CN110245446A - 一种配电电缆剩余寿命预测方法 - Google Patents

Abstract

本发明公开了一种配电电缆剩余寿命预测方法，包括：构建训练样本集，其中每个样本包括训练用电缆的四种属性的数据，分别为环境属性、电气属性、时间属性和电缆自身属性；采用训练样本集，训练已构建的电缆剩余寿命预测卷积神经网络框架，得到电缆剩余寿命预测卷积神经网络；采集待测电缆的上述四种属性的数据并输入电缆剩余寿命预测卷积神经网络，得到待测电缆的剩余寿命预测值。本发明采用电缆的四种属性的数据，使得训练得到的电缆剩余寿命预测卷积神经网络能够适用于各种复杂环境下的电缆的剩余寿命预测，且采用多种属性的数据，能够全方位更加准确地预测电缆剩余寿命。另外，本发明引入卷积神经网络，可得到预测精度较高的预测模型。

Description

一种配电电缆剩余寿命预测方法

技术领域

本发明属于电缆剩余寿命预测技术领域，更具体地，涉及一种配电电缆剩余寿命预测方法。

背景技术

目前我国城市现代化水平不断提高，配电网系统规模越来越大，结构也愈发复杂。而配电电缆埋置于地下，具有节省空间、隐蔽耐用等优势，配电电缆逐步取代架空线路，电缆使用率逐年提高。但是电缆经常受电、热、化学等因素影响，不可避免地出现绝缘劣化，引发了大面积停电事故，严重时更会导致电气火灾等，造成了巨大的经济损失。

在现有电缆绝缘在线监测技术中，注入法在电缆芯线与屏蔽层间施加电压，通过电流互感器测量电缆中泄漏电流来反映绝缘阻抗，从而直接判断绝缘状态，在原理上优于其他方法。但是它通常仅根据瞬时的泄露电流值来判断绝缘状态，易受噪声干扰准确性不足，且难以实现对电缆剩余寿命的预测。

现有的电缆绝缘剩余寿命预测方法中，专利文献CN 104089838 A中公开的一种基于硬度的电缆绝缘寿命快速检测方法，通过电缆温度与硬度建立老化模型来预测寿命，准确性不足，不够全面。专利文献CN 102944777 B中公开的一种电缆使用寿命检测方法，通过电极化、热老化和电击穿三种参数来分别检测电缆寿命，数据与维度较少，电缆寿命预测准确性不足。

因此，提高电缆剩余寿命测试准确度是目前亟待解决的技术问题。

发明内容

本发明提供一种配电电缆剩余寿命预测方法，用以解决现有配电电缆剩余寿命预测精确度不高的技术问题。

本发明解决上述技术问题的技术方案如下：一种配电电缆剩余寿命预测方法，包括：

步骤1、构建训练样本集，其中每个样本包括训练用电缆的四种属性的数据，分别为环境属性、电气属性、时间属性和电缆自身属性；

步骤2、采用所述训练样本集，训练已构建的电缆剩余寿命预测卷积神经网络框架，得到电缆剩余寿命预测卷积神经网络；

步骤3、采集待测电缆的所述四种属性的数据并输入所述电缆剩余寿命预测卷积神经网络，得到所述待测电缆的剩余寿命预测值。

本发明的有益效果是：本发明采用电缆的四种属性的数据，对电缆剩余寿命预测卷积神经网络框架进行训练，使得训练得到的电缆剩余寿命预测卷积神经网络能够适用于各种复杂环境下的电缆的剩余寿命预测，且多属性数据的训练，能够全方位、高准确度地预测电缆剩余寿命。另外，本发明引入卷积神经网络，通过深度学习，能够有效利用训练样本进行训练，得到预测精度较高的预测模型。因此，本发明提供的配电电缆剩余寿命预测方法并不针对于某种特定的环境或者某种型号的电缆，对于各种复杂的情况具有良好的适用性，便于在不同地区不同变电站推广使用。

上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1还包括：构建测试样本集，其中每个样本包括所述四种属性的数据；

则所述步骤2包括：

采用所述训练样本集和所述测试样本集，训练已构建的电缆剩余寿命预测卷积神经网络框架，得到电缆剩余寿命预测卷积神经网络。

本发明的进一步有益效果是：训练样本集结合测试样本集，可以避免卷积神经网络的过拟合，提高卷积神经网络的预测精度，节省计算资源。

进一步，所述步骤2包括：

步骤2.1、采用所述训练样本集中的多个训练样本，训练已构建的电缆剩余寿命预测卷积神经网络框架，直到满足预设的预测精度要求，得到电缆剩余寿命预测待定卷积神经网络；

步骤2.2、采用所述测试样本集中的多个测试样本对所述电缆剩余寿命预测待定卷积神经网络进行测试，若测试精度满足预设条件，则所述电缆剩余寿命预测待定卷积神经网络即为电缆剩余寿命预测卷积神经网络，否则，采用所述训练样本集中的另外多个训练样本，重复执行步骤2.1。

本发明的进一步有益效果是：采用基于随机梯度下降的有监督训练，可以有效提高神经网络训练的效率和精度。

进一步，所述预设条件为：本次测试的测试精度在其之前预设次数的测试精度的上下波动且波动范围满足预设范围。

进一步，所述训练样本集和所述测试样本集的总样本个数为5000-7000。

本发明的进一步有益效果是：在避免训练过拟合、提高训练质量的同时，能够节省训练时间，避免计算资源的浪费。

进一步，所述环境属性的数据包括：电缆所处的温度、湿度和土壤酸碱度；

所述电气属性的数据包括：注入的电压信号、泄露电流信号、电缆绝缘电阻、流经电缆的负荷电流、注入的总电流信号；

所述时间属性的数据包括：电缆绝缘电阻的一阶差分值、泄露电流信号的一阶差分值、电缆使用时长和电缆剩余寿命值；

所述电缆自身属性的数据包括：电缆长度。

本发明的进一步有益效果是：本发明提出的配电电缆剩余寿命预测方法避免了传统电缆剩余寿命预测模型仅考虑单一主要因素的问题，兼顾电缆运行数据、电缆自身长度、使用时长等多维数据，提高了配电电缆剩余寿命预测精度。

进一步，所述电缆剩余寿命预测卷积神经网络框架包括：

依次连接的数据输入层、激励层、第一卷积计算层、第二卷积计算层和全连接层。

进一步，所述激励层采用ReLU非线性激励函数。

本发明的进一步有益效果是：ReLU非线性激励函数的迭代速度快，收敛用时短，同时应用范围广。

进一步，所述第一卷积计算层和所述第二卷积计算层通过第一池化层连接，所述第二卷积计算层和所述全连接层通过第二池化层连接；

其中，所述第一池化层和所述第二池化层均采用最大池化法。

本发明的进一步有益效果是：采用最大池化法能有效提取数据中最明显、最有用的信息，并能够去除噪声，提高训练精度。

本发明还提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一种配电电缆剩余寿命预测方法。

附图说明

图1为本发明一个实施例提供的一种配电电缆剩余寿命预测方法的流程框图；

图2为本发明一个实施例提供的另一种配电电缆剩余寿命预测方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例一

一种配电电缆剩余寿命预测方法100，如图1所示，包括：

步骤110、构建训练样本集，其中每个样本包括训练用电缆的四种属性的数据，分别为环境属性、电气属性、时间属性和电缆自身属性；

步骤120、采用训练样本集，训练已构建的电缆剩余寿命预测卷积神经网络框架，得到电缆剩余寿命预测卷积神经网络；

步骤130、采集待测电缆的四种属性的数据并输入电缆剩余寿命预测卷积神经网络，得到待测电缆的剩余寿命预测值。

本实施例采用电缆的四种属性的数据，对电缆剩余寿命预测卷积神经网络框架进行训练，使得训练得到的电缆剩余寿命预测卷积神经网络能够适用于各种复杂环境下的电缆的剩余寿命预测，且多维度数据的训练，能够全方位更加准确地预测电缆剩余寿命。另外，本实施例引入卷积神经网络，通过深度学习，能够有效利用训练样本进行训练，得到预测精度较高的预测模型。因此，本实施例提供的配电电缆剩余寿命预测方法并不针对于某种特定的环境或者某种型号的电缆，对于各种复杂的情况具有良好的适用性，便于在不同地区不同变电站推广使用，为配电电缆运维人员检修或者更换电缆提供依据，避免因电缆使用超出其年限造成的停电乃至电气火灾等事故。

优选的，步骤110还包括：构建测试样本集，其中每个样本包括上述四种属性的数据，分别为环境属性、电气属性、时间属性和电缆自身属性；

则步骤120包括：

采用训练样本集和测试样本集，训练已构建的电缆剩余寿命预测卷积神经网络框架，得到电缆剩余寿命预测卷积神经网络。

优选的，步骤120包括：

步骤121、采用训练样本集中的多个训练样本，训练已构建的电缆剩余寿命预测卷积神经网络框架，直到满足预设的预测精度条件得到电缆剩余寿命预测待定卷积神经网络；

步骤122、采用测试样本集中的多个测试样本对电缆剩余寿命预测待定卷积神经网络进行测试，若测试精度满足预设条件，则电缆剩余寿命预测待定卷积神经网络即为电缆剩余寿命预测卷积神经网络，否则，采用训练样本集中的另外多个训练样本，重复执行步骤121。

优选的，预设条件为：本次测试的测试精度在其之前预设次数的测试精度的上下波动且波动范围满足预设范围。

采用基于随机梯度下降的有监督训练的方式，利用包含大量样本的训练样本集训练卷积神经网络，反复迭代，优化卷积神经网络的各层参数，使其输出的配电电缆预测剩余寿命满足精度要求；另一方面，在训练样本集的预测精度达到一定水平后，利用测试样本集进行检验，在测试样本集的预测精度达到要求水平且不再上升时停止迭代，避免过拟合。训练样本集和测试样本集的结合，保证卷积神经网络的高预测精确度。

优选的，训练样本集和测试样本集的总样本个数为5000-7000。

需要说明的是，开始训练卷积神经网络时，由于初始化参数不可能完美，预测精度很低，随着迭代的进行，训练样本集的预测精度会逐渐提高。但在预测精度提高到一定程度后，可能会出现过拟合，即卷积神经网络只是记忆训练样本集中的数据，而不是提取训练样本集中的特征关系。如果卷积神经网络出现了过拟合，那么使用测试样本集进行测试时，预测精度会显著低于训练样本集的预测精度。随着迭代次数的增多，虽然卷积神经网络对训练样本集的预测精度会不断提高，但卷积神经网络对测试样本集的预测精度可能不会提高，甚至下降。因此，当训练样本集的预测精度达到一定水平后，测试一下卷积神经网络，有助于检验其训练效果。

避免过拟合的一种有效方法是扩大训练集，但一般配电电缆自然使用寿命在10-30年，历史数据积累较少，通过实验室加速模拟配电电缆老化过程的方式，虽然可以获得大量数据，但一味扩大训练数据集还会降低训练速度，造成效率损失。在具体实施时，应适当选取数据总量，例如，每条电缆可测取260个数据点，共24条电缆，形成样本总数为6240的特征样本集，其中，训练样本集的样本总数5740个，测试样本集的样本总数500个。通过跟踪测试样本集的预测精度来避免过拟合现象，即在训练集的预测精度满足预设的预测精度要求后，定时检验测试样本集的预测精度，在其不再上升后及时停止迭代，以避免计算资源的浪费。因此，本实施例在使用测试样本集测试网络时，当预测精度在前面几次测试结果的上下波动且不再上升，或者出现下降，则此时停止训练。

进一步，环境属性的数据包括：电缆所处的温度、湿度和土壤酸碱度；电气属性的数据包括：注入的电压信号、泄露电流信号、电缆绝缘电阻、流经电缆的负荷电流、注入的总电流信号；时间属性的数据包括：电缆绝缘电阻的一阶差分值、泄露电流信号的一阶差分值、电缆使用时长和电缆剩余寿命值；电缆自身属性的数据包括：电缆长度。

需要说明的是，可基于现有历史数据以及配电电缆加速老化实验得到的数据，构建训练样本集和测试样本集，采用训练样本集训练卷积神经网络，并用测试样本集进行过拟合检验；将待测电缆的实测数据作为卷积神经网络的输入，得到电缆剩余寿命的预测值。

具体的，在将已训练好的神经网络投入待测电缆的剩余寿命预测时，可采用电流互感器与电压互感器等测量设备获得待测电缆的注入的电压信号、泄露电流信号、流经电缆的负荷电流、注入的总电流信号等数据。将待测电缆的实测数据，可通过光纤等有线传输和GPRS等无线传输相结合的方式传输给总站。总站计算获得电缆绝缘电阻、电缆绝缘电阻的一阶差分值、泄露电流的一阶差分值，并结合存储的电缆长度、电缆使用时长数据，进行神经网络分析。

本实施例提出的配电电缆剩余寿命预测方法避免了传统电缆剩余寿命预测模型仅考虑单一主要因素的问题，兼顾电缆运行数据、电缆自身长度、使用时长等多维数据，提高了配电电缆剩余寿命预测精度。

优选的，电缆剩余寿命预测卷积神经网络框架包括：

依次连接的数据输入层、激励层、第一卷积计算层、第二卷积计算层和全连接层。

需要说明的是，当样本中的数据量较少时，例如只有12种数据，可不使用池化层。

另外，需要说明的是，当采用上述12种数据(电缆所处的温度、电缆所处的湿度、电缆周围土壤酸碱度、注入的电压信号、泄露电流信号、电缆绝缘电阻、流经电缆的负荷电流、注入的总电流信号、电缆绝缘电阻的一阶差分值、泄露电流信号的一阶差分值、电缆使用时长和电缆剩余寿命值)进行卷积神经网络训练时，第一卷积计算层和第二卷积计算层采用2×2卷积核，步长取1，取上述12种数据，其中电缆剩余寿命值作为标签。

优选的，激励层采用ReLU非线性激励函数。ReLU非线性激励函数的迭代速度快，收敛用时短，同时应用范围广。在ReLU效果不佳时，可以改用Leaky ReLU或者Maxout。

优选的，第一卷积计算层和第二卷积计算层通过第一池化层连接，第二卷积计算层和全连接层通过第二池化层连接；其中，第一池化层和第二池化层均采用最大池化法。采用最大池化法能有效提取数据中最明显、最有用的信息，并起到去除噪声的作用。

为了更好的说明本实施例，现有如下示例，如图2所示。

(1)取24条配电电缆进行参数采集，其中，12条电缆数据来自历史参数信息，12条电缆数据来自配电电缆加速老化实验，以使得训练得到的神经网络应用于各种环境下的电缆；参数信息包括注入的电压信号、泄露电流信号、流经电缆的负荷电流、注入的总电流信号；选取电缆不同的200-300个时间作为样本采集点，采集每个样本点的电压信号、泄露电流信号、流经电缆的负荷电流、注入的总电流信号信息，形成样本库。

(2)将样本库中的样本数据进一步处理，其中，结合电缆使用时长，计算泄漏电流信号的一阶差分值，将每个样本的样本数据和电缆剩余寿命数据结合，并经过去均值、归一化、去相关、白化四步数据处理，形成特征数据集。并划分为训练样本集和测试样本集。

(3)将训练样本集用于卷积神经网络的训练，通过多轮迭代，优化权重和偏置，使输出满足精度要求。

在具体实施时，每条电缆测取260个样本点，共24条电缆，形成样本总数为6240的特征数据集，其中训练样本集样本总数5740个，测试样本集样本总数500个。通过跟踪测试数据集的预测精度来避免过拟合现象，即在训练集的预测精度达到一定要求后，定时检验测试数据集的预测精度，在其不再上升后及时停止迭代，以避免计算资源的浪费。

(4)将待测寿命电缆的实测数据，通过光纤等有线传输和GPRS等无线传输相结合的方式传输给总站。总站接收到配电电缆上传的参数信息后，结合历史数据，进行分析处理后得到待测电缆的输入数据，将数据输入到训练好的卷积神经网络，得到预测剩余寿命。

实施例二

一种存储介质，存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如实施例一所述的任一种配电电缆剩余寿命预测方法。

相关技术方案同实施例一，在此不再赘述。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种配电电缆剩余寿命预测方法，其特征在于，包括：

步骤1、构建训练样本集，其中每个样本包括训练用电缆的四种属性的数据，分别为环境属性、电气属性、时间属性和电缆自身属性；

步骤2、采用所述训练样本集，训练已构建的电缆剩余寿命预测卷积神经网络框架，得到电缆剩余寿命预测卷积神经网络；

步骤3、采集待测电缆的所述四种属性的数据并输入所述电缆剩余寿命预测卷积神经网络，得到所述待测电缆的剩余寿命预测值。

2.根据权利要求1所述的一种配电电缆剩余寿命预测方法，其特征在于，所述步骤1还包括：构建测试样本集，其中每个样本包括所述四种属性的数据；

则所述步骤2包括：

采用所述训练样本集和所述测试样本集，训练已构建的电缆剩余寿命预测卷积神经网络框架，得到电缆剩余寿命预测卷积神经网络。

3.根据权利要求2所述的一种配电电缆剩余寿命预测方法，其特征在于，所述步骤2包括：

步骤2.1、采用所述训练样本集中的多个训练样本，训练已构建的电缆剩余寿命预测卷积神经网络框架，直到满足预设的预测精度要求，得到电缆剩余寿命预测待定卷积神经网络；

步骤2.2、采用所述测试样本集中的多个测试样本对所述电缆剩余寿命预测待定卷积神经网络进行测试，若测试精度满足预设条件，则所述电缆剩余寿命预测待定卷积神经网络即为电缆剩余寿命预测卷积神经网络，否则，采用所述训练样本集中的另外多个训练样本，重复执行步骤2.1。

4.根据权利要求3所述的一种配电电缆剩余寿命预测方法，其特征在于，所述预设条件为：本次测试的测试精度在其之前预设次数的测试精度的上下波动且波动范围满足预设范围。

5.根据权利要求3所述的一种配电电缆剩余寿命预测方法，其特征在于，所述训练样本集和所述测试样本集的总样本个数为5000-7000。

6.根据权利要求1至5任一项所述的一种配电电缆剩余寿命预测方法，其特征在于，所述环境属性的数据包括：电缆所处的温度、湿度和土壤酸碱度；

所述电气属性的数据维度包括：注入的电压信号、泄露电流信号、电缆绝缘电阻、流经电缆的负荷电流、注入的总电流信号；

所述时间属性的数据包括：电缆绝缘电阻的一阶差分值、泄露电流信号的一阶差分值、电缆使用时长和电缆剩余寿命值；

所述电缆自身属性的数据包括：电缆长度。

7.根据权利要求1至5任一项所述的一种配电电缆剩余寿命预测方法，其特征在于，所述电缆剩余寿命预测卷积神经网络框架包括：

依次连接的数据输入层、激励层、第一卷积计算层、第二卷积计算层和全连接层。

8.根据权利要求7所述的一种配电电缆剩余寿命预测方法，其特征在于，所述激励层采用ReLU非线性激励函数。

9.根据权利要求7所述的一种配电电缆剩余寿命预测方法，其特征在于，所述第一卷积计算层和所述第二卷积计算层通过第一池化层连接，所述第二卷积计算层和所述全连接层通过第二池化层连接；

其中，所述第一池化层和所述第二池化层均采用最大池化法。

10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述如权利要求1至9任一项所述的一种配电电缆剩余寿命预测方法。