基于格拉米角场和卷积神经网络的电缆故障行波定位研究

作     者：李程宇 

作者单位：西安理工大学 

学位级别：硕士

导师姓名：姚李孝;张小庆

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：电缆故障定位 单端行波测距 格拉米角场 卷积神经网络 PSCAD/EMTDC 

摘      要：随着电力行业的快速发展,交联聚乙烯(XLPE)电缆因其良好的机械性和物理稳定性,广泛应用于传输和分配电力的场合。然而,XLPE电缆面对水分侵蚀和机械损伤时容易发生故障,增加供电系统的安全风险。目前,虽然传统的电缆故障定位方法如电桥法和脉冲电流法仍被广泛使用,但存在效率和精度上的限制。近年来,结合图像识别和机器学习的方法为电缆故障检测提供了新的解决方案,提高了检测的灵活性和适应性。文章针对现阶段电缆故障定位方法所存在的不足,对电缆故障信号的提取和图像转换问题以及卷积神经网络进行图像训练的问题进行研究。主要内容如下: (1)对XLPE电缆的建模仿真理论与行波测距原理进行分析,探索了电力电缆故障的原因、分类以及波过程和波动方程。分析35kV交联聚乙烯(XLPE)电力电缆的相关参数,在PSCAD中建立电缆故障测距模型,将电缆以1km故障为一类,每一类包含从0～500Ω的,以10Ω为区间的50条波形,准确模拟了电缆故障发生时的电压波形特性。获得故障电缆的测试一维信号。 (2)利用格拉米角场(GAF)将一维线模行波转换成二维图像,可以将1D线模式分量映射到2D图像的颜色、点、线和其他特征参数中。为了扩展线模行波的不可见信息,对由格拉米角和场(GASF)和格拉米角差场(GADF)获得的图像进行加权融合。共计750张图像数据。 (3)搭建卷积神经网络模型,深入讨论了 CNN训练过程,包括数据库划分、网络参数确定及训练、网络核大小选取和初始学习率的选择等关键技术问题。将所提模型的训练结果与ZFNet、VGG-16和ResNet-50进行比较,展现了所提模型的定位优越性和有效性。 在本研究中,评估了多种深度学习模型。结果显示,所提模型在训练阶段准确率达到98.87%,在测试阶段有70%以上的结果达到100%的准确率,表现优于其他模型,平均提升可达5.47%左右。这表明所提模型在处理电缆故障定位任务上具有更高的精度,极大提升修复效率,节省成本,同时确保服务质量和安全性,从而提升电力系统的安全性和配电网络的智能化水平,对未来智慧城市的发展,对社会和经济运行具有重要意义。