阅读说明：本技术 一种电缆局部放电在线监测缺陷辨识方法 (Cable partial discharge online monitoring defect identification method ) 是由 潘文霞 李昕芮 熊蕙 卢为 刘东超 于 2020-06-22 设计创作，主要内容包括：本发明涉及一种电缆局部放电在线监测缺陷辨识方法,基于φ-OTDR原理,针对局部放电的电缆实现在线监测,获得对电缆缺陷类型的辨识,其中利用在线监测数据,建立局部放电监测数据的自回归滑动平均模型,获取局部放电的特征矢量,最后建立并训练随机森林分类模型,从而获得应用电缆缺陷识别模型,用于实际当中电缆绝缘缺陷类型的识别；如此设计方案突破了现有技术的限制,弥补了现有技术的不足,能够在基于φ-OTDR原理电缆局部放电在线监测中,实现电缆绝缘缺陷类型辨识,且方法辨识准确度较高,无需额外添加设备,实际应用中对电缆运行状态监测和故障检修具有重要意义。(The invention relates to a cable partial discharge on-line monitoring defect identification method, which is based on a phi-OTDR principle, realizes on-line monitoring aiming at a cable with partial discharge and obtains the identification of the cable defect type, wherein an autoregressive moving average model of the partial discharge monitoring data is established by utilizing on-line monitoring data, a characteristic vector of the partial discharge is obtained, and finally a random forest classification model is established and trained, so that an application cable defect identification model is obtained and is used for identifying the cable insulation defect type in practice; the design scheme breaks through the limitation of the prior art, overcomes the defects of the prior art, can realize the type identification of the insulation defect of the cable in the online monitoring of the partial discharge of the cable based on the phi-OTDR principle, has higher identification accuracy, does not need additional equipment, and has important significance for the monitoring of the running state of the cable and the fault maintenance in practical application.)

一种电缆局部放电在线监测缺陷辨识方法

技术领域

本发明涉及一种电缆局部放电在线监测缺陷辨识方法，属于电缆在线监测技术领域。

背景技术

电缆广泛应用于城市配电网、跨海输电及其它特殊场合。大规模的电缆应用伴随着电缆事故的频发，统计表明不计外力破坏的条件下，43.7％的电缆事故由电缆绝缘问题引起。电缆绝缘问题的早期表现与电缆的局部放电密切相关，不同的绝缘缺陷所产生的电缆局部放电也存在差异。因此可以利用电缆局部放电的信息辨识电缆的缺陷类型，分析缺陷形成原因，进而采取措施减小电缆绝缘缺陷的出现。分析电缆局部放电，辨识电缆绝缘缺陷的类型，对减少电缆绝缘缺陷的产生，保证电力系统安全稳定运行有重要意义。传统的局部放电监测方法，在电缆局部放电监测中，定位方法复杂、精度差、监测信号易发生串扰。

发明内容

本发明所要解决的技术问题是提供一种电缆局部放电在线监测缺陷辨识方法，基于φ-OTDR原理，针对电缆局部放电实现在线监测，能够高效实现电缆缺陷的识别，保证电缆实际工作的稳定性。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种电缆局部放电在线监测缺陷辨识方法，用于针对局部放电电缆，实现缺陷辨别，包括电缆缺陷识别模型构建方法，以及应用电缆缺陷识别模型，针对局部放电电缆实现缺陷辨别；其中，电缆缺陷识别模型构建方法包括如下步骤A至步骤E；

步骤A.收集各根分别对应不同缺陷类型的电缆，构成样本集合，且一根电缆对应一种缺陷类型，然后进入步骤B；

步骤B.分别针对样本集合中的各根电缆，定位电缆中的各局部放电电缆段，进而获得样本集合中的各个局部放电电缆段，然后进入步骤C；

步骤C.分别针对样本集合中的各个局部放电电缆段，提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，并执行有效性验证，排除白噪声的干扰；进而获得样本集合中各局部放电电缆段分别所对应非白噪声的后向瑞利散射光光强变化量数据序列，然后进入步骤D；

步骤D.分别针对样本集合中的各局部放电电缆段，以局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列，建立其所对应的自回归滑动平均模型，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量；进而获得各局部放电电缆段分别所对应的特征矢量，然后进入步骤E；

步骤E.以各局部放电电缆段分别所对应的特征矢量作为输入，各局部放电电缆段所属电缆对应的缺陷类型作为输出，针对预设分类模型进行训练，获得电缆缺陷识别模型。

作为本发明的一种优选技术方案，所述应用电缆缺陷识别模型，针对局部放电电缆实现缺陷辨别，包括如下步骤：

步骤I.针对存在局部放电的目标电缆，定位目标电缆中的各局部放电目标电缆段，然后进入步骤II；

步骤II.分别针对目标电缆中的各局部放电目标电缆段，执行步骤C至步骤D的方法，获得各局部放电目标电缆段分别所对应的特征矢量，然后进入步骤III；

步骤III.分别针对各局部放电目标电缆段所对应的特征矢量，应用电缆缺陷识别模型，获得各局部放电目标电缆段分别所对应的缺陷类型，即获得目标电缆所对应的各个缺陷类型。

作为本发明的一种优选技术方案，所述步骤B包括如下步骤：

步骤B1.分别针对样本集合中的各根电缆，将电缆平均划分为N段，获得该电缆所对应的N个监测单元段，待完成对全部电缆的划分，然后进入步骤B2；

步骤B2.分别针对样本集合中的各根电缆，在预设监测周期内，针对电缆执行预设M次后向散射光光强变化量的测量，并分别针对该电缆上的各个监测单元段，按如下公式：

获得该电缆上各个监测单元段的振动系数K_n，其中，1≤n≤N，z_n表示该电缆上的第n个监测单元段，K_n表示该电缆上第n个监测单元段的振动系数，z_st表示所确认无局部放电的监测单元段，1≤m≤M，ΔI_m(z_n)表示该电缆上第n个监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量，ΔI_m(z_n)表示无局部放电监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量；进而获得各根电缆上各监测单元段的振动系数，然后进入步骤B3；

步骤B3.分别针对各根电缆上的各个监测单元段，判断监测单元段的振动系数是否不小于预设振动系数阈值，是则判定该监测单元段存在局部放电，该监测单元段即为局部放电电缆段；否则判定该监测单元段不存在局部放电；进而定位获得样本集合中各电缆上的各个局部放电电缆段，然后进入步骤C。

作为本发明的一种优选技术方案，所述步骤C中，分别针对样本集合中的各个局部放电电缆段，利用Ljung-Box检验方法，执行如下步骤C1至步骤C5，对所提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，实现有效性验证，排除白噪声的干扰；

步骤C1.提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，然后进入步骤C2；

步骤C2.基于预设最大延迟阶数T，且T小于后向瑞利散射光光强变化量数据序列的长度L，并结合1≤t≤T，获得后向瑞利散射光光强变化量数据序列分别对应各t阶滞后的自相关系数

然后进入步骤C3；

步骤C3.判断各个自相关系数是否均等于0，是则判定该后向瑞利散射光光强变化量数据序列为白噪声数据，删除该后向瑞利散射光光强变化量数据序列，并返回步骤C1；否则进入步骤C4；

步骤C4.按如下公式：

获得后向瑞利散射光光强变化量数据序列的统计量Q(T)，然后进入步骤C5；

步骤C5.根据预设显著性水平α，判断Q(T)是否大于1-α所对应自由度为T的χ²分布值，是则判定该后向瑞利散射光光强变化量数据序列为非白噪声数据，即获得该局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列；否则返回步骤C1。

作为本发明的一种优选技术方案，所述步骤D中，分别针对样本集合中的各局部放电电缆段，执行如下步骤D1至步骤D8，建立局部放电电缆段所对应的自回归滑动平均模型，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量；

步骤D1.应用单位根检验法，获得局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列的平稳性，并判定其为平稳序列或非平稳序列，其中，若判定其为平稳序列，则进入步骤D2；若判定其为非平稳序列，则进入步骤D8；

步骤D2.根据该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列的长度L，由指定高斯标准序列中依次随机提取各个值，并按提取顺序组成序列{ε₁、…、ε_L}，然后进入步骤D3；

步骤D3.按如下公式：

建立该非白噪声后向瑞利散射光光强变化量数据序列所对应的自回归滑动平均模型，然后进入步骤D4；其中，φ₀、φ₁、…、φ_p与θ₁、θ₂、…、θ_q为自回归滑动平均模型的系数，二者共同组成该非白噪声后向瑞利散射光光强变化量数据序列的特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]；x_l表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l个数据的拟合值，x_l-1、x_l-p分别表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l-1个数据、第l-p个数据，l-p≥1，ε_l、ε_l-1、ε_l-q分别表示序列{ε₁、…、ε_L}中第l个数据、第l-1个数据、第l-q个数据，l-q≥1；E(ε)表示序列{ε₁、…、ε_L}的平均值，Var(ε)表示序列{ε₁、…、ε_L}的方差满足σ_ε ²的正太分布，c∈{1、…、L}，d∈{1、…、L}，且c≠d，E(ε_cε_d)表示序列{ε₁、…、ε_L}中所有两两数据乘积的平均值；a∈{1、…、L}，b∈{1、…、L}，E(x_aε_b)表示所有分别来自{X}、{ε₁、…、ε_L}的两两数据乘积的平均值；

步骤D4.采用自相关系数与偏自相关系数曲线确定p、q是否为0，然后进入步骤D5；

步骤D5.基于步骤D4关于p、q的确定结果，选取各组p、q的值，并分别针对各组p、q值，应用预设方法，计算得到各组p、q值分别所对应的特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]，然后进入步骤D6；

步骤D6.分别针对各组特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]，将特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]带入步骤D3中所建立的自回归滑动平均模型中，拟合获得该特征矢量所对应的后向瑞利散射光光强变化量数据序列；进而获得各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，然后进入步骤D7；

步骤D7.针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，执行校验，并选取最优校验结果所对应的特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]唯一表示该局部放电电缆段实测的后向瑞利散射光光强变化量数据序列，即构成该局部放电电缆段所对应的特征矢量；

步骤D8.针对该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列，执行差分运算，更新该非白噪声后向瑞利散射光光强变化量数据序列为平稳序列，然后返回步骤D2。

作为本发明的一种优选技术方案：所述步骤D5中，分别针对各组p、q值，应用可用矩估计法、极大似然估计法、最小二乘法三者中的任意一种方法，计算得到各组p、q值分别所对应的特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]。

作为本发明的一种优选技术方案：所述步骤D7中，针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，采用AIC准则或BIC准则进行校验；

其中，AIC准则表达式如下：

式中，表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q；

并且AIC准则中，最优参数r’₀满足：

式中，M(L)为或

BIC准则表达式如下：

式中，表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q；

并且BIC准则中，最优参数r’₀满足：

式中，M(L)为

或

作为本发明的一种优选技术方案：所述预设分类模型为随机森林分类模型。

本发明所述一种电缆局部放电在线监测缺陷辨识方法，采用以上技术方案与现有技术相比，具有以下技术效果：

本发明所设计电缆局部放电在线监测缺陷辨识方法，基于φ-OTDR原理，针对局部放电的电缆实现在线监测，获得对电缆缺陷类型的辨识，其中利用在线监测数据，建立局部放电监测数据的自回归滑动平均模型，获取局部放电的特征矢量，最后建立并训练随机森林分类模型，从而获得应用电缆缺陷识别模型，用于实际当中电缆绝缘缺陷类型的识别；如此设计方案突破了现有技术的限制，弥补了现有技术的不足，能够在基于φ-OTDR原理电缆局部放电在线监测中，实现电缆绝缘缺陷类型辨识，且方法辨识准确度较高，无需额外添加设备，实际应用中对电缆运行状态监测和故障检修具有重要意义。

附图说明

图1是本发明所设计电缆局部放电在线监测缺陷辨识方法中样本电缆安装示意图；

图2为本发明所设计电缆局部放电在线监测缺陷辨识方法的流程示意图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

本发明所设计一种电缆局部放电在线监测缺陷辨识方法，用于针对局部放电电缆，实现缺陷辨别，包括电缆缺陷识别模型构建方法，以及应用电缆缺陷识别模型，针对局部放电电缆实现缺陷辨别；实际应用当中，如图2所示，执行如下步骤A至步骤E，实现电缆缺陷识别模型的构建。

步骤A.收集各根分别对应不同缺陷类型的电缆，构成样本集合，且一根电缆对应一种缺陷类型，然后进入步骤B。

这里步骤A中关于各根分别对应不同缺陷类型的电缆的收集，可以采用制作的方式，即制作带有不同类型局部放电的电缆，且一根电缆对应一种缺陷类型，然后利用光纤传感技术，监测电缆沿线光纤内的后向瑞利散射光光强变化量数据序列，得到电缆沿线各个位置的后向瑞利散射光光强变化量数据序列，并记录对应的局部放电类型。

步骤B.分别针对样本集合中的各根电缆，定位电缆中的各局部放电电缆段，进而获得样本集合中的各个局部放电电缆段，然后进入步骤C。

实际应用当中，上述步骤B具体执行如下步骤B1至步骤B3，完成上述对步骤B的执行设计。

步骤B1.分别针对样本集合中的各根电缆，将电缆平均划分为N段，获得该电缆所对应的N个监测单元段，待完成对全部电缆的划分，然后进入步骤B2。

步骤B2.分别针对样本集合中的各根电缆，在预设监测周期内，针对电缆执行预设M次后向散射光光强变化量的测量，并分别针对该电缆上的各个监测单元段，按如下公式：

获得该电缆上各个监测单元段的振动系数K_n，其中，1≤n≤N，z_n表示该电缆上的第n个监测单元段，K_n表示该电缆上第n个监测单元段的振动系数，z_st表示所确认无局部放电的监测单元段，1≤m≤M，ΔI_m(z_n)表示该电缆上第n个监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量，ΔI_m(z_n)表示无局部放电监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量；进而获得各根电缆上各监测单元段的振动系数，然后进入步骤B3。

步骤B3.分别针对各根电缆上的各个监测单元段，判断监测单元段的振动系数是否不小于预设振动系数阈值K_th，是则判定该监测单元段存在局部放电，该监测单元段即为局部放电电缆段；否则判定该监测单元段不存在局部放电；进而定位获得样本集合中各电缆上的各个局部放电电缆段，然后进入步骤C。实际应用当中，K_th可通过实验测定，K_th设置过大，则监测灵敏度低，K_th设置过小，则系统易发生误报。

步骤C.分别针对样本集合中的各个局部放电电缆段，提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，并执行有效性验证，排除白噪声的干扰；进而获得样本集合中各局部放电电缆段分别所对应非白噪声的后向瑞利散射光光强变化量数据序列，然后进入步骤D。

上述步骤C在实际应用中，分别针对样本集合中的各个局部放电电缆段，利用Ljung-Box检验方法，执行如下步骤C1至步骤C5，对所提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，实现有效性验证，排除白噪声的干扰。

Ljung-Box检验的原假设：后向瑞利散射光光强变化量数据序列都是独立的，总体的相关系数为0，即计算产生的某些不为0的相关系数，仅仅是由于随机抽样产生的误差。备用假设：后向瑞利散射光光强变化量的监测数据不是独立的，至少存在某一个

其中1≤t≤T。

步骤C1.提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，然后进入步骤C2。

步骤C2.基于预设最大延迟阶数T，且T小于后向瑞利散射光光强变化量数据序列的长度L，并结合1≤t≤T，获得后向瑞利散射光光强变化量数据序列分别对应各t阶滞后的自相关系数然后进入步骤C3。

步骤C3.判断各个自相关系数是否均等于0，是则判定该后向瑞利散射光光强变化量数据序列为白噪声数据，删除该后向瑞利散射光光强变化量数据序列，即原假设成立，并返回步骤C1；否则进入步骤C4。

步骤C4.按如下公式：

获得后向瑞利散射光光强变化量数据序列的统计量Q(T)，然后进入步骤C5。

步骤C5.根据预设显著性水平α，判断Q(T)是否大于1-α所对应自由度为T的χ²分布值，是则判定该后向瑞利散射光光强变化量数据序列为非白噪声数据，即获得该局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列，即Q(T)落在了上述原假设的拒绝域当中；否则返回步骤C1。

步骤D.分别针对样本集合中的各局部放电电缆段，以局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列，建立其所对应的自回归滑动平均模型Autoregression moving average(ARMA)，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量；进而获得各局部放电电缆段分别所对应的特征矢量，然后进入步骤E。

步骤D在实际的执行当中，分别针对样本集合中的各局部放电电缆段，执行如下步骤D1至步骤D8，建立局部放电电缆段所对应的自回归滑动平均模型(ARMA)，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量。

步骤D1.应用单位根检验法(ADF)，获得局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列的平稳性，并判定其为平稳序列或非平稳序列，其中，若判定其为平稳序列，则进入步骤D2；若判定其为非平稳序列，则进入步骤D8。

步骤D2.根据该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列的长度L，由指定高斯标准序列中依次随机提取各个值，并按提取顺序组成序列{ε₁、…、ε_L}，然后进入步骤D3。

步骤D3.按如下公式：

建立该非白噪声后向瑞利散射光光强变化量数据序列所对应的自回归滑动平均模型(ARMA)，然后进入步骤D4；其中，φ₀、φ₁、…、φ_p与θ₁、θ₂、…、θ_q为自回归滑动平均模型的系数，二者共同组成该非白噪声后向瑞利散射光光强变化量数据序列的特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]；x_l表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l个数据的拟合值，x_l-1、x_l-p分别表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l-1个数据、第l-p个数据，l-p≥1，ε_l、ε_l-1、ε_l-q分别表示序列{ε₁、…、ε_L}中第l个数据、第l-1个数据、第l-q个数据，l-q≥1；E(ε)表示序列{ε₁、…、ε_L}的平均值，Var(ε)表示序列{ε₁、…、ε_L}的方差满足σ_ε ²的正太分布，c∈{1、…、L}，d∈{1、…、L}，且c≠d，E(ε_cε_d)表示序列{ε₁、…、ε_L}中所有两两数据乘积的平均值；a∈{1、…、L}，b∈{1、…、L}，E(x_aε_b)表示所有分别来自{X}、{ε₁、…、ε_L}的两两数据乘积的平均值。

步骤D4.采用自相关系数与偏自相关系数曲线确定p、q是否为0，然后进入步骤D5。

上述步骤D4中关于p、q是否为0的确定，实际应用当中，采用自相关系数与偏自相关系数曲线，并按如下表1中的原则进行执行，表1中AR(p)表示p≠0,q＝0，MA(q)表示p＝0,q≠0，计算结果为p＝0,q＝0的后向瑞利散射光光强变化量的数据监测序列，为白噪声序列，会在步骤S2中被剔除掉。

ACF	PACF	ARMA模型类型
			拖尾	P阶截尾	AR(p)模型
q阶截尾	拖尾	MA(q)模型
			拖尾	拖尾	ARMA(q)模型

表1

步骤D5.基于步骤D4关于p、q的确定结果，选取各组p、q的值，并分别针对各组p、q值，应用预设方法，计算得到各组p、q值分别所对应的特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]，然后进入步骤D6。这里在具体实际的执行当中，分别针对各组p、q值，应用可用矩估计法、极大似然估计法、最小二乘法三者中的任意一种方法，计算得到各组p、q值分别所对应的特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]。

步骤D6.分别针对各组特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]，将特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]带入步骤D3中所建立的自回归滑动平均模型中，拟合获得该特征矢量所对应的后向瑞利散射光光强变化量数据序列；进而获得各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，然后进入步骤D7。

步骤D7.针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，执行校验，并选取最优校验结果所对应的特征矢量[φ₀、φ₁、…、φ_p,θ₁、θ₂、…、θ_q]唯一表示该局部放电电缆段实测的后向瑞利散射光光强变化量数据序列，即构成该局部放电电缆段所对应的特征矢量。

这里步骤D7中，所述针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，在实际应用当中，具体可以选择采用AIC准则或BIC准则进行校验。

其中，AIC准则表达式如下：

式中，

表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q。

并且AIC准则中，最优参数r’₀满足：

式中，M(L)为

或

BIC准则表达式如下：

式中，

表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q。

并且BIC准则中，最优参数r’₀满足：

式中，M(L)为

或

步骤D8.针对该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列，执行差分运算，更新该非白噪声后向瑞利散射光光强变化量数据序列为平稳序列，然后返回步骤D2。

步骤E.以各局部放电电缆段分别所对应的特征矢量作为输入，各局部放电电缆段所属电缆对应的缺陷类型作为输出，针对预设分类模型进行训练，具体针对随机森林分类模型进行训练，获得电缆缺陷识别模型。

实际应用过程在执行上述步骤A至步骤E，获得电缆缺陷识别模型之后，在后续的实际应用中，即可应用该电缆缺陷识别模型，针对局部放电电缆，具体执行如下步骤I至步骤III，实现电缆缺陷的辨别。

步骤I.针对存在局部放电的目标电缆，定位目标电缆中的各局部放电目标电缆段，然后进入步骤II。

步骤II.分别针对目标电缆中的各局部放电目标电缆段，执行步骤C至步骤D的方法，获得各局部放电目标电缆段分别所对应的特征矢量，然后进入步骤III。

步骤III.分别针对各局部放电目标电缆段所对应的特征矢量，应用电缆缺陷识别模型，获得各局部放电目标电缆段分别所对应的缺陷类型，即获得目标电缆所对应的各个缺陷类型。

将本发明设计电缆局部放电在线监测缺陷辨识方法，应用于如图1所示的实施例电缆，该实施例中样本电缆的长度为5米，传感光纤为普通单模光纤，长为5米，传感光纤紧密敷在电缆表面，电缆缺陷在7kV电压作用下，平均视在放电量为100pC。

在本实施例中，利用上述所设计电缆局部放电在线监测缺陷辨识方法，对电缆局部放电缺陷类型进行辨识，实验设置三类缺陷，每一类缺陷采集125组样本，共375组样本，经交叉检验该方法辨识的准确度为98.36％，具有较高的辨识准确度。

通过本实施例可以看出，本发明设计电缆局部放电在线监测缺陷辨识方法，能够辨识出不同的电缆绝缘缺陷类型，具有较高的辨识准确度，而且该方法不需要额外的设备，成本低，能够在线报告电缆缺陷类型，对电缆的运行状态监测和故障检修具有重要的意义。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。