基于智能傳感視覺的電纜裸露風險模式識別指標分析

，

(1.浙江工業大學 信息工程學院，杭州 310023； 2.臺州職業技術學院，浙江 臺州 318000)

0 引言

電纜是通信設備的硬件基礎，由于長期處于陸地、海底等自然環境，且傳輸距離不斷增長，電纜損耗逐漸加劇，導致電纜破損、裸露等問題頻繁出現，對電力傳輸造成嚴重影響[1]。因此對電纜裸露風險識別指標的分析，是通信領域中的核心研究問題。智能傳感技術是當前信息處理核心技術之一[2]。采用智能傳感技術對電纜裸露信息進行處理，使得電纜裸露風險識別分析更準確。對電纜裸露風險模式識別指標的分析，其本質就是對電纜破損數據的重構。傳統方法構建電纜破損數據重構模型，根據采樣和電纜輪廓跟蹤得到電纜破損區域特征向量，對原始電纜分割區域進行提取，采用三重差值統一和三重逼近的融合細分方法[3]，對電纜區域的輪廓曲線進行分析，合成電纜破損區域的紋理，完成電纜破損數據的重構，該方法包含大量的運算，易造成誤差，重構效果較差[4]。為此，提出一種電纜破損數據重構的新方法。選取待分析裸露電纜，采集電纜破損數據進行去噪，對電纜破損數據特征進行提取，得出破損數據特征函數，依據傅里葉算子算法對破損數據進行重構，進而實現對電纜裸露風險模式識別指標的分析。實驗結果表明，所提方法分析準確性高，能有降低電纜裸露造成的危害。

1 電纜裸露成因

電纜裸露風險識別指標即是造成電纜裸露的各項因素。充分掌握電纜裸露的成因，即可對電纜裸露風險進行分析，從而降低電纜裸露風險，減少電力傳輸過程的損失。造成電纜裸露的因素主要有三大方面：第三方破壞、自然環境影響和誤操作[5]。前兩者對電纜裸露損傷的影響超過70%。具體描述如下。

1.1 第三方破壞

50%以上的電纜裸露都是第三方破壞所致[6]。以用于海底電力傳輸的電纜為例，其可能受損的成因有船錨破壞、捕魚作業等等。在拖網捕魚時，電纜需設在深達30～40 m的海床淤泥中，捕魚所用的纜繩、錨鏈等設備均會對此深度的電纜造成一定的破壞，使電纜出現破損。一些船錨下落對電纜的撞擊，也會對電纜造成很大程度的破壞。

1.2 自然環境影響

我國地形地貌復雜多變，給電纜的安裝和運行帶來極大的考驗。不同地形具有多種不同特征參數，各參數都會對電纜管線造成一定的程度的破壞[7]。由電纜損壞的歷史統計數據來看，自然環境因素造成的電纜裸露約占總數的三成。因此考慮自然環境的影響，要降低電纜裸露風險，對電纜制作材料的要求越來越高。

1.3 誤操作

綜上兩個因素的考慮，電纜的選址、設計和施工等操作變得越發艱巨。而其重大且復雜的操作工程，難免出現錯誤。誤操作主要包括設計不當、敷設安裝粗糙、接頭故障及人工操作失誤等[8]。在設計電纜時，材料選取不當會減少電纜的使用壽命，短時間內便會出現裸露破損現象。在敷設安裝過程中，安裝精度也難免達到百分百操作。雖然與前兩個因素相比，誤操作因素所占比例較小，但其對電纜造成的損壞程度不容小覷。

2 電纜裸露風險識別指標及分析原理

2.1 電纜裸露風險識別指標

影響電纜裸露的識別指標主要有電纜本身的耐壓性、外護層絕緣電阻、電纜局部裸露放電以及電纜外觀損等。

電纜耐壓性是鑒定電纜絕緣強度的最關鍵指標，是判定電纜能夠直接投入運行具有重要意義。該指標可確保電纜的絕緣水平，權重等級最高，是避免絕緣事故的重要手段。

電纜表面有一種金屬外護層，對電纜起到保護作用。但外護層與外部環境直接接觸，容易出現腐蝕、老化及破損現象。金屬護套的缺陷是易多點接地，使護套環流增加，而這種外護層破損現象長期存在，因此常對電纜的安全運行造成影響。

局部放電是指電纜非貫穿性放電。當發生局部放電時，高能電子和加速電子會猛烈沖擊絕緣層，特別是絕緣外壁易被損壞。局部放電不僅是電纜絕緣老化的成因，也是電纜絕緣劣化的主要影響因素。對電纜裸露局部放電指標進行檢測，是及時發現電纜裸露所產生的絕緣老化和樹狀老化的重要手段。

充分了解以上電纜裸露風險識別指標，為電纜裸風險模式識別指標的分析奠定良好的基礎。

2.2 電纜裸露風險分析原理

在對電纜裸露風險模式識別指標進行分析時，先要判定電纜裸露的成因，確定電纜裸露風險模式的識別指標。依據識別指標設計電纜破損數據重構方法。對電纜破損數據進行預處理，提取處理后的電纜破損數據特征，引用智能傳感視覺技術對電纜破損數據進行重構，從而實現對電纜裸露風險模式識別指標的分析。電纜裸露風險分析原理圖如圖1所示。

圖1 電纜裸露風險分析原理圖

考慮以上種種電纜裸露風險識別指標，并依據電纜裸露風險分析原理，采用智能傳感視覺技術對電纜破損數據進行重構，從而實現對電纜裸露風險模式識別指標的分析。

3 電纜破損數據預處理

對電纜裸露風險模式識別指標進行分析，可有效改善電纜損耗。通過對電纜破損數據的重構，完成電纜裸露風險模式識別指標的分析。在對電纜破損數據進行重構之前，先要對電纜破損數據進行預處理，以確保電纜破損數據重構的精度。具體描述如下。

將智能傳感視覺的電纜破損數據向量轉化為行向量，電纜破損數據的向量維數代表電纜破損數據個數，

對電纜破損數據進行去均值處理，即中心化處理[9]，將進行中心化處理后的電纜破損數據進行白化處理，使白化處理后的電纜破損數據變量協方差為單位矩陣，采用協方差特征值對電纜破損數據進行分解，即E(xxT)=PEPT，式中E所代表矩陣E(xxT)的特征值，P所代表電纜破損數據對應的特征向量。由此得到電纜破損數據的白化矩陣M=PE-1/2PT和白化后的數據x=Mx，完成電纜破損數據的預處理，降低電纜破損數據中存在的噪聲，提高電纜破損數據重構的信噪比。

綜上所述，對電纜破損數據預處理可有效確保電纜破損數據的重構精度，進而保證電纜裸露風險模式識別指標分析的準確性。

4 電纜裸露風險模式識別指標分析

通過對電纜破損數據重構完成對電纜裸露風險模式的識別指標的準確分析。其重構精度是確保電纜裸露風險模式識別指標分析準確性的關鍵。在電纜破損數據重構的過程中，最困難的步驟是對電纜破損數據特征的提取，采用SVD方法提取數據特征，引入智能傳感視覺技術實現對電纜破損數據的重構。具體過程描述如下：

4.1 電纜破損數據特征提取

采用SVD方法對電纜破損數據進行特征提取[10]，在電纜破損數據的特征提取中，將電纜破損數據矩陣的異值作為一種常用的特征識別方法。

設電纜破損數據矩陣A的秩為k，采用SVD對矩陣A進行分解，分解為：

(1)

4.2 基于智能傳感視覺的重構方法實現

設x∈Cn為需要被重構的電纜破損數據，y∈Cm代表電纜破損數據中獲得的k空間的測量數據，n所代表噪聲，Fn代表k空間中的欠采樣傅里葉算子，采用智能傳感視覺技術求出不完全測量值，得到電纜破損數據采集模型的計算公式為y=Fnx+n。

設x通過電纜破損數據算子ω的表達式為x=ωα，其中ω代表是從電纜像素轉換為稀疏表示的線性算子，k空間測量破損數據的計算公式為y=Fnωα+n，其中Fnω為電纜破損數據的感知矩陣。依據智能傳感視覺技術的重構算法，得到電纜破損數據的重構權值公式為。

(2)

式中，ε>0限制了電纜破損數據的保真度。閾值ε代表了電纜破損數據中的噪聲級別，公式(2)中的函數被稱為范數，定義為‖x‖1=∑i|xi|。‖α‖1代表了電纜破損數據的稀疏性。‖y-Fnωα‖2<ε限制了k空間數據中電纜破損重構數據的保真度。公式(2)通過變化ω得到了一個與采集電纜破損數據有關的可壓縮的解。

(3)

公式(3)中的第二項代表的是懲罰項，被添加到電纜破損數據的代價函數中，并進行最小化的計算，該過程稱為正則化。正則項代表的是電纜破損數據原始信號中的稀疏先驗信息。公式(3)中的第一項為電纜破損數據的保真項，保真項測量的電纜破損數據與最優化問題保持一致。λ代表用來平衡電纜破損數據稀疏性懲罰項和保真項的正則化參數。

當電纜破損數據的有限分算子作為稀疏變化來計算時，公式(2)中的目標函數為全變分，此時電纜破損數據的目標函數為TV(x)。這種情況下公式(2)可變化為：

(4)

式中，δ代表電纜破損數據有限差分稀疏性與平衡ω稀疏性。引入智能傳感視覺技術對上述目標函數進行計算，可推導出電纜破損數據重構的計算公式如下：

(5)

根據以上步驟，完成電纜破損數據的重構，進而實現對電纜裸露風險模式識別指標的分析。

5 實驗結果分析

本次實驗在Matlab條件下完成，為了驗證基于智能傳感視覺的電纜裸露風險模式識別指標分析的準確性，對電纜破損數據重構方法的重構精度進行測試。本次實驗采集了1 223組數據，每組電纜破損數據采集10 000個周期，總共采集了1 223×10 000個數據。本次實驗的采樣周期為0.43 μs，全部電纜破損數據的有效采集時間為9 s作左右。

5.1 不同方法重構完整度對比分析

利用改進方法與文獻[8]方法、文獻[9]方法進行電纜破損數據重構完整度方面的對比分析，對比結果如圖2所示。

圖2 三種不同方法重構完整度對比結果

觀察圖1可知，文獻[8]方法重構完整度平均為50%，隨著實驗時間的增加，重構完整度并沒有提高，顯而易見文獻[8]方法重構精度低，電纜裸露風險較大。文獻[9]方法重構完整度雖時間的增加而增加，當試驗時間為60 min時，達到最高值68%，該方法重構相比文獻[8]方法，重構完整度較高，雖整體呈上升趨勢，但也存在下降值，因此得出文獻[9]方法重構精度較高，但重構效果不理想。改進方法與前兩種方法對比可知，重構完整度最高值達到96%，遠遠超過前兩種方法的重構完整度，且曲線呈穩步上升趨勢。綜上所述，充分說明改進方法重構精度高，有效降低了電纜裸露的風險，對電纜裸露風險模式識別指標的分析十分準確。

5.2 不同方法電纜漏電率對比分析

通過對改進方法和文獻[8]方法、文獻[9]方法對電纜破損數據重構后的電纜漏電率進行對比分析，驗證電纜裸露風險模式識別指標分析的準確性。三種方法電纜漏電率對比結果如圖3所示。

圖3 三種不同方法重構完整度對比結果

觀察圖3可知，采用文獻[8]方法對電纜破損數據進行重構，重構后的電纜漏電率從最初的15%上升到了25%，且上升幅度大，說明該方法重構精度低。文獻[9]方法對電纜破損數據進行重構，起始漏電率為10%，雖然隨著實驗時間的增加，漏電率逐漸增加，但最高漏電率為17%，相比文獻[8]方法，其電纜漏電率較低，該方法重構精度較高。觀察改進方法曲線，電纜漏油率平均保持在5%，遠遠小于文獻[8]方法和文獻[9]方法的漏電率。隨著時間的增長，電纜漏電率并沒有增加，曲線變化穩定，充分說明改進方法的重構精度高，采用改進方法對電纜裸露風險模式識別指標的分析準確性高。

5.3 不同方法重構收斂性對比分析

為了驗證基于智能傳感是覺得電纜裸露風險模式識別指標分析的準確性，分別采用改進方法、文獻[8]方法和文獻[9]方法對電纜破損數據重構的收斂性進行測試，將所得測試結果進行對比，對比結果如圖4所示。

圖4 三種不同方法的收斂性對比

圖4中加速因子和收斂速度均為常數，三種曲線分別表示改進方法、文獻[8]方法和文獻[9]方法在不同加速因子條件下的收斂曲線，分析圖4可知，當加速因子較小時，文獻[8]方法和文獻[9]方法的收斂速度都比較快，但是隨著加速因子的不斷增大，文獻[8]方法和文獻[9]方法的收斂速度與加速因子成反比，收斂速度不斷變小，說明文獻[8]方法和文獻[9]方法整體重構收斂性較低，雖然文獻[9]方法的重構收斂性相比文獻[8]方法的重構收斂性較高，但曲線仍呈下降趨勢，因此可得出，文獻[8]方法和文獻[9]方法的重構精度低，電纜裸露風險分析效果差。觀察改進方法曲線，改進方法的收斂速度基本保持不變，且比文獻[8]方法和文獻[9]方法的收斂速度快，重構收斂性高，曲線變化較為穩定。綜上所述表明，所提方法重構精度高，有效驗證了電纜裸露風險模式識別指標分析的準確性。

通過以上對電纜破損數據重構方法的重構完整度、電纜漏電率及重構收斂性進行測試，可得出所提重構方法精度高，同時也充分驗證了基于智能傳感視覺的電纜裸露風險模式識別指標分析準確性高

6 結論

所提基于智能傳感視覺的電纜裸露風險模式識別指標分析的創新點在電纜破損數據的重構。通過重構方法有效地對電纜裸露風險識別指標進行分析。實驗結果證明，對電纜裸露風險識別指標的分析準確性高。通過所提分析方法可有效降低電纜裸露風險，在電纜制作與應用中具有較高的實用性和有效性。未來對電纜使用的技術要求更高，電纜的設計與安裝更加具有挑戰性，其中包含了電纜敷設的位置，電纜操作準確度對電纜損耗的影響。針對這兩方面問題，將進行進一步的研究，以滿足電纜在時代發展中的技術要求。