基于CNN和DBN的电缆故障类型识别参考.doc

基于CNN和DBN的电缆故障类型识别 （西安科技大学 电气与控制工程学院，陕西 西安） 摘要: 现阶段电缆故障的诊断仍以离线的方法为主，在线诊断方法多仍处于探索研究阶段，很多理论尚存在很多问题,难以达到新时期形势下电缆故障在线诊断的要求。针对以上提出的问题，本文建立一个地下电缆分布系统仿真模型用于采集不同情况下不同故障类型的电压和电流信号，引入深度学习的概念来分析电缆故障的类型，创建基于深度学习理论的深度信念网络(Depth Belief Network, DBN)和卷积神经网络(Convolution Neural Network, CNNs)用于电缆故障的识别。该深度神经网络利用大量的故障数据能够自动完成故障信号特征的分类并提取将故障准确地定位到具体电缆上并识别出故障类型。实验结果表明基于深度学习理论的深度神经网络对电缆故障的识别优于浅层神经网络例如BP神经网络、支持向量机等。 关键词：电缆故障诊断；深度学习；深度信念网络；卷积神经网络 Research on Cable Fault On - line Diagnosis Method Based on DBN and CNN Zhang yi-zhe (School of Electrical and Control Engineer Xian University of Science and Technology, Xian ) ABSTRACT:At present, the diagnosis of cable fault is still dominated by off-line method, online diagnostic methods are in the stage of exploratory research and many theories exist many problems. At present, the diagnosis of cable fault is still dominated by off-line method, online diagnostic methods are in the stage of exploratory research and many theories exist many problems,The depth belief network (DBN) and convolution neural network (CNN) based on depth learning theory are set up for cable fault identification. The depth neural network can complete the classification of fault signal automatically and locate the fault accurately on the specific cable by using a large number of fault data.The experimental results show that the depth neural network based on depth learning theory is superior to the shallow neural network such as BP neural network, support vector machine and so on. Keywords:Cable fault; Deep learning; Deep Belief Network; Convolutional Neural Network 1 引言 电力电缆(power cable)，用于传输和分配电能的电能，常用于城市地下电网、发电站的引出线、工矿企业的内部以及过江过海的水下输电线。电力电缆是在电力系统的主干线路中用于传输和分配大功率电能的电缆产品[1]。其中包括1-500KV及以上各种电压等级,各种绝缘的电力电缆。相比于架空线的电力传输，地下电缆拥众多的优点，例如占用空间小，不易受到环境的干扰，有利于城市环境的建设和美化，根据《2015年中国电线电缆行业深度调研报告》[2-3]，近10年以来电缆的产量及增长量都逐渐升高如图1所示： 图1 2006-2015年中国电力电缆产量及增长率 一般认为电力电缆在正常情况下的使用年限为20到30年，但是因为电缆经常被安置于地下沟道或直接埋在土里,它的建设环境和使用的情况使它的寿命发生了很大的变动[4-6]。由于长期处于土壤中与水分、潮气充分接触导致其渗入电缆的绝缘层遭遇腐蚀，再加上在安装电缆过程中的磨损，很容