基于CNN和DBN的电缆故障类型识别

基于CNN和DBN的电缆故障类型识别张一哲(西安科技大学电气与控制工程学院，陕西西安710054) 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 CNNZhang yi-zhe(School of Electrical and Control Engineer Xi'an University of Science and Technology,Xi'an710054)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 faultdata.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 Network1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，很容易对以后电缆的运行造成故障隐患。

一旦地下电缆发生故障。

判断其故障点很困难,不仅会造成人力物力的损耗,还可能会导致停电事故的产生。

若故障不能及时排除,将会对经济和社会带来或多或少的影响，因此如何准确、迅速的查找电缆故障便成了供电部门日益关注的问题。

电缆故障诊断技术分为故障识别和故障定位，主要分为离线和在线诊断模式，就目前来讲使用离线诊断的方法居多，离线检测的方法就是在电缆发生故障后切断电源使之断电，使用各种设备来检测电缆故障，这种做法不仅耗费大量的人力及时间、实时性差，而且会对电缆造成一定的损伤。

因此在线检测方式是未来电力电缆故障诊断的趋势。

深度学习(Deep Learning, DL) 是指使用有多层网络构架的模型, 对数据进行特征计算、信号变换、模式分类等[7]。

深度学习的思想就是将数据分布分成多层进行学习，每一层的分布都采用简单函数来表示，这样复杂的数据分布就可以用这些简单的函数来表达成非线性的复杂函数来学习了。

随着电力电缆故障检测智能化的发展，必然会产生大量的信息被收集，这就需要复杂的工具去分析这些信息, 因此深度学习作为一种有力的工具很适合用来分析电缆故障。

2提出的方法本文所研究的对象是一个多电缆、多故障类型的分布系统，数据较多、特征复杂由此给故障识别带来了一定的困难，使用传统的浅层网络对于海量数据的处理能力有限，难以获取故障信号的特征，尤其对于信号深层次的特征。

因此采用基于深度学习算法的深层神经网络，通过海量的电缆故障数据来训练，学习到更多的特征，从而最终提升电缆故障分类的准确性。

各种基于深度学习的模型和方法被人们挖掘出来，主要由自动编码器(Auto Encoder, AE) ，稀疏编码(Sparse Coding, SC),限制波尔兹曼机(Restricted Boltzmann Machine, RBM) ，深信度网络(Deep Belief Networks, DBNs) ，卷积神经网络(Convolutional Neural Networks, CNNs) [8-10]。

本文主要采用DBNs 和CNNs 完成对电缆故障的分类识别。

2.1深度信念网络深度信念网络是由多个 RBM 单元叠加形成的如图 2 所示，可视层 v 为输入层，有 3 个 隐含层 h ，可视层 v 与第一个隐层 h 1 构成一个 RBM 单元，第二个隐层 h 2与第三个隐层 h 3 构成一个 RBM 单元，第三个隐层 h 3与输出层构成一个 RBM 单元， 其中， 隐层 h 1的输出作 为第二个 RBM 单元的输入，隐层 h 2 的输出作为第三个 RBM 单元的输入。

RBM1 RBM2 RBM3图 2 DBN 结构受限波尔兹曼机 (RBM) 是一种概率生成模型 ,可用于对各种数据进行建模 [11-12]。

RBM 的 应用主要作为构造深度信念网络的学习模块。

RBM 是一种由两层结点组成的网络，禁止可 视层与隐含层的内部节点连接， 只允许在可视层和隐含层之间的节点连接， 得到的简化模型 就是受限波尔兹曼机，如图 3 所示，其中可视层有 m 个节点，其中第 j 个节点的输入用 v j 表示，隐含层有 n 个节点，其中其中第 i 个节点的输入用 h i 表示。

可视向量 v = (v 1, v 2,⋯, v m )T 隐含层向量 h = (h 1, h 2, ⋯, h n )T。

标准的 RBM 是二值的即所有的可视节点和隐含节点均为二 值变量 (v j ∈{0, 1}, h i ∈{0, 1}) 。

Softmax输出层(1)h2(1(1)v 2(2) 2(3)v 44) 2h1(2)h1(4)h2(2)输入层 隐层 隐层 2 隐层 3图 3 受限波尔兹对比散度算法图 4 CD-k 算表 1 RBM 训练算法输入： RBM( v 1, v 2,⋯,v m , h 1, h 2,⋯, h n ), 训练集 S={ v (l), 1≤l ≤N} 输出： 梯度近似 w ij 、 a j 、 b i , 其中 i=1, 2,⋯, n, j=1, 2,⋯, m 初始化 ：q ={ w a b}, w ij = a j = b i =0for all the v (l)∈S do(0) (l) g (0)← v (l)for t=0,⋯ , k-1 dofor i=1, 2,⋯, n, do h(t)i~ p(h i │g(t), q ) end forfor j=1, 2,⋯, m, do g (t+1)j ~ p(v i │h(t), q ) end for end forfor i=1, 2,⋯, n, j=1, 2,⋯, m do(0) (k)w ij ← w ij +p(h i =1 │g , q ) ·g (0)j-p(h i =1│g , q )g(k)jend forfor j=1, 2,⋯ , m do a j ← a j +(g (0)j -g (k)j ) end forfor i=1, 2,⋯, n do b j ← b j +p(h i =1│g (0), q ) · -p(h i =1│g (k), q ) end for end for了快速计算受限玻尔兹曼机的对数似然梯度，采用一类称为对比散度(Contrastive Divergence, CD) 的算法 [13-14]如图 4 所示，最常用的是 k 步对比散度算法 (k-step Contrastive Divergence, CD-k) 。

虽然 CD-k 在计算受限波尔兹曼机的对数似然梯度时是一种有偏的随机 梯度方法，但其中的偏差会在 k 趋于∞时消失。

在实际应用中，常常只需取 k=1，就可以达 到足够好的效果。