110000 辽宁*** | 国省代码： | 辽宁;21 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 初级特征 有效特征 电缆 电缆故障检测 电流信号 分类识别 电力领域 分类结果 特征提取 网络模型 早期故障 准确率 预设 检测 学习 | ||
1.一种电缆故障检测方法，其特征在于，包括：
对待处理电缆的电流信号进行特征提取，得到初级特征；
根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；
对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。
2.根据权利要求1所述的方法，其特征在于，预设深度学习网络的训练方法包括：
获取训练样本；
通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，得到深度学习网络模型；
通过反向传播算法实现对所述深度学习网络模型的优化，得到所述预设深度学习网络。
3.根据权利要求2所述的方法，其特征在于，通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，包括：
采用逐层贪婪学习算法，利用所述样本数据逐次独立地训练各个非负约束自编码器，获得初始深度学习网络模型中各层网络的权重和偏置参数的初始值。
4.根据权利要求1所述的方法，其特征在于，对待处理电缆的电流信号进行特征提取，得到初级特征，包括：
基于平稳小波变换对待处理电缆的电流信号进行特征提取，得到初级特征。
5.根据权利要求1所述的方法，其特征在于，对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果，包括：
通过Softmax分离器对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。
6.一种电缆故障检测装置，其特征在于，包括：
特征提取模块，用于对待处理电缆的电流信号进行特征提取，得到初级特征；
数据处理模块，用于根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；
识别模块，用于对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。
7.根据权利要求6所述的装置，其特征在于，预设深度学习网络的训练方法包括：
获取训练样本；
通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，得到深度学习网络模型；
通过反向传播算法实现对所述深度学习网络模型的优化，得到所述预设深度学习网络。
8.根据权利要求7所述的装置，其特征在于，通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，包括：
采用逐层贪婪学习算法，利用所述样本数据逐次独立地训练各个非负约束自编码器，获得初始深度学习网络模型中各层网络的权重和偏置参数的初始值。
9.根据权利要求6所述的装置，其特征在于，所述特征提取模块还用于：
基于平稳小波变换对待处理电缆的电流信号进行特征提取，得到初级特征。
10.根据权利要求6所述的装置，其特征在于，所述识别模块，还用于：
通过Softmax分离器对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于国网辽宁省电力有限公司电力科学研究院;四川大学，未经国网辽宁省电力有限公司电力科学研究院;四川大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201811053531.1/1.html，转载请声明来源钻瓜专利网。
