接地网瞬变电磁检测视电阻率反演方法

邓静伟; 魏丙坤; 周求宽; 蒋超凡; 黄松岭

doi:10.12404/j.issn.1671-1815.2507064

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (13) :5541-5547 DOI: 10.12404/j.issn.1671-1815.2507064

电工技术

接地网瞬变电磁检测视电阻率反演方法

邓静伟 ¹ ,
魏丙坤 ² ,
周求宽 ¹ ,
蒋超凡 ² ,
黄松岭 ²^,^*

作者信息 +

Grounding Grid Transient Electromagnetic Detection Method for Resistivity Inversion

Author information +

文章历史 +

摘要

为提升接地网腐蚀与断点量化评估的准确性,提出一种常春藤优化算法(IVY)与卷积神经网络-双向长短时记忆网络(convolutional neural networks-bidirectional long short-term memory,CNN-BiLSTM)深度学习模型相结合的瞬变电磁视电阻率反演方法,实现了对接地网瞬变电磁信号的高精度反演。传统瞬变电磁反演方法如“烟圈”理论虽能实现快速成像,但反演精度有限;而常规CNN-BiLSTM混合模型虽能同时捕捉时空特征,但在网络超参数优化方面存在不足。通过引入IVY算法对CNN-BiLSTM模型的超参数进行自适应优化,显著提升了模型性能。通过一维正演模拟构建包含多种地电参数的训练样本库,利用IVY-CNN-BiLSTM混合模型挖掘瞬变电磁信号与视电阻率间的深层映射关系,实现端到端的高精度反演。反演结果表明,所提方法反演结果与真实值的拟合优度优于0.95,性能显著优于传统CNN、CNN-BiLSTM等算法,能够为接地网状态的无损量化评估与可视化诊断提供可靠依据。实验验证表明,所提方法在接地网腐蚀诊断中的准确度和可靠性远超传统反演方法,为变电站接地网状态监测提供了一种新的技术途径。

Abstract

To enhance the accuracy of corrosion and breakpoint quantification in grounding grids, an inversion method based on transient electromagnetic apparent resistivity was proposed by combining the IVY optimization algorithm with a convolutional neural networks-bidirectional long short-term memory(CNN-BiLSTM) deep learning model. Through this approach, high-precision inversion of transient electromagnetic signals from grounding grids was achieved. Traditional transient electromagnetic inversion methods, such as the “smoke ring” theory, enable rapid imaging but suffer from limited inversion accuracy, while conventional CNN-BiLSTM hybrid models can capture spatiotemporal features but lack effective hyperparameter optimization. The IVY algorithm was introduced to adaptively optimize the hyperparameters of the CNN-BiLSTM model, thereby significantly improving its performance. A one-dimensional forward simulation was conducted to construct a training dataset containing various geoelectrical parameters, and the IVY-CNN-BiLSTM hybrid model was employed to extract the deep mapping relationship between transient electromagnetic signals and apparent resistivity, realizing end-to-end high-precision inversion. The inversion results demonstrated that the proposed method achieved a coefficient of determination exceeding 0.95 with the true values and outperformed traditional CNN and CNN-BiLSTM algorithms. The proposed approach provides a reliable basis for nondestructive quantitative evaluation and visual diagnosis of grounding grid conditions. Experimental validation confirmed that the proposed method exhibited much higher accuracy and reliability in grounding grid corrosion diagnosis than conventional inversion methods, offering a novel technical route for substation grounding grid condition monitoring.

Graphical abstract

关键词

接地网 / 瞬变电磁法 / 视电阻率成像 / 高精度反演

Key words

grounding grid / transient electromagnetic method / apparent resistivity imaging / high-precision inversion

引用本文

引用格式 ▾

邓静伟, 魏丙坤, 周求宽, 蒋超凡, 黄松岭. 接地网瞬变电磁检测视电阻率反演方法[J]. 科学技术与工程, 2026, 26(13): 5541-5547 DOI:10.12404/j.issn.1671-1815.2507064

DENG Jing-wei, WEI Bing-kun, ZHOU Qiu-kuan, JIANG Chao-fan, HUANG Song-ling. Grounding Grid Transient Electromagnetic Detection Method for Resistivity Inversion[J]. Science Technology and Engineering, 2026, 26(13): 5541-5547 DOI:10.12404/j.issn.1671-1815.2507064

登录浏览全文

4963

注册一个新账户忘记密码

接地网是电力系统安全稳定运行的重要保障,其性能直接影响故障电流的泄放效果与系统的过电压水平^[1-2]。在雷电冲击或短路工况下,接地网能够有效控制地电位升高,保护电气设备绝缘并降低跨步电压,对维护人员安全具有关键作用^[3]。但由于接地导体长期处于土壤介质中,易受电化学腐蚀及机械应力影响,使截面缩减、连接劣化甚至断裂,进而引起接地电阻增大、热稳定性下降等问题^[4-5]。随着电网容量和短路电流水平的不断提升,接地网的可靠状态评估已成为运行维护工作中的重点和难点。

目前,接地网状态检测方法主要可归为三类:电化学分析法、节点分析法和电磁检测法。电化学方法通过分析接地极在土壤环境中的极化特性实现腐蚀速率评估,如张佳慧^[6]采用强极化衰减曲线进行定量分析,洪海涛等^[7]通过极化电阻判断腐蚀状态,该类方法虽测量准确,但属于局部取样检测,难以实现全场诊断。节点分析法基于接地网络拓扑结构,通过测量引下线电阻或电位分布推断导体连通状态^[8],比如肖磊石等^[9]提出了引下线电位计算模型并分析土壤分层影响,刘渝根等^[10]结合遗传算法提升故障定位精度,该方法需停电操作,且依赖于网络结构的先验信息。电磁感应法通过在地表注入电流并测量电磁场响应以反推地下导体状态,施会等^[11]通过数值仿真总结了导体腐蚀、断裂等缺陷与电磁场分布的对应关系。尽管上述方法各有优势,但大多需停电或开挖,限制了其在不停电系统中的推广应用。

近年来,瞬变电磁法因具备非开挖、探测深度大、对导体反应灵敏等特点,被逐步引入接地网无损检测领域^[12-14]。国内外学者围绕该方法开展了系列研究:王文东等^[15]探讨了发射-接收线圈相对位置对检测信号的影响;栾卉等^[16]研究了线圈尺寸与离地高度对接地网结构识别效果的作用机制;Wang等^[17]系统比较了不同接地网结构下的瞬变电磁响应特征;高明亮等^[18]提出基于改进遗传算法的电阻率反演成像技术,提升了图像分辨率。然而,现有技术对视电阻率的反演仍普遍采用“烟囱”模型等近似方法,存在假设条件强、反演精度低的问题,难以满足腐蚀定量化评估的需求。

为提高视电阻率反演精度,现构建一种融合卷积神经网络(convolutional neural networks,CNN)与双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)的深度学习反演模型。通过建立包含多种工况的正演样本库,训练网络从瞬变电磁信号中提取深层次特征与时空依赖关系,实现端到端的高精度视电阻率估计。为接地网腐蚀可视化诊断与寿命评估提供了可靠的技术路径。

1 接地网瞬变电磁检测方法

1.1 检测原理

作为一种有效的地球物理探测技术,瞬变电磁法(transient electromagnetic methods,TEM)基于电磁感应原理,对良导介质中存在的非磁性高阻体具有独特的响应特性。与需要开挖的传统方法相比,TEM技术能实现非接触、大面积的无损探测,高效定位腐蚀区域,因此已成为接地网腐蚀状态评估与诊断的重要技术手段。

对于接地网瞬变电磁而言,其检测原理如图1所示,针对深埋地下的接地网结构,可将其简化为“土壤-扁钢-土壤”的三层模型,并采用水平层状地电模型予以近似。检测系统采用同轴双线圈设计:外侧的发射线圈在通入脉冲电流后产生一次磁场,在电流瞬间关断时,变化的磁场将使接地网扁钢内部产生感应涡流,进而辐射出二次场,最终由位于中心的接收线圈捕获。通过分析二次场信号,即可反演得到探测区域的电阻率空间分布特征。

在单点测量可获得线圈下方视电阻率ρ_i的基础上,通过控制传感器沿预设测线进行扫描,可连续获取不同空间位置的二次场信号。对全区信号进行综合分析后,即可实现由多根扁钢构成的整个接地网区域的视电阻率空间成像,进而依据成像结果有效推断接地网的异常分布及潜在的腐蚀部位。

当发射线圈通以幅值为I的阶跃激励电流时,其在接收线圈处感应的z方向磁感应强度可表示为

(1)B_z=$\frac{\mathit{I}{\mathit{\mu }}_{0}}{2\mathit{d}}\left[\frac{3}{\sqrt{\mathit{\pi }}{\mathit{\mu }}_{0}}{\mathit{e}}^{-{\mathit{u}}^{2}}+\left(1-\frac{3}{2{\mathit{u}}^{2}}\right){\mathit{g}}_{\mathit{e}}\left(\mathit{u}\right)\right]$

式(1)中:μ₀为真空中的磁导率;d为激励线圈的半径;误差函数g_e(u)的表达式为

(2)g_e(u)=$\frac{2}{\sqrt{\mathit{\pi }}}{\int }_{0}^{\mathit{u}}\mathit{ }{\mathit{e}}^{-{{\mathit{t}}_{\mathit{e}}}^{2}}$dt

(3)u=$\frac{\mathit{d}}{2}\sqrt{\frac{{\mathit{\mu }}_{0}}{{\mathit{t}}_{\mathit{e}}{\mathit{\rho }}_{\mathit{i}}}}$

式中:t_e为激励信号的关断时间。

根据测得的二次磁场数据,可定义关键参数u,其表达式为

(4)g(u)=$\left[\frac{3}{\sqrt{\mathit{\pi }}\mathit{u}}{\mathit{e}}^{-{\mathit{u}}^{2}}+\left(1-\frac{3}{2{\mathit{u}}^{2}}\right){\mathit{f}}_{\mathit{e}}\left(\mathit{u}\right)\right]$-$\frac{2\mathit{d}{\mathit{B}}_{\mathit{z}}}{\mathit{I}{\mathit{\mu }}_{0}}$=0

式(4)中:f_e(u)为Sommerfeld 型积分函数/响应函数;I为发射电流幅值。

进而,视电阻率ρ_i可由该参数u推导得出,具体表达式为

(5)ρ_i=$\frac{{\mathit{d}}^{2}{\mathit{\mu }}_{0}}{4{\mathit{t}}_{\mathit{e}}{\mathit{u}}^{2}}$

1.2 瞬变电磁正演模型

对于图1所示的三层水平地电模型,在仅考虑中心回线装置观测垂直分量的情况下,其频率域电磁场响应可表示^[18]为

(6)H_z=$\frac{\mathit{I}\mathit{d}}{2}{\int }_{0}^{\mathit{\infty }}\mathit{ }\left(1+\frac{\mathit{\lambda }-{\stackrel{\wedge }{\mathit{u}}}_{\mathit{i}}}{\mathit{\lambda }+{\stackrel{\wedge }{\mathit{u}}}_{\mathit{i}}}\right)\frac{{\mathit{\lambda }}^{2}}{{\mathit{\mu }}_{0}}$J₁(λd)dλ

式(6)中:λ为积分变量;J₁(·)为一阶贝塞尔函数;

${\stackrel{\wedge }{\mathit{u}}}_{\mathit{i}}$

可通过如下递推关系式求解,即

(7)

$\left\{\begin{array}{l}{\stackrel{\wedge }{\mathit{u}}}_{\mathit{i}}={\mathit{u}}_{\mathit{i}}\frac{{\stackrel{\wedge }{\mathit{u}}}_{\mathit{i}+1}+{\mathit{u}}_{\mathit{i}}\mathit{t}\mathit{a}\mathit{n}\mathit{h}\left({\mathit{u}}_{\mathit{i}}{\mathit{h}}_{\mathit{i}}\right)}{{\mathit{u}}_{\mathit{i}}+{\stackrel{\wedge }{\mathit{u}}}_{\mathit{i}+1}\mathit{t}\mathit{a}\mathit{n}\mathit{h}\left({\mathit{u}}_{\mathit{i}}{\mathit{h}}_{\mathit{i}}\right)},\mathit{i}=\mathrm{1,2},\dots,\mathit{n}-1\\ {\stackrel{\wedge }{\mathit{u}}}_{\mathit{n}}={\mathit{u}}_{\mathit{n}}\\ {\mathit{u}}_{\mathit{i}}=\sqrt{{\mathit{\lambda }}^{2}-{\mathit{k}}_{\mathit{i}}^{2}}\\ {\mathit{k}}_{\mathit{i}}^{2}=-\frac{\mathit{i}\mathit{\omega }{\mathit{\mu }}_{0}}{{\mathit{\rho }}_{\mathit{i}}},\mathit{ }\mathit{i}=\mathrm{1,2},\dots,\mathit{n}\end{array}\right.$

由于激励源为阶跃电流,对式(6)进行反傅里叶变换并除以iω,即可得到阶跃电流激励下的磁场阶跃响应为

(8)

$\left\{\begin{array}{l}{\mathit{H}}_{\mathit{z}}\left(\mathit{t}\right)=\frac{2}{\mathit{\pi }}{\int }_{0}^{\mathit{\infty }}\frac{\mathit{I}\mathit{m}{\mathit{H}}_{\mathit{z}}\left(\mathit{\omega }\right)}{\mathit{\omega }}\mathit{c}\mathit{o}\mathit{s}\left(\mathit{\omega }\mathit{t}\right)\mathit{d}\mathit{\omega }\\ \frac{\partial {\mathit{H}}_{\mathit{z}}\left(\mathit{t}\right)}{\partial \mathit{t}}=-\frac{2}{\mathit{\pi }}{\int }_{0}^{\mathit{\infty }}\mathit{I}\mathit{m}\left[{\mathit{H}}_{\mathit{z}}\right(\mathit{\omega }\left)\right]\mathit{s}\mathit{i}\mathit{n}\left(\mathit{\omega }\mathit{t}\right)\mathit{d}\mathit{\omega }\end{array}\right.$

根据法拉第电磁感应定律,接收线圈中的感应电压 V(t) 与磁感应强度垂直分量的变化率成正比,其关系式为

(9)V=-Snμ₀

$\frac{\partial {\mathit{H}}_{\mathit{z}}\left(\mathit{t}\right)}{\partial \mathit{t}}$

式(9)中:n为线圈匝数;S为接收线圈的有效面积。

2 接地网瞬变电磁信号数据集构建

为保障神经网络训练的可靠性并抑制过拟合,充足的数据样本至关重要。采用基于一维正演的数值模拟方法来生成训练集。具体而言,通过随机设定“土壤-扁钢-土壤”三层地电模型中各层的厚度与视电阻率(参数取值范围见表1),模拟了多样化的地下场景。据此,生成了2 000个瞬变电磁响应信号,构成了用于神经网络高精度反演的数据集,对于每一个瞬变电磁信号而言,其由50个采样点构成。图2展示了通过一维正演模型生成的2 000组瞬变电磁信号曲线。

3 视电阻率反演模型

3.1 IVY 算法

IVY 算法是一种基于常春藤植物生长模式的生物启发元启发式算法。它模仿常春藤植物的行为,选择最近和最强的邻居进行自我增强。在优化速度和计算复杂度方面,它优于许多传统的元启发式。常春藤种群在搜索空间中的初始位置通过式(10)确定,表达式为

(10)I_i=I_min+rand(1,M)☉(I_max-I_min),i=1,2,…,N_pop

式(10)中:N_pop为种群数量;rand(1,M)为一个由均匀分布在 0 ~1的随机数填充的M维向量;I_i 为第 i 个种群个体;I_max和I_min分别为搜索区域的最大和最小界限;☉表示哈达玛乘积。

常青藤的生长速率G_r用式(11)表示为

(11) ΔG_ri(t+1)=rand²☉[N(1,M)☉ΔG_ri(t)]

式(11)中: ΔG_ri(t)为离散时间系统中t时刻的增长率;rand²为随机变量的抽样值,其概率密度函数PDF=1/2

$\sqrt[\mathit{　}]{\mathit{x}}$

; N(1,M)为一个M维的成分服从标准正态分布的随机向量。

当种群个体I_i通过搜索全局空间,找到最近、最重要的邻居I_ii后,会根据适应度函数向I_ii移动,如式 (12) 和式(13) 所示。

(12)${\mathit{I}}_{\mathit{i}}^{\mathit{n}\mathit{e}\mathit{w}}$=I_i+$\left|\mathit{N}(1,\mathit{M})\right|$☉(I_ii-I_i)+N(1,M)☉ΔG_ri, i=1,2,…,N_pop

(13)$\Delta \boldsymbol{G}_{r i}=\left\{\begin{array}{ll} \operatorname{Hdiv}\left[\boldsymbol{I}_{i},\left(\boldsymbol{I}_{\max }-\boldsymbol{I}_{\min }\right)\right], & \text { Iter }=1 \\ \mathbf{r a n d}^{2} \odot[\boldsymbol{N}(1, M) \odot \Delta \boldsymbol{G} r i], & \text { Iter }>1 \end{array}\right.$

式中:

${\mathit{I}}_{\mathit{i}}^{\mathit{n}\mathit{e}\mathit{w}}$

为第i 个个体的改进版本;

$\left|\mathit{N}(1,\mathit{M})\right|$

为N(1,M)的绝对值向量; Hdiv(·)表示哈达玛除法。

当搜索到后期阶段,个体I_i会直接向最佳个体I_best移动,模拟在最佳成员周围寻找最优解的行为。如式 (14) 和式(15)所示。

(14)${\mathit{I}}_{\mathit{i}}^{\mathit{n}\mathit{e}\mathit{w}}$=A_best☉[rand(1,M)+N(1,M)☉ΔG_ri]

(15)Δ${\mathit{G}}_{\mathit{r}\mathit{i}}^{\mathit{n}\mathit{e}\mathit{w}}$=Hdiv[${\mathit{I}}_{\mathit{i}}^{\mathit{n}\mathit{e}\mathit{w}}$,(I_max-I_min)]

式中:ΔG_ri为当前个体

${\mathit{I}}_{\mathit{i}}^{\mathit{n}\mathit{e}\mathit{w}}$

的最新增长率。

3.2 CNN-BiLSTM模型

卷积神经网络(CNN)利用其卷积核在时间序列上滑动,可有效提取局部特征并识别数据中的短期模式与邻近依赖性。但由于卷积操作的局部感受野限制,CNN难以捕捉时间序列中距离较远的相关性,对长程动态关联的建模能力较弱。为解决上述问题,双向长短期记忆网络(BiLSTM)被引入时序建模任务。BiLSTM通过双向结构同时从前向和后向两个方向扫描序列,既融合历史信息,也整合未来上下文,从而全面捕捉时间演化的整体规律。其内部的门控机制(输入门、遗忘门、输出门)能够调控信息传递,在维持长期记忆的同时缓解梯度消失或爆炸问题。

通过将CNN与BiLSTM集成,可构建一种层次化混合模型,其中CNN充当特征编码器,从原始信号中提取局部判别特征;BiLSTM则作为上下文建模模块,对特征序列中的长期依赖进行编码。该“卷积特征提取-双向时序编码”的串联框架整合了CNN的局部感知能力与BiLSTM的全局上下文理解能力,显著增强了对复杂时间序列的表达与预测性能。在工业应用方面,此类模型已成功用于设备状态监测与预测性维护,能够基于运行数据识别早期故障征兆,实现故障预警^[19-20]。

CNN-BiLSTM 模型的结构如图3所示,主要分为输入层、CNN 层、BiLSTM 层、全连接层和输出层5个部分。

在CNN-BiLSTM模型的基础上,运用IVY算法对网络参数进行优化,其中包含了BiLSTM层的神经元个数、模型初始化学习率以及最佳学习率下降因子,从而使模型能够更好地学习到信号特征间更深层次的非线性关系,增强拟合程度,提高预测精度。

IVY-CNN-BiLSTM模型设置最大训练次数为1 000、最小BatchSize为32。输入层接收由正演模型生成2 000组一维瞬变电磁信号数据,将其输入CNN模块。CNN模块首先对原始信号进行卷积操作,提取局部特征并生成特征序列。将该序列输入LSTM层,利用其特有的细胞状态(cell state)和门控机制建模长时序依赖关系,有效捕捉信号中的动态演化规律。全连接部分采用三级处理:首先使用扁平化层(flatten)将多维特征映射为一维向量,而后使用稠密层(dense)进行高阶特征融合与维度压缩,最终由输出层生成目标参数,即扁钢层视电阻率值。

在训练过程中对数据集中的2 000个样本进行拆分,按照7∶2∶1的比例划分为训练集、测试集和验证集。

模型的性能评价指标有3个,分别是平均绝对误差(mean absolute error,MAE)、均方根误差(root mean squared error,RMSE)和回归评测指标(R²),三者的公式如下。

(16)MAE=$\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}^{\mathit{n}}\left|\frac{\mathit{　}}{\mathit{　}}\mathit{D}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}-{\mathit{D}}_{\mathit{i}}\right|$

(17)RMSE=$\sqrt{\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}^{\mathit{n}}(\mathit{D}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}-{\mathit{D}}_{\mathit{i}}{)}^{2}}$

(18)R²=1-$\frac{\sqrt{\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}^{\mathit{n}}(\mathit{D}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}-{\mathit{D}}_{\mathit{i}}{)}^{2}}}{\sqrt{\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}^{\mathit{n}}(\mathit{D}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}-{\overline{\mathit{D}}}_{\mathit{i}}{)}^{2}}}$

式中:n为数据集的大小;D_i为实际视电阻率;D'_i为预测视电阻率;

${\overline{\mathit{D}}}_{\mathit{i}}$

为预测视电阻率的均值。

3.3 结果与分析

利用本文模型对训练集、测试集以及验证集的预测拟合结果如图4~图7所示。

从图4~图7可以看出,训练集、验证集和整体数据集的拟合精度均达到了0.96以上,而测试集的拟合精度稍差,说明有轻微的过拟合,但其拟合精度也达到了0.95以上,与训练集和验证集差距较小。上述结果表明本文模型能够高精度地实现接地网视电阻率反演。

3.4 不同模型的对比

为了证明本文方法的优越性,将IVY-CNN-BiLSTM和单独的CNN、CNN-BiLSTM模型在相同的数据集上进行了反演效果对比,不同模型的反演性能指标如表2所示。可以看出,所提出的IVY-CNN-BiLSTM模型相较于CNN-BiLSTM和CNN模型,能够有效提高接地网视电阻率的反演精度。在训练集、测试集和验证集上,IVY-CNN-BiLSTM模型的各项性能指标均实现了全面提升,R²指标提升了约5%。

4 实验验证

为系统验证本文方法的有效性与先进性,设计并搭建了接地网物理模型实验平台。该平台采用单元边长为0.5 m的热镀锌扁钢构建3×3网格结构。实验使用中心回线装置进行数据采集,具体实验布置如图8所示。

为综合评价本文方法的反演性能,在试样表面选取5个测点采集瞬变电磁信号,分别基于IVY-CNN-BiLSTM模型与传统的“烟囱”理论方法反演视电阻率,并将其与试样实际电阻率参考值 1.62×10^-7 Ω·m 进行对比,结果如表3所示。

由表3可知,相较于“烟囱”理论方法,所提IVY-CNN-BiLSTM模型反演得到的视电阻率更为准确,误差小于8%,而通过烟囱理论计算得到的视电阻率与实际电阻率误差均大于10%。由此可见,本文模型具有更高的反演精度与可靠性。

5 结论

针对接地网瞬变电磁检测中视电阻率反演精度不足的问题,提出了一种基于IVY-CNN-BiLSTM混合神经网络的反演方法。通过一维正演模型构建包含2 000组不同地电参数的训练样本集,并在此基础上完成模型的训练与测试。实验结果表明,所提方法能够有效建立瞬变电磁信号与视电阻率之间的非线性映射关系,反演结果与真实值的拟合优度稳定在0.95以上,相较于传统“烟囱”理论模型及单一CNN和CNN-BiLSTM模型,在反演精度与稳定性方面均具有明显优势,为接地网腐蚀评估与断点识别提供了更为可靠的技术手段,具有良好的工程应用前景。后续研究可进一步围绕复杂地电条件适应性及现场实时反演效率等方面展开。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	何毅帆, 徐恒昌, 汤亮亮, 等. 基于虚拟锁相放大器的接地网无损检测系统[J]. 中国测试, 2020, 46(3): 84-90.

[2]	He Yifan, Xu Hengchang, Tang Liangliang, et al. Non-destructive detection system of grounding grids based on virtual lock-in amplifiers[J]. China Measurement & Test, 2020, 46(3): 84-90.

[3]	董冠良, 白羽, 李永恒, 等. U形发射线圈仿真设计与测试[J]. 中国测试, 2025, 51(10): 130-137.

[4]	Dong Guanliang, Bai Yu, Li Yongheng, et al. Simulation design and test of U-shaped transmitting coil[J]. China Measurement & Test, 2025, 51(10): 130-137.

[5]	Durham N, Zhao J, Bridges G, et al. Acoustic guided wave detection of grounding rod corrosion: equivalent circuit model and implementation[J]. Smart Materials Structures, 2020, 29(5): 055040.

[6]	彭丽莎, 孙洪宇, 李世松, 等. 高压输电杆塔接地极腐蚀缺陷混频SH导波检测方法[J]. 电工技术学报, 2025, 40(2): 376-386.

[7]	Peng Lisha, Sun Hongyu, Li Shisong, et al. Mix-frequency sh guided wave corrosion defects detection method for high voltage transmission tower grounding electrode[J]. Transactions of China Electrotechnical Society, 2025, 40(2): 376-386.

[8]	段绍辉, 宗伟, 周灵杰, 等. 输电线路短路电流对埋地管道电位抬升及抑制方法研究[J]. 电测与仪表, 2024, 61(3): 89-94.

[9]	Duan Shaohui, Zong Wei, Zhou Lingjie, et al. Research of the short-circuit current of transmission line on potential rise of buried pipeline and its suppression method[J]. Electrical Measurement & Instrumentation, 2024, 61(3): 89-94.

[10]	张佳慧. 接地网腐蚀的电化学测量方法研究[D]. 重庆: 重庆大学, 2016.

[11]	Zhang Jiahui. The study of grounding grid corrosion electrochemical measurement method[D]. Chongqing: Chongqing University, 2016.

[12]	洪海涛, 彭敏放, 王光荣, 等. 基于恒电位法的接地网智能监测系统研究[C]// 电工理论与新技术学术年会论文集. 张家界: 中国电机工程学会, 2007: 425-428.

[13]

Hong Haitao, Peng Minfang, Wang Guangrong, et al. An intelligent system for monitoring grounding grids based on permanent potential method[C]// Annual National Conference of Electrical Theory and New Technologies Conference Proceedings. Zhangjiajie: Chinese Society of Electrical Engineering, 2007: 425-428.

[14]	杨美佳, 刘宝柱. 针对大量接地支路电网形成节点阻抗矩阵的改进算法[J]. 电力系统保护与控制, 2010, 38(22): 161-165.

[15]	Yang Meijia, Liu Baozhu. An improved algorithm for forming Z-matrix of power grid containing large amount of grounded-branches[J]. Power System Protection and Control, 2010, 38(22): 161-165.

[16]	肖磊石, 张波, 李谦, 等. 分布式等电位接地网与变电站主接地网连接方式[J]. 高电压技术, 2015, 41(12): 4226-4232.

[17]	Xiao Leishi, Zhang Bo, Li Qian, et al. Connection mode of distributed equipotential grounding grid and main grounding grid[J]. High Voltage Engineering, 2015, 41(12): 4226-4232.

[18]	刘渝根, 陈超. 基于人工蜂群算法优化支持向量机的接地网腐蚀速率预测模型[J]. 电力自动化设备, 2019, 39(5): 182-186, 200.

[19]	Liu Yugen, Chen Chao. Corrosion rate prediction model of grounding grid based on support vector machine optimized by artificial bee colony algorithm[J]. Electric Power Automation Equipment, 2019, 39(5): 182-186, 200.

[20]	施会, 王丰华, 胡徐铭, 等. 变电站接地网电磁诊断法的试验研究[J]. 电测与仪表, 2018, 55(16): 6-12.

[21]	Shi Hui, Wang Fenghua, Hu Xuming, et al. Experimental studies on substation grounding grid fault diagnosis using electromagnetic diagnosis method[J]. Electrical Measurement & Instrumentation, 2018, 55(16): 6-12.

[22]	朱楠, 董毅, 郭凯, 等. 基于瞬变电磁多参数的煤矿采空区类型贝叶斯快速判别[J]. 科学技术与工程, 2025, 25(29): 12364-12371.

[23]	Zhu Nan, Dong Yi, Guo Kai, et al. Bayes rapid discrimination of goaf types based on multi-parameter TEM data[J]. Science Technology and Engineering, 2025, 25(29): 12364-12371.

[24]	郭嵩巍, 闫强. 瞬变电磁法在内蒙古乌拉特前旗明安镇西找水工程中的应用[ J ]. 科学技术与工程, 2020, 20(7): 2564-2572.

[25]	Guo Songwei, Yan Qiang. Application of transient electromagnetic methods in water exploration of the west of Ming’an Town in Wu-lateqianqi, Inner Mongolia[J]. Science Technology and Engineering, 2020, 20(7): 2564-2572.

[26]	Tatematsu A, Yamanaka A. Three-dimensional FDTD-based simulation of lightning-induced surges in secondary circuits with shielded control cables over grounding grids in substations[J]. IEEE Transactions on Electromagnetic Compatibility, 2023, 65(2): 528-538.

[27]	王文东, 胡绪权, 徐正玉, 等. 基于形态滤波的接地网拓扑检测[J]. 电工技术学报, 2021, 36(17): 3685-3692.

[28]	Wang Wendong, Hu Xuquan, Xu Zhengyu, et al. Topology detecting method of grounding grids based on morphological filtration[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3685-3692.

[29]	栾卉, 徐畅, 刘南南, 等. 基于COMSOL Multiphysics的瞬变电磁法接地网故障诊断仿真研究[J]. 实验室研究与探索, 2017, 36(1): 108-111.

[30]	Luan Hui, Xu Chang, Liu Nannan, et al. A simulation research on fault diagnosis of grounding grids by transient electromagnetic method based on COMSOL Multiphysics[J]. Research and Exploration in Laboratory, 2017, 36(1): 108-111.

[31]	Wang Q, Wang H, Wu M, et al. Research on noise suppression method for transient electromagnetic signal[C]// 2018 2nd IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC). Xi’an: IEEE, 2018: 394-397.

[32]	高明亮, 于生宝, 郑建波, 等. 基于IGA算法的电阻率神经网络反演成像研究[J]. 地球物理学报, 2016, 59(11): 4372-4382.

[33]	Gao Mingliang, Yu Shengbao, Zheng Jianbo, et al. Research of resistivity imaging using neural network based on immune genetie algorithm[J]. Chinese Journal of Geophysics, 2016, 59(11): 4372-4382.

[34]	白宇, 薛贵军, 谢文举, 等. 改进GJO优化CNN-BiLSTM的热负荷预测模型[J]. 中国测试, 2025, 51(4): 82-90.

[35]	Bai Yu, Xue Guijun, Xie Wenju, et al. Improved GJO optimized CNN-BiLSTM heat load prediction model[J]. China Measurement & Test, 2025, 51(4): 82-90.

[36]	陈丽, 禹静, 樊丹丹, 等. 融合CNN-Attention-GRU的超声波燃气表时差预测方法研究[J]. 中国测试, 2025, 51(12): 104-111.

[37]	Chen Li, Yu Jing, Fan Dandan, et al. Research on time difference prediction of ultrasonic gas meter based on CNN-Attention-GRU[J]. China Measurement & Test, 2025, 51(12): 104-111.