TWI781006B

TWI781006B - 遠端電力電纜瑕疵故障檢測方法

Info

Publication number: TWI781006B
Application number: TW110146443A
Authority: TW
Inventors: 王孟輝; 呂學德; 洗鴻瑋
Original assignee: 國立勤益科技大學
Priority date: 2021-12-10
Filing date: 2021-12-10
Publication date: 2022-10-11
Also published as: TW202324277A

Abstract

一種遠端電力電纜瑕疵故障檢測方法，係用於擷取電力電纜的一局部放電脈衝信號，並將該局部放電脈衝信號傳送給一電腦運算系統，該電腦運算系統會將該局部放電脈衝訊號透過一離散小波轉換分析法來消除該局部放電脈衝訊號的雜訊，再利用一對稱點圖像分析法來取得該局部放電脈衝訊號的一特徵圖像，最後將該特徵圖像透過一卷積可拓類神經網路來辦識出該交聯聚乙烯電力電纜係符合一電力電纜絕緣瑕疵模型中的哪種故障類型。

Description

遠端電力電纜瑕疵故障檢測方法

本發明是關於一種遠端電力電纜瑕疵故障檢測方法，特別涉及一種可針對不同電力電纜瑕疵所引發的不同局部放電脈衝訊號的變化，來診斷出該電力電纜絕緣故障類型的一種遠端電力電纜瑕疵故障檢測方法。

隨著電力使用普及與便利性暨追求國家經濟發展，為了滿足社會對電力與日俱增的需求，且維持高度經濟競爭力，使得輸配電系統不斷朝向提高輸電電壓、增大容量的方向發展，由於電力的傳輸已廣泛運用電力電纜，成為輸配電系統中最重要且必須的設備之一，然而電力電纜設備在長時間運轉要求下，傳輸電力之電力電纜的絕緣材料必須負荷較高的耐壓，以及難免遭遇人為施工不慎、自然災害、絕緣劣化與其它因素，導致電力電纜之絕緣材料發生絕緣性能損壞，甚至內部產生局部放電現象，輕者造成電力傳輸中斷，重者引起火災、人員傷害。

並且隨著電網規模越來越大，電力電纜線路規模也隨之變大，因此如何確保電纜線路安全就變得十分關鍵。只是電纜故障情況及架設電纜環境比較複雜則多變化，進而造成故障訊號獲取困難，因此如何在遠端監測和故障診斷的問題，乃是業界與學界亟於解決的問題之一。

有鑑於此，本發明可從近端或遠端來監控電力電纜瑕疵所引發的不同局部放電訊號的變化，來快速準確的診斷推理出該電力電纜絕緣故障的類型，進而讓維修人員能快速針對該電纜的故障類型進行修復，以確保電纜線路的運行安全及相關人員的自身安全。

本發明目的在於提供一種遠端電力電纜瑕疵故障檢測方法，藉以針對不同電力電纜瑕疵所引發的不同局部放電脈衝訊號的變化，來診斷出該電力電纜絕緣故障的類型。

為了達成上述目的，本發明實施例所揭露之遠端電力電纜瑕疵故障檢測方法，至少包括如下步驟：第一步驟：一升壓電路接收一外部電源。第二步驟：該升壓電路產出至少22.8kV以上的高壓電。第三步驟：將該高壓電施加於一交聯聚乙烯電力電纜上。第四步驟：將該交聯聚乙烯電力電纜的接地端連接一高頻電流感測器，用以感測該交聯聚乙烯電力電纜接地端的一局部放電脈衝訊號。第五步驟：該局部放電脈衝訊號透過一高速資料擷取卡電性傳送或網路傳送給一電腦運算系統，該電腦運算系統先利用一離散小波轉換分析法來消除該局部放電脈衝訊號的雜訊，再利用一對稱點圖像分析法來取得已消除雜訊的局部放電脈衝訊號的特徵圖像，最後再將該特徵圖像透過一卷積可拓類神經網路來辦識出該交聯聚乙烯電力電纜係符合一電力電纜絕緣瑕疵模型中的哪種絕緣瑕疵故障類型。

其中該離散小波轉換分析法具有如下步驟：第一步驟：資料建立；先選擇母小波函數(Mother Wavelet)，將該局部放電脈衝訊號與母小波函數相似的訊號濾出。第二步驟：再選擇解析階層數，將該局部放電脈衝訊號由各階層中分解出來，並濾除該局部放電脈衝訊號之背景雜訊。第三步驟：最後設定門檻規則與訊號濾波，利用該門檻規則來設定濾除雜訊門檻基準值，以分解出該局部放電脈衝訊號的高頻與低頻的雜訊成分，再進行濾除雜訊動作。

其中該對稱點圖像分析法係將該已濾除雜訊後的局部放電脈衝訊號的波形轉換為極座標平面的定位點，用以呈現出具有類似雪花形狀的六重對稱性的特徵圖像。

其中該卷積可拓類神經網路具有如下步驟：第一步驟：將該特徵圖像進行卷積運算來提取該特徵圖像的特徵。第二步驟：將該特徵圖像進行特徵組合和降維，再將卷積與池化過程的多維陣列結果，經由維度轉換為一維陣列的辨識樣本。第三步驟：將該特徵圖像的一維陣列的訓練樣本進行一可拓類神經網路訓練法則，用以將該特徵圖像訓練樣本的特徵權重進行調整與分類，獲得理想的權重區分與權重中心。第四步驟：將該特徵圖像辨識樣本透過卷積與池化運算後，再透過一可拓類神經網路辨識法則來辦識出該交聯聚乙烯電力電纜係符合一電力電纜瑕疵模型中的哪種絕緣瑕疵故障類型。

以上關於本發明內容的說明及以下實施方式的說明係用以示範與解釋本發明的原理，並且提供本發明的專利申請範圍更進一步的解釋。

1:遠端電力電纜瑕疵故障檢測系統

11:升壓轉換電路

12:交聯聚乙烯電力電纜

121:銅導體

122:交聯聚乙烯電力電纜絕緣層

1221:雜質

123:外半導電層

124:遮蔽層

125:聚氯乙烯被覆層

1251:損傷

126:終端接頭

1261:應力錐

13:高頻電流感測器

14:高速資料擷取卡

15:電腦運算系統

151:離散小波轉換分析法

152:對稱點圖像分析法

153:卷積可拓類神經網路

154:電力電纜絕緣瑕疵模型

S10~S14:步驟

S20~S27:步驟

S30~S39:步驟

S40~S47:步驟

圖1為本發明的遠端電力電纜瑕疵故障檢測系統的整體方塊示意圖；

圖2為本發明的遠端電力電纜瑕疵故障檢測方法的步驟流程圖；

圖3為本發明的電腦運算系統的步驟流程圖；

圖4為本發明的可拓類神經網路訓練法則的步驟流程圖；

圖5為本發明的可拓類神經網路辨識法則的步驟流程圖；

圖6A為本發明之電力電纜瑕疵模型中的正常電力電纜的模型示意圖；

圖6B為本發明之電力電纜瑕疵模型中的外半導電層過短的瑕疵模型示意圖；

圖6C為本發明之電力電纜瑕疵模型中的交聯聚乙烯電力電纜絕緣層內存在雜質的瑕疵模型示意圖；

圖6D為本發明實施例之電力電纜瑕疵模型中的聚氯乙烯被覆層具有損傷的瑕疵模型示意圖；

圖7A為本發明之電力電纜瑕疵模型中的正常電力電纜的局部放電訊號之對稱點圖像；

圖7B為本發明之電力電纜瑕疵模型中的外半導電層過短的局部放電訊號之對稱點圖像；

圖7C為本發明之電力電纜瑕疵模型中的交聯聚乙烯電力電纜絕緣層內存在雜質的局部放電訊號之對稱點圖像；

圖7D為本發明之電力電纜瑕疵模型中的聚氯乙烯被覆層具有損傷的局部放電訊號之對稱點圖像。

為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地說明，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬本發明保護的範圍。

請參閱圖1，圖1為本發明的遠端電力電纜瑕疵故障檢測系統的整體方塊示意圖。本發明實施例之遠端電力電纜瑕疵故障檢測系統1，至少包括一升壓轉換電路11、一交聯聚乙烯電力電纜(Cross-linked Polyethylene Insulated Cable，簡稱XLPE)12、一高頻電流感測器(High Frequency Current Transformer Sensor，簡稱HFCT)13、一高速資料擷取卡14及一電腦運算系統15。其中該升壓轉換電路11電性連接該交聯聚乙烯電力電纜12與該高速資料擷取卡14，該交聯聚乙烯電力電纜12電性連接該高頻電流感測器13，該高頻電流感測器13電性連接該高速資料擷取卡14，該高速資料擷取卡14電性連接或網路連接該電腦運算系統15。

以上，需要特別說明的是：本發明實施例之遠端電力電纜瑕疵故障檢測系統1係用於擷取電力電纜的局部放電信號，因此當該升壓轉換電路11接收到一外部電源後，會將該外部電源進行電壓調節，並產生出22.8kV或22.8kV以上的高壓電。然後再將該高壓電施加於該交聯聚乙烯電力電纜12上，並將該高頻電流感測器13連接於該交聯聚乙烯電力電纜12的接地端，用以感測該交聯聚乙烯電力電纜12接地端之局部放電脈衝訊號。該局部放電脈衝訊號會再透過該高速資料擷取卡14電性傳送或網路傳送給該電腦運算系統15進行分析，然後該電腦運算系統15會先將該局部放電脈衝訊號透過一離散小波轉換(Discrete Wavelet Transform，簡稱DWT)分析法151來消除該局部放電脈衝訊號的雜訊，然後再利用一對稱點圖像(Symmetrized Dot Pattern，簡稱SDP)分析法152來取得該局部放電脈衝訊號的特徵圖像，最後該特徵圖像再透過一卷積可拓類神經網路153來辦識出該交聯聚乙烯電力電纜12係符合一電力電纜絕緣瑕疵模型154中的哪種故障類型。

請參閱圖2，圖2為本發明的遠端電力電纜瑕疵故障檢測方法的步驟流程圖。本發明實施例的遠端電力電纜瑕疵故障檢測方法，包括如下步驟：

第一步驟S10：一升壓電路接收一外部電源。

第二步驟S11：該升壓電路產出至少22.8kV以上的高壓電。

第三步驟S12：將該高壓電施加於一交聯聚乙烯電力電纜上。

第四步驟S13：將該交聯聚乙烯電力電纜的接地端連接一高頻電流感測器，用以感測該交聯聚乙烯電力電纜接地端的一局部放電脈衝訊號。

第五步驟S14：該局部放電脈衝訊號透過一高速資料擷取卡電性傳送或網路傳送給一電腦運算系統，該電腦運算系統先利用一離散小波轉換分析法來消除該局部放電脈衝訊號的雜訊，再利用一對稱點圖像分析法來取得已消除雜訊的局部放電脈衝訊號的特徵圖像，最後再將該特徵圖像透過一卷積可拓類神經網路來辦識出該交聯聚乙烯電力電纜係符合一電力電纜絕緣瑕疵模型中的哪種絕緣瑕疵故障類型。

請參閱圖3，圖3為本發明的電腦運算系統的步驟流程圖。本發明實施例的電腦運算系統15所採用的離散小波轉換分析法151的步驟，至少包括：

第一步驟S20：先選擇母小波函數(Mother Wavelet)，將該局部放電脈衝訊號與母小波函數相似的訊號濾出。其中該母小波函數係為利用一皮爾森(Pearson)相關係數γ來度量一多貝西小波(Daubechies Wavelet)函數(db1~db10)與電力電纜局部放電脈衝訊號之間的線性相依程度，並選擇相關係數最大γ值，以找出最符合局部放電脈衝訊號之母小波函數。其中該Pearson相關係數γ式的方程式為：

其中，X為原始局部放電脈衝訊號；

為原始局部放電脈衝訊號的平均值；Y為消除雜訊的局部放電脈衝訊號；

為消除雜訊的局部放電脈衝訊號平均值。

第二步驟S21：再選擇解析階層數，將該局部放電脈衝訊號由各階層中分解出來，並濾除該局部放電脈衝訊號之背景雜訊。其中該解析階層數係利用離散小波轉換(Discrete Wavelet Transform，簡稱DWT)方程式來分解出離散小波轉換各階層之頻寬範圍，當離散小波轉換解析階層設置為5個，細部係數(高頻)頻寬為0.625MHz~20MHz，近似係數(低頻)頻寬為低於0.625MHz，便能有效地將局部放電訊號由各階層中分解出來，並且濾除局部放電訊號之背景雜訊，亦不會造成系統運算多餘的負擔。其中該離散小波轉換方程式為：

其中，cA _j為近似係數(低頻部分)；cD _j為細節係數(高頻部分)；g(n)為濾波器係數；h(n)為高通濾波器係數；S _j為原始訊號。

第三步驟S22：最後設定門檻規則與訊號濾波，利用該門檻規則來設定濾除雜訊門檻基準值，以分解出該局部放電脈衝訊號的高頻與低頻的雜訊成分，再進行濾除雜訊動作。其中該門檻規則係利用通用(Universal Threshold)門檻規則來設定濾除雜訊門檻基準值，透過每一解析階層中的中位數乘於門檻基準值，達成自動制訂符合各解析階層之門檻基準值，該門檻基準值的方程式為：

其中，λ_j為解析階層j的門檻值；σ_j為解析階層j的中位數；n _j為第j階層的訊號長度。

本發明實施例的電腦運算系統15所採用的對稱點圖像分析法152的步驟S23：將該已濾除雜訊後的局部放電脈衝訊號的波形轉換為極座標平面的定位點，用以呈現出具有類似雪花形狀的六重對稱性的特徵圖像。其中該極座標平面P 的定位點具有一極座標的半徑γ(i)、一極座標的順時針旋轉角度α_cw(i)、一極座標的逆時針旋轉角度α_ccw(i)。其中該極坐標中的半徑γ(i)的方程式為：

其中，x _min為時域局部放電訊號X的最小振幅值；x _max為時域局部放電訊號X的最大振幅值；x _i為局部放電訊號點。

其中該極座標中的順時針旋轉角度α_cw(i)的方程式為：

其中該極座標中的逆時針旋轉角度α_ccw(i)的方程式為：

其中，

為鏡像對稱平面初始旋轉角度(

,m=1,2,3,...,n)，n是鏡像對稱平面數量(n通常為6)；△T是時間間隔(範圍值1~10之間)；ζ是旋轉角的放大係數(通常小於

的數值)；x _i+△T是相鄰間隔時間△T之後的局部放電訊號X的第i+△T個取樣點。

本發明實施例的電腦運算系統15所採用的卷積可拓類神經網路153的步驟，至少包括：

第一步驟S24：將該特徵圖像進行卷積運算來提取該特徵圖像的特徵。該特徵圖像藉由一卷積層具有局部感知與權重共享的特色，可將圖像逐漸萃取出更細緻及具代表性的特徵圖像。

第二步驟S25：將該特徵圖像進行特徵組合和降維，再將卷積與池化過程的多維陣列結果，經由維度轉換為一維陣列的訓練樣本。接續使用池化層讓特徵圖像能保持一定程度且平移不變性之降維，最後將卷積與池化過程的多維陣列結果，經由維度轉換為一維陣列數據。

第三步驟S26：將該特徵圖陣列數據像進行一可拓類神經網路訓練法則，用以將該特徵圖像訓練樣本的特徵權重進行調整與分類，獲得理想的權重區分與權重中心。

第四步驟S27：將該特徵圖像辨識樣本透過卷積與池化運算後，再透過一可拓類神經網路辦識法則來辦識出該交聯聚乙烯電力電纜係符合一電力電纜瑕疵模型中的哪種絕緣瑕疵故障類型。

請參閱圖4，圖4為本發明的卷積可拓類神經網路訓練法則的步驟流程圖。本發明實施例的卷積可拓類神經網路訓練法則至少有如下步驟：

第一步驟S30：該特徵圖像進行卷積運算來提取該特徵圖像的特徵。該特徵圖像進行一卷積運算，將使用大小為3×3的遮罩進行卷積，然後每次移動1個步長，將原始輸入圖像之所有像素被該遮罩內積完成後，即可得到特徵圖像。其中該卷積運算係為透過遮罩內積對輸入原始圖像

之所有像素運算完成後，便可獲得輸出特徵像圖

。

其中M ^p,q為第p個輸入特徵圖像(Input Feature Image)對應到第q個輸出特徵圖像(Output Feature Image)之卷積核，×為卷積運算，L為輸入特徵圖像的數量，K為輸出特徵圖像的數量。

第二步驟S31：將該特徵圖像進行特徵組合和降維，再將卷積與池化過程的多維陣列結果，經由維度轉換為一維陣列的辨識樣本。該特徵圖像進行一池化運算，將該特徵圖像分割2×2為一個顏色區塊，將一個顏色區塊為單位像素取最大值，即可得到一最大池化(Max Pooling)輸出。其中該池化運算係經過最大池化法運算方法，將輸入特徵圖像(IF _i,j)為L×L，轉換成降維特徵圖像(OF _i,j)為

×

。

OF _i,j=Max(IF _2i,2j ,IF _2i,2j+1 ,IF _2i+1,2j ,IF _2i+1,2j+1),0≦i,j≦(

-1)

第三步驟S32：依據特徵物元模型，設定連接輸入節點與輸出節點間的權重值。

其中，R _k為多維物元，不同訓練樣本以N _k表示，k=1,2,...,n _c，j=1,2,...,n，c _j為訓練樣本N _k之各種特徵，V _kj=〈W _kj,U _kj〉表示特徵的權重區間，其權重區間經由訓練集合中取得。

其中i=1,2,...,N _p；j=1,2,...,n。

第四步驟S33：計算每個特徵的權重中間值。

Z _k={Z _k1 ,Z _k2 ,...,Z _kn}

Z _kj=(W _kj+U _kj)/2

其中k=1,2,...,n _c；j=1,2,...,n。

第五步驟S34：讀取i ^th訓練樣本以及特徵值p。

,p

n _c

第六步驟S35：使用可拓距離計算出每一筆訓練資料與k ^th群聚間的距離。

其中k=1,2,...,n _c。

第七步驟S36：尋找k，使ED _ik=min{ED _ik}。若k=p則跳至步驟九，否則就到步驟八。

第八步驟S37：更新p ^th和k ^th的權重值如下：

(a)更新p ^th和k ^th的權重中間值。

(b)更新p ^th和k ^th的權重值。

其中η為學習率。

第九步驟S38：重複步驟五至步驟八，直到所有樣本都已經分類完成。

第十步驟S39：訓練結束後，即可得到理想的權重區間與權重中心，即將所有待測的資料進行分類。

請參閱圖5，圖5為本發明的可拓類神經網路辨識法則的步驟流程圖。本發明實施例的卷積可拓類神經網路辨識法則具有如下步驟：

第一步驟S40：讀取卷積可拓類神經網路已訓練的權重矩陣。

第二步驟S41：計算每個權重中間值。

Z _k={Z _k1 ,Z _k2 ,...,Z _kn}

Z _kj=(W _kj+U _kj)/2

其中k=1,2,...,n _c；j=1,2,...,n；W _kj為最大權重區間；U _kj為最小的權重區間。

第三步驟S42：讀取辨識樣本資料。

第四步驟S43：該特徵圖像進行卷積運算來提取該特徵圖像的特徵。

主要是進行一卷積運算，將使用大小為3×3的遮罩進行卷積，然後每次移動1個步長，將原始輸入圖像之所有像素被該遮罩內積完成後，即可得到特徵圖像。其中該卷積運算係為透過遮罩內積對輸入原始圖像

之所有像素運算完成後，便可獲得輸出特徵像圖

。

,q=1,...,K

第五步驟S44：將該特徵圖像進行特徵組合和降維，再將卷積與池化過程的多維陣列結果，經由維度轉換為一維陣列的辨識樣本。主要是進行一池化運算，將該特徵圖像分割2×2為一個顏色區塊，將一個顏色區塊為單位像素取最大值，即可得到一最大池化輸出。其中該池化運算係經過最大池化法運算方法，將輸入特徵圖像(IF _i,j)為L×L，轉換成降維特徵圖像(OF _i,j)為

×

。

OF _i,j=Max(IF _2i,2j,IF _2i,2j+1,IF _2i+1,_2j,IF _2i+1,2j+1),0≦i,j≦(

-1)

第六步驟S45：以可拓距離來計算辨識樣本跟每個群聚的距離，方程式如下：

其中k=1,2,...,n _c。

第七步驟S46：尋找k，使ED _ik=min{ED _ik}及設定輸出O _ik=1，以辨識樣本的群聚類別。

第八步驟S47：若所有辨識樣本都已被分類完成，則停止，否則回到步驟三。

本發明實施例的電力電纜瑕疵模型為建立至少4種電力電纜瑕疵模型：

第一種為電力電纜正常的模型，其結構至少具有一銅導體121、一交聯聚乙烯電力電纜絕緣層122、一外半導電層123、一遮蔽層124、一聚氯乙烯(Poly Vinyl Chloride，簡稱PVC)被覆層125、一終端接頭126及該終端接頭的一應力錐1261所組合而成，如圖6A所示。並且該瑕疵模型會引發出該電力電纜正常時的局部放電訊號，其中該電力電纜正常時的局部放電訊號之對稱點圖像，為如圖7A所示。

第二種為外半導電層123過短的瑕疵模型。該第二種為建構該電力電纜的外半導電層123的長度太短，造成終端接頭126之應力錐1261不能定位於外半導電層123上的瑕疵模型，導致該應力錐1261功能失效，進而造成該終端接頭126內部的介電常數與電場產生不均勻分佈的情況，如圖6B所示。並且該瑕疵模型會引發出該外半導電層123過短時的局部放電訊號，其中該外半導電層過短時的局部放電訊號之對稱點圖像，為如圖7B所示；

第三種為交聯聚乙烯電力電纜絕緣層122內存在雜質1221的瑕疵模型。該第三種為建構該電力電纜施工時未進行清潔之瑕疵模型，如圖6C所示。並且該瑕疵模型會引發出該交聯聚乙烯電力電纜絕緣層122內殘留雜質1221時的局部放電訊號，其中該交聯聚乙烯電力電纜絕緣層122內殘留雜質1221時的局部放電訊號之對稱點圖像，為如圖7C所示。

第四種為聚氯乙烯被覆層125具有損傷1251的瑕疵模型。該第四種為建構該電力電纜在安裝、維修、拆卸或搬運過程中受到外力因素導致該絕緣層受損傷1251的瑕疵模型，如圖6D所示。並且該瑕疵模型會引發出該聚氯乙烯被覆層125具有損傷1251時的局部放電訊號，其中該聚氯乙烯被覆層125具有損傷1251時的局部放電訊號之對稱點圖像，為如圖7D所示。

雖然本發明以前述的諸項實施例揭露如上，然其並非用以限定本發明，任何熟習相像技藝者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，因此本發明的專利保護範圍須視本說明書所附的權利要求的保護範圍所界定者為准。

S10~S14:步驟

Claims

一種遠端電力電纜瑕疵故障檢測方法，包括如下步驟：

第一步驟：一升壓電路接收一外部電源；

第二步驟：該升壓電路產出至少22.8kV以上的高壓電；

第三步驟：將該高壓電施加於一交聯聚乙烯電力電纜上；

第四步驟：將該交聯聚乙烯電力電纜的接地端連接一高頻電流感測器，用以感測該交聯聚乙烯電力電纜接地端的一局部放電脈衝訊號；

第五步驟：該局部放電脈衝訊號透過一高速資料擷取卡電性傳送或網路傳送給一電腦運算系統，該電腦運算系統先利用一離散小波轉換分析法來消除該局部放電脈衝訊號的雜訊，再利用一對稱點圖像分析法來取得已消除雜訊的局部放電脈衝訊號的特徵圖像，最後再將該特徵圖像透過一卷積可拓類神經網路來辦識出該交聯聚乙烯電力電纜係符合一電力電纜絕緣瑕疵模型中的哪種絕緣瑕疵故障類型；

其中，該離散小波轉換分析法具有如下步驟：

第一步驟：資料建立；先選擇母小波函數，將該局部放電脈衝訊號與母小波函數相似的訊號濾出；

第二步驟：再選擇解析階層數，將該局部放電脈衝訊號由各階層中分解出來，並濾除該局部放電脈衝訊號之背景雜訊；

第三步驟：最後設定門檻規則與訊號濾波，利用該門檻規則來設定濾除雜訊門檻基準值，以分解出該局部放電脈衝訊號的高頻與低頻的雜訊成分，再進行濾除雜訊動作；

其中，該對稱點圖像分析法係將該已濾除雜訊後的局部放電脈衝訊號的波形轉換為極座標平面的定位點，用以呈現出具有類似雪花形狀的六重對稱性的特徵圖像；

其中，該卷積可拓類神經網路具有如下步驟：

第一步驟：該特徵圖像進行卷積運算來提取該特徵圖像的特徵；

第二步驟：將該特徵圖像進行特徵組合和降維，再將卷積與池化過程的多維陣列結果，經由維度轉換為一維陣列的訓練樣本；

第三步驟：將該特徵圖像的一維陣列的訓練樣本進行一可拓類神經網路訓練法則，用以將該特徵圖像樣本的特徵權重進行調整與分類，獲得理想的權重區分與權重中心；

第四步驟：將該特徵圖像辨識樣本透過卷積與池化運算後，再透過一可拓類神經網路辦識法則來辦識出該交聯聚乙烯電力電纜係符合一電力電纜瑕疵模型中的哪種絕緣瑕疵故障類型。
如請求項1所述之遠端電力電纜瑕疵故障檢測方法，其中該母小波函數係為利用一皮爾森相關係數γ來找出最符合局部放電脈衝訊號之母小波函數，其中該皮爾森相關係數γ式的方程式為：
如請求項1所述之遠端電力電纜瑕疵故障檢測方法，其中該解析階層數係利用離散小波轉換方程式來分解出離散小波轉換各階層之頻寬範圍，其中該離散小波轉換方程式為：

cA _j+1(n)=Σ_k S _j(n)g(2n-k)

cD _j+1(n)=Σ_k S _j(n)h(2n-k)。
如請求項1所述之遠端電力電纜瑕疵故障檢測方法，其中該門檻規則係利用一通用門檻規則來設定一濾除雜訊門檻基準值，其中該門檻基準值的方程式為：
如請求項1所述之遠端電力電纜瑕疵故障檢測方法，其中該極座標平面的定位點具有一極座標的半徑γ(i)、一極座標的順時針旋轉角度α_cw(i)及一極座標的逆時針旋轉角度α_ccw(i)。
如請求項5所述之遠端電力電纜瑕疵故障檢測方法，其中該極座標的半徑γ(i)的方程式為：
如請求項5所述之遠端電力電纜瑕疵故障檢測方法，其中該極座標的順時針旋轉角度α_cw(i)的方程式為：
如請求項5所述之遠端電力電纜瑕疵故障檢測方法，其中該極座標的逆時針旋轉角度α_ccw(i)的方程式為：
如請求項1所述之遠端電力電纜瑕疵故障檢測方法，其中該卷積可拓類神經網路訓練法則，至少具有如下步驟：

第一步驟：該特徵圖像進行卷積運算來提取該特徵圖像的特徵；

第二步驟：將該特徵圖像進行特徵組合和降維，再將卷積與池化過程的多維陣列結果，經由維度轉換為一維陣列的訓練樣本；

第三步驟：依據一特徵物元模型，設定連接輸入節點與輸出節點間的權重值；

第四步驟：計算每個特徵的權重中間值；

第五步驟：讀取訓練樣本以及特徵值；

第六步驟：使用可拓距離ED _ik計算出每一筆訓練資料與k ^th群聚間的距離，其中其中k=1,2,...,n _c；

第七步驟：尋找k，使ED _ik=min{ED _ik}，若k=p則跳至步驟九，否則就到步驟八；

第八步驟：更新p ^th和k ^th的權重值；

第九步驟：重複第五步驟至第八步驟，直到所有樣本都分類完成；

第八步驟：訓練結束後，得到理想的權重區間與權重中心，即將所有待測的資料進行分類。
如請求項1所述之遠端電力電纜瑕疵故障檢測方法，其中該卷積可拓類神經網路辨識法則，至少具有如下步驟：

第一步驟：讀取卷積可拓類神經網路已訓練的權重矩陣；

第二步驟：計算每個權重中間值；

第三步驟：讀取辨識樣本資料；

第四步驟：該特徵圖像進行卷積運算來提取該特徵圖像的特徵；

第五步驟：將該特徵圖像進行特徵組合和降維，再將卷積與池化過程的多維陣列結果，經由維度轉換為一維陣列的辨識樣本；

第六步驟：以可拓距離ED _ik來計算辨識樣本跟每個k ^th群聚間的距離，其中k=1,2,...,n _c；

第七步驟：尋找k，使ED _ik=min{ED _ik}及設定輸出O _ik=1，以辨識樣本的群聚類別；

第八步驟：若所有辨識樣本都已被分類完成，則停止，否則回到步驟三。