本发明涉及电气设备，具体是一种电缆线故障感知方法及系统。
背景技术：
1、电缆线路故障监测对电力系统运行具有重要意义。首先，对于安全性而言，监测能够及时发现潜在的电缆线路问题，避免火灾、电击等安全隐患，从而提高电力系统的整体安全性。其次，故障监测有助于提高电力系统的可靠性，通过及时发现和修复故障，减少电缆线路的停电时间。此外，监测还能提高维护效率，降低相关成本，通过预测性维护在故障加重之前发现并修复问题，减少紧急维修需求。及时处理故障还能延长电缆线路和相关设备的寿命，减缓设备老化过程。最后，故障监测可防止电缆线路故障引起的电压波动、谐波等问题，确保电力系统的稳定运行。
2、目前，关于电缆故障监测方法的研究有很多，但仍然存在以下不足：首先，有限的实时性和灵敏度，传统的电缆故障监测系统在实时性和故障灵敏度方面存在一定的限制，可能无法即时检测到微弱的故障信号。然后，传感器数据的复杂性，电缆线路的环境复杂，传感器数据可能受到多种因素的影响，包括温度、湿度、电磁干扰等，从而影响监测的准确性。其次，高成本和复杂的维护，传统监测系统通常需要大规模的设备部署，带来高昂的设备成本和复杂的维护要求，尤其在大型电力系统中，成本和复杂性会更加突出。最后，难以区分正常运行和潜在故障，正常运行过程中的一些变化可能被误判为故障，导致虚警，或者真实的潜在故障信号可能被掩盖。
技术实现思路
1、为了解决上述问题，本发明提出了一种能够提升对电缆线路故障的监测能力的电缆线故障感知方法及系统。
2、为了达到上述目的，本发明是通过以下技术方案来实现的：
3、本发明是一种电缆线故障感知方法，包括以下操作：
4、采集电缆线路故障监测数据信息，包括电缆的电流数据、电压数据、温度数据、湿度数据、电阻数据、振动数据、电场数据和磁场数据；
5、利用nb-iot技术传输电缆线路故障监测数据信息，包括利用qpsk技术进行电缆线路故障监测数据信息的调制与解调；
6、构建基于深度学习的电缆线路故障检测模型；
7、从基于深度学习的电缆线路故障检测模型中提取连接权值和阈值，构建电缆线路故障检测深度学习模型库，并将电缆线路故障检测深度学习模型库更新到电缆线路故障监测系统中，基于nb-iot将采集的现场数据传输到电缆线路故障监测系统中进行电缆线路故障的在线监测。
8、本发明的进一步改进在于：采集的电缆线路故障监测数据信息表达式如下：
9、（1）；
10、式中，为 t时刻电缆线路故障监测数据，为 t时刻电缆线路电流数据，为 t时刻电缆线路电压数据，为 t时刻电缆线路温度数据，为 t时刻电缆线路湿度数据，为 t时刻电缆线路电阻数据，为 t时刻电缆线路振动数据，为 t时刻电缆线路电场数据，为 t时刻电缆线路磁场数据。
11、本发明的进一步改进在于：所述利用nb-iot技术传输电缆线路故障监测数据信息，包括利用qpsk技术进行电缆线路故障监测数据信息的调制与解调，具体包括如下操作：对采集的电缆线路故障监测数据信息进行调制，nb-iot传输调制后的电缆线路故障监测数据信息，nb-iot的接收端对接收到的电缆线路故障监测数据信息进行解调，下式中式（2）-（6）为电缆线路电场数据nb-iot传输处理过程，式（7）为经过nb-iot传输得到的电缆线路故障监测数据信息的表达式：
12、（2）；
13、（3）；
14、（4）；
15、（5）；
16、（6）；
17、（7）；
18、式中：为调制后的 t时刻电缆线路电场数据，为 t时刻电缆线路电场数据，为 t时刻电缆线路电场信号频率，为 t时刻电缆线路电场相角，为接收端接收到的 t时刻电缆线路电场数据，为nb-iot传输信号过程中受到的噪声，、分别为低通滤波处理后的正弦分量和余弦分量，lowpass{} 函数表示低通滤波，用于提取函数中的基带信号成分，arg()函数表示找到最大的正弦和余弦分量，为经过nb-iot传输后的电缆线路故障监测数据，为经过nb-iot传输后的电缆线路电流数据，为经过nb-iot传输后的电缆线路电压数据，为经过nb-iot传输后的电缆线路温度数据，为经过nb-iot传输后的电缆线路湿度数据，为经过nb-iot传输后的电缆线路电阻数据，为经过nb-iot传输后的电缆线路振动数据，为经过nb-iot传输后的电缆线路电场数据，为经过nb-iot传输后的电缆线路磁场数据。
19、本发明的进一步改进在于：所述构建基于深度学习的电缆线路故障检测模型具体包括如下操作：
20、对接收到的电缆线路故障监测数据进行标记，组成深度学习模型的训练样本；利用深度学习模型对样本进行训练，包括前向传播和反向传播训练过程，通过调整神经网络的权重和偏置来最小化深度学习模型的预测误差，使用独立的测试数据集评估深度学习模型的性能，最终训练构成基于深度学习的电缆线路故障检测模型；
21、基于深度学习的电缆线路故障检测模型包括8个输入和2个输出，8个输入分别为：经过nb-iot传输后的电缆线路电流数据的样本、电缆线路电压数据的样本、电缆线路温度数据的样本、电缆线路湿度数据的样本、电缆线路电阻数据的样本、电缆线路振动数据的样本、电缆线路电场数据的样本、电缆线路磁场数据的样本，2个输出分别为：为存在故障，为不存在故障；
22、深度学习模型的隐含层有 n个神经元，隐含层中每个神经元的输出通过加权和并经过激活函数计算，表达式如（8）-（9）所示：
23、（8）；
24、（9）；
25、式中：为深度学习模型隐含层的神经元， j为神经元序号，取值范围为1~ n，为深度学习模型的激活函数，是连接输入和神经元的权重，为神经元的偏置项， h为深度学习模型隐含层输出向量，为深度学习模型的输入， i为深度学习模型的层数；
26、深度学习模型的输出为：
27、（10）；
28、式中：为深度学习模型的输出，为连接神经元和输出的权重，为输出的偏置项。
29、本发明的进一步改进在于：所述电缆线路故障检测深度学习模型库的表达式为：
30、（11）；
31、式中：为第 k个电缆线路故障检测深度学习模型，为训练好的深度学习模型，为已训练好的深度学习模型输入层至输出层的连接权值。
32、本发明的一种电缆线故障感知系统，包括采集模块、nb-iot传输模块、模型构建模块、模型库构建与更新模块、报警模块；
33、所述采集模块，用于采集电缆线路故障监测数据信息，包括电缆的电流数据、电压数据、温度数据、湿度数据、电阻数据、振动数据、电场数据和磁场数据；
34、所述nb-iot传输模块，用于传输电缆线路故障监测数据信息，包括利用qpsk技术进行电缆线路故障监测数据信息的调制与解调；
35、所述模型构建模块，用于构建基于深度学习的电缆线路故障检测模型；
36、所述模型库构建与更新模块，用于从基于深度学习的电缆线路故障检测模型中提取连接权值和阈值，构建电缆线路故障检测深度学习模型库，并将电缆线路故障检测深度学习模型库更新到电缆线路故障监测系统中；
37、所述报警模块，用于在电缆线路故障监测系统检测出故障时发出警报。
38、本发明的进一步改进在于：采集的电缆线路故障监测数据信息表达式如下：
39、（12）；
40、式中，为 t时刻电缆线路故障监测数据，为 t时刻电缆线路电流数据，为 t时刻电缆线路电压数据，为 t时刻电缆线路温度数据，为 t时刻电缆线路湿度数据，为 t时刻电缆线路电阻数据，为 t时刻电缆线路振动数据，为 t时刻电缆线路电场数据，为 t时刻电缆线路磁场数据。
41、本发明的进一步改进在于：所述nb-iot传输模块包括进行如下操作：对采集的电缆线路故障监测数据信息进行调制，nb-iot传输调制后的电缆线路故障监测数据信息，nb-iot的接收端对接收到的电缆线路故障监测数据信息进行解调，下式中（13）-（17）为电缆线路电场数据nb-iot传输处理过程，式（18）为经过nb-iot传输得到的电缆线路故障监测数据信息的表达式；
42、（13）；
43、（14）；
44、（15）；
45、（16）；
46、（17）；
47、（18）；
48、式中：为调制后的 t时刻电缆线路电场数据，为 t时刻电缆线路电场数据，为 t时刻电缆线路电场信号频率，为 t时刻电缆线路电场相角，为接收端接收到的 t时刻电缆线路电场数据，为nb-iot传输信号过程中受到的噪声，、分别为低通滤波处理后的正弦分量和余弦分量，lowpass{} 函数表示低通滤波，用于提取函数中的基带信号成分，arg()函数表示找到最大的正弦和余弦分量，为经过nb-iot传输后的电缆线路故障监测数据，为经过nb-iot传输后的电缆线路电流数据，为经过nb-iot传输后的电缆线路电压数据，为经过nb-iot传输后的电缆线路温度数据，为经过nb-iot传输后的电缆线路湿度数据，为经过nb-iot传输后的电缆线路电阻数据，为经过nb-iot传输后的电缆线路振动数据，为经过nb-iot传输后的电缆线路电场数据，为经过nb-iot传输后的电缆线路磁场数据。
49、本发明的进一步改进在于：所述构建基于深度学习的电缆线路故障检测模型具体包括如下操作：
50、对接收到的电缆线路故障监测数据进行标记，组成深度学习模型的训练样本；利用深度学习模型对样本进行训练，包括前向传播和反向传播训练过程，通过调整神经网络的权重和偏置来最小化深度学习模型的预测误差，使用独立的测试数据集评估深度学习模型的性能，最终训练构成基于深度学习的电缆线路故障检测模型；
51、基于深度学习的电缆线路故障检测模型包括8个输入和2个输出，8个输入分别为：经过nb-iot传输后的电缆线路电流数据的样本、电缆线路电压数据的样本、电缆线路温度数据的样本、电缆线路湿度数据的样本、电缆线路电阻数据的样本、电缆线路振动数据的样本、电缆线路电场数据的样本、电缆线路磁场数据的样本，2个输出分别为：为存在故障，为不存在故障；
52、深度学习模型的隐含层有 n个神经元，隐含层中每个神经元的输出通过加权和，并经过激活函数计算，表达式如（8）-（9）所示：
53、（19）；
54、（20）；
55、式中：为深度学习模型隐含层的神经元， j为神经元序号，取值范围为1~ n，为深度学习模型的激活函数，是连接输入和神经元的权重，为神经元的偏置项， h为深度学习模型隐含层输出向量，为深度学习模型的输入， i为深度学习模型的层数；
56、深度学习模型的输出为：
57、（21）；
58、式中：为深度学习模型的输出，为连接神经元和输出的权重，为输出的偏置项。
59、本发明的进一步改进在于：所述电缆线路故障检测深度学习模型库的表达式为：
60、（22）；
61、式中：为第 k个电缆线路故障检测深度学习模型，为训练好的深度学习模型，为已训练好的深度学习模型输入层至输出层的连接权值。
62、本发明的有益效果是：1）采用nb-iot技术，能够提供更广覆盖的连接，同时降低设备的能耗，使得监测系统能够在更大范围内部署，并且长时间运行。
63、2）远程监测和管理，本发明支持远程监测和管理，使得用户可以随时随地监控电缆线路状态，及时获取故障信息。
64、3）实时决策和预测性维护，结合nb-iot和深度学习，系统可以实现实时决策和预测性维护，及时发现和响应潜在问题，降低停电时间，提高电力系统的可靠性。
1.一种电缆线故障感知方法，其特征在于：包括以下操作：
2.根据权利要求1所述的一种电缆线故障感知方法，其特征在于：采集的电缆线路故障监测数据信息表达式如下：
3.根据权利要求1所述的一种电缆线故障感知方法，其特征在于：所述利用nb-iot技术传输电缆线路故障监测数据信息，包括利用qpsk技术进行电缆线路故障监测数据信息的调制与解调，具体包括如下操作：对采集的电缆线路故障监测数据信息进行调制，nb-iot传输调制后的电缆线路故障监测数据信息，nb-iot的接收端对接收到的电缆线路故障监测数据信息进行解调，下式中式（2）-（6）为电缆线路电场数据nb-iot传输处理过程，式（7）为经过nb-iot传输得到的电缆线路故障监测数据信息：
4.根据权利要求1所述的一种电缆线故障感知方法，其特征在于：所述构建基于深度学习的电缆线路故障检测模型具体包括如下操作：
5.根据权利要求4所述的一种电缆线故障感知方法，其特征在于：所述电缆线路故障检测深度学习模型库的表达式为：
6.一种电缆线故障感知系统，其特征在于：包括采集模块、nb-iot传输模块、模型构建模块、模型库构建与更新模块和报警模块；
7.根据权利要求6所述的一种电缆线故障感知系统，其特征在于：采集的电缆线路故障监测数据信息表达式如下：
8.根据权利要求6所述的一种电缆线故障感知系统，其特征在于：所述nb-iot传输模块包括如下操作：对采集的电缆线路故障监测数据信息进行调制，nb-iot传输调制后的电缆线路故障监测数据信息，nb-iot技术的接收端对接收到的电缆线路故障监测数据信息进行解调，下式中式（13）-（17）为电缆线路电场数据nb-iot传输处理过程，式（18）为经过nb-iot传输得到的电缆线路故障监测数据信息：
9.根据权利要求6所述的一种电缆线故障感知系统，其特征在于：所述构建基于深度学习的电缆线路故障检测模型具体包括如下操作：
10.根据权利要求9所述的一种电缆线故障感知系统，其特征在于：所述电缆线路故障检测深度学习模型库的表达式为：
