基于機器學習的通信電纜故障檢測與定位方法

黃藝航 蔡凱武 黃曉智 袁澄 梁恩源 林智海

本文引用格式：黃藝航，蔡凱武，黃曉智，等.基于機器學習的通信電纜故障檢測與定位方法[J].自動化與信息工程， 2024，45（1）：? 35-41;60.

HUANG Yihang， CAI Kaiwu， HUANG Xiaozhi， et. al. Fault detection and localization method of communication cables based on machine learning[J]. Automation & Information Engineering， 2024，45（1）：35-41;60.

摘要：為解決傳統的通信電纜故障檢測與定位方法存在的靈敏性不足和智能化程度低等問題，提出基于機器學習的通信電纜故障檢測與定位方法。首先，基于行波法檢測原理搭建通信電纜故障仿真模型來采集實驗數據樣本；然后，提出基于粒子群優化-支持向量機（PSO-SVM）的通信電纜故障檢測模型，其故障識別準確率達99.4%；接著，提出基于卷積神經網絡-長短時記憶（CNN-LSTM）的通信電纜故障定位模型，該模型對故障點定位的平均絕對誤差為0.334 9，均方根誤差為0.320 8；最后，通過對比實驗驗證CNN-LSTM的網絡準確率較單獨使用CNN和LSTM模型分別提高了9.47%和6.2%。

關鍵詞：PSO-SVM模型；CNN-LSTM模型；行波法；通信電纜；故障檢測；故障定位

中圖分類號：TN391.4? ? ? ? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：1674-2605（2024）01-0006-08

DOI：10.3969/j.issn.1674-2605.2024.01.006

Fault Detection and Localization Method of Communication Cables? ? ? Based on Machine Learning

HUANG Yihang1? CAI Kaiwu2? HUANG Xiaozhi1? YUAN Cheng1

LIANG Enyuan1? LIN Zhihai1

（1.School of Electromechanical Engineering， Guangdong University of Technology， Guangzhou 510006， China

2.School of Advanced Manufacturing， Guangdong University of Technology， Jieyang， 522000， China）

Abstract： To address the issues of insufficient sensitivity and low intelligence in traditional communication cable fault detection and localization methods， a fault detection and localization method of communication cables based on machine learning is proposed. Firstly， based on the principle of traveling wave detection， a communication cable fault simulation model is constructed to collect experimental data samples; Then， a communication cable fault detection model based on Particle Swarm Optimization Support Vector Machine （PSO-SVM） is proposed， with a fault recognition accuracy of 99.4%; Next， a communication cable fault location model based on Convolutional Neural Network Long Short Term Memory （CNN-LSTM） is proposed. The average absolute error of the model for fault location is 0.334 9， and the root mean square error is 0.320 8; Finally， through comparative experiments， it was verified that the network accuracy of CNN-LSTM was 9.47% and 6.2% higher than that of using CNN and LSTM models alone， respectively.

Keywords： PSO-SVM model; CNN-LSTM model; traveling wave method; communication cable; fault detection; fault localization

0 引言

隨著信息社會的進步，通信電纜作為信息傳輸的

主要媒介，其穩定性和可靠性非常重要。然而，許多

因素可能導致通信電纜出現故障，如機械損傷、斷線、

接頭故障、絕緣老化、水淹和電磁干擾等，從而產生通信中斷、數據傳輸錯誤或網絡擁堵等問題。因此，通信電纜故障檢測與定位具有重要意義。

傳統的通信電纜故障檢測與定位方法可分為阻

抗法和行波法。其中，阻抗法通過通信電纜的電流、電壓、故障距離來確定故障的類型和位置；行波法基于行波放射理論，向通信電纜發射脈沖，通過反射脈沖波的極性和時間來進行故障的定性與定位[1-2]。但這些方法依靠人工經驗，其準確性與效率難以保證。

采用機器學習技術進行通信電纜的故障檢測與定位，可更好地應對故障信號的多樣性和復雜性，提高故障檢測與定位的準確性和效率[3]。然而這類方法需要大量的樣本數據，且采用不同的模型和參數配置，故障檢測與定位的效果也存在差異[4]。

為此，本文通過搭建通信電纜故障仿真模型來采集足夠多的樣本數據；提出基于粒子群優化（particle swarm optimization， PSO）-支持向量機（support vector machine， SVM）的通信電纜故障檢測模型，實現通信電纜的故障檢測及故障類型分類；提出基于卷積神經網絡（convolutional neural networks， CNN）-長短時記憶（long short-term memory， LSTM）網絡的通信電纜故障定位模型，實現通信電纜故障點的定位。

1 通信電纜故障分類

通信電纜故障的主要原因是電纜芯線的絕緣阻抗發生變化，即故障點處的等效阻抗與電纜的特性阻抗不同[5]。通信電纜的故障主要分為短路、斷路、高阻故障（高阻泄露、高阻閃絡）等[6]，如表1所示。其中，f為絕緣阻抗，n為額定絕緣阻抗，c為特性阻抗。

短路和斷路是通信電纜的基礎故障，故障點處阻抗不匹配現象較為明顯；高阻故障（高阻泄露、高阻閃絡）是通信電纜的復雜故障，需通過特定的方法進行檢測與定位。

2 通信電纜故障仿真模型

本文采用MATLAB R2022b仿真軟件建立的通信電纜故障仿真模型來采集數據樣本。通信電纜故障仿真模型由脈沖信號源發生器、測量元件、傳輸線元件和故障信號產生模塊組成，如圖1所示。

脈沖信號源發生器輸出正弦波信號，頻率為50 Hz。測量元件采集發射脈沖信號、反射脈沖信號的數據，并調用Scope工具實現行波數據可視化。傳輸線元件用于模擬通信電纜。故障信號產生模塊用于產生短路、斷路及高阻故障信號，并通過設置故障信號發生點、傳輸線的位置及發生時間，模擬通信電纜故障發生的位置及故障信號在傳輸過程中的時序特性。

3 基于PSO-SVM的通信電纜故障檢測模型

3.1 行波法檢測原理

通信電纜發生故障時，故障點處會出現阻抗不匹配現象。向故障通信電纜線一端發射低壓脈沖信號，當脈沖信號到達故障點（斷路點、短路點、電纜老化和中間接頭）時會發生反射，導致故障點處電流、電壓的傳播方向和幅值發生變化。行波法通過檢測反射脈沖信號的極性可以進行故障分類；通過發射脈沖信號、反射脈沖信號回到入射點位置的時間可以進行故障點定位[7]。斷路、短路故障時通信電纜的發射脈沖信號與反射脈沖信號的波形如圖2所示。

對通信電纜一端發射脈沖信號時，若在入射點處檢測到反射脈沖信號，且與發射脈沖信號極性相同，則表示大阻抗，可能是斷路或高阻故障；若與發射脈沖信號極性不同，則表示小阻抗，可能是短路故障[8]。

根據脈沖信號在通信電纜中的傳播速度V和發射脈沖信號與反射脈沖信號到達入射點的時間差Δt，計算故障點與入射點的距離L為

（1）

當脈沖信號存在時間寬度τ時，如果反射脈沖信號與發射脈沖信號在τ內重疊，會導致發射點的信號接收器無法區分信號來自故障點還是發射源，形成盲區。盲區范圍對應的距離為

（2）

根據行波法檢測原理，利用MATLAB搭建通信電纜故障仿真模型來采集樣本數據。在Simulink工具箱中調用傳輸線元件構建通信電纜電路，在電路一端調用脈沖信號發生器模塊產生脈沖信號，調用Signal Processing Toolbox中的故障信號生成工具和處理器設置故障點。測量元件可以測量傳輸線參數和傳輸線上的行波信號，并通過Scope工具觀察脈沖信號在通信電纜中的傳播與反射情況。行波信號包括電壓、電流信號的幅度、頻率、時域特性（峰值、峰峰值和波形）、頻域特性（功率譜密度、頻譜分布）、時頻域特征（小波變換系數）等數據，將以上數據按與仿真時間點對應的格式繪制圖表并保存。

3.2 PSO-SVM

SVM是由VAPNIK提出的監督學習算法[9]，其基本思想是基于最大間隔分類原理，通過構建一個最優化的超平面來分割兩個類別的樣本，如圖3所示。

在SVM模型中，超平面可表示為，其中w為法向量，決定了超平面的方向；b為位移量，決定了超平面與原點之間的距離。設訓練集樣本P = {（x1， y1 ）， （x2， y2 ）， （x3， y3 ），…，（xN， yN）}，其中，i = 1，2，…，N， xi∈Rn， yi∈{-1， 1}。找到一個超平面能夠分開樣本，可以轉化為凸二次規劃問題，求解能夠滿足約束條件的w和b，使樣本與超平面的間距最大化。約束條件為

（3）

為構造誤差最小的超平面，通過方程（4）可得到唯一的最優解。

（4）

式中：C為懲罰系數（或正則化參數），表示對樣本分類錯誤的容忍度。C值越高，越不能容忍出現分類錯誤的情況，模型容易過擬合；相反C值越小，模型容易欠擬合。

針對非線性分類問題，SVM利用核函數將低維非線性數據映射到高維空間中，對轉換后的數據進行線性分類。SVM核函數種類包括徑向基核函數（radial basis function， RBF）、d次多項式核和Sigmoid核[10]，其中RBF可以直接反映數據之間的距離，其分類效果優于其他核函數[11]。本文選取RBF作為SVM核函數，其計算公式為

（5）

式中：Xi為空間中的任意一點；Xj為樣本的中心點；是從空間中任意一點到樣本中心的距離；為內核參數，決定RBF的作用范圍，其值過大模型會更復雜，過度擬合訓練數據導致泛化性能較差。

正則化參數C和核函數內核參數的取值，直接影響SVM的復雜度和泛化能力。在傳統分類任務中，設置超參數需要一定的經驗和調優過程，如交叉驗證方法，但該方法較為繁瑣，且存在模型過擬合的風險。

PSO算法通過模擬鳥群覓食行為不斷地迭代粒子速度和位置，以尋找最優解[12]。PSO算法將一群粒子隨機分布在搜索空間，每個粒子代表一種SVM模型的超參數組合并作為一個候選解，計算每個粒子位置對應的適應度值，即訓練好的模型在測試集的分類準確率。適應度值用于評價粒子解的好壞程度。PSO算法中每個粒子都有自己的速度和位置。根據PSO原理，粒子的速度和位置受個體經驗和群體協作的影響，粒子更新速度和位置的公式為

（6）

式中：k為當前迭代次數；為慣性因子，其值越小，局部尋優能力越強，全局尋優能力越弱；、為學習因子；、為隨機數，介于（0，1）之間；為粒子數；為當前空間維度；為迭代速度；x為迭代位置；和分別為第i個粒子的個體最優解和全局最優解。

重復更新粒子的速度和位置，直到迭代次數達到上限或者滿足停止條件為止。在每次迭代過程中，根據應度值來適更新歷史最優解和全局最優解。

基于PSO-SVM的通信電纜故障檢測流程如圖4所示。

將通信電纜故障仿真模型采集的樣本數據轉化為特征向量并進行標記，構成通信電纜行波數據集。將該數據集按8∶2的比例劃分為訓練集和驗證集。SVM模型超參數配置時，正則化參數C設置為0.01，核函數選擇RBF，同時將核函數設置為0.1。將訓練集數據輸入到SVM模型進行訓練，迭代過程中根據SVM模型在訓練集上的性能評估其適應度值，即精度是否滿足要求。當精度不滿足要求時，通過PSO算法優化SVM模型超參數，重復此過程直至達到最大迭代次數或者精度達到設定的閾值。最后通過驗證集驗證SVM模型性能是否滿足要求。

4 基于CNN-LSTM的通信電纜故障定位模型

4.1 CNN

CNN是一種擁有深度結構的神經網絡模型，主要包括輸入層、卷積層、池化層、全連接層和輸出層等，基本結構如圖5所示。

輸入層、卷積層和池化層組成特征提取器，用于遍歷輸入數據，提取高維特征；全連接層和輸出層構成分類識別器，用于判斷目標類別并將其映射為預測結果[13]。輸入數據經預處理后前向傳播，依次進行卷積操作和池化操作，提取樣本數據的特征信息。其中，卷積操作利用卷積核對輸入數據進行掃描并提取特征；池化操作對卷積后的特征圖進行降采樣，減少特征圖的維度并保留重要信息。全連接層融合提取的特征并降低維度，最終由輸出層將全連接層的輸出映射到類別標簽上，完成分類任務。

4.2 LSTM

LSTM網絡是循環神經網絡的一種特殊變體，它通過記憶單元和門控機制，提升了從長輸入序列中學習特征的能力，不僅克服了訓練循環神經網絡的諸多困難，還增強了網絡的穩定性。當多個LSTM網絡單元相互連接，形成更復雜的網絡結構時，排除了梯度消失問題，進一步提升了模型的性能和準確性，使LSTM網絡在處理復雜時間序列特征的波形數據時，可以有效地捕捉到信號中的時序特征和周期性變化。LSTM網絡單元結構如圖6所示。

圖6中：、、分別為遺忘門、輸入門和輸出門的計算結果，Sigmoid激活函數的輸出值為0或1，Tanh激活函數輸出值的范圍為[-1，1]。ct–1和ht-1為上一層的輸出，和為本層的輸出，以ct–1和ht-1為例，ht-1為上一層輸出到這一層的全部信息，ct–1表示上一層與本層的交互信息量，其決定本層將會保留哪些信息。

4.3 CNN-LSTM

基于行波法得到的通信電纜行波數據不屬于傳統意義上的結構數據，而是一維或多維的時間序列數據[14]。通過融合CNN與LSTM模型能有效提取通信電纜行波數據的空間特征和時序特性，實現故障的精確定位?；贑NN-LSTM的通信電纜故障定位模型結構如圖7所示。

基于CNN-LSTM的通信電纜故障定位模型包含信號輸入層、卷積層、池化層、LSTM層和輸出層。為了防止過擬合，在每個卷積層后加入批量歸一化（BN），并應用Dropout操作。Dropout隨機將神經元輸出置零，減少神經元間的依賴，降低過擬合風險。Dropout刪除比例設為0.1，初值設為0.001[15]。使用自適應矩陣估計算法（adaptive moment estimation， Adam）將訓練誤差進行反向傳播，逐層逐步地更新模型參數，進行學習率自適應。

基于CNN-LSTM的通信電纜故障定位模型訓練流程如圖8所示。

配置CNN-LSTM網絡初始結構參數、權重值和學習率后，將輸入脈沖反射信號樣本進行連續小波變換[16]，生成每段小波時頻數據。當故障數據和正常數據相差過大時，進行歸一化處理：

（7）

式中：y為原始數據；為歸一化結果，值域在[0，1]之間。

根據網絡輸入尺寸對輸入樣本進行調整后，按8∶2的比例將其劃分為訓練集和測試集。首先，將訓練集數據輸入CNN-LSTM網絡進行訓練，CNN通過卷積核滑動提取訓練樣本的局部空間特征，生成不同尺度和抽象的空間特征映射；然后，經過池化層減少特征映射的尺寸，并保留重要的特征信息做歸一化處理；接著，將CNN輸出的特征序列作為LSTM網絡的輸入序列，LSTM網絡通過記憶單元和門控機制學習數據的時間序列信息，并捕獲數據的長期依賴關系[17]；最后，判斷當前網絡的訓練次數n是否達到初始設定值M，訓練完成后通過在測試集上的表現評價模型。

5 實驗驗證

為驗證本文方法在通信電纜故障檢測與定位任務中的有效性，對基于PSO-SVM的通信電纜故障檢測模型、基于CNN-LSTM的通信電纜故障定位模型進行實驗驗證。實驗軟硬件條件如表2所示。

通信電纜故障仿真模型采集了10～200 m范圍內間距為10 m的正常、短路、斷路和高阻故障，共400組通信電纜行波數據樣本。以可視化短路故障行波數據圖（圖9）和200 m高阻故障行波時間序列圖（圖10）為例，反映通信電纜行波信號（電壓信號）隨時間的變化趨勢及反射情況。

將通信電纜故障仿真模型采集的通信電纜行波數據轉化為特征向量并進行標注，構建通信電纜行波數據集。對輸入CNN-LSTM通信電纜故障定位模型的數據進行小波變化及歸一化處理。經1 200輪訓練迭代后，基于PSO-SVM的通信電纜故障檢測模型在測試集上的識別準確率達99.4%。

平均絕對誤差（mean absolute error， MAE）用于評估模型預測值與實際觀測值之間的平均絕對差異。均方根誤差（root mean squared error， RMSE）用于評估預測結果與真實值之間的差異程度。MAE、RMSE值越小，模型的預測精度和準確性越好，經過1 200輪訓練迭代后，基于CNN-LSTM的通信電纜故障定位模型在測試集上的MAE為0.334 9，RMSE為0.320 8。

采用單獨的CNN模型和LSTM模型對相同數據集進行對比實驗，實驗結果如表3所示。

由表3可知，基于CNN-LSTM的通信電纜故障定位模型結合了CNN、LSTM兩種模型的特點，能夠更全面地利用通信電纜行波數據中的空間和時序特征，在故障點位置預測任務中，其MAE對比單獨使用CNN和LSTM模型分別降低了0.363 2和0.207，RMSE分別降低了0.586 7和0.381 7，準確率分別提高了9.47%和6.2%。

6 結論

本文為解決通信電纜故障檢測與定位的問題，首先，搭建通信電纜仿真模型來采集數據樣本；然后，在基于PSO-SVM的通信電纜故障檢測模型中，利用PSO算法對SVM模型的超參數進行優化，實現不同故障的有效分類；接著，在基于CNN-LSTM的通信電纜故障定位模型中，先通過CNN提取行波數據的空間特征，再通過LSTM學習數據中的時間序列信息，實現對通信電纜故障點的精確定位；最后，通過對比實驗證明，基于CNN-LSTM的通信電纜故障定位模型的網絡精度較單獨使用CNN和LSTM模型均有顯著提升。未來在進一步優化模型性能的基礎上，結合實際場景數據進行更全面的驗證和應用。

參考文獻

[1]GILANY M， KHALIL IBRAHIM D. Traveling-wave-based fault-location scheme for multiend-aged underground cable system[J]. IEEE Transactions on power delivery， 2006，22（1）： 82-89.

[2]鹿洪剛，覃劍，陳祥訓，等.電力電纜故障測距綜述[J].電網技術，2004，28（20）：58-63.

[3]袁燕嶺，李世松，董杰，等.電力電纜診斷檢測技術綜述[J]. 電測與儀表，2016（11）：1-7.

[4]JENA S， MISHRA D P， SALKUTI S R. Fault detection， classification， and location in underground cables[M]// Power Quality in Microgrids： Issues， Challenges and Mitigation Te-chniques. Singapore： Springer Nature Singapore， 2023：195-215.

[5]高恩嵩.電橋法在電纜低阻故障點探測中的應用[J].電工技術，2017（8）：89-90.

[6]張金亮.基于人工智能的電纜故障精確定位與實現技術[D].山東大學，2023.

[7]YANG X， CHOI M S， LEE S J， et al. Fault location for underground power cable using distributed parameter ap-proach[J]. IEEE Transactions on Power Systems， 2008，23（4）： 1809-1816.

[8]JANANI H， KORDI B. Towards automated statistical partial discharge source classification using pattern recognition tech-niques[J]. High Voltage， 2018，3（3）：162-169.

[9]VAPNIK V. The nature of statistical learning theory[M]. Springer science & business media， 1999.

[10]曹嘉嘉，嚴圓，陳益等.基于PSO優化的SVM在心臟病分類上的應用[J].東莞理工學院學報，2022，29（3）：50-56.

[11]FENG G H. SVM classification kernel function and parameter selection comparison[J]. Computer Engineering and Applica-tions， 2011，47：123-124.

[12]JIAO L， LI Y， GONG M， et al. Quantum-inspired immune clonal algorithm for global optimization[J]. IEEE Transactions on Systems， Man， and Cybernetics， Part B （Cybernetics）， 2008， 38（5）：1234-1253.

[13]WANG Y， HOU L， PAUL K C， et al. ArcNet： Series AC arc fault detection based on raw current and convolutional neural network[J]. IEEE Transactions on Industrial Informatics， 2021， 18（1）：77-86.

[14]WU Y， ZHANG P， LU G. Detection and location of aged cable segment in underground power distribution system using deep learning approach[J]. IEEE Transactions on Industrial Infor-matics， 2021，17（11）：7379-7389.

[15]馮寅，賈宏濤，楊震強，等.基于CNN-LSTM的輸電線路故障診斷方法研究[J].電網與清潔能源， 2023，39（11）：59-65.

[16]姚海燕，張靜，留毅，等.基于多尺度小波判據和時頻特征關聯的電纜早期故障檢測和識別方法[J].電力系統保護與控制，2015，43（9）：115-123.

[17]CHI P， ZHANG Z， LIANG R， et al. A fault diagnosis method of double-layer LSTM for 10 kV single-core cable based on multiple observable electrical quantities[J]. Electrical Engi-neering， 2022，104（2）：603-614.

作者簡介：

黃藝航，男，1999年生，在讀研究生，主要研究方向：智能測控。

蔡凱武，男，1984年生，碩士研究生，副教授，主要研究方向：智能測控。E-mail： Caikw@gdut.edu.cn

黃曉智，男，1999年生，在讀研究生，主要研究方向：智能測控。

袁澄，男，1999年生，在讀研究生，主要研究方向：智能測控。

梁恩源，男，2000年生，在讀研究生，主要研究方向：智能測控。

林智海，男，2000年生，在讀研究生，主要研究方向：智能測控。