[发明专利]电缆故障检测方法及装置

说明书

本发明实施例提供的电缆故障检测方法及装置，属于电力领域。该方法包括：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，从而通过提取出初级特征后，再对初级特征进行提取，以提取出有效特征，进而对待处理电缆的电流信号进行分类识别，进而有效提高对电缆发生早期故障的识别准确率，以进行准确的检测识别。

技术领域

本发明涉及电力领域，具体而言，涉及电缆故障检测方法及装置。

背景技术

由于电缆在早期布线或者是运输时，容易导致电缆损坏，而在安装时，损坏的电缆很容易导致事故的出现。目前对电缆早期故障的识别主要有两大类：(1)电路分析方法。基于电缆早期故障和电缆结构的特点，搭建对应的电路分析模型。(2)信号分析与模式识别方法。但是，无论采用上述哪种方法，均无法准确识别出电缆是否出现故障。

发明内容

本发明实施例提供的电缆故障检测方法及装置，可以解决现有技术中存在的无法准确识别出电缆是否出现故障的技术问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供的一种文件存储方法，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。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，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。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，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。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，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。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，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。

第二方面，本发明实施例提供的一种电缆故障检测装置，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。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，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。

结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，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。