(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111611821.5 (22)申请日 2021.12.27 (71)申请人 国网山西省电力公司阳泉供电公司 地址 045000 山西省阳泉市城区德胜东 街 333号 申请人 北方工业大 学 (72)发明人 周涛　赵嘉兴　郭建斌　姜涛　 王瑞刚　朱晓中　万庆祝　闫旭阳　 李伊梦　郑帅　袁润娇　 (74)专利代理 机构 江阴市权益专利代理事务所 (普通合伙) 32443 专利代理师 舒平 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06F 113/16(2020.01) G06F 119/02(2020.01) (54)发明名称 基于小样本机器学习模型的电缆本体故障 识别方法 (57)摘要 本发明涉及一种基于小样本机器学习模型 的电缆本体故障识别方法， 包括以下步骤： S1、 采 集电力电缆不同故障的感应电流信号， 建立样本 库； S2， 对S1中的样本库进行预处理， 构建小样本 训练集、 验证集和测试集； S3、 构建基于 卷积神经 网络和度量学习的小样本机器学习模型； S4、 将 S2中构建的训练集对机器学习模型进行训练； S5、 将S2中构建的验证集定期验证机器学习模 型， 当验证训练达到设定准确率后， 固化模型。 S6、 测试模型， 向S5中的固化模型输入电力电缆 感应电流谐波信号， 输出相应的分类标签， 最终 获得电力电缆本体故障所属的类别。 本发明可有 效避免工程应用中数据样本难以采集， 标注工作 量大等问题， 尤其适用于工程应用中数据样本少 的情况。 权利要求书2页 说明书4页 附图3页 CN 114519293 A 2022.05.20 CN 114519293 A 1.一种基于小样本机器学习模型的电缆本体故障识别方法， 其特征在于： 包括以下步 骤： S1、 采集电力电缆 不同故障的感应电流信号， 建立样本库； S2， 对S1中的样本库进行 预处理， 构建小样本训练集、 验证集和 测试集； S3、 构建基于卷积神经网络和度量学习的小样本 机器学习模型； S4、 将S2中构建的训练集对机器学习模型进行训练； S5、 将S2中构建的验证集定期验证机器学习模型， 当验证训练达到设定准确率后， 固化 模型。 S6、 测试模型， 向S5中的固化模型输入电力电缆感应电流谐波信号， 输出相应的分类标 签， 最终获得电力电缆本体故障所属的类别。 2.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法， 其 特征在于： 数据预处理包括数据清洗、 数据提取、 数据标注和构造特征标签； S2包括以下步 骤： S2‑1、 数据清洗： 删除步骤S1建立的原始样本库中的无效数据、 重 复数据， 处理缺失值、 异常值； S2‑2、 数据提取： 对S2 ‑1处理后的样本库中的感应电流信号进行傅里叶变换， 提取2~10 次的电流谐波信号； S2‑3、 数据标注： 对步骤S2 ‑2获得的样本添加标签进行标记， 所述标签为电缆本体故障 类别； S2‑4、 构造特 征标签。 3.根据权利要求2所述的一种基于小样本机器学习模型的电缆本体故障识别方法， 其 特征在于： S2 ‑2中的数据提取还可采用小 波变换。 4.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法， 其 特征在于： 构造特 征标签包括总谐波失真率、 高次谐波占比和谐波含有率。 5.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法， 其 特征在于： 数据集包含8 00类， 随机选取  500类为训练集， 200类为验证集， 剩余100类为测试 集； 训练集、 验证集和 测试集的类别不交叉。 6.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法， 其 特征在于： S1中， 电缆感应电流信号包括感应电流的2~10次的电流谐波信号、 时间信息、 以 及电缆的识别 信息和故障的类别 信息。 7.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法， 其 特征在于： S 3中， 卷积神经网络是信号检测识别的特征描述子， 包括卷积层、 池化层、 批量归 一化层。 8.根据权利要求7所述的一种基于小样本机器学习模型的电缆本体故障识别方法， 其 特征在于： 采用Conv4对感应电流信号进行特征提取， 每个卷积块由64个3*3卷积核的卷积 层、 批量归一 化层、 Relu激活函数层和2*2最大池化层组成。 9.根据权利要求1所述的一种基于小样本机器学习模型的电缆本体故障识别方法， 其 特征在于： S3中， 度量学习的度量手段包括曼哈顿距离、 欧式距离、 马氏距离、 切比雪夫距 离、 余弦距离 。权　利　要　求　书 1/2 页 2 CN 114519293 A 210.根据权利要求1所述的一种基于小样本机器学习 模型的电缆本体故障识别方法， 其 特征在于： S4中， 将S2的训练集数据输入小样本机器学习模型， 每个训练周期， 从训练集中 随机抽取N类， 每 类采样k个样本作为支持集S，  b个样本作为 查询集Q， 目标函数为： 其中， S和B分别为训练集中随机抽取的支持样本集和查询样本集， θ为模型的参数集 合， x表示 查询样本集B中的样本， y表示x的预测标签。 11.根据权利要求9所述的一种基于小样本机器学习 模型的电缆本体故障识别方法， 其 特征在于： 采用余弦距离计算样本间的相似度， 当向量a  (x11 , x12 , x13,  …, x1n） 和b (x21,x22,x23,…,x2n)都在一个向量空间中， 则有： 将余弦距离做归一 化， a=softmax  (cosθ )， 输入样本的预测类别为： 其中，a为训练得到的注意力核函数， k为数据集M的类别数， xi表示数据集M中的标记样 本，yi表示xi的标签。权　利　要　求　书 2/2 页 3 CN 114519293 A 3