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 PDFInfo
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers 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
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。
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)
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 |
-
2018
- 2018-03-08 CN CN201810191979.3A patent/CN108489636B/zh active Active
Patent Citations (4)
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)
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 |