CN104268626B - 电力电缆寿命估计的方法及系统 - Google Patents
电力电缆寿命估计的方法及系统 Download PDFInfo
- Publication number
- CN104268626B CN104268626B CN201410561756.3A CN201410561756A CN104268626B CN 104268626 B CN104268626 B CN 104268626B CN 201410561756 A CN201410561756 A CN 201410561756A CN 104268626 B CN104268626 B CN 104268626B
- Authority
- CN
- China
- Prior art keywords
- cable
- sample
- life estimation
- tested
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 104
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000009413 insulation Methods 0.000 claims abstract description 33
- 238000013461 design Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 210000002569 neuron Anatomy 0.000 claims description 58
- 230000007613 environmental effect Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 32
- 239000002689 soil Substances 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- ZGVCLZRQOUEZHG-UHFFFAOYSA-N sigmodal Chemical group CCCC(C)C1(CC(Br)=C)C(=O)NC(=O)NC1=O ZGVCLZRQOUEZHG-UHFFFAOYSA-N 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 239000012535 impurity Substances 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 229920003020 cross-linked polyethylene Polymers 0.000 description 9
- 239000004703 cross-linked polyethylene Substances 0.000 description 9
- 230000003446 memory effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种电力电缆寿命估计的方法及系统,该方法包括:获取电缆待测样本在N个类型环境下对应的N个电缆训练样本的相关信息;根据出厂设计年限t和真实服役时间treal计算得到相对服役时间t*;对每个所述电缆训练样本依据预设绝缘状态指标进行检测,对获取到的检测数据进行预处理,得到预处理后的检测数据li;建立电缆寿命估计的神经网络模型,并训练所述神经网络模型得到电缆寿命估计模型;利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果,实现了对电缆待测样本进行将绝缘状态指标和所处的环境情况作为依据的离线寿命估计,达到了提高电力电缆的寿命估计结果的实用性,从而提高电网安全性的目的。
Description
技术领域
本发明涉及电力电缆技术领域,特别是涉及一种电力电缆寿命估计的方法及系统。
背景技术
随着电网建设的持续发展,电力电缆作为输送电能的重要设备,其在实际使用过程中,通常会因绝缘老化引发事故而给电网带来安全隐患。因此,需要对在役电缆进行寿命估计,为线路维护及运行策略的制订提供依据。
目前,通常采用温松弛电流法、差示扫描热量法及经验公式法等方法来估计电力电缆的寿命并得到寿命估计结果,并且,上述电力电缆寿命估计方法多为基于电力电缆在线检测的寿命估计。然而,这样的估计方法可能会使参与寿命估计的电力电缆产生记忆效应,而该记忆效应会在电力电缆运行过程中使其承受过电压,使得电力电缆在参与寿命估计后的使用过程中极易受到损伤,导致该电力电缆的实际寿命小于上述寿命估计结果,此时,如果仍以上述寿命估计结果为依据来进行线路维护和制定运行策略,比如依据上述寿命估计结果推导出电力电缆能支撑到九月,进而做好九月对该电力电缆进行维护或更换的安排与准备,但是由于该电力电缆的实际寿命小于上述寿命估计结果,使得该电力电缆在不到九月就不能进行正常的传输工作,导致突然断电影响用户正常的生活,甚至发生漏电等危险情况,显然,上述寿命估计结果已不再适应于当下的电力电缆,降低了上述寿命估计结果的实用性,从而降低了电网的安全性。
发明内容
有鉴于此,本发明提供了一种电力电缆寿命估计的方法及系统,以达到提高电力电缆的寿命估计结果的实用性,从而提高电网安全性的目的。
为解决上述技术问题,本发明提供一种电力电缆寿命估计的方法,包括:
获取电缆待测样本在N个类型环境下对应的N个电缆训练样本的相关信息;
其中,所述电缆训练样本的相关信息至少包括:所述电缆待测样本的出厂设计年限t,真实服役时间treal和每个所述电缆训练样本相对应的环境参数wi,i=1,2,3,…,N,所述环境参数wi=[wi1,wi2,wi3,…,wim]T,m为所述环境参数中所包含的参数个数;
根据出厂设计年限t和真实服役时间treal计算得到相对服役时间t*,其中,t*=treal/t;
对每个所述电缆训练样本依据预设绝缘状态指标进行检测,对获取到的检测数据进行预处理,得到预处理后的检测数据li;其中,所述预处理后的检测数据li=[li1,li2,li3,…,lin]T,n为所述预设绝缘状态指标所包含的指标个数;
建立电缆寿命估计的神经网络模型,并以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为输出,训练所述神经网络模型得到电缆寿命估计模型;
利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果。
优选的,建立电缆寿命估计的神经网络模型,并以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为输出,训练所述神经网络模型得到电缆寿命估计模型,包括:
以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为样本输入xi,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为样本输出yi,建立训练样本集合其中,所述训练样本集合中,样本输入xi与样本输出yi一一对应;
设定所述神经网络模型中的神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj;其中,
依据所述神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj计算得到神经元矩阵H;其中,G(·)为Sigmodal函数,i=1,2,…,N;
依据所述神经元矩阵H计算得到所述神经网络模型中第j个神经元和输出节点之间的外权权重列向量
其中H+=(HTH)-1HT为所述神经元矩阵H的Moore-Penrose广义逆,Y=[y1,y2,…,yN]T为所述训练样本集合中的样本输出;
依据所述神经元矩阵H和所述外权权重列向量得到电缆寿命估计模型F(·);其中,
优选的,利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果,包括:
将所述电缆待测样本的环境参数列向量w和所述预处理后的检测数据l构成的列向量z输入所述电缆寿命估计模型得到所述电缆待测样本的相对服役时间
其中,w=[w1,w2,…,wN],l=[l1,l2,…,lN],所述电缆待测样本的相对服役时间
依据所述电缆待测样本的相对服役时间和所述设计年限t得到所述电缆待测样本的寿命估计结果tlast;其中,所述电缆待测样本的寿命估计结果
优选的,所述环境参数包括:地表日平均温度,土壤平均湿度,土壤酸碱性,地表日最高温度,地表日最低问题,路面压力和土壤砂质。
优选的,所述预设绝缘状态指标包括:
绝缘厚度,微孔杂质,热延伸率,永久延伸率,断裂延伸率和抗张强度。
优选的,所述对获取到的检测数据进行预处理,包括:
去除所述检测数据中的坏数据点,其中,所述坏数据点至少包括:因漏记造成的空缺数据点,与其它检测数据相比偏差较大明显记录错误的数据点。
一种电力电缆寿命估计的系统,应用于上述所述的电力电缆寿命估计方法,该系统包括:
获取单元,用于获取电缆待测样本在N个类型环境下对应的N个电缆训练样本的相关信息;
其中,所述电缆训练样本的相关信息至少包括:所述电缆待测样本的出厂设计年限ti,真实服役时间和每个所述电缆训练样本相对应的环境参数wi,i=1,2,3,…,N,所述环境参数wi=[wi1,wi2,wi3,…,wim]T,m为所述环境参数中所包含的参数个数;
计算单元,用于根据出厂设计年限ti和真实服役时间treal计算得到相对服役时间t*,其中,t*=treal/t;
检测单元,用于对每个所述电缆训练样本依据预设绝缘状态指标进行检测,对获取到的检测数据进行预处理,得到预处理后的检测数据li;其中,所述预处理后的检测数据li=[li1,li2,li3,…,lin]T,n为所述预设绝缘状态指标所包含的指标个数;
建模单元,用于建立电缆寿命估计的神经网络模型,并以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为输出,训练所述神经网络模型得到电缆寿命估计模型;寿命估计单元,用于利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果。
8、如权利要求7所述的系统,其特征在于,所述建模单元包括:
集合构建模块,用于以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为样本输入xi,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为样本输出yi,建立训练样本集合其中,所述训练样本集合中,样本输入xi与样本输出yi一一对应;
参数设定模块,用于设定所述神经网络模型中的神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj;其中,
神经元矩阵构建模块,用于依据所述神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj计算得到神经元矩阵H;其中,G(·)为Sigmodal函数,i=1,2,…,N;
外权权重构建模块,用于依据所述神经元矩阵H计算得到所述神经网络模型中第j个神经元和输出节点之间的外权权重列向量
其中H+=(HTH)-1HT为所述神经元矩阵H的Moore-Penrose广义逆,Y=[y1,y2,…,yN]T为所述训练样本集合中的样本输出;
建模模块,用于依据所述神经元矩阵H和所述外权权重列向量得到电缆寿命估计模型F(·);其中,
优选的,所述寿命估计单元包括:
第一估计模块,用于将所述电缆待测样本的环境参数列向量w和所述预处理后的检测数据l构成的列向量z输入所述电缆寿命估计模型得到所述电缆待测样本的相对服役时间
其中,w=[w1,w2,…,wN],l=[l1,l2,…,lN],所述电缆待测样本的相对服役时间
第二估计模块,用于依据所述电缆待测样本的相对服役时间和所述设计年限t得到所述电缆待测样本的寿命估计结果tlast;其中,所述电缆待测样本的寿命估计结果
优选的,所述检测单元包括:
预处理模块,用于去除所述检测数据中的坏数据点,其中,所述坏数据点至少包括:因漏记造成的空缺数据点,与其它检测数据相比偏差较大明显记录错误的数据点。
相较现有技术,本发明的有益效果为:
以上本发明提供的一种电力电缆寿命估计的方法及系统,该方法依据获取到的电缆待测样本在N个类型环境下对应的N个电缆训练样本的相关信息计算得到相对服役时间,并对每个所述电缆训练样本依据预设绝缘状态指标进行检测,对获取到的检测数据进行预处理,得到预处理后的检测数据;然后,建立电缆寿命估计的神经网络模型,并以上述相关信息中的N个所述电缆训练样本所对应的环境参数和上述预处理后的检测数据为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间为输出,训练所述神经网络模型得到电缆寿命估计模型;利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果。本发明通过上述方式实现了对电缆待测样本进行将绝缘状态指标和所处的环境情况作为依据的离线寿命估计,相较现有技术中的在线检测方法,本发明不会使电缆产生记忆效应,达到了提高电力电缆的寿命估计结果的实用性,从而提高电网安全性的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例一提供的电力电缆寿命估计的方法的流程图;
图2为本发明实施例三提供的其执行步骤S103具体过程的方法流程图;
图3为本发明实施例四提供的其执行步骤S104具体过程的方法流程图;
图4为本发明实施例五提供的电力电缆寿命估计的系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的核心是提供一种电力电缆寿命估计的方法及系统,以达到提高电力电缆的寿命估计结果的实用性,从而提高电网安全性的目的。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
实施例一
请参考图1,图1为本发明实施例一提供的电力电缆寿命估计的方法的流程图,该方法具体包括:
步骤S100、获取电缆待测样本在N个类型环境下对应的N个电缆训练样本的相关信息;
其中,所述电缆训练样本的相关信息至少包括:所述电缆待测样本的出厂设计年限t,真实服役时间treal和每个所述电缆训练样本相对应的环境参数wi,i=1,2,3,…,N,所述环境参数wi=[wi1,wi2,wi3,…,wim]T,m为所述环境参数中所包含的参数个数;
优选的,所述环境参数包括:地表日平均温度,土壤平均湿度,土壤酸碱性,地表日最高温度,地表日最低问题,路面压力和土壤砂质。其中,本发明实施例一所提供的电力电缆寿命估计的方法主要针对埋地电缆,由于大多数埋地电缆都有金属巷道包裹,因而上述七个环境参数中地表日平均温度、土壤平均湿度、土壤酸碱性较为重要,当然,上述七个环境参数仅仅只是从保证实际的寿命估计结果的实用性的角度优选的七个环境参数,并不局限于这七个,其它的只要是能够保证实际的寿命估计结果的实用性的环境参数也是可以采用的;
这里需要特别说明的是,本发明实施例一所提供的电力电缆寿命估计的方法主要是用于估计当前被广泛使用的XLPE(交联聚乙烯)电力电缆的寿命的,结合上文,也就是主要是用于埋地的XLPE电力电缆,当然,也并不是就仅仅局限于XLPE电力电缆,本发明其它实施例也是如此;
其中,由于XLPE电力电缆所处环境的不同,需要考虑温度、湿度、土壤酸碱性、路面压力等因素对电缆老化的影响,进行样本采集时需要采集不同环境下的样本,其中,环境类型是由上述七个环境参数决定的,所以,上述N个类型环境中的每一个类型环境都对应着N个电缆训练样本中的一个,也就是从电缆待测样本所处的N个类型环境中分别截取一个电缆训练样本,当然也可以分别截取不止一个电缆训练样本,这样全方面截取电缆训练样本有利于使寿命估计结果更精确;
还需要特别说明的是,也是本发明实施例一所公开的电力电缆寿命估计的方法的重点所在,一方面,在现实工程中,单根电缆长度有限,线路中本身就存在线缆接头。此外,电缆接头处往往会预留5-8m的线缆长度,不会让整根线缆处于绷紧的状态,因而,从电缆待测样本上截取电缆训练样本是不会影响正常的输电工作;另一方面,因为是从电缆待测样本上截取电缆训练样本,也就意味着用来进行寿命估计的该电缆训练样本是脱离工作状态的,即是基于离线检测的寿命估计,这相较于现有技术中基于在线检测的寿命估计的方法,比如,常用的温松弛电流法、差示扫描热量法、经验公式法、二维韦伯尔分布法等,本发明实施例一提供的电力电缆寿命估计的方法不会使接收寿命估计的电缆产生记忆效应,也就避免了该接收寿命估计的电缆再次使用时极易受到损伤的问题,进而提高了电力电缆的寿命估计结果的实用性;
步骤S101、根据出厂设计年限t和真实服役时间treal计算得到相对服役时间t*,其中,t*=treal/t;
步骤S102、对每个所述电缆训练样本依据预设绝缘状态指标进行检测,对获取到的检测数据进行预处理,得到预处理后的检测数据li;其中,所述预处理后的检测数据li=[li1,li2,li3,…,lin]T,n为所述预设绝缘状态指标所包含的指标个数;其中,为了保证对每个所述电缆训练样本依据预设绝缘状态指标进行检测获取到的检测数据的准确性,或者为了避免某次误操作使得所述检测数据影响最后的寿命估计结果,可以对每个所述电缆训练样本依据预设绝缘状态指标进行检测的实验重复操作不少于三次,取平均值进行记录即可;
这里需要说明的是,图1所示的方法流程图中优选采用了先执行步骤101再执行步骤102,但本实施例对步骤101与步骤102之间的执行顺序并不作限定,只要完成上述两个步骤所需要执行内容即可;
优选的,所述预设绝缘状态指标包括:
绝缘厚度,微孔杂质,热延伸率,永久延伸率,断裂延伸率和抗张强度。
优选的,所述对获取到的检测数据进行预处理,包括:
去除所述检测数据中的坏数据点,其中,所述坏数据点至少包括:因漏记造成的空缺数据点,与其它检测数据相比偏差较大明显记录错误的数据点。
其中,为了保证精准的寿命估计结果,所述预设绝缘状态指标优选的包括上述六个指标,但并不局限于这六个,只要是能保证最后的额寿命估计结果的准确性的绝缘状态指标都可以采用;
这里需要特别说明的是,也是本发明实施例一所公开的电力电缆寿命估计的方法的另一重点所在,相较于现有技术中基于单一绝缘状态指标的电缆寿命估计方法,本实施例综合考虑了多种绝缘状态指标,并且还有对获取到的检测数据进行预处理去掉所述检测数据中的坏数据点的环节,显然,避免了因单一绝缘状态指标测量误差导致寿命估计结果不精准的问题,进而提供了寿命估计结果的实用性;
步骤S103、建立电缆寿命估计的神经网络模型,并以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为输出,训练所述神经网络模型得到电缆寿命估计模型;
步骤S104、利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果。
综上,相对于现有的基于在线检测的电力电缆寿命估计方法,本实施例一所提供的基于离线检测的电力电缆寿命估计的方法不会使电缆产生记忆效应,且综合考虑多种绝缘状态指标,保证了寿命估计结果的精准性,提高了电力电缆的寿命估计结果的实用性,从而提高电网安全性的目的。
实施例二
基于上述实施例一所公开的电力电缆寿命估计的方法,为了方便本领域技术人员更好地理解本发明所提供的技术方案,本实施例二针对实际应用中的步骤S100和步骤S102进行如下举例说明:
步骤S1000、以杭州市某地区110kV XLPE电力电缆为例,对需要进行寿命估计的XLPE电力电缆缆线所处环境的上述七个环境参数进行调研,即地表日最高温度、地表日最低温度、地表日平均温度、土壤平均湿度、土壤酸碱性、路面压力以及土壤沙质,也即所述环境参数中所包含的参数个数m=7。其中,所述XLPE电力电缆缆线即为待测电缆样本。根据以上调研得到的环境参数对该XLPE电力电缆缆线所处环境的类型进行聚类划分,并在不同类型环境中每隔1000米均匀的截取2米的训练电缆样本,从而得到N个训练电缆样本,当然,这时,该训练样本所对应的环境参数也是已知的;
查阅上述训练电缆样本的出厂设计年限t与真实服役时间treal,联同训练电缆样本对应的环境参数wi制表记录,其中,i=1,2,3,…,N比如,两栏表格,一栏为属性名称,另一栏为数值。
步骤S1020、对上述均匀采集的训练电缆样本分别进行绝缘厚度、微孔杂质、热延伸率、永久延伸率、断裂延伸率以及抗张强度六个的检测实验,即所述预设绝缘状态指标所包含的指标个数n=6。每个实验重复操作不少于三次,取平均值进行记录。对训练电缆样本的检测数据进行去除坏数据点预处理,并将第i个电缆样本的预处理后的检测数据记为li=[li1,li2,…,li6]T。
步骤S1010、根据出厂设计年限t与真实服役时间treal计算其相对服役时间t*,其中,t*=treal/t。
本实施例二在实施例一的基础上,对步骤S100和步骤S102在实际运用中的具体操作过程进行了说明,有利于本领域技术人员更好地理解本发明所提供的技术方案。
实施例三
基于上述实施例一与实施例二所公开的电力电缆寿命估计的方法,步骤S103、建立电缆寿命估计的神经网络模型,并以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为输出,训练所述神经网络模型得到电缆寿命估计模型的具体过程如图2所示,包括:
步骤S200、以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为样本输入xi,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为样本输出yi,建立训练样本集合其中,所述训练样本集合中,样本输入xi与样本输出yi一一对应;
其中,需要说明的是,本实施例优选的是采用ELM(Extreme Learning Machine,极端学习机)算法训练所述神经网络模型;
步骤S201、设定所述神经网络模型中的神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj;其中,
其中,通常当所述神经元数量的取值超过300后,所述神经网络模型就趋于稳定,因此,本实施例对所述神经元数量的选取范围优选的为300~500之间,但也并不是就局限于这个范围,具体的数值也可由本领域技术人员具体调节后决定;
其中,对于第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj的设定,本实施例优选的采用服从0-1高斯分布来随机选定所述内权权重列向量ωj和所述偏置值列向量bj;
步骤S202、依据所述神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj计算得到神经元矩阵H;其中,G(·)为Sigmodal函数,i=1,2,…,N;
其中,G(·)为所述神经网络模型的激活函数,本实施例优选地采用Sigmodal函数,其表达式为其中,此表达式中的ξ是该Sigmodal函数的自变量参数;
步骤S203、依据所述神经元矩阵H计算得到所述神经网络模型中第j个神经元和输出节点之间的外权权重列向量
其中H+=(HTH)-1HT为所述神经元矩阵H的Moore-Penrose广义逆,Y=[y1,y2,…,yN]T为所述训练样本集合中的样本输出;
其中,Moore-Penrose广义逆即为穆尔-彭罗斯广义逆;
步骤S204、依据所述神经元矩阵H和所述外权权重列向量得到电缆寿命估计模型F(·);其中,
基于上述各实施例,本实施例三所公开的方法为电力电缆寿命估计提供了建立并训练所述电缆寿命估计模型的方法,有利于本领域技术人员更好的理解本发明的技术方案。
实施例四
基于上述各实施例所公开的电力电缆寿命估计的方法,步骤S104、利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果的具体过程如图3所示,包括:
步骤S300、将所述电缆待测样本的环境参数列向量w和所述预处理后的检测数据l构成的列向量z输入所述电缆寿命估计模型得到所述电缆待测样本的相对服役时间
其中,w=[w1,w2,…,wN],l=[l1,l2,…,lN],所述电缆待测样本的相对服役时间
步骤S301、依据所述电缆待测样本的相对服役时间和所述设计年限t得到所述电缆待测样本的寿命估计结果tlast;其中,所述电缆待测样本的寿命估计结果
基于上述各实施例,本实施例四所公开的方法为电力电缆寿命估计提供了利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果的具体过程,有利于本领域技术人员更好的理解本发明的技术方案。
实施例五
基于上述各实施例所公开的电力电缆寿命估计的方法,本实施例五提供了一种电力电缆寿命估计的系统,应用于上述任意一个实施例所述的方法,请参考图4,图4为本发明实施例五提供的电力电缆寿命估计的系统的结构框图,该系统包括:
获取单元400,用于获取电缆待测样本在N个类型环境下对应的N个电缆训练样本的相关信息;
其中,所述电缆训练样本的相关信息至少包括:所述电缆待测样本的出厂设计年限ti,真实服役时间和每个所述电缆训练样本相对应的环境参数wi,i=1,2,3,…,N,所述环境参数wi=[wi1,wi2,wi3,…,wim]T,m为所述环境参数中所包含的参数个数;
计算单元401,用于根据出厂设计年限ti和真实服役时间treal计算得到相对服役时间t*,其中,t*=treal/t;
检测单元402,用于对每个所述电缆训练样本依据预设绝缘状态指标进行检测,对获取到的检测数据进行预处理,得到预处理后的检测数据li;其中,所述预处理后的检测数据li=[li1,li2,li3,…,lin]T,n为所述预设绝缘状态指标所包含的指标个数;
建模单元403,用于建立电缆寿命估计的神经网络模型,并以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为输出,训练所述神经网络模型得到电缆寿命估计模型;
寿命估计单元404,用于利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果。
优选的,所述检测单元402包括:
预处理模块4020,用于去除所述标检测数据中的坏数据点,其中,所述坏数据点至少包括:因漏记造成的空缺数据点,与其它检测数据相比偏差较大明显记录错误的数据点。
优选的,所述建模单元403包括:
集合构建模块4030,用于以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为样本输入xi,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为样本输出yi,建立训练样本集合其中,所述训练样本集合中,样本输入xi与样本输出yi一一对应;
参数设定模块4031,用于设定所述神经网络模型中的神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj;其中,
神经元矩阵构建模块4032,用于依据所述神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj计算得到神经元矩阵H;其中,G(·)为Sigmodal函数,i=1,2,…,N;
外权权重构建模块4033,用于依据所述神经元矩阵H计算得到所述神经网络模型中第j个神经元和输出节点之间的外权权重列向量
其中H+=(HTH)-1HT为所述神经元矩阵H的Moore-Penrose广义逆,Y=[y1,y2,…,yN]T为所述训练样本集合中的样本输出;
建模模块4034,用于依据所述神经元矩阵H和所述外权权重列向量得到电缆寿命估计模型F(·);其中,
优选的,所述寿命估计单元404包括:
第一估计模块4040,用于将所述电缆待测样本的环境参数列向量w和所述预处理后的检测数据l构成的列向量z输入所述电缆寿命估计模型得到所述电缆待测样本的相对服役时间
其中,w=[w1,w2,…,wN],l=[l1,l2,…,lN],所述电缆待测样本的相对服役时间
第二估计模块4041,用于依据所述电缆待测样本的相对服役时间和所述设计年限t得到所述电缆待测样本的寿命估计结果tlast;其中,所述电缆待测样本的寿命估计结果
以上本实施例所公开的电力电缆寿命估计的系统,实现了对电缆待测样本进行将绝缘状态指标和所处的环境情况作为依据的离线寿命估计,相较现有技术中的在线检测方法,本发明不会使电缆产生记忆效应,达到了提高电力电缆的寿命估计结果的实用性,从而提高电网安全性的目的。
以上对本发明所提供的电力电缆寿命估计的方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种电力电缆寿命估计的方法,其特征在于,包括:
获取电缆待测样本在N个类型环境下对应的N个电缆训练样本的相关信息;
其中,所述电缆训练样本的相关信息至少包括:所述电缆待测样本的出厂设计年限t,真实服役时间treal和每个所述电缆训练样本相对应的环境参数wi,i=1,2,3,…,N,所述环境参数wi=[wi1,wi2,wi3,…,wim]T,m为所述环境参数中所包含的参数个数;
根据出厂设计年限t和真实服役时间treal计算得到相对服役时间t*,其中,t*=treal/t;
对每个所述电缆训练样本依据预设绝缘状态指标进行检测,对获取到的检测数据进行预处理,得到预处理后的检测数据li;其中,所述预处理后的检测数据li=[li1,li2,li3,…,lin]T,n为所述预设绝缘状态指标所包含的指标个数;
建立电缆寿命估计的神经网络模型,并以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为输出,训练所述神经网络模型得到电缆寿命估计模型;
利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果;
其中,建立电缆寿命估计的神经网络模型,并以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为输出,训练所述神经网络模型得到电缆寿命估计模型,包括:
以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为样本输入xi,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为样本输出yi,建立训练样本集合其中,所述训练样本集合中,样本输入xi与样本输出yi一一对应;
设定所述神经网络模型中的神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj;其中,依据所述神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj计算得到神经元矩阵H;其中,G(·)为Sigmodal函数,i=1,2,…,N;
依据所述神经元矩阵H计算得到所述神经网络模型中第j个神经元和输出节点之间的外权权重列向量
其中H+=(HTH)-1HT为所述神经元矩阵H的Moore-Penrose广义逆,Y=[y1,y2,...,yN]T为所述训练样本集合中的样本输出;
依据所述神经元矩阵H和所述外权权重列向量得到电缆寿命估计模型F(·);其中,
2.如权利要求1所述的方法,其特征在于,利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果,包括:
将所述电缆待测样本的环境参数列向量w和所述预处理后的检测数据l构成的列向量z输入所述电缆寿命估计模型得到所述电缆待测样本的相对服役时间
其中,w=[w1,w2,…,wN],l=[l1,l2,…,lN],所述电缆待测样本的相对服役时间
依据所述电缆待测样本的相对服役时间和所述设计年限t得到所述电缆待测样本的寿命估计结果tlast;其中,所述电缆待测样本的寿命估计结果
3.如权利要求1所述的方法,其特征在于,所述环境参数包括:地表日平均温度,土壤平均湿度,土壤酸碱性,地表日最高温度,地表日最低问题,路面压力和土壤砂质。
4.如权利要求1所述的方法,其特征在于,所述预设绝缘状态指标包括:
绝缘厚度,微孔杂质,热延伸率,永久延伸率,断裂延伸率和抗张强度。
5.如权利要求1所述的方法,其特征在于,所述对获取到的检测数据进行预处理,包括:
去除所述检测数据中的坏数据点,其中,所述坏数据点至少包括:因漏记造成的空缺数据点,与其它检测数据相比偏差较大明显记录错误的数据点。
6.一种电力电缆寿命估计的系统,其特征在于,应用于权利要求1~5任意一项所述的方法,该系统包括:
获取单元,用于获取电缆待测样本在N个类型环境下对应的N个电缆训练样本的相关信息;
其中,所述电缆训练样本的相关信息至少包括:所述电缆待测样本的出厂设计年限ti,真实服役时间和每个所述电缆训练样本相对应的环境参数wi,i=1,2,3,…,N,所述环境参数wi=[wi1,wi2,wi3,…,wim]T,m为所述环境参数中所包含的参数个数;
计算单元,用于根据出厂设计年限ti和真实服役时间treal计算得到相对服役时间t*,其中,t*=treal/t;
检测单元,用于对每个所述电缆训练样本依据预设绝缘状态指标进行检测,对获取到的检测数据进行预处理,得到预处理后的检测数据li;其中,所述预处理后的检测数据li=[li1,li2,li3,…,lin]T,n为所述预设绝缘状态指标所包含的指标个数;
建模单元,用于建立电缆寿命估计的神经网络模型,并以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为输入,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为输出,训练所述神经网络模型得到电缆寿命估计模型;寿命估计单元,用于利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计,得到所述电缆待测样本的寿命估计结果;
其中,所述建模单元包括:
集合构建模块,用于以N个所述电缆训练样本所对应的环境参数wi和预处理后的检测数据li为样本输入xi,N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t*为样本输出yi,建立训练样本集合其中,所述训练样本集合中,样本输入xi与样本输出yi一一对应;
参数设定模块,用于设定所述神经网络模型中的神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj;其中,
神经元矩阵构建模块,用于依据所述神经元数量第j个神经元和输入节点之间的内权权重列向量ωj和第j个神经元的偏置值列向量bj计算得到神经元矩阵H;其中,G(·)为Sigmodal函数,i=1,2,…,N;
外权权重构建模块,用于依据所述神经元矩阵H计算得到所述神经网络模型中第j个神经元和输出节点之间的外权权重列向量
其中H+=(HTH)-1HT为所述神经元矩阵H的Moore-Penrose广义逆,Y=[y1,y2,...,yN]T为所述训练样本集合中的样本输出;
建模模块,用于依据所述神经元矩阵H和所述外权权重列向量得到电缆寿命估计模型F(·);其中,
7.如权利要求6所述的系统,其特征在于,所述寿命估计单元包括:
第一估计模块,用于将所述电缆待测样本的环境参数列向量w和所述预处理后的检测数据l构成的列向量z输入所述电缆寿命估计模型得到所述电缆待测样本的相对服役时间
其中,w=[w1,w2,…,wN],l=[l1,l2,…,lN],所述电缆待测样本的相对服役时间
第二估计模块,用于依据所述电缆待测样本的相对服役时间和所述设计年限t得到所述电缆待测样本的寿命估计结果tlast;其中,所述电缆待测样本的寿命估计结果
8.如权利要求6所述的系统,其特征在于,所述检测单元包括:
预处理模块,用于去除所述检测数据中的坏数据点,其中,所述坏数据点至少包括:因漏记造成的空缺数据点,与其它检测数据相比偏差较大明显记录错误的数据点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410561756.3A CN104268626B (zh) | 2014-10-21 | 2014-10-21 | 电力电缆寿命估计的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410561756.3A CN104268626B (zh) | 2014-10-21 | 2014-10-21 | 电力电缆寿命估计的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268626A CN104268626A (zh) | 2015-01-07 |
CN104268626B true CN104268626B (zh) | 2017-04-12 |
Family
ID=52160146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410561756.3A Active CN104268626B (zh) | 2014-10-21 | 2014-10-21 | 电力电缆寿命估计的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268626B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842598A (zh) * | 2016-06-14 | 2016-08-10 | 国家电网公司 | 交联聚乙烯电缆寿命检测方法 |
CN106126776A (zh) * | 2016-06-14 | 2016-11-16 | 国家电网公司 | 基于神经网络的电缆寿命预测方法 |
CN106202660A (zh) * | 2016-06-30 | 2016-12-07 | 南京中车浦镇城轨车辆有限责任公司 | 轨道车辆电缆老化分析、寿命预测系统及其方法 |
CN109510805B (zh) * | 2017-09-15 | 2020-06-16 | 中国科学院声学研究所 | 一种基于安全基线模型的网络数据安全检测方法及系统 |
US10698019B2 (en) * | 2018-11-16 | 2020-06-30 | Chung Yuan Christian University | Method of online estimating remaining life of moving power cable |
CN110245446A (zh) * | 2019-06-21 | 2019-09-17 | 华中科技大学 | 一种配电电缆剩余寿命预测方法 |
CN113376483B (zh) * | 2021-06-10 | 2023-03-31 | 云南电网有限责任公司电力科学研究院 | 一种xlpe电缆绝缘状态评估方法 |
CN113588452B (zh) * | 2021-07-30 | 2023-10-27 | 国网青海省电力公司信息通信公司 | 电缆寿命预测方法和装置以及处理器和存储介质 |
CN117289075B (zh) * | 2023-09-07 | 2024-03-12 | 东莞市明盛电气有限公司 | 电缆性能检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090105679A (ko) * | 2008-04-03 | 2009-10-07 | 기아자동차주식회사 | 로보트 케이블의 수명예측방법 |
CN102944777A (zh) * | 2012-10-31 | 2013-02-27 | 广州供电局有限公司 | 电缆使用寿命检测方法 |
CN103886374A (zh) * | 2014-04-22 | 2014-06-25 | 武汉大学 | 一种基于rbf神经网络的电缆接头导线温度预测方法 |
-
2014
- 2014-10-21 CN CN201410561756.3A patent/CN104268626B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090105679A (ko) * | 2008-04-03 | 2009-10-07 | 기아자동차주식회사 | 로보트 케이블의 수명예측방법 |
CN102944777A (zh) * | 2012-10-31 | 2013-02-27 | 广州供电局有限公司 | 电缆使用寿命检测方法 |
CN103886374A (zh) * | 2014-04-22 | 2014-06-25 | 武汉大学 | 一种基于rbf神经网络的电缆接头导线温度预测方法 |
Non-Patent Citations (1)
Title |
---|
Application of Artificial Neural Network in Cable Life Time Estimation and its Failure rate per 100 km;A. H. Ranjbar et al;《Power and Energy Conference,2008,PECon 2008.IEEE 2nd International Date of Conference》;20081203;第23页第II部分段-第24页第III部分,图1-8 * |
Also Published As
Publication number | Publication date |
---|---|
CN104268626A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268626B (zh) | 电力电缆寿命估计的方法及系统 | |
JP6467186B2 (ja) | データストリームにおける不良データを検出、訂正、および検査するためのシステムおよび方法 | |
Korres et al. | State estimation and bad data processing for systems including PMU and SCADA measurements | |
Kim et al. | Fast and reliable estimation of composite load model parameters using analytical similarity of parameter sensitivity | |
CN107016489A (zh) | 一种电力系统抗差状态估计方法和装置 | |
CN103323703A (zh) | 一种电缆接头故障诊断方法 | |
CN107453484B (zh) | 一种基于wams信息的scada数据校准方法 | |
CN105976257A (zh) | 基于隶属度函数的模糊综合评价法的电网脆弱性评估方法 | |
CN108199891B (zh) | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 | |
CN103066591B (zh) | 一种基于实时测量的电网参数偏差识别方法 | |
CN107370150B (zh) | 基于同步相量量测的电力系统状态估计不良数据处理方法 | |
CN106682407A (zh) | 基于戴维南等值和支路传输功率极限的电压稳定评估方法 | |
CN107632231B (zh) | 一种使用多激励源的变电站接地网腐蚀故障在线诊断方法 | |
CN116070068B (zh) | 基于主梁挠度差一阶导数小波变换的斜拉索损伤识别方法、装置及终端 | |
CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN116400172A (zh) | 基于随机矩阵的云边协同配电网故障检测方法及系统 | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
CN107132500B (zh) | 一种同步相量测量单元在线校准方法与装置 | |
CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
Jia et al. | An adaptive spherical square‐root double unscented Kalman filtering algorithm for estimating state‐of‐charge of lithium‐ion batteries | |
Hossain et al. | Distribution high impedance fault location using localized voltage magnitude measurements | |
CN104240036B (zh) | 一种基于临界系统等效阻抗的暂态电压稳定量化评估方法 | |
CN115267409A (zh) | 一种电力设备故障检测方法、装置及设备 | |
CN103942416B (zh) | 基于加权节点生成树的电压估计方法 | |
CN113125037B (zh) | 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |