CN108489636A - 一种电缆导体温度预测方法 - Google Patents

一种电缆导体温度预测方法 Download PDF

Info

Publication number
CN108489636A
CN108489636A CN201810191979.3A CN201810191979A CN108489636A CN 108489636 A CN108489636 A CN 108489636A CN 201810191979 A CN201810191979 A CN 201810191979A CN 108489636 A CN108489636 A CN 108489636A
Authority
CN
China
Prior art keywords
cable conductor
conductor temperature
formula
accumulate
original data
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.)
Granted
Application number
CN201810191979.3A
Other languages
English (en)
Other versions
CN108489636B (zh
Inventor
吴炬卓
高紫建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN201810191979.3A priority Critical patent/CN108489636B/zh
Publication of CN108489636A publication Critical patent/CN108489636A/zh
Application granted granted Critical
Publication of CN108489636B publication Critical patent/CN108489636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01KMEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00Thermometers specially adapted for specific purposes

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Laying Of Electric Cables Or Lines Outside (AREA)

Abstract

本发明提供一种电缆导体温度预测方法。一种电缆导体温度预测方法,其中,包括以下步骤:S1.构建原始数据序列;S2.基于步骤S1的原始数据序列,构建电缆导体温度预测模型;S3.基于步骤S2的预测模型,对电缆导体温度进行预测。本发明的预测方法所需样本少,不需要计算统计特征量,且不受电缆本身的物性参数影响,具有较高的精度。

Description

一种电缆导体温度预测方法
技术领域
本发明涉及电缆导体温度预测技术领域,更具体地,涉及一种电缆导体温度预测方法。
背景技术
载流量为电缆在持续负荷中所能传输的最大电流,是电缆运行的重要参数。在该电流的作用下,线芯工作温度达到但不超过电缆主绝缘长期耐热温度(XLPE为90℃),以保证电缆的寿命。如果载流量偏大而导致线芯工作温度超过允许值,电缆的寿命将比期望寿命大大缩短。如果载流量偏小,电缆线芯材料没有得到充分的利用。
因此,若能够准确掌握电缆导体温度,就可以根据当前温度调整电缆负荷,挖掘现有电缆载流量能力,不仅能节约电缆的投资,而且能提高电缆的运行水平和利用率。因而准确计算电缆导体温度成为关键。
发明内容
本发明的目的在于克服现有技术的至少一个缺点与不足,提供一种电缆导体温度预测方法,该方法所需样本少,不需要计算统计特征量,且不受电缆本身的物性参数影响,具有较高的精度。
为解决上述技术问题,本发明采用的技术方案是:一种电缆导体温度预测方法,其中,包括以下步骤:
S1.构建原始数据序列;
S2.基于步骤S1的原始数据序列,构建电缆导体温度预测模型;
S3.基于步骤S2的预测模型,对电缆导体温度进行预测。
进一步的,所述步骤S1中,构建原始数据序列的步骤为:
以x(0)(1),x(0)(2),…,x(0)(n)分别表示时刻t=1,2,….,n对应的电缆导体温度,则可以构建原始数据序列如下:
X(0)={x(0)(1),x(0)(2),…,x(0)(n)}
式中,X(0)表示原始数据序列。
进一步的,所述步骤S2中,基于步骤S1的原始数据序列,构建电缆导体温度预测模型的步骤为:
S21.对原始数据进行一次累加,得到一次累加序列X(1)
X(1)={x(1)(1),x(1)(2),…,x(1)(n)}
式中,X(1)为一次累加序列。
S22.求出一次累加序列分量x(1)(t)的初步预测值:
式中,为x(1)(t)的初步预测值,x(0)(1)为初始值,参数a、u由最小二乘法求解得到,表示为:
(a,u)=YBT((BBT)-1)T
式中,Y和B分别为:
Y=[x(0)(2),x(0)(3),…,x(0)(n)]
S23.求出原始数据序列分量初步预测值
式中,为x(0)(t)的初步预测值。
S24.建立残差绝对值序列ε(0)(t):
S25.对残差绝对值进行一次累加,得到残差绝对值的一次累加序列ε(1)(t)
ε(1)(t)={ε(1)(1),ε(1)(2),…,ε(1)(n)}
S26.求出一次累加序列分量ε(1)(t)的初步预测值:
式中,参数a1、u1由最小二乘法求解,表示为:
(a1,u1)=Y1B1 T((B1B1 T)-1)T
式中,Y1和B1分别为:
Y1=[ε(0)(2),ε(0)(3),…,ε(0)(n)]
S27.因此得到改进后的原始数据的预测值为:
式中,符号函数为
进一步的,所述步骤S3中,基于步骤S2的预测模型,对电缆导体温度进行预测的步骤为:
S31.根据残差符号,将残差划分为三个状态,分别用1,2,3表示残差大于0,等于0和小于0三种状态,并建立残差状态转移概率矩阵p:
式中,n=3,pij表示状态i转移到状态j的概率;
S32.根据t=n时刻的残差符号,确定其状态,再根据残差状态转移概率矩阵确定t=n+1时刻的残差状态,即可确定sgn(n+1)的符号;
S33.将得到的sgn(n+1)代人到改进后的原始数据预测公式,即可预测出时刻t=n+1对应的电缆导体温度。
本发明与现有技术相比,其有益效果是:
本发明的电缆导体温度预测方法所需样本少,不需要计算统计特征量,且不受电缆本身的物性参数影响,具有较高的精度。
附图说明
图1是本发明的一种电缆导体温度预测方法的总体框图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
如图1所示,一种电缆导体温度预测方法,其中,包括以下步骤:
S1.构建原始数据序列;
以x(0)(1),x(0)(2),…,x(0)(n)分别表示时刻t=1,2,….,n对应的电缆导体温度,取n=9,分别测量出x(0)(1),x(0)(2),…,x(0)(n)的数值,并构建原始数据序列如下:
S2.基于步骤S1的原始数据序列,构建电缆导体温度预测模型。具体的,包括如下步骤:
S21.对原始数据进行一次累加,得到一次累加序列X(1)
S22.求出一次累加序列分量x(1)(t)的初步预测值:
构造矩阵B和向量Y:
Y=[61.31,60.51,60.41,60.49,60.74,61.42,60.34,61.93]
计算得到a=-0.0013297,u=60.489;
得到一次累加序列分量x(1)(t)的初步预测值:
S23.求出原始数据序列分量初步预测值:
S24.建立残差绝对值序列ε(0)(t):
S25.对残差绝对值进行一次累加,得到残差绝对值的一次累加序列ε(1)(t):
S26.求出一次累加序列分量ε(1)(t)的初步预测值:
构造矩阵B1和向量Y1
Y1=[0.699,0.181,0.362,0.363,0.194,0.405,0.756,0.753]
计算得到a1=0.035711,u1=0.059;
得到一次累加序列分量ε(1)(t)的初步预测值:
S27.因此得到改进后的原始数据的预测值为:
x″(0)(t)=(1-e-0.0013297)45551.94219e0.0013297(t-1)
+sgn(t)(1-e0.035711)(-1.656)e-0.035711(t-1)
S3.基于步骤S2的预测模型,对电缆导体温度进行预测。具体的,包括如下步骤:
S31.根据残差符号,将残差划分为三个状态,分别用1,2,3表示残差大于0,等于0和小于0三种状态,并建立残差状态转移概率矩阵p:
S32.当t=9时,残差符号为正,则其状态为1,再根据残差状态转移概率矩阵确定t=10时刻的残差状态为3,即可确定sgn(n+1)的符号为小于0;
S33.将得到的sgn(n+1)代人到改进后的原始数据预测公式,即可预测出时刻t=10对应的电缆导体温度为61.176℃。
显然,本发明的上述实施例仅仅是为了清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种电缆导体温度预测方法,其特征在于,包括以下步骤:
S1.构建原始数据序列;
S2.基于步骤S1的原始数据序列,构建电缆导体温度预测模型;
S3.基于步骤S2的预测模型,对电缆导体温度进行预测。
2.根据权利要求1所述的一种电缆导体温度预测方法,其特征在于,所述步骤S1中,构建原始数据序列的步骤为:
以x(0)(1),x(0)(2),…,x(0)(n)分别表示时刻t=1,2,….,n对应的电缆导体温度,则可以构建原始数据序列如下:
X(0)={x(0)(1),x(0)(2),…,x(0)(n)}
式中,X(0)表示原始数据序列。
3.根据权利要求2所述的一种电缆导体温度预测方法,其特征在于,所述步骤S2中,基于步骤S1的原始数据序列,构建电缆导体温度预测模型的步骤为:
S21.对原始数据进行一次累加,得到一次累加序列X(1)
X(1)={x(1)(1),x(1)(2),…,x(1)(n)}
式中,X(1)为一次累加序列。
S22.求出一次累加序列分量x(1)(t)的初步预测值:
式中,为x(1)(t)的初步预测值,x(0)(1)为初始值,参数a、u由最小二乘法求解得到,表示为:
(a,u)=YBT((BBT)-1)T
式中,Y和B分别为:
Y=[x(0)(2),x(0)(3),…,x(0)(n)]
S23.求出原始数据序列分量初步预测值
式中,为x(0)(t)的初步预测值。
S24.建立残差绝对值序列ε(0)(t):
S25.对残差绝对值进行一次累加,得到残差绝对值的一次累加序列ε(1)(t)ε(1)(t)={ε(1)(1),ε(1)(2),…,ε(1)(n)}
S26.求出一次累加序列分量ε(1)(t)的初步预测值:
式中,参数a1、u1由最小二乘法求解,表示为:
(a1,u1)=Y1B1 T((B1B1 T)-1)T
式中,Y1和B1分别为:
Y1=[ε(0)(2),ε(0)(3),…,ε(0)(n)]
S27.因此得到改进后的原始数据的预测值为:
式中,符号函数为
4.根据权利要求3所述的一种电缆导体温度预测方法,其特征在于,所述步骤S3中,基于步骤S2的预测模型,对电缆导体温度进行预测的步骤为:
S31.根据残差符号,将残差划分为三个状态,分别用1,2,3表示残差大于0,等于0和小于0三种状态,并建立残差状态转移概率矩阵p:
式中,n=3,pij表示状态i转移到状态j的概率;
S32.根据t=n时刻的残差符号,确定其状态,再根据残差状态转移概率矩阵确定t=n+1时刻的残差状态,即可确定sgn(n+1)的符号;
S33.将得到的sgn(n+1)代人到改进后的原始数据预测公式,即可预测出时刻t=n+1对应的电缆导体温度。
CN201810191979.3A 2018-03-08 2018-03-08 一种电缆导体温度预测方法 Active CN108489636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810191979.3A CN108489636B (zh) 2018-03-08 2018-03-08 一种电缆导体温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810191979.3A CN108489636B (zh) 2018-03-08 2018-03-08 一种电缆导体温度预测方法

Publications (2)

Publication Number Publication Date
CN108489636A true CN108489636A (zh) 2018-09-04
CN108489636B CN108489636B (zh) 2020-02-04

Family

ID=63338090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810191979.3A Active CN108489636B (zh) 2018-03-08 2018-03-08 一种电缆导体温度预测方法

Country Status (1)

Country Link
CN (1) CN108489636B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140297195A1 (en) * 2011-02-22 2014-10-02 Infandx Ag Method and Use of Metabolites for the Diagnosis of Inflammatory Brain Injury in Preterm Born Infants
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法
CN105825040A (zh) * 2015-12-29 2016-08-03 海南电力技术研究院 短期电力负荷预测方法
CN106529832A (zh) * 2016-12-06 2017-03-22 贵州电网有限责任公司电力科学研究院 一种基于马尔科夫可靠性修正模型的继电保护系统风险评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140297195A1 (en) * 2011-02-22 2014-10-02 Infandx Ag Method and Use of Metabolites for the Diagnosis of Inflammatory Brain Injury in Preterm Born Infants
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法
CN105825040A (zh) * 2015-12-29 2016-08-03 海南电力技术研究院 短期电力负荷预测方法
CN106529832A (zh) * 2016-12-06 2017-03-22 贵州电网有限责任公司电力科学研究院 一种基于马尔科夫可靠性修正模型的继电保护系统风险评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘宗明等: "基于灰色马尔科夫链模型的交通量预测", 《华东交通大学学报》 *

Also Published As

Publication number Publication date
CN108489636B (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN111461392B (zh) 一种基于图神经网络的电力故障预测方法及系统
Teng et al. A novel ACS-based optimum switch relocation method
Lee et al. Modeling steady-state and transient behaviors of user mobility: formulation, analysis, and application
Shen et al. A non-stochastic learning approach to energy efficient mobility management
CN108293005A (zh) 用于共享状态相关信息的方法和设备
CN113589189B (zh) 基于充放电数据特征的锂电池健康状况预测方法及装置
CN114330148B (zh) 基于加速退化数据的电机绝缘寿命预测方法
CN107392352A (zh) 一种基于融合极限学习机的电池未来温度预测方法及系统
EP3357277A1 (en) Analytics driven wireless device session context handover in operator cloud
Yu et al. Online state‐of‐health prediction of lithium‐ion batteries with limited labeled data
JP5696737B2 (ja) 蓄電池システム、蓄電池システムの状態通知方法およびプログラム
Cheng et al. Fault diagnosis method based on Petri nets considering service feature of information source devices
CN103533342A (zh) 一种移动视频质量检测方法和装置
Liu et al. Reinforcement learning for cyber-physical security assessment of power systems
CN116794510A (zh) 故障预测方法、装置、计算机设备和存储介质
Xia et al. A cell outage compensation mechanism in self-organizing RAN
CN108489636A (zh) 一种电缆导体温度预测方法
Ma et al. A novel health index for battery RUL degradation modeling and prognostics
CN116523148A (zh) 一种配电网配变重过载预警方法、装置和设备
Glabowski et al. A full-availability group model with multi-service sources and threshold mechanisms
Ozturk et al. 3D transition matrix solution for a path dependency problem of markov chains-based prediction in cellular networks
CN115946569A (zh) 电池充电时长预测方法和装置、电子设备及存储介质
CN113691529B (zh) 一种基于电力行业网络安全的工业控制系统及方法
CN111985708B (zh) 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置
CN113537612A (zh) 基于遗传算法动态规划技术的重过载转供方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant