一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法与流程

1.本发明属于电力设备状态监测与故障诊断技术领域，特别涉及一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法。


背景技术：

2.目前，随着工业自动化的快速发展，电缆的需求日益增加。但是电缆实际运行环境恶劣，会受到水分入侵、电热老化、化学腐蚀、机械磨损等影响，在电缆局部位置出现绝缘薄弱点，严重时会造成安全事故。而现有的电缆检测手段仅能粗略定位电缆局部缺陷/故障的位置，因此如何精准找到电缆的局部缺陷/故障位置，对维护电力传输系统的稳定性具有重大意义。基于宽频阻抗谱的电缆缺陷定位技术具有高频成分多，定位精度高等优势，已广泛应用于电缆缺陷检测与定位。然而，在实现缺陷检测和定位的过程中，通常需要人工对采集的数据进行判断，对操作人员的工程经验较高，自动化程度不足。
3.以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本技术的新颖性和创造性。


技术实现要素：

4.本发明的目的在于提供一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，从而克服背景技术中存在的缺陷。
5.为实现上述目的，本发明采用如下技术方案：
6.一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，包括以下步骤：s1、建立单缺陷电缆模型，通过宽频阻抗谱对缺陷电缆生成一系列带标签的数据集，通过标签可获取缺陷点距电缆首端的真实距离y
target
；s2、通过空间通道注意力模块scam网络模型将缺陷点中的空间特征和通道特征进行融合形成缺陷电缆的缺陷特征，作为数据集的输入特征向量v
input
；s3、构建cnn网络模型，并将scam网络模型与cnn网络进行融合形成定位模型，定位模型对v
input
进行提取，输出特征向量v
output
，对将v
output
输入至全连接网络，获取预测距离y
predict
；s4、提出一种平均绝对误差损失与huber损失加权的损失函数，计算出真实距离y
target
与预测距离y
predict
损失值；s5、通过损失反向传播更新定位的参数，直至完成定位模型的训练，建立单缺陷电缆预测模型。
7.优选的，所述空间通道注意力模块scam网络模型包括通道注意力模块和空间注意力模块；
8.所述通道注意力模块将宽频阻抗谱生成的原始特征图x形成通道注意力权重矩阵mc(x)，通过将原始特征图x与mc(x)相乘得到特征图xc；所述空间注意力模块将特征图xc作为输入值，生成空间卷积权重矩阵ms(xc),将其与xc作乘法,生成的特征图xs。
9.优选的，所述定位模型包括：第一特征提取网络，用于获取第一特征向量v
k3
；第二
特征提取网络，用于获取第二特征向量v
k5
；第三特征提取网络，用于获取第三特征向量v
scam
；
10.将第一特征向量、第二特征向量以及第三特征向量融合后获得最终特征向量v
output
。
11.优选的，所述步骤s4中平均绝对误差损失函数为l1、损失加权的损失函数为l
huber
的数学表达式如下：
[0012][0013]
l1＝|y
predict-y
target
|；
[0014]
l
total
＝α
×
l1+β
×
l
huber
；
[0015]
在上式中，y
target
表示真实缺陷距离，y
predict
表示预测的缺陷距离，α为函数l1的权重，β为函数l
huber
的权重，l
total
表示损失值。
[0016]
优选的，所述特征图xc获取步骤如下：s31、将原始特征图x的长和宽两个方向进行平均池化和最大池化操作，得到两个新的特征图；s32、将步骤s31生成的两张特征图送入由两层全连接结构组成的神经网络中，将处理后的两个特征图作加法；s33、通过步骤s32处理后由一个sigmoid函数作激活，最终得到通道注意力权重矩阵mc(x)；s34、最后将原始特征图x与mc(x)相乘得到特征图xc。
[0017]
优选的，所述生成的特征图xs包括以下步骤：s41、将首先对xc在通道方向进行平均池化和最大池化操作，得到和两个新的特征图；s42、将步骤s41两个特征图在通道上连接形成新的特征图s43、将特征图送入一个由7
×
7卷积核构成的卷积神经网络中进行特征提取；s44、步骤s43在sigmoid激活函数的作用下，生成空间卷积权重矩阵ms；s45、将ms与xc作乘法，得到经scam模块处理后生成的特征图xs。
[0018]
优选的，所述第一特征提取网络包括四个卷积模块a；所述第二特征提取网络包括三个卷积模块a
′
；所述第三特征提取网络由卷积模块a
′
和scam串联构成。
[0019]
优选的，所述步骤s5中通过损失反向传播更新数据后完成一次迭代，最后循环迭代，判断是否达到收敛条件，完成定位模型的训练。
[0020]
优选的，所述第一特征向量、第二特征向量以及第三特征向量
[0021]
融合具体为：
[0022][0022]
其中表示向量的点乘，表示向量逐点相加。优选的，所述卷积模块a的卷积核大小为3，步幅为1以及填充
[0023]
为1；所述
[0024]
卷积模块a
′
的卷积核大小为5，步幅为1以及填充为2。
[0025]
与现有的技术相比，本发明具有如下有益效果：
[0026]
1.本发明中，通过空间注意力模块和通道注意力模块与卷积神经网络融合，强化模型对缺陷特征的提取能力，进一步提高模型对缺陷位置的定位精度。
[0027]
2.本发明中，通过构建平均绝对误差损失(mae)与huber损失加权的损失函数，进一步加强模型对异常值的稳定性，提高模型的收敛效率。
附图说明
[0028]
图1是本发明流程图。
[0029]
图2是本发明缺陷电缆模型图。
[0030]
图3是本发明scam网络结构图。
[0031]
图4是本发明基于卷积神经网络和注意力机制的电缆单缺陷定位模型图。
具体实施方式
[0032]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
在本发明的描述中，需要说明的是，术语“中心”、“纵向”、“横向”“上”、“下”、“前”、“后”“左”、“右”、“竖直”、“水平”、“顶”、“底”、“顶部”、“底部”、“顶面”、“底面”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0034]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到术语“第一”、“第二”、“第三”只是用于描述目的以及区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0035]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。下面根据本发明的整体结构，对其实施例进行说明。
[0036]
请参阅图1-4，一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，包括以下步骤：
[0037]
s1、建立单缺陷电缆模型，通过宽频阻抗谱对缺陷电缆生成一系列带标签的数据集，通过标签可获取缺陷点距电缆首端的真实距离y
target
；
[0038]
如图1所示为缺陷电缆模型图，电缆发生局部缺陷时会形成阻抗不连续点，根据行波理论，行波在电缆中传输时会发生一系列的折反射，电缆首端反射系数也会发生相应的改变。可以模拟出单缺陷发生在电缆不同位置时的反射信号幅值，并构建用于模型训练和测试的数据集。其中，l为整个待电缆的长度，l1为缺陷首端距电缆首端距离，l2为缺陷末端距电缆首端距离，z0为电缆特性阻抗，z1为电缆缺陷处的特性阻抗，z
l
为负载阻抗；γ0为电缆传播常数，γ1为缺陷处的传播常数。
[0039]
基于信号在时频域分布的特性，选择高斯包络线性调频信号作为入射信号，入射信号s(t)表达式如下：
[0040][0041]
其中，(1)式中的α控制高斯分布的宽度；β影响信号的频率带宽；ω0为信号频率中心；t0为信号时间中心；根据公式(1)设置入射信号s(t)参数：α＝1.39
×
10
12
，β＝8.22
×
10
12
，f0＝5mhz，t0＝5μs，其中f0为信号频率中心ω0＝2πf0。电缆末端反射信号为r(t)，y(t)为时域定位信号，令y(t)＝s(t)+r(t)，本文对该叠加信号进行分析。
[0042]
s2、通过空间通道注意力模块scam网络模型将缺陷点中的空间特征和通道特征进行融合形成缺陷电缆的缺陷特征，作为数据集的输入特征向量v
input
；
[0043]
为了构造符合电缆单缺陷条件的数据集，在本发明实例中，搭建长度为1000米末端开路的电缆中间接头受潮缺陷仿真模型。为提高训练样本的随机性，训练集考虑随机生成2000个缺陷位置，缺陷长度为0.1米。其中用于训练的数据为1600个，用于测试的数据为400个。用于训练和测试的输入向量v
input
的维度为(d
input
×
1)，在实施例中，d
input
＝3000。
[0044]
s3、构建cnn网络模型，并将scam网络模型与cnn网络进行融合形成定位模型，定位模型对v
input
进行提取，输出特征向量v
output
，对将v
output
输入至三个全连接网络层fcl，获取预测距离y
predict
；
[0045]
s4、提出一种平均绝对误差损失与huber损失加权的损失函数，计算出真实距离y
target
与预测距离y
predict
损失值；
[0046]
s5、通过损失反向传播更新定位的参数，直至完成定位模型的训练，建立单缺陷电缆预测模型。
[0047]
上述方案中，所述空间通道注意力模块scam网络模型包括通道注意力模块和空间注意力模块；scam可以从通道和空间两个维度计算原始特征图x的注意力图谱，然后将注意力图谱与特征图谱相乘以完成特征的自适应学习，提高对特征的识别能力。scam对原始特征图x的处理可总结为以下过程：
[0048][0049][0050]
具体的，所述通道注意力模块将宽频阻抗谱生成的原始特征图x形成通道注意力权重矩阵mc(x)，通过将原始特征图x与mc(x)相乘得到特征图xc；所述空间注意力模块将特征图xc作为输入值，生成空间卷积权重矩阵ms(xc),将其与xc作乘法,生成的特征图xs。原始特征图x经过通道注意力模块处理后，其在通道上形成了1维权重矩阵mc(x)，具体来说，通道注意力模块的作用是增大有效通道的权重，减少无效通道的权重。其具体的处理过程可用下式来表达：
[0051]
mc(x)＝σ(fc(avgpool(x))+fc(maxpool(x)))
[0052]
其中，其中avgpool(
·
)和maxpool(
·
)分别表示在特征图的长和宽两个方向进行平均池化和最大池化操作，得到两个大小为c
×
1的特征图；之后，再将此特征图送入由两层全连接结构组成的神经网络中，再将处理后的两个特征图作加法，最后由一个sigmoid函数作激活(用σ(
·
)表示)，最终得到mc通道注意力权重矩阵。最终将原始的输入特征图x与通道注意力权重矩阵mc(x)相乘，完成通道注意力网络的输出xc。
[0053]
与通道注意力模块不同，空间注意力模块学习的是特征图空间特征之间的关系，并突出空间中的重要信息，首先对xc在通道方向进行平均池化和最大池化操作，得到和两个新的特征图，同时两个特征图的尺度均为1
×dinput
；随后，将两个特征在通道上连接形成新的特征图并将此特征图送入一个由7
×
7卷积核构成的卷积神经网络中，进行特征提取，最终在sigmoid激活函数的作用下，生成空间卷积权重矩阵ms，其中该过程的数学表达如下式：
[0054]ms
(xc)＝σ(f7×7([avgpool(xc)；maxpool(xc)]))
[0055]
其中σ表示sigmoid激活函数。在得到空间卷积权重矩阵ms后，将其与xc作乘法，得到经scam模块处理后生成的特征图xs。从上述过程可以看到，scam是一种轻量的注意力模块，不会额外为网络增加过多的计算负担。同时，由于scam从通道和空间两个角度对原始的特征图x进行了增强，故经其处理后的特征图可以更好地对特征进行识别。
[0056]
作为优选方案，所述定位模型包括、第一特征提取网络，用于获取第一特征向量v
k3
；第二特征提取网络，用于获取第二特征向量v
k5
；第三特征提取网络，用于获取第三特征向量v
scam
；其中所述第一特征提取网络包括四个卷积模块a；所述第二特征提取网络包括三个卷积模块a
′
；所述第三特征提取网络由卷积模块a
′
和scam串联构成。所述卷积模块a的卷积核大小为3，步幅为1以及填充为1；所述卷积模块a
′
的卷积核大小为5，步幅为1以及填充为2，将第一特征向量、第二特征向量以及第三特征向量融合后获得最终特征向量v
output
。
[0057]
对上述方案做进一步解释如下：基于1维向量数据的卷积神经网络conv，为了方便描述，将卷积模块的卷积核用k表示、步幅用s表示、填充用p表示。由图2可知，该网络由三个网络构成。第一个特征提取网络由四个卷积模块(k3s1p1)构成，其中卷积核大小为3，步幅为1以及填充为1，即上述的卷积模块a；第二个特征提取网络由三个卷积模块(k5s1p2)构成，其中卷积核大小为5，步幅为1以及填充为2，即上述的卷积模块a
′
；第三个特征提取网络是由k3s1p1的卷积模块和scam串联构成。最后，将三个特征提取网络输出的特征向量进行耦合，得到最终的特征输出向量v
output
，其数学表达如下所示：
[0058]vk3
＝conv3(v
input
)
[0059]vk5
＝conv5(v
input
)
[0060]vscam
＝conv_scam(v
input
)
[0061][0062]
conv3为第一个特征提取网络，conv5为第二个特征提取网络，conv_scam为第三个特征提取网络；v
k3
、v
k5
和v
scam
为对应特征提取网络生成的特征向量。表示向量的点乘，表示向量逐点相加。
[0063]
优选的，所述步骤s4中平均绝对误差损失函数为l1、损失加权的损失函数为l
huber
的数学表达式如下：
[0064][0065]
l1＝|y
predict-y
target
|；
[0066]
l
total
＝α
×
l1+β
×
l
huber
；
[0067]
在上式中，y
target
表示真实缺陷距离，y
predict
表示预测的缺陷距离，l
huber
对于离群点更加鲁棒，相比于l1损失函数，其对离群点(指的是距离中心较远的点)、异常值不敏感，α为函数l1的权重，β为函数l
huber
的权重，l
total
表示损失值，在本实施例中，δ＝1，α＝0.65和β＝0.35。
[0068]
作为优选方案，所述步骤s5中通过损失反向传播更新数据后完成一次迭代，最后循环迭代，判断是否达到收敛条件，完成定位模型的训练。
[0069]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的，这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化，尽管已经示出和描述了本发明的实施例，但本具体实施例仅仅是对本发明的解释，其并不是对发明的限制，描述的具体特征、结构、材料或者特点可以在任何一个或多个实施例或示例中以合适的方式结合，对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够在阅读完本说明书后可在不脱离本发明的原理和宗旨的情况下，可以根据需要对实施例做出没有创造性贡献的修改、替换、变型以及各种不同的选择和改变，但只要在本发明的权利要求范围内都受到专利法的保护。

技术特征：
1.一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，包括以下步骤：s1、建立单缺陷电缆模型，通过宽频阻抗谱对缺陷电缆生成一系列带标签的数据集，通过标签可获取缺陷点距电缆首端的真实距离y
target
；s2、通过空间通道注意力模块scam网络模型将缺陷点中的空间特征和通道特征进行融合形成缺陷电缆的缺陷特征作为数据集的输入特征向量v
input
；s3、构建cnn网络模型，并将scam网络模型与cnn网络进行融合形成定位模型，定位模型对v
input
进行提取，输出特征向量v
output
，对将v
output
输入至全连接网络，获取预测距离y
predict
；s4、提出一种平均绝对误差损失与huber损失加权的损失函数，计算出真实距离y
target
与预测距离y
predict
损失值；s5、通过损失反向传播更新定位模型的参数，直至完成定位模型的训练，建立单缺陷电缆预测模型。2.根据权利要求1所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，所述空间通道注意力模块scam网络模型包括通道注意力模块和空间注意力模块；所述通道注意力模块将宽频阻抗谱生成的原始特征图x形成通道注意力权重矩阵m
c
(x)，通过将原始特征图x与m
c
(x)相乘得到特征图x
c
；所述空间注意力模块将特征图x
c
作为输入值，生成空间卷积权重矩阵m
s
(x
c
),将其与x
c
作乘法,生成的特征图x
s
。3.根据权利要求1所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，所述定位模型包括：第一特征提取网络，用于获取第一特征向量v
k3
；第二特征提取网络，用于获取第二特征向量v
k5
；第三特征提取网络，用于获取第三特征向量v
scam
；将第一特征向量、第二特征向量以及第三特征向量融合后获得最终特征向量v
output
。4.根据权利要求1所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，所述步骤s4中平均绝对误差损失函数为l1、损失加权的损失函数为l
huber
的数学表达式如下：l
total
＝α
×
l1+β
×
l
huber
；在上式中，y
target
表示真实缺陷距离，y
predict
表示预测的缺陷距离，α为函数l1的权重，β为函数l
huber
的权重，l
total
表示损失值。5.根据权利要求3所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，
其特征在于，所述特征图x
c
获取步骤如下：s31、将原始特征图x的长和宽两个方向进行平均池化和最大池化操作，得到两个新的特征图；s32、将步骤s31生成的两张特征图送入由两层全连接结构组成的神经网络中，将处理后的两个特征图作加法；s33、通过步骤s32处理后由一个sigmoid函数作激活，最终得到通道注意力权重矩阵m
c
(x)；s34、最后将原始特征图x与m
c
(x)相乘得到特征图x
c
。6.根据权利要求6所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，所述生成的特征图x
s
包括以下步骤：s41、将首先对x
c
在通道方向进行平均池化和最大池化操作，得到和两个新的特征图；s42、将步骤s41两个特征图在通道上连接形成新的特征图s43、将特征图f
csoncat
送入一个由7
×
7卷积核构成的卷积神经网络中进行特征提取；s44、步骤s43在sigmoid激活函数的作用下，生成空间卷积权重矩阵m
s
；s45、将m
s
与x
c
作乘法，得到经scam模块处理后生成的特征图x
s
。7.根据权利要求4所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于：所述第一特征提取网络包括四个卷积模块a；所述第二特征提取网络包括三个卷积模块a
′
；所述第三特征提取网络由卷积模块a
′
和scam串联构成。8.根据权利要求1所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于：所述步骤s5中通过损失反向传播更新数据后完成一次迭代，最后循环迭代，判断是否达到收敛条件，完成定位模型的训练。9.根据权利要求4所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于，所述第一特征向量、第二特征向量以及第三特征向量融合具体为：其特征在于，所述第一特征向量、第二特征向量以及第三特征向量融合具体为：其中表示向量的点乘，表示向量逐点相加。10.根据权利要求7所述的基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，其特征在于：所述卷积模块a的卷积核大小为3，步幅为1以及填充为1；所述卷积模块a
′
的卷积核大小为5，步幅为1以及填充为2。

技术总结
本发明涉及电力设备状态监测与故障诊断技术领域，具体公开了一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法，包括以下步骤：S1、构建数据集；S2、构建空间通道注意力模块；S3、构建卷积特征提取网络CNN；S4、构建多层全连接网络；S5、投建损失函数，并基于上述的数据集、模型和损失函数开始训练，建立对应的电缆单缺陷预测模型。本发明中，通过空间注意力模块和通道注意力模块与卷积神经网络融合，强化模型对缺陷特征的提取能力，进一步提高模型对缺陷位置的定位精度。型对缺陷位置的定位精度。型对缺陷位置的定位精度。


技术研发人员：潘绍明 赵坚 苏毅 张镱议 俸波 张磊 韩方源 李锐 陈梁远 张龙飞 芦宇峰 饶夏锦 唐捷
受保护的技术使用者：广西电网有限责任公司电力科学研究院
技术研发日：2023.04.27
技术公布日：2023/8/14