开云优惠体育网页版入口

专利名称：一种架空高压电缆线路电流检测方法

专利类型：发明专利

专利申请号：CN202410516913.2

专利申请（专利权）人：国网辽宁省电力有限公司辽阳供电公司
权利人地址：辽宁省辽阳市白塔区八一街81号

专利发明（设计）人：李凤强,吕鑫,梁妍妍,冯忠楠,陈伟曦,房经欣,由广浩,王文龙,曾海腾,闵杰

专利摘要：本发明公开了一种架空高压电缆线路电流检测方法，具体涉及电力系统电流检测技术领域；通过将待检测的架空高压电缆线路划分为n个子检测线路，对电缆线路两端金属护层接地点的泄漏电流进行实时检测确定故障位置，并发出漏电信号，训练出预测故障位置漏电信号准确性的第一机器学习模型，并根据模型输出结果判断漏电信号准确性，当漏电信号准确性下降时，训练出用于判断漏电检测系统稳定性的第二机器学习模型，确定漏电检测系统稳定性，据此判断是否输出预警信号，并对漏电检测系统当前时段的检测状态进行显示说明，提高了电缆故障定位的准确性、漏电检测系统的稳定性，同时优化了系统对异常情况的响应和处理，全面提升了电力系统的安全性。

主权利要求：
1.一种架空高压电缆线路电流检测方法，其特征在于：包括以下步骤；
S1：将待检测的架空高压电缆线路划分为n个子检测线路，对高压电缆线路短路故障特征信息进行提。范ü收献蛹觳庀呗罚
S2：根据所述故障子检测线路，对电缆线路两端金属护层接地点的泄漏电流进行实时检测，计算两端泄漏电流比，确定故障位置，并发出漏电信号；
S3：根据所述漏电信号，实时监测获取故障位置处的电缆负荷训练数据和电能损耗训练数据，基于电缆负荷训练数据和电能损耗训练数据训练出预测故障位置漏电信号准确性的第一机器学习模型，并根据模型输出结果判断漏电信号准确性；
S4：当漏电信号准确性下降时，获取故障位置实时电流变化训练数据以及漏电系统检测状态训练数据训练出用于判断漏电检测系统稳定性的第二机器学习模型，确定漏电检测系统稳定性；
具体包括：当漏电信号准确性下降时，获取故障位置实时电流变化训练数据以及漏电系统检测状态训练数据；
所述实时电流变化训练数据包括电流变化速率波动值，所述漏电系统检测状态训练数据包括漏电检测设备的传感器阻抗异常频率；
电流变化速率波动值的获取逻辑为：获取在L时间段内从漏电检测系统中采集实时的电流数据值，对采集到的电流数据进行处理，计算相邻时间点之间的电流变化速率；获取电流变化速率的标准范围为： ，将相邻时间点之间的电流变化速率与标准范围的电流变化速率值的偏差情况进行分析，计算电流变化速率波动值；
传感器阻抗异常频率的获取逻辑为：将每个传感器按照设定的时间间隔T进行阻抗测量得到阻抗值，将测得的阻抗值与正常范围Zmin Zmax进行比较，统计时间窗口内阻抗异常~事件的发生次数，计算传感器阻抗异常数量比例；获取标准状态传感器阻抗正常数量比例，将实时计算得到传感器阻抗异常数量比例与标准状态下传感器阻抗正常数量比例进行分析，计算传感器阻抗异常频率；
将所述电流变化速率波动值和传感器阻抗异常频率转换为第二特征向量，将第二特征向量作为第二机器学习模型的输入，所述第二机器学习模型以每组第二特征向量预测的漏电检测系统稳定性值标签为预测目标，以最小化对所有漏电检测系统稳定性值标签的预测误差之和作为训练目标，对第二机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定漏电检测系统稳定性系数；所述第二机器学习模型是多项式回归模型；
S5：对电缆故障位置处漏电检测系统稳定性进行分析，据此判断是否输出预警信号，并对漏电检测系统当前时段的电流检测数据进行显示说明，具体包括：将获取到的漏电检测系统稳定性系数与风险阈值进行比较，若稳定性系数大于风险阈值，此时不发出预警信号；
若稳定性系数小于等于风险阈值，此时发出预警信号。
2.根据权利要求1所述的一种架空高压电缆线路电流检测方法，其特征在于：S3中，实时监测，获取故障位置处的电缆负荷训练数据和电能损耗训练数据；
所述电缆负荷训练数据包括低阻故障误差比例、电缆并行平衡度；所述电能损耗训练数据包括电功率流失指数。
3.根据权利要求2所述的一种架空高压电缆线路电流检测方法，其特征在于：
低阻故障误差比例的获取逻辑为：分别获取在w个测量点处测量注入的电流值和电压值，计算测量点处的阻抗，阻抗的实部为电阻，虚部为电抗；获取计算得到的阻抗的实部和虚部，计算阻抗的相位角；获取每个测量点相位角度标准值，将计算得到阻抗相位角与标准相位角进行分析，计算低阻故障误差比例；
电缆并行平衡度的获取逻辑为：获取用于并行传输电能的电缆数量q并对其进行标号，，为大于0的正整数；检测每条电缆的实时电流值后计算q条电缆的平均电流值，计算每条电缆上的电流与平均电流之间的偏差值；获取每条电缆上的电流与平均电流之间的标准偏差值范围： ，当监测到的电流偏差值小于最小标准偏差值时，计算此时的电缆并行平衡度，当监测到的电流偏差值大于最大标准偏差值时，计算此时的电缆并行平衡度；
电功率流失指数的获取逻辑为：获取在s时间段内系统输送的总功率，以及供电系统实际用于做工的有用功率，根据系统输送的总功率与有用功率的差值占输送总功率的比值，计算电功率流失指数。
4.根据权利要求3所述的一种架空高压电缆线路电流检测方法，其特征在于：训练出预测故障位置漏电信号准确性的第一机器学习模型，并根据模型输出结果判断漏电信号准确性；
将所述低阻故障误差比例、电缆并行平衡度，电功率流失指数转换为第一特征向量，将第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型以每组第一特征向量预测的漏电信号准确性值标签为预测目标，以最小化对所有漏电信号准确性值标签的预测误差之和作为训练目标，对第一机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定漏电信号精准系数；所述第一机器学习模型是多项式回归模型。
5.根据权利要求4所述的一种架空高压电缆线路电流检测方法，其特征在于：
所述漏电信号精准系数的获取方法为：从训练完成的第一机器学习模型的电缆负荷训练数据和电能损耗训练数据中，获得对应的第一函数表达式： ，式中，是模型的输出函数， 为低阻故障误差比例， 为电缆并行平衡度， 为电功率流失指数， 为精准系数；
将获取到的漏电信号精准系数与标准阈值进行比较，若精准系数大于标准阈值，此时发出异常信号；若精准系数小于等于标准阈值，此时发出正常信号。 说明书 : 一种架空高压电缆线路电流检测方法技术领域[0001] 本发明涉及电力系统电流检测技术领域，具体涉及一种架空高压电缆线路电流检测方法。背景技术[0002] 近年来，随着城市建设快速发展和人民生活水平提高，中心城区用电量剧增，大量220kV、500kV变电站逐步向城市中心延伸，受架空走廊的限制，这些变电站的联络线主要采用高压电缆线路。每年新增高压电缆线路投运量持续快速增长，短路故障也随之增加，高压电缆线路的安全可靠运行对区域性电网稳定和大面积可靠供电的支撑作用日益显现。短路故障发生后需要快速准确的找到故障点位置，从而指导运维检修，便于快速恢复供电。然而，现有技术中在进行高压线路漏电检测时没有考虑到电缆金属护层中的电流可能受到电缆负荷和运行状态的影响，如果未考虑这一影响，漏电检测系统可能判断漏电信号的真实性，导致漏电检测准确性降低，同时，在电缆负荷和运行状态变化较大的情况下，漏电检测系统的鲁棒性可能不足，系统可能对外部环境变化较为敏感，导致漏电检测性能不稳定。发明内容[0003] 本发明的目的是提供一种架空高压电缆线路电流检测方法，以解决背景技术中不足。[0004] 为了实现上述目的，本发明提供如下技术方案：一种架空高压电缆线路电流检测方法，包括以下步骤：[0005] S1：将待检测的架空高压电缆线路划分为n个子检测线路，对高压电缆线路短路故障特征信息进行提。范ü收献蛹觳庀呗罚籟0006] S2：根据所述故障子检测线路，对电缆线路两端金属护层接地点的泄漏电流进行实时检测，计算两端泄漏电流比，确定故障位置，并发出漏电信号；[0007] S3：根据所述漏电信号，实时监测，获取故障位置处的电缆负荷训练数据和电能损耗训练数据，基于电缆负荷训练数据和电能损耗训练数据训练出预测故障位置漏电信号准确性的第一机器学习模型，并根据模型输出结果判断漏电信号准确性；[0008] S4：当漏电信号准确性下降时，获取故障位置实时电流变化训练数据以及漏电系统检测状态训练数据训练出用于判断漏电检测系统稳定性的第二机器学习模型，确定漏电检测系统稳定性；[0009] S5：对电缆故障位置处漏电检测系统稳定性进行分析，据此判断是否输出预警信号，并对漏电检测系统当前时段的电流检测数据进行显示说明。[0010] 在一个优选地实施方式中，S3中，实时监测，获取故障位置处的电缆负荷训练数据和电能损耗训练数据；[0011] 所述电缆负荷训练数据包括低阻故障误差比例、电缆并行平衡度；所述电能损耗训练数据包括电功率流失指数。[0012] 在一个优选地实施方式中，低阻故障误差比例的获取逻辑为：分别获取在w个测量点处测量注入的电流值和电压值，计算测量点处的阻抗，阻抗的实部为电阻，虚部为电抗；获取计算得到的阻抗的实部和虚部，计算阻抗的相位角；获取每个测量点相位角度标准值，将计算得到阻抗相位角与标准相位角进行分析，计算低阻故障误差比例；[0013] 电缆并行平衡度的获取逻辑为：获取用于并行传输电能的电缆数量q并对其进行标号， ， 为大于0的正整数；检测每条电缆的实时电流值后计算q条电缆的平均电流值，计算每条电缆上的电流与平均电流之间的偏差值；获取每条电缆上的电流与平均电流之间的标准偏差值范围： ，当监测到的电流偏差值小于最小标准偏差值时，计算此时的电缆并行平衡度，当监测到的电流偏差值大于最大标准偏差值时，计算此时的电缆并行平衡度；[0014] 电功率流失指数的获取逻辑为：获取在s时间段内系统输送的总功率，以及供电系统实际用于做工的有用功率，根据系统输送的总功率与有用功率的差值占输送总功率的比值，计算电功率流失指数。[0015] 在一个优选地实施方式中，训练出预测故障位置漏电信号准确性的第一机器学习模型，并根据模型输出结果判断漏电信号准确性；[0016] 将所述低阻故障误差比例、电缆并行平衡度，电功率流失指数转换为第一特征向量，将第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型以每组第一特征向量预测的漏电信号准确性值标签为预测目标，以最小化对所有漏电信号准确性值标签的预测误差之和作为训练目标，对第一机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定漏电信号精准系数；所述第一机器学习模型是多项式回归模型。[0017] 在一个优选地实施方式中，所述漏电信号精准系数的获取方法为：从训练完成的第一机器学习模型的电缆负荷训练数据和电能损耗训练数据中，获得对应的第一函数表达式： ，式中， 是模型的输出函数， 为低阻故障误差比例， 为电缆并行平衡度， 为电功率流失指数， 为精准系数；[0018] 将获取到的漏电信号精准系数与标准阈值进行比较，若精准系数大于标准阈值，此时发出异常信号；若精准系数小于等于标准阈值，此时发出正常信号。[0019] 在一个优选地实施方式中，S4中，当漏电信号准确性下降时，获取故障位置实时电流变化训练数据以及漏电系统检测状态训练数据；[0020] 所述实时电流变化训练数据包括电流变化速率波动值，所述漏电系统检测状态训练数据包括漏电检测设备的传感器阻抗异常频率。[0021] 在一个优选地实施方式中，电流变化速率波动值的获取逻辑为：获取在L时间段内从漏电检测系统中采集实时的电流数据值，对采集到的电流数据进行处理，计算相邻时间点之间的电流变化速率；获取电流变化速率的标准范围为： ，将相邻时间点之间的电流变化速率与标准范围的电流变化速率值的偏差情况进行分析，计算电流变化速率波动值；[0022] 传感器阻抗异常频率的获取逻辑为：将每个传感器按照设定的时间间隔T进行阻抗测量得到阻抗值，将测得的阻抗值与正常范围Zmin Zmax进行比较，统计时间窗口内阻抗~异常事件的发生次数，计算传感器阻抗异常数量比例；获取标准状态传感器阻抗正常数量比例，将实时计算得到传感器阻抗异常数量比例与标准状态下传感器阻抗正常数量比例进行分析，计算传感器阻抗异常频率。[0023] 在一个优选地实施方式中，将所述电流变化速率波动值和传感器阻抗异常频率转换为第二特征向量，将第二特征向量作为第二机器学习模型的输入，所述第二机器学习模型以每组第二特征向量预测的漏电检测系统稳定性值标签为预测目标，以最小化对所有漏电检测系统稳定性值标签的预测误差之和作为训练目标，对第二机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定漏电检测系统稳定性系数；所述第二机器学习模型是多项式回归模型；[0024] 将获取到的漏电检测系统稳定性系数与风险阈值进行比较，若稳定性系数大于风险阈值，此时不发出预警信号；若稳定性系数小于等于风险阈值，此时发出预警信号；并对漏电检测系统当前时段的电流检测数据进行显示说明。[0025] 在上述技术方案中，本发明提供的技术效果和优点：[0026] 1、本发明通过将待检测的架空高压电缆线路划分为n个子检测线路，对电缆线路两端金属护层接地点的泄漏电流进行实时检测，计算两端泄漏电流比，确定故障位置，并发出漏电信号，实时监测，获取故障位置处的电缆负荷训练数据和电能损耗训练数据，基于电缆负荷训练数据和电能损耗训练数据训练出预测故障位置漏电信号准确性的第一机器学习模型，并根据模型输出结果判断漏电信号准确性，基于电缆负荷和电能损耗的训练数据，通过机器学习模型，可以预测故障位置漏电信号的准确性。同时，系统可以更好地了解电缆线路的健康状况，有助于计划维护和减少不必要的停机时间，提高设备利用率，更早地预测潜在故障并提前采取措施；[0027] 2、本发明通过当漏电信号准确性下降时，获取故障位置实时电流变化训练数据以及漏电系统检测状态训练数据训练出用于判断漏电检测系统稳定性的第二机器学习模型，确定漏电检测系统稳定性，对电缆故障位置处漏电检测系统稳定性进行分析，据此判断是否输出预警信号，并对漏电检测系统当前时段的检测状态进行显示说明，第二机器学习模型能够根据实时的电流变化和漏电系统检测状态，快速而准确地评估漏电检测系统的稳定性。使得系统管理人员能够及时获知系统的运行状况，降低了对系统性能问题的响应时间。附图说明[0028] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图；[0029] 图1为所述一种架空高压电缆线路电流检测方法流程图；[0030] 图2为所述漏电信号准确性判断流程图。具体实施方式[0031] 为使本发明实施例的目的、技术方案和优点更加清楚，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作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。[0032] 实施例1,请参阅图1和图2所示，本实施例所述一种架空高压电缆线路电流检测方法，包括以下步骤：[0033] S1：将待检测的架空高压电缆线路划分为n个子检测线路，对高压电缆线路短路故障特征信息进行提。范ü收献蛹觳庀呗罚籟0034] S2：根据所述故障子检测线路，对电缆线路两端金属护层接地点的泄漏电流进行实时检测，计算两端泄漏电流比，确定故障位置，并发出漏电信号；[0035] S3：根据所述漏电信号，实时监测，获取故障位置处的电缆负荷训练数据和电能损耗训练数据，基于电缆负荷训练数据和电能损耗训练数据训练出预测故障位置漏电信号准确性的第一机器学习模型，并根据模型输出结果判断漏电信号准确性；[0036] S4：当漏电信号准确性下降时，获取故障位置实时电流变化训练数据以及漏电系统检测状态训练数据训练出用于判断漏电检测系统稳定性的第二机器学习模型，确定漏电检测系统稳定性；[0037] S5：对电缆故障位置处漏电检测系统稳定性进行分析，据此判断是否输出预警信号，并对漏电检测系统当前时段的检测状态进行显示说明。[0038] 高压电缆线路金属护层的接地方式主要包括单端接地、双端接地和交叉互联接地三种，其中双端接地和交叉互联方式的线路两端金属护层都直接接地，单端接地方式下另一端金属护层经保护器接地。在方案应用于单端接地方式时，需将保护器短接使另一端直接接地。其中高压电缆线芯直接相连，金属护层两端直接接地。[0039] 划分子检测线路：将待检测的高压电缆线路根据其物理结构、电气参数等因素划分为n个子检测线路，确保每个子线路的电缆线芯直接相连。[0040] 在每个子检测线路中，实施单端接地方式，其中一端的金属护层通过保护器接地，而另一端直接接地。对于采用单端接地的子检测线路，需要将保护器短接，使得另一端金属护层直接接地，模拟实际接地情况。在每个子检测线路中设置电流传感器和电压传感器，实时监测电流和电压的变化。这可以通过监控设备和数据采集系统来实现。[0041] 通过对电流和电压数据进行分析，提取短路故障的特征。这可能包括电流波形的异常、电压降变化等。根据提取的短路故障特征，使用合适的算法判断并定位发生短路故障的子检测线路。这可以涉及比较实际测量值与正常状态下的基准值，具体为：[0042] 特征提取包括对电流和电压进行傅里叶变换，从频谱图中检测异常频率成分。短路故障可能导致频率成分的变化，如谐波或其他异常频率。观察电流波形的时域特征，例如波形的幅值、周期性、斜率等。突变、尖峰或不规则的波形可能是短路故障的指示。监测电缆线路的电压降变化。短路故障会引起电压降的明显变化，这可以通过实时电压监测来检测。将实际波形与正常工作状态下的基准波形进行比较。采用差分或相关性分析等方法，寻找波形之间的差异。[0043] 故障定位包括建立电缆线路的数学模型，包括电流和电压的关系。使用实际测量值与模型进行比较，找到异常的部分。训练神经网络使用电流和电压数据，使其能够学习并识别短路故障的模式，从而定位故障。使用模式识别算法，如支持向量机（SVM）或决策树，根据提取的特征对短路故障进行分类和定位。设定一些阈值，当特征值超过或变化超过设定的阈值时触发警报，并使用这些信息来辅助故障定位。结合多种算法，通过协同处理不同特征提取方法的结果，提高对短路故障的准确性和鲁棒性。[0044] 当线路任意位置出现击穿故障后，在故障点会形成碳化通道，不论高压电缆外护套是否被击穿，短路击穿通道都会贯穿主绝缘连接电缆线芯与金属护层。而碳化通道的电阻远远小于击穿前的主绝缘电阻，故障后在一段电缆的线芯和金属护层之间加电压(未击穿)，故障点的泄漏电流将远远大于其他位置的泄漏电流。因此可通过故障后在线芯和金属护层两端加电压泄漏电流的增大判断故障点的位置。[0045] 在电缆发生短路故障后，解开线路一端终端接头，使用发电机，升压和整流设备在电缆线芯和金属护层之间加直流电压。利用电流互感器可在电缆线路两端金属护层接地点检测泄漏电流，两端检测到的泄漏电流分别为 和 ，对于一条已知的线路，单位长度金属护层等效电阻R为常数，两端接地电阻 和 ，可以通过测试得到。因此，在检测到两端泄漏电流后，计算 和 的电流比确定故障点位置x，并发出漏电信号。[0046] 根据所述漏电信号，实时监测，获取故障位置处的电缆负荷训练数据和电能损耗训练数据，所述电缆负荷训练数据包括低阻故障误差比例、电缆并行平衡度；所述电能损耗训练数据包括电功率流失指数；[0047] 其中，低阻故障误差比例是反映漏电信号准确性的重要指标。通过计算比例，可以了解系统检测低阻故障时的误差水平。较低的误差比例通常表示系统对低阻故障的检测相对准确，而较高的误差比例可能意味着漏电信号存在较大的不确定性或误差。[0048] 低阻故障误差比例的获取逻辑为：获取离低阻故障点最近的位置作为阻抗测量点，在测量点附近提供一个激励电源，通常为交流电源，用于向电力系统注入激励信号。分别在w个测量点处测量注入的电流 和电压 ，可以通过使用电流互感器和电压互感器来实现，计算测量点处的阻抗 ，计算表达式为： ，阻抗的实部表示为电阻 ，虚部表示为电抗 。从复数形式的阻抗中可以提取实部和虚部： ， ；计算相位角，阻抗的相位角是电压相对于电流的相位差。可以通过复数形式的阻抗计算，计算表达式为：，式中， 为相位角度，获取每个测量点相位角度标准值 ，计算低阻故障误差比例，计算表达式可以为： ，式中， 为低阻故障误差比例；[0049] 在此需要说明的是，在进行具体的阻抗测量时，以上公式将涉及实际的电流和电压测量值。具体应用中，可以使用专业的测试设备和测量仪器，例如阻抗测试仪，以获取准确的电流和电压数据，并使用上述公式计算阻抗的实部、虚部、相位角和模值。需要注意的是，复数形式的阻抗是在相量形式下进行计算的，这有助于描述电压和电流之间的相位关系。[0050] 低阻故障误差比例越大，对判断漏电信号准确性的主要作用是在电力系统中指示可能存在低阻故障的风险程度。具体来说，低阻故障误差比例的增大可能意味着以下几个方面：[0051] 指示低阻故障可能性：低阻故障误差比例的增大表明在系统中可能存在低阻故障。低阻故障通常是指电流流经电气设备或电缆时，电阻较低，这可能是由于设备内部短路、接地故障等引起的。[0052] 强调故障的严重性：较大的低阻故障误差比例可能暗示故障的严重性，因为低阻故障可能导致较大的电流流动，产生较大的电能损耗，有可能对系统稳定性和设备安全性造成威胁。[0053] 支持定位故障：通过对误差比例的分析，可以更精确地定位低阻故障的发生位置。较大的误差比例可能提示故障点更接近监测点。[0054] 电缆并行平衡度是指在电力系统中，多个并联的电缆或导线传输电能时，它们之间的电流分布是否均匀，以及是否达到平衡状态的程度。并行电缆的平衡度对于电力系统的稳定运行和设备的寿命都有重要影响。[0055] 平衡度通常通过比较各个电缆之间的电流分布来评估。以下是电缆并行平衡度的一些关键方面：[0056] 电流分布均匀性：平衡度的一个重要指标是各个并联电缆或导线之间的电流分布是否均匀。在理想情况下，电流应该平均分布在各个电缆上，以确保它们受到相似的负载和热负荷。[0057] 电压降平衡：除了电流分布，平衡度还关注电缆之间的电压降。电缆的电阻和电抗等参数差异可能导致电压降在各个电缆之间不平衡，这可能引起设备过热或不均匀的负载。[0058] 温升均匀性：由于电流通过电缆时会产生一定的电阻损耗，电缆的温升是一个重要考虑因素。平衡度的好坏也反映在电缆温升的均匀性上，避免某些电缆过度负载，导致局部温升过高。[0059] 例如，假设有三根电缆并行传输电能，它们的电流分别为 、、，电流分布的平衡度可以通过计算各电缆电流的标准差来得到。标准差越。硎镜缌鞣植荚骄龋籟0060] 电缆并行平衡度的获取逻辑为：获取用于并行传输电能的电缆数量q并对其进行标号， ，为大于0的正整数，检测每条电缆的实时电流值 后计算q条电缆的平均电流值 ，计算每条电缆上的电流与平均电流之间的偏差值，计算表达式为：，式中， 为每条电缆上的电流与平均电流之间的偏差值，获取每条电缆上的电流与平均电流之间的标准偏差值范围： ，当监测到的电流偏差值小于最小标准偏差值时，计算此时的电缆并行平衡度： ；当监测到的电流偏差值大于最大标准偏差值时，计算此时的电缆并行平衡度： ，式中， 为电缆并行平衡度；[0061] 电缆并行平衡度的值越大，表示各个并联电缆之间的电流分布越不均匀，存在不平衡的现象。对于评估漏电信号准确性，具有以下主要作用：[0062] 指示电缆系统的健康状态：不均匀的电流分布可能意味着某些电缆承受了更大的电流负荷，或者存在电缆之间连接不良、阻抗不匹配等问题。这可能表明电缆系统存在健康问题，需要进行检修或维护。[0063] 引起漏电信号的不准确性：不平衡的电流分布可能导致漏电信号的不准确性。因为漏电信号通常是通过监测电流的变化来检测的，而电流分布不均匀会使得监测系统更难以准确地识别漏电信号的发生位置和程度。[0064] 可能增加误报风险：不均匀的电流分布可能导致监测系统更容易产生误报，即错误地判定为漏电信号。这可能会引起不必要的干预和维修，影响电力系统的正常运行。[0065] 影响设备寿命：不均匀的电流分布可能导致某些电缆或设备承受了过大的电流负荷，从而缩短设备的寿命。这对电力系统的长期稳定运行具有潜在的负面影响。[0066] 在此需要说明的是，在评估漏电信号准确性时，应该关注电缆并行平衡度的变化趋势和其与漏电信号之间的关联。如果电缆并行平衡度的值较大，可能需要进一步调查和分析，以确定其原因，并采取相应的维护和修复措施，以确保电力系统的正常运行和漏电信号的准确性。[0067] 电功率流失指数通常指的是电力系统中的功率损耗程度，表示系统中输送电能时因电阻、电抗等原因导致的功率损失的相对程度。[0068] 电功率流失指数的获取逻辑为：获取在s时间段内系统输送的总功率记为 ，以及供电系统实际用于做工的有用功率 ，有功功率表示实际用于做功，包括作用于驱动电动机、产生热能等的功率，计算电功率流失指数，计算表达式为： ，式中， 为电功率流失指数；[0069] 电功率流失指数的值越低，表示功率损失相对较。低掣咝。反之，指数值越高，则表示系统功率损失较大，效率较低。电功率流失指数用于电力系统监测能耗损失状态。[0070] 在此需要说明的是，在实际应用中，可以通过监测系统中的电流、电压、功率因数等参数来计算功率损失，并进一步计算电功率流失指数。通过监测和改进电力系统的设计、运行和维护，可以降低功率损失，提高对电力系统能耗损失的监测。[0071] 基于电缆负荷训练数据和电能损耗训练数据训练出预测故障位置漏电信号准确性的第一机器学习模型，并根据模型输出结果判断漏电信号准确性，具体为：[0072] 将所述低阻故障误差比例、电缆并行平衡度，电功率流失指数转换为第一特征向量，将第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型以每组第一特征向量预测的漏电信号准确性值标签为预测目标，以最小化对所有漏电信号准确性值标签的预测误差之和作为训练目标，对第一机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定漏电信号精准系数；所述第一机器学习模型是多项式回归模型；[0073] 所述漏电信号精准系数的获取方法为：从训练完成的第一机器学习模型的电缆负荷训 练数 据 和电 能损 耗 训练 数 据中 ，获 得 对应 的第 一 函数 表达 式 ：，式中，是模型的输出函数， 为低阻故障误差比例， 为电缆并行平衡度， 为电功率流失指数， 为精准系数；[0074] 例如 ，本 发明中 可以如 下公 式进行 的计算 ，计 算表达 式为 ：，式中， 、 、 分别为低阻故障误差比例、电缆并行平衡度，电功率流失指数的预设比例系数， 为常数，且；[0075] 低阻故障误差比例、电缆并行平衡度，电功率流失指数同漏电信号精准系数均呈反比关系，即随着低阻故障误差比例、电缆并行平衡度，电功率流失指数的数值增大，对于发送的漏电信号的精确性判断越困难，漏电信号精准系数越低，电缆线路故障位置发出漏电信号的准确性越低；[0076] 将获取到的漏电信号精准系数与标准阈值进行比较，若精准系数大于标准阈值，说明在故障位置处发出的漏电信号的准确性较低，此时发出异常信号；若精准系数小于等于标准阈值，说明在故障位置处发出的漏电信号的准确性较高，此时发出正常信号。[0077] 在此说明的是，异常信号的发出在于漏电信号发出之后，且不同于漏电信号发出的形式，异常信号只用于判断在电缆故障位置处发出的漏电信号的准确性。[0078] 本实施例中，通过将待检测的架空高压电缆线路划分为n个子检测线路，对高压电缆线路短路故障特征信息进行提。范ü收献蛹觳庀呗，对电缆线路两端金属护层接地点的泄漏电流进行实时检测，计算两端泄漏电流比，确定故障位置，并发出漏电信号，实时监测，获取故障位置处的电缆负荷训练数据和电能损耗训练数据，基于电缆负荷训练数据和电能损耗训练数据训练出预测故障位置漏电信号准确性的第一机器学习模型，并根据模型输出结果判断漏电信号准确性，基于电缆负荷和电能损耗的训练数据，通过机器学习模型，可以预测故障位置漏电信号的准确性。同时，系统可以更好地了解电缆线路的健康状况，有助于计划维护和减少不必要的停机时间，提高设备利用率，更早地预测潜在故障并提前采取措施。[0079] 实施例2,当漏电信号准确性下降时，获取故障位置实时电流变化训练数据以及漏电系统检测状态训练数据训练出用于判断漏电检测系统稳定性的第二机器学习模型，确定漏电检测系统的稳定性系数；[0080] 两个模型的联合使用可以帮助系统全面优化。第一机器学习模型负责提高漏电检测的定位准确性，第二机器学习模型负责监测系统稳定性。通过这两个方面的优化，可以提高整个漏电检测系统的性能和可靠性。[0081] 第一机器学习模型主要关注故障位置的漏电信号准确性，而第二机器学习模型主要关注系统在运行过程中的稳定性。两者结合起来，可以提供更全面的信息，有助于系统故障诊断和监测。[0082] 当第二机器学习模型判断漏电检测系统的稳定性下降时，可以提醒运维人员系统可能存在问题，从而提前采取维护措施。[0083] 所述实时电流变化训练数据包括电流变化速率波动值，所述漏电系统检测状态训练数据包括漏电检测设备的传感器阻抗异常频率，电流变化速率波动值和传感器阻抗异常频率具体获取逻辑为：[0084] 获取电流变化速率波动值有助于评估漏电检测系统的稳定性，其好处包括：[0085] 异常检测：电流变化速率波动值的增加可能是系统中发生异常的指示。异常的出现可能表明电缆线路出现问题，或者漏电检测系统本身存在故障。通过监测电流变化速率波动，可以更早地发现潜在的问题。[0086] 预测系统问题：高波动值可能预示着将来系统问题的发生。通过对电流变化速率波动的趋势进行分析，可以预测漏电检测系统是否趋向于不稳定状态，从而提前采取维护措施，防止系统故障。[0087] 提高系统鲁棒性：监测电流变化速率波动可以帮助系统维持较为稳定的运行状态。及时识别和处理波动有助于提高漏电检测系统的鲁棒性，减少对外界因素的敏感性。[0088] 系统优化：运用电流变化速率波动值，可以进行系统优化。通过分析波动的原因，可以调整或改进漏电检测系统的参数、设置或算法，以提高系统性能和稳定性。[0089] 总体而言，获取电流变化速率波动值是漏电检测系统运维中的一项重要指标，有助于实时监测系统状态、及时发现异常、预测潜在问题，并采取相应的措施，从而确保系统的稳定性和可靠性。[0090] 电流变化速率波动值的获取逻辑为：获取在L时间段内从漏电检测系统中采集实时的电流数据值 ，对采集到的电流数据进行处理，计算相邻时间点之间的电流变化速率，计算表达式为： ，式中， 为电流变化速率， 表示时刻t的电流值， 表示时间间隔；获取电流变化速率的标准范围为： ，计算电流变化速率波动值，计算表达式为： ，式中， 为电流变化速率随时间变化的情况， 为所测实时电流变化速率小于最小标准电流变化速率的时段；为所测实时电流变化速率大于最大标准电流变化速率的时段， 为电流变化速率波动值；[0091] 电流变化速率波动值越大，会对漏电检测系统的稳定性产生影响，包括：[0092] 系统不稳定性：较大的电流变化速率波动值可能表明系统正在经历不稳定的状态。这可能是由于故障、设备问题、外部干扰等因素引起的。系统不稳定性可能会导致误报或漏报，降低漏电检测的准确性。[0093] 误报风险增加：高波动值可能意味着系统容易受到噪声或干扰的影响，导致误报漏电。这可能会增加系统的误报风险，使运维人员不得不处理虚假的漏电报警。[0094] 降低灵敏度：如果波动值较大，系统可能会变得对真实漏电信号不敏感，因为它难以区分真实漏电信号和噪声。这可能导致一些真实的漏电情况被忽略，降低了系统的灵敏度。[0095] 在漏电检测系统中，适当的电流变化速率波动值是有利于提高系统稳定性和准确性的。较小的波动值通常表示系统在正常运行状态下更加稳定。[0096] 获取传感器阻抗异常频率对于评估漏电检测系统的稳定性有一些潜在的好处，通过获取传感器阻抗异常频率，可以实时监测传感器的状态。阻抗异常频率的增加可能表示传感器元件或连接存在问题，从而提前发现潜在的故障。同时，传感器阻抗异常可能导致误报或漏报漏电信号。通过实时监测阻抗异常频率，系统可以调整或发出警报，减少由于传感器问题引起的误判。[0097] 通过实时监测传感器阻抗异常频率，系统可以更及时地应对传感器故障，提高系统对外部因素的抵抗力，增强系统鲁棒性。了解传感器阻抗异常的频率分布情况可以帮助制定更有效的预防性维护策略。根据不同频率的异常情况，维护人员可以有针对性地进行维护和检修，降低系统维护成本。[0098] 在一个漏电检测系统中，其中包含多个传感器用于监测不同部分的电缆线路。例如，当有三个传感器，分别监测电缆线路的不同区域。每个传感器以固定的时间间隔进行阻抗测量，测量结果用阻抗值表示。阻抗正常范围为 。[0099] 传感器阻抗异常频率的获取逻辑为：将每个传感器按照设定的时间间隔T进行阻抗测量，得到阻抗值 ，i表示传感器编号，i=1，2，3；对于每个传感器，将测得的阻抗值与正常范围Zmin Zmax进行比较，并记录下阻抗的发生时间 ，统计 时间窗口内阻抗异常~事件的发生次数 ，计算传感器阻抗异常数量比例，计算表达式为： ，式中，为传感器阻抗异常数量比例， 为阻抗值总采集次数，获取标准状态传感器阻抗正常数量比例 ，计算传感器阻抗异常频率，计算表达式为： ，式中， 为传感器阻抗异常频率；[0100] 高阻抗异常频率可能导致系统对漏电信号的误判或漏判，从而影响检测系统的准确性。不稳定的传感器可能导致误报或漏报漏电信号，使得系统不能提供可靠的警报信息。[0101] 高阻抗异常频率可能降低系统的鲁棒性，使其更容易受到外部环境或干扰的影响。系统在实际运行中可能更容易受到传感器问题的影响，从而导致不稳定的检测性能。[0102] 获取故障位置实时电流变化训练数据以及漏电系统检测状态训练数据训练出用于判断漏电检测系统稳定性的第二机器学习模型，获取漏电检测系统稳定值；[0103] 将所述电流变化速率波动值和传感器阻抗异常频率转换为第二特征向量，将第二特征向量作为第二机器学习模型的输入，所述第二机器学习模型以每组第二特征向量预测的漏电检测系统稳定性值标签为预测目标，以最小化对所有漏电检测系统稳定性值标签的预测误差之和作为训练目标，对第二机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定漏电检测系统稳定性系数；所述第二机器学习模型是多项式回归模型；[0104] 所述漏电检测系统稳定性系数的获取方法为：从训练完成的第二机器学习模型的电流变化训练数据以及漏电系统检测状态训练数据中，获得对应的第二函数表达式：，式中，是模型的输出函数， 为电流变化速率波动值， 为传感器阻抗异常频率， 为稳定性系数；[0105] 例如 ，本发 明中 可以如 下公式 进行 的计 算，计 算表达 式为 ：，式中， 、 分别为电流变化速率波动值、传感器阻抗异常频率的预设比例系数， 为常数，且 ；[0106] 稳定性系数反映了漏电监测系统的稳定性，稳定性系数越大说明漏电检测系统在进行电缆故障位置漏电检测时系统的运行状态稳定性越强，检测结果更加具有真实性。[0107] 将获取到的漏电检测系统稳定性系数与风险阈值进行比较，若稳定性系数大于风险阈值，说明漏电检测系统在电缆故障位置处的运行状态越稳定，此时不发出预警信号；若稳定性系数小于等于风险阈值，说明漏电检测系统在电缆故障位置处的运行状态不够稳定，此时发出预警信号；当工作人员接受到预警信号后应立即前往漏电故障位置处进行实地调查。通过检查电缆线路和相关设备，确认漏电故障的具体位置和原因，并对漏电检测系统当前时段的检测状态进行显示说明。[0108] 本实施例中，当漏电信号准确性下降时，获取故障位置实时电流变化训练数据以及漏电系统检测状态训练数据训练出用于判断漏电检测系统稳定性的第二机器学习模型，确定漏电检测系统稳定性，对电缆故障位置处漏电检测系统稳定性进行分析，据此判断是否输出预警信号，并对漏电检测系统当前时段的检测状态进行显示说明，第二机器学习模型能够根据实时的电流变化和漏电系统检测状态，快速而准确地评估漏电检测系统的稳定性。使得系统管理人员能够及时获知系统的运行状况，降低了对系统性能问题的响应时间。将漏电检测系统当前时段的检测状态显示给系统管理人员，使其能够直观了解系统的运行情况。有助于决策者更好地理解系统性能，采取适当的行动。[0109] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。[0110] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。[0111] 应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。[0112] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。[0113] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

专利地区：辽宁

专利申请日期：2024-04-28

专利公开日期：2024-07-30

专利公告号：CN118091490B