基于 M-LSTM 与 Resnet 并联网络的同轴线缆开路故障定位方法论文

 

　　关键词：同轴线缆,开路故障定位,LSTM,Resnet

 

 

　　同轴线缆作为信号载体，在航空航天、电力传输、铁路等工业领域应用广泛[1-2]。随着时间推移，由于老化、热应力、机械应力、动物撕咬等原因，同轴线缆存在断裂情况。并且，同轴线缆的铜线包裹在绝缘层，具有一定的隐蔽性，很难准确对线缆开路故障进行定位。对于一些价格高昂的同轴线缆，盲目维修会造成线缆使用寿命锐减。因此，对同轴线缆开路故障进行精准定位，有助于同轴线缆的高效维护和修理。

 

　　目前，在传统方法中，行波法在同轴线缆开路故障定位应用中最为广泛[3]。该方法通过入射信号和反射信号的时间差以及信号的传播速度来计算故障的位置。Zhang等[4]基于时域反射（TDR）法，提出了一种电信号在故障线缆中传播的数学模型，构造并实现了陡坡上升沿阶跃波发生器用于故障检测。Shi等[5]利用频域反射（FDR）法和阻抗谱进行导线故障定位。杨等[6]利用一种归一化STDR分析方法用于识别线缆故障。然而，基于行波法的故障定位方法受同轴线缆本身的色散作用、阻抗不连续以及受设备采样频率等影响，导致反射波到达时间的测量存在误差，进而影响开路故障定位准确性。

 

　　随着大数据和人工智能的发展，基于机器学习的方法，如支持向量机（SVM）[7]、逻辑回归（LR）[8]、随机森林（RF）[9]等算法，已应用于故障定位。虽然这些方法已经取得了一些良好的效果，然而，机器学习难以用于挖掘潜在信息。深度学习能够自动学习高级特征表示，进而解决机器学习方法的缺点。Liang等[10]提出了一种基于自适应卷积神经网络的故障线路选择技术，以检测配电网运行过程中的故障。Chi等[11]提出一种基于深度CNN与自适应矩估计的线缆状态识别模型，有助于在其早期阶段提高故障检测精度。高等[12]提出一种基于长短期记忆网络（Long Short Term Memory，LSTM）的神经网络模型用于漏缆故障定位。Ruphan等[13]利用CNN-LSTM串联网络架构对地下配电线缆中发生的故障进行分类和定位，进一步提高了故障分类和定位的准确性。然而，现有方法存在以下问题：第一，针对文献[12]，当电压序列过长时，导致电压特征信息消失，开路故障定位距离有限的问题。本文提出矩阵式LSTM（M-LSTM），通过将电压幅值序列分组，依次输入矩阵式的多个LSTM模块以缓解长期失忆问题，增加了定位的准确性。第二，针对文献[7]、文献[11]，现有CNN网络中学习存在提取特征不充分问题。本文采用Rsenet深度残差网络来处理时频分布谱图。第三，针对文献[11]、文献[13]，数据经过快速傅里叶变换（Fast Fourier Fransform，FFT）、小波变换（Discrete Wavelet Transform，DWT）、希尔伯特-黄变换（Hilbert-Huang Transform，HHT）后的时频分布谱图再放入网络中学习，存在信息丢失的问题。文献[13]中LSTM与CNN串联网络存在局部时域信息损失的问题。本文将M-LSTM和Resnet[14]并联，利用M-LSTM网络学习电压序列幅值时域特征。利用Resnet网络对局部时频域分布谱图进行特征提取，达到增强局部时域特征的目的。

 

　　基于以上问题，本文提出一种开路故障定位方法SROCFL。SROCFL利用HFSS软件建立1万个不同故障位置的同轴线缆开路故障模型，添加激励并对同轴线缆单端进行采样获得电压幅值序列。利用M-LSTM网络学习电压序列幅值特征。利用Resnet网络对局部时频域分布谱图进行特征提取。将M-LSTM和Resnet并联网络学习到的高级特征表示集成到一个统一的表示中，作为分类器的输入对同轴线缆开路故障进行定位。实验结果表明SROCFL方法优于现有方法，可以更加有效地对同轴线缆开路故障进行定位。此外，在含有白噪声和传输线缆模型阻抗不连续的情况下，本文模型仍然具有较好的学习能力和提升定位精度的性能。

 

 

　　本文以SYV50-2-2同轴线缆作为测试对象，通过HFSS软件[15]建立同轴线缆开路故障模型，添加激励并对同轴线缆单端进行采样获得电压幅值序列。

 

　　1.1数据收集

 

　　SYV50-2-2同轴线缆由内到外共4层，为了达到模拟真实实验环境的效果，增加第5层空气，包裹整个测试线缆，如图1所示。同时在导体铜芯表面会在随机位置开一些深度为0.05 mm，宽为0.5 mm的凹槽，用于模拟真实线缆由于制造工艺存在轻微阻抗不连续的情况。

 

　　本文设置了10 000个开路故障模型，在单端给与脉冲激励采样后获得数据集。该开路故障模型模拟最大故障定位距离为300 m，采集时间设置为3μs，每个开路故障模型数据，采样时间间隔为0.5 ns，共6 000个时域电压幅值。

 

　　根据添加凹槽个数和加噪情况，本文共设置了9个数据集，每组10 000个开路故障模型数据，将其分为1 000类，每相邻间距的10个故障模型的电压幅值序列为一类。每一组实验数据划分为6 000个训练集，3 000验证集，1 000个测试集，比值分别为6∶3∶1。为了验证模型在高斯白噪声和阻抗不连续的情况下仍然具有一定的学习能力和定位性能，数据集如表2所示。其中A，B，C，D，E，F，G，H，J分别为每个数据集名称。

 

　　1.2数据预处理

 

　　本文使用了经验模态分解[16]（Empirical Mode De⁃composition，EMD）和希尔伯特变换[17]（Hilbert Trans⁃form，HT），作为信号预处理手段，提取非线性非平稳信号的特征。包含两个步骤：第一，用EMD将原始故障电压和电流信号分解为一系列内在模式函数（IMF）分量；第二，将每个IMF分量做希尔伯特变换，得到故障信号的时频域分布谱图。时频域分布谱图如图2所示。

 

 

　　在本节中，开路故障定位方法SROCFL，如图3所示。SROCFL主要包含3部分：利用HFSS软件建立1万个不同故障位置的同轴线缆开路故障模型，添加激励并对同轴线缆单端进行采样获得电压幅值序列；利用M-LSTM网络学习电压序列幅值特征；利用Resnet网络对时频域分布谱图进行特征提取，将M-LSTM和Resnet并联网络学习到的高级特征表示集成到一个统一的表示中，作为分类器的输入对同轴线缆开路故障进行定位。SROCFL模型结构如图3所示。

 

　　2.1 M-LSTM捕获长期依赖信息

 

　　考虑到电压序列之间的顺序相关性，本文引入LSTM捕获电压序列之间的长期相互依赖信息，以增强网络中电压序列信息流，提高网络的判别能力。为了缓解LSTM长期失忆问题，增加检测距离，本文在LSTM的基础上，提出矩阵式LSTM（M-LSTM），通过对电压序列分组依次输入的方式，捕获电压序列的长期相互依赖信息，以增强网络对电压序列的记忆能力，和对不同时间尺度上的学习能力。M-LSTM由LSTM基本单元组成。LSTM的结构[18]主要包括遗忘门、输入门和输出门。

 

　　遗忘门ft决定旧信息的丢弃，表达式如下：

 

　
 

　　式中：σ为Sigmoid函数，能将数据压缩到0~1之间，有助于更新或遗忘信息；Wf为权重，用来权衡前一层隐藏状态的信息ht-1和当前输入样本信息xt的遗忘比重；bf为遗忘门的偏置。

 

 

　　2.2 Resnet提取频域分布谱图特征

 

　　本文引入Resnet来提取频域分布谱图的特征，通过共享参数的卷积核进行卷积操作，提取时频域分布谱图的局部时域和频域特征。本文采用的Resnet网络结构共有17个block，每个block由两层卷积层构成。block基本结构如图5所示。

 

　　根据图5中结构，block的定义为：

 

　　H(x)=F(x,{Wi})+x（8）

       式中：x和H(x)为构建block的输入和输出向量；F(x,{Wi})为要学习的残差映射。

 

　　在图5中，F(x)表示经过第二个卷积核的输出，x表示输入，其通过右侧的1×1的卷积核来通道数使其与F(x)的通道数达到一致。

 

　　当x和F(x)的维数不匹配时，使用线性投影Ws来匹配维数：

 

　　H(x)=F(x,{Wi})+Ws x（9）

 

　　F(x)+x的公式可以通过具有快捷连接的前馈神经网络来实现。标识快捷连接只需执行标识映射，它们的输出将被添加到堆叠层的输出中。

 

　　2.3模型训练

 

　　本文深度学习模型是基于Torch1.9.1实现的。在训练过程中，采用ReduceLROnPlateau算法对目标函数进行优化。为了保证模型训练过程中的稳定性，将epoch、batchsize、momentum设置为200、10、0.9。本文采用自适应调整方案调整学习率，将M-LSTM网络和Resnet网络的学习率分别设置为2、0.005。在训练中，代价函数采用多元交叉熵损失[19]。采用准确性（Accuracy，Acc）作为评价指标，采用5折交叉验证[20]进行实验。

 

　　3实验结果与分析

       3.1参数实验

 

　　3.1.1 M-LSTM隐藏层维度及网络深度选择

 

　　为了获取M-LSTM模型的最佳隐藏层维度，本文使用A数据集，将M-LSTM网络深度设置为1×1，将隐藏层维度的取值设置为[10，20，30，40，50，60，70，80，90，100]，选择Acc最高时的隐藏层维度。结果如图6所示。由图可知，M-LSTM模型的隐藏层维度为50时，Acc为0.727 1，达到最优。

 

　　M-LSTM的横向结构在一定程度上增加了对数据高维特征的提取能力，同时M-LSTM的纵结构充分利用分组后的电压幅值序列，提升了网络结构的记忆能力，增加了测量距离。因此，在M-LSTM网络的横向深度和纵向深度是重要参数。本文在M-LSTM隐藏层维度保持不变的情况下，将M-LSTM网络的横向深度和纵向深度均设置为1~5。实验结果如表3所示。由表可知，当M-LSTM网络的横向深度为4，纵向深度为4时，Acc为0.806 3，模型性能达到最优。

 

　　为了探究Resnet网络层数对分析结果的影响，本文采用A数据集，分别对Resnet_ 10、resnet_ 18、resnet_ 34、resnet_50、resnet_ 100进行了对比实验。结果如图7所示。由图可知，当Resnet网络层数为34时，Acc为0.856 5，达到最优。可以看出，当Resnet网络层数小于34时，Acc呈现上升趋势，这是由于网络对电压幅值序列的高频成分的特征提取能力不足，不利于模型的学习。当Resnet网络层数大于34时，随着网络层数的增加，结果趋于稳定。这是由于当网络层数增加时，可能会导致梯度消失，从而影响到模型的性能。

 

　　3.2消融实验

 

　　为了验证模型SROCFL中每个模块对于同轴线缆开路故障的定位能力的作用，本文设计了模型结构消融实验。在实验中，将时频域分布谱图、原始电压序列作为输入，使用LSTM作为基准模型，用于同轴线缆开路故障分析。在实验中，引入Resnet与LSTM进行组合，使用M-LSTM代替LSTM，验证每个模块的作用。每个模型在同轴线缆开路故障定位实验上进行了5折交叉验证。实验结果如表4所示。由表可知，相比于基准模型，在9个数据集上的表现，M-LSTM的Acc均有所提高，平均提高了7.83%。这说明，M-LSTM的横向结构在一定程度上增加了对数据高维特征的提取能力，同时M-LSTM的纵结构充分利用分组后的电压幅值序列，提高了网络的记忆能力，进而提高了模型的定位能力。使用LSTM和Resnet并联结构进行实验，结果显示与单独的LSTM相比，在9个数据集上，LSTM和Resnet并联结构的Acc均有进一步的提高，平均提高了18.17%。这说明Resnet能充分学习了时频域分布谱图的特征。最后使用M-LSTM和Resnet并联结构，与单独的M-LSTM和Resnet结构相比，9个数据集上的Acc分别提高15.47%和9.58%。这说明并联网络捕获不同层次的特征信息，减少了局部时频域信息损失的问题。

 

　　3.3对比实验

 

　　为了评估本文模型对同轴线缆开路故障的定位能力，本文将SROCFL与其他现有的故障定位模型进行了比较。本文选择了4种代表性模型，包含文献[7]、文献[11]、文献[12]、文献[13]。文献[7]为使用机器学习方法SVM进行故障定位。文献[11]使用了HHT+CNN的方法进行故障定位。文献[12]采用LSTM网络提取时频信号的特征，进行故障定位。文献[13]采用CNN提取多元时间序列数据中的局部空间相关性，并使用LSTM学习局部空间存在的时间相关性。所有模型在同轴线缆开路故障定位进行了五折交叉验证实验。对比实验的结果如表5所示。由表可知，在9个数据集上，SROCFL取得了最高的Acc值，平均Acc值为0.9435，这说明本文模型能够较好地对同轴线缆开路故障进行定位。与文献[7]相对，文献[11]、文献[12]、文献[13]、SROCFL在9个数据集上的Acc值分别增加了24.08%、12.75%、18.03%、4.83%。这说明，深度学习网络比机器学习更能够准确对同轴开路故障进行定位。与文献[11]和文献[12]相比，文献[13]的平均Acc分别增加了7.93%、13.21%，这说明使用CNN和LSTM的融合网络能够克服单独CNN和LSTM的局限性，进一步提高同轴线缆开路故障定位的准确性。SROCFL与文献[13]相比，平均Acc提高了4.83%，这说明本文所用并联模型能够有效增强局部时域信息并学习。

 

　　从表4和表5中可以看出，在加噪和阻抗不连续的情况下，相比于文献[7]、文献[11]、文献[12]、文献[13]，本文模型仍然具备很强的稳定性。

 

 

　　本文针对现有同轴线缆开路故障定位方法存在局部时域信息提取不足、特征学习效率低的问题，提出一种用于同轴线缆开路故障定位模型SROCFL。该模型利用HFSS软件建立1万个不同故障位置的同轴线缆开路故障模型，添加激励并对同轴线缆单端进行采样获得电压幅值序列。利用M-LSTM网络学习电压序列幅值特征。利用Resnet网络对时频域分布谱图进行特征提取。将M-LSTM和Resnet并联网络学习到的高级特征表示集成到一个统一的表示中，作为分类器的输入对同轴线缆开路故障进行定位。实验结果表明，本文模型比现有模型对同轴线缆开路故障定位更加准确。然而，本文模型并行输入采用的原始电压赋值序列和时间频率谱之间存在信息冗余，增加了计算量。因此，对于同轴线缆开路故障定位仍需进一步研究。

 

 

　　[1]王兴,张琪,陈亮,等.时域反射法在核级线缆状态监测的应用[J].电子技术应用,2021,47(S1):4.

 

　　[2]张晶波,于金旭,金崇阳,等.航空航天用超轻型稳相线缆研制[J].光纤与线缆及其应用技术,2020(3):10-12.

 

　　[3]Ali,Tashakkori,Peter,et al.Fault Location on Radial Distribution Networks viaDistributed Synchronized Traveling Wave Detectors[J].IEEE Transactions on Power Delivery,2020.

 

　　[4]ZHANG J M,ZHANG Y B,GUAN Y G.Analysis time-domain re⁃flectometry combined with wavel transform for fault detection in aircraft shielded cables[J].IEEE Sensors Journal,2016,6(11):4579-4586.

 

　　[5]Shi,Qinghai,Kanoun,et al.Wire Fault Diagnosis in the Frequency Domain by Impedance Spectroscopy[J].IEEE Transactions on In⁃strumentation and Measurement,2015,64(8):2179-2187.

 

　　[6]杨宇祥,纪群飞,熊智平,等.线缆故障识别的归一化STDR分析方法[J].电子测量技术,2021,44(18):6.

 

　　[7]Gashteroodkhani O A,Majidi M,Etezadi-Amoli M,et al.A hybrid SVM-TT transform-based method for fault location in hybrid transmission lines with underground cables[J].Electric Power Systems Research,2019,170(5):205-214.

 

　　[8]崔伟,王聪,李征,等.覆冰条件下基于逻辑回归算法的输电线路跳闸预测研究[C]//中国电力科学研究院新能源为主体的新型电力系统研讨会,2020.

 

　　[9]El Mrabet Z,Sugunaraj N,Ranganathan P.Random Forest Regres⁃sor-Based Approach for Detecting Fault Location and Duration in Power Systems[J].Sensors 2022(22):458.

 

　　[10]Liang J,Jing T,Niu H.Two-terminal fault location method of dis⁃tribution network based on adaptive con-volution neural net⁃work[J].IEEE Access 2020(8):54035-54043

 

　　[11]Chi P,Zhang Z,Liang R.A CNN recognition method for early stage of 10 kV single core cable based on sheath current[J].Electric Power Syst Res,2020(184):106292

 

　　[12]高文笃,刘太君,吴绍精,等.基于LSTM神经网络的漏缆故障定位算法[J].数据通信,2022(3):45-49.

 

　　[13]Swaminathan R,Mishra S,Routray A,et al.A CNN-LSTM-based fault classifier and locator for underground cables[J].Neural Computing and Applications,2021,33(22):15293-15304.

 

　　[14]HE K,ZHANG X,REN S,et al.Deep Residual Learning for Im⁃age Recognition[J].IEEE,2016.

 

　　[15]李虹洋,刘敏.HFSS天线设计[M].北京:电子工业出版社,2014.

 

　　[16]张成,王昕,郑益慧,等.基于聚类经验模态分解和差分熵的输电线路故障测距研究[J].电测与仪表,2018,55(21):86-92.

 

　　[17]王东升,陈笑宇,张锐,等.基于希尔伯特-黄变换的近断层地震动脉冲特性研究[J].地震学报,2022,44(5):824-844.

 

　　[18]尚凡成,李传庆,詹可,等.改进LSTM神经网络在极短期波浪时序预报中的应用[J].上海交通大学学报,2023,57(6):659-665.

 

　　[19]程建华,毛施云,王德辉.加权平衡熵损失函数下Poisson分布参数的Bayes估计[J].吉林大学学报(理学版),2019,57(4):839-843.

 

　　[20]汪学清,刘爽,李秋燕,等.基于K折交叉验证的SVM隧道围岩分级判别[J].矿冶工程,2021,41(6):126-128.