CN112016835A - 配电网电缆线路监测方法、计算机设备和存储介质 - Google Patents
配电网电缆线路监测方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112016835A CN112016835A CN202010895914.4A CN202010895914A CN112016835A CN 112016835 A CN112016835 A CN 112016835A CN 202010895914 A CN202010895914 A CN 202010895914A CN 112016835 A CN112016835 A CN 112016835A
- Authority
- CN
- China
- Prior art keywords
- data
- cable line
- cable
- neural network
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000009826 distribution Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 56
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 7
- 239000013307 optical fiber Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本申请涉及一种配电网电缆线路监测方法、计算机设备以及计算机可读存储介质。其中,配电网电缆线路监测方法,包括:获取电缆线路的历史运行数据,历史运行数据包括历史的多组影响因素数据;将历史运行数据输入至神经网络模型,神经网络模型包括中间层函数以及输出层函数,中间层函数为中间层变量关于影响因素数据的函数,输出层函数为电缆线路状态数据关于中间层变量的函数;对神经网络模型进行训练,以获取中间层函数的参数矩阵以及输出层函数的参数矩阵;获取待分析现场的影响因素数据;将待分析现场的影响因素数据输入至完成训练的神经网络模型;根据神经网络模型计算待分析现场的电缆线路状态数据。本申请可以有效地对电缆线路进行保护。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种配电网电缆线路监测方法、、计算机设备以及计算机可读存储介质。
背景技术
随着社会不断进步,电力在生产与生活中的作用越来越重要。我国电力系统的中压配电线路电压等级为6-35kV,其中以10kV为主。配电线路形式可以分为架空线路和电缆线路。
随着我国城镇化改造不断推进,地下电缆比例不断增加。因电缆线路主要部署在地下电缆沟内,一旦发生故障,不容易及时发现。尤其是地下电缆沟空间相对狭小,运行时易发热。而且,由于电缆沟内电缆的结构特点,当其中一条电缆发生故障后,会导致其周围临近电缆也受到影响,容易引发连锁的火灾事故,形成大面积电缆烧损,且短时间内无法恢复电力生产与输送,甚至可能造成人员的伤亡。因此,有效监测电缆线路,防止电缆沟火灾事故的发生已经成为电力企业急需解决的一项重要课题。
现有的电缆线路监测方法主要通过各种温度传感器对电缆表面温度进行在线监测,难以有效地对电缆线路进行保护。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对电缆线路进行有效保护的配电网电缆线路监测方法、计算机设备以及计算机可读存储介质。
一种配电网电缆线路监测方法,包括:
获取所述电缆线路的历史运行数据,所述历史运行数据包括历史的多组影响因素数据;
将所述历史运行数据输入至神经网络模型,所述神经网络模型包括中间层函数以及输出层函数,所述中间层函数为中间层变量关于所述影响因素数据的函数,所述输出层函数为所述电缆线路状态数据关于所述中间层变量的函数;
对所述神经网络模型进行训练,以获取所述中间层函数的参数矩阵以及所述输出层函数的参数矩阵;
获取待分析现场的影响因素数据;
将所述待分析现场的影响因素数据输入至完成训练的所述神经网络模型;
根据所述神经网络模型计算所述待分析现场的所述电缆线路状态数据。
在其中一个实施例中,所述根据所述神经网络模型计算所述待分析现场的所述电缆线路状态数据,包括:
根据所述神经网络模型计算所述待分析现场的所述电缆线路出现事故的概率。
在其中一个实施例中,所述根据所述神经网络模型计算所述待分析现场的所述电缆线路出现事故的概率之后,还包括:
根据所述电缆线路出现事故的概率判断所述电缆线路是否异常;
当所述电缆线路异常时,发出报警信号。
在其中一个实施例中,所述影响因素数据包括电缆表面温度数值数据,电缆沟环境温度数据,电缆相电流负荷数据。
在其中一个实施例中,所述中间层函数为tanh函数,所述输出层函数为sigmoid函数。
在其中一个实施例中,所述历史运行数据包括历史的至少一个训练周期内的多组影响因素数据。
在其中一个实施例中,所述获取所述电缆线路的历史运行数据,包括
在所述训练周期内,每天均在相同的预设时刻获取一组影响因素数据,一天设有多个预设时刻。
在其中一个实施例中,各个相邻预设时刻之间的时间间隔相同。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述配电网电缆线路监测方法、计算机设备以及计算机可读存储介质,首先对包括中间层函数以及输出层函数的神经网络进行训练。然后,再将待分析现场的影响因素数据输入至至完成训练的神经网络模型,从而实时获取待分析现场的电缆线路状态数据。
因此,本申请可以基于各影响因素数据(例如电缆表面温度、电缆沟环境温度及电缆相电流负荷)之间的相关性来判断电缆线路运行状态,从而可以在电缆运行出现事故的前期就监控到异常,从而避免异常事故的出现及扩大,从而有效地对电缆线路进行保护。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为一个实施例中的配电网电缆线路监测方法的流程示意图;
图2为一个实施例中的神经网络模型示意图;
图3为另一个实施例中的配电网电缆线路监测方法的流程示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。
正如背景技术所述,现有的电缆线路监测方法主要通过各种温度传感器对电缆表面温度进行在线监测。具有代表性的监测方式主要有三种:
(1)电缆表面贴装式。即通过将温度传感器直接部署在待监测电缆的任意位置,采用表面贴装的方式采集电缆温度。采集数据可以通过有线或无线的通信方式传输给监控后台,当采集温度超过预设阈值时,即触发报警。这种方式的最大优点是简单,但是故障判断方式单一,采样预设阈值设定困难,且无法发现电缆运行过程中的潜在隐患;
(2)光纤式温度监控。光纤式温度监测因其独特的技术优势越来越受到研究人员关注,是新兴的温度监测方法。该方法与其他温度监测方式的区别在于其温度传感器的特殊性,光纤式温度监测方法是建立在分布式温度传感技术之上。其工作原理是基于光纤的光时域反射以及光纤的后向拉曼散射温度效应。光纤式温度监测方法与其他的温度监测方式相比具有更多优点在于:可以取代大量的点式传感器,并实现实时信息测量、故障监测及预报;抗电磁干扰能力较强、绝缘性能好,可应用于大电流、高电压等恶劣环境中;柔性好、质量轻、安装方便;可测距、定位、报警温度可调、重复使用。光纤式温度监测方法的缺点:实现技术难度较大且成本较高。我国配电线路点多面广,光纤传感技术的应用成本太高。
(3)电缆接头运行温度监测。电缆接头是电力电缆网络中重要的组成部件之一。多年的运行经验表明绝大多数的电缆运行故障是由电缆接头故障引起的,而接头温度过高是造成电缆接头绝缘老化、易发生故障的主要原因。研究人员根据此情况设计出电缆接头运行温度的实时在线监测系统。该种方法的优点是针对性比较强,由于电缆接头易受到一些特殊影响,如:由强电场所引起的介质损耗、接触电阻及密封等问题,从而导致目前流行的电力电缆接头的运行温度在线测量方法存在准确性较差、易受到外部环境影响等缺点。
所以,现有的电缆线路监测方法难以有效地对电缆线路进行保护。
基于以上原因,本发明提供了一种能够对电缆线路进行有效保护的配电网电缆线路监测方法、计算机设备以及计算机可读存储介质,
在一个实施例中,如图1所示,提供了一种配电网电缆线路监测方法,包括:
步骤S1,获取电缆线路的历史运行数据。
步骤S2,将历史运行数据输入至神经网络模型;
步骤S3,对神经网络模型进行训练,以获取中间层函数的参数矩阵以及输出层函数的参数矩阵;
步骤S4,获取待分析现场的影响因素数据;
步骤S5,将待分析现场的影响因素数据输入至完成训练的神经网络模型;
步骤S6,根据神经网络模型计算待分析现场的电缆线路状态数据。
在步骤S1中,历史运行数据包括历史的多组影响因素数据。影响因素数据即对电缆线路的运行状态具有影响的相关因素的运行数据。一组影响因素数据可以构成一个输入层矩阵。
例如,每组影响因素数据均可以包括电缆表面温度数值数据x0,电缆沟环境温度数据x1,电缆相电流负荷数据x2。此时,一组影响因素数据x0,x1,x2可以构成一个输入层矩阵X=[x0 x1 x2]
当然,影响因素数据也可以包括其他相关因素的运行数据,本申请对此并没有限制。
在步骤S2中,神经网络模型包括中间层函数以及输出层函数。中间层函数为中间层变量关于影响因素数据的函数,输出层函数为电缆线路状态数据关于中间层变量的函数。
其中,电缆线路状态数据为可以表示电缆运行状态的某项指标的数值数据。
中间层函数可以但不限于为tanh函数,而输出层函数可以但不限于为sigmoid函数。
中间层变量例如可以包括h0,h1,h2。这里,h0,h1,h2为神经网络中的隐层(hidden)。隐层数量越多,网络越复杂,计算量越大。中间层变量(即隐层)具体数量可以根据实际需求设置,这里以h0,h1,h2三个中间层变量为例进行介绍,并不构成对本申请的限定。
一组中间层变量可以构成一个中间层矩阵,例如每组中间层变量均包括h0,h1,h2时,一组中间层变量可以构成一个中间层矩阵h=[h0 h1 h2]。
中间层函数的每个中间层变量均受到历史运行数据中的各个影响因素数据的影响。且对于每个中间层变量而言,各个影响因素数据对其影响权重不一定相同。各个影响因素数据对各个中间层变量的影响权重构成中间层权重系数矩阵W。
例如,参考图2,中间层变量包括h0,h1,h2,影响因素数据包括x0,x1,x2时,h0,h1,h2均受到x0,x1,x2的影响。中间层权重系数矩阵W可以表示为其中Wmn表示影响因素数据xm对中间层变量hn的影响权重,例如W12表示影响因素数据x1对中间层变量h2的影响权重。
在步骤S3中的中间层函数的参数矩阵可以包括中间层权重系数矩阵W。
同时,现实世界众多事物通常是非线性关系的。因此,中间层函数的参数矩阵还可以包括中间层偏置系数矩阵b,以在各个中间层变量(例如h0,h1,h2)与各个影响因素数据(例如x0,x1,x2)之间引入非线性因素。中间层偏置系数矩阵b例如可以表示为b=[b0 b1b2]。
此时,作为示例,中间层函数可以为:
类似地,在中间层函数中,电缆线路状态数据受到各个中间层变量的影响。且各个中间层变量对其影响权重不一定相同。各个中间层变量对电缆线路状态数据的影响权重构成输出层权重系数矩阵W’。
例如,参考图2,中间层变量包括h0,h1,h2时,电缆线路状态数据y同时受到h0,h1,h2的影响。输出层权重系数矩阵W’可以表示为其中Wm0’表示中间层变量hm对电缆线路状态数据y的影响权重,例如W10’,表示中间层变量h1对电缆线路状态数据y的影响权重。
在步骤S3中的输出层函数的参数矩阵可以包括输出层权重系数矩阵W’。
同时,输出层函数的参数矩阵还可以包括输出层偏置系数矩阵b’,以在电缆线路状态数据与中间层变量h0,h1,h2之间引入非线性因素。输出层偏置系数矩阵b’例如可以表示为b’=[b0’]。
此时,作为示例,输出层函数可以表示为:
输出变量y的数值为0~1的数值,为电缆线路出现事故的概率p(y|x)。因此,此时可以以电缆线路出现事故的概率作为电缆线路状态数据。
在步骤S3中,对神经网络模型进行训练,以获取中间层函数的参数矩阵(例如获取中间层权重系数矩阵W与中间层偏置系数矩阵b),并且获取输出层函数的参数矩阵(例如获取输出层权重系数矩阵W’与输出层偏置系数矩阵b’)。
具体地,可以根据实际情况,设置神经网络模型的训练收敛阈值或迭代次数。
在神经网络模型训练完成后,获取了中间层函数的参数矩阵以及输出层函数的参数矩阵。此后,早步骤S4-步骤S6,实时采集待分析现场的影响因素数据,然后将采集到的数据输入到神经网络模型中。通过神经网络模型的分析计算,即可得到待分析现场的电缆线路状态数据。
本实施例检测方法,首先对包括中间层函数以及输出层函数的神经网络进行训练。然后,再将待分析现场的影响因素数据输入至至完成训练的神经网络模型,从而实时获取待分析现场的电缆线路状态数据。
因此,本实施例可以基于各影响因素数据(例如电缆表面温度、电缆沟环境温度及电缆相电流负荷)之间的相关性来判断电缆线路运行状态,从而可以在电缆运行出现事故的前期就监控到异常,从而避免异常事故的出现及扩大,从而有效地对电缆线路进行保护。
在一个实施例中,如前述说明,可以以电缆线路出现事故的概率作为电缆线路状态数据。此时,步骤S6具体包括:
根据神经网络模型计算待分析现场的电缆线路出现事故的概率。此时,神经网络模型训练的输出变量y的目标值定义为“0”。即表示输出数值越小,则电缆运行状态越正常。
进一步地,如图3所示,本实施例在此之后,还可以包括:
步骤S7,根据电缆线路出现事故的概率判断电缆线路是否异常;
步骤S8,当电缆线路异常时,发出报警信号。
在步骤S7中,具体地,可以设置当述电缆线路出现事故的概率大于或者等于阈值概率时,判定电缆线路异常。否则,判定电缆线路异常。
阈值概率可以根据实际需求进行设置。例如,设定阈值概率为0.5,电缆线路出现事故的概率为y。此时,若y大于或者大于等于0.5时,则判定电缆线路异常。
否则,判定电缆线路正常,即各影响因素数据(例如电缆表面温度、电缆沟环境温度及电缆相电流负荷)之间的关系,符合正常运行状态的相关性。
在步骤S8中,当电缆线路异常时发出报警信号,进而可以使得相关人员及时了解到异常情况,从而进行相关处理而保护电缆线路。
在一个实施例中,历史运行数据包括历史的至少一个训练周期内的多组影响因素数据。即史运行数据包括历史的一个或者多个训练周期内的多组影响因素数据。
进一步地,可以设置步骤S1包括:
步骤S11,在训练周期内,每天均在相同的预设时刻获取一组影响因素数据,一天设有多个预设时刻。
预设时刻具体可以根据实际情况进行设定。进一步地,为了使得监测数据均匀分布,可以设置相邻预设时刻之间的时间间隔相同。
具体地,例如可以设置以15天为一个培训周期。在一个培训周期内,每天获取24组影响因素数据(每小时获取一组),此时历史运行数据数量为15x 24=360组。
应该理解的是,虽然图1、图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤S1,获取电缆线路的历史运行数据;
步骤S2,将历史运行数据输入至神经网络模型;
步骤S3,对神经网络模型进行训练,以获取中间层函数的参数矩阵以及输出层函数的参数矩阵;
步骤S4,获取待分析现场的影响因素数据;
步骤S5,将待分析现场的影响因素数据输入至完成训练的神经网络模型;
步骤S6,根据神经网络模型计算待分析现场的电缆线路状态数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S1,获取电缆线路的历史运行数据。
步骤S2,将历史运行数据输入至神经网络模型;
步骤S3,对神经网络模型进行训练,以获取中间层函数的参数矩阵以及输出层函数的参数矩阵;
步骤S4,获取待分析现场的影响因素数据;
步骤S5,将待分析现场的影响因素数据输入至完成训练的神经网络模型;
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
在本说明书的描述中,参考术语“一个实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性描述不一定指的是相同的实施例或示例。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种配电网电缆线路监测方法,其特征在于,包括:
获取所述电缆线路的历史运行数据,所述历史运行数据包括历史的多组影响因素数据;
将所述历史运行数据输入至神经网络模型,所述神经网络模型包括中间层函数以及输出层函数,所述中间层函数为中间层变量关于所述影响因素数据的函数,所述输出层函数为所述电缆线路状态数据关于所述中间层变量的函数;
对所述神经网络模型进行训练,以获取所述中间层函数的参数矩阵以及所述输出层函数的参数矩阵;
获取待分析现场的影响因素数据;
将所述待分析现场的影响因素数据输入至完成训练的所述神经网络模型;
根据所述神经网络模型计算所述待分析现场的所述电缆线路状态数据。
2.根据权利要求1所述的配电网电缆线路监测方法,其特征在于,所述根据所述神经网络模型计算所述待分析现场的所述电缆线路状态数据,包括:
根据所述神经网络模型计算所述待分析现场的所述电缆线路出现事故的概率。
3.根据权利要求2所述的配电网电缆线路监测方法,其特征在于,所述根据所述神经网络模型计算所述待分析现场的所述电缆线路出现事故的概率之后,还包括:
根据所述电缆线路出现事故的概率判断所述电缆线路是否异常;
当所述电缆线路异常时,发出报警信号。
4.根据权利要求1所述的配电网电缆线路监测方法,其特征在于,所述影响因素数据包括电缆表面温度数值数据,电缆沟环境温度数据,电缆相电流负荷数据。
5.根据权利要求1所述的配电网电缆线路监测方法,其特征在于,所述中间层函数为tanh函数,所述输出层函数为sigmoid函数。
6.根据权利要求1所述的配电网电缆线路监测方法,其特征在于,所述历史运行数据包括历史的至少一个训练周期内的多组影响因素数据。
7.根据权利要求6所述的配电网电缆线路监测方法,其特征在于,所述获取所述电缆线路的历史运行数据,包括
在所述训练周期内,每天均在相同的预设时刻获取一组影响因素数据,一天设有多个预设时刻。
8.根据权利要求7所述的配电网电缆线路监测方法,其特征在于,各个相邻预设时刻之间的时间间隔相同。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895914.4A CN112016835A (zh) | 2020-08-31 | 2020-08-31 | 配电网电缆线路监测方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895914.4A CN112016835A (zh) | 2020-08-31 | 2020-08-31 | 配电网电缆线路监测方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016835A true CN112016835A (zh) | 2020-12-01 |
Family
ID=73503154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010895914.4A Pending CN112016835A (zh) | 2020-08-31 | 2020-08-31 | 配电网电缆线路监测方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016835A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836359A (zh) * | 2021-01-21 | 2021-05-25 | 红塔烟草(集团)有限责任公司 | 一种卷烟生产企业供配电设备的安全性评估方法 |
CN113091949A (zh) * | 2021-02-18 | 2021-07-09 | 深圳供电局有限公司 | 电缆状态检测方法、装置和设备 |
CN114362817A (zh) * | 2021-12-14 | 2022-04-15 | 国网湖北省电力有限公司信息通信公司 | 闭环自动化光缆线路自动运维系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及系统 |
CN110232476A (zh) * | 2019-05-30 | 2019-09-13 | 华中科技大学 | 一种基于深度学习的微电网负荷预测方法 |
US20200125936A1 (en) * | 2018-10-18 | 2020-04-23 | Denso Corporation | Artificial neural network circuit and method for switching trained weight in artificial neural network circuit |
-
2020
- 2020-08-31 CN CN202010895914.4A patent/CN112016835A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及系统 |
US20200125936A1 (en) * | 2018-10-18 | 2020-04-23 | Denso Corporation | Artificial neural network circuit and method for switching trained weight in artificial neural network circuit |
CN110232476A (zh) * | 2019-05-30 | 2019-09-13 | 华中科技大学 | 一种基于深度学习的微电网负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
宋维彬: "地下电缆通道的无线传感与安全状态评估研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
贾永斌: "浅谈调控一体自动化系统下的变电站电气设备故障诊断", 《中国科技纵横》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836359A (zh) * | 2021-01-21 | 2021-05-25 | 红塔烟草(集团)有限责任公司 | 一种卷烟生产企业供配电设备的安全性评估方法 |
CN112836359B (zh) * | 2021-01-21 | 2024-05-07 | 红塔烟草(集团)有限责任公司 | 一种卷烟生产企业供配电设备的安全性评估方法 |
CN113091949A (zh) * | 2021-02-18 | 2021-07-09 | 深圳供电局有限公司 | 电缆状态检测方法、装置和设备 |
CN114362817A (zh) * | 2021-12-14 | 2022-04-15 | 国网湖北省电力有限公司信息通信公司 | 闭环自动化光缆线路自动运维系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016835A (zh) | 配电网电缆线路监测方法、计算机设备和存储介质 | |
CN102981104B (zh) | 海底电缆在线监测方法 | |
CN115689393B (zh) | 一种基于物联网的电力系统实时动态监测系统及方法 | |
CN111667102B (zh) | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 | |
CN114169237B (zh) | 结合eemd-lstm及孤立森林算法的电力电缆接头温度异常预警方法 | |
CN109474333B (zh) | 一种基于深度学习的电力光缆实时监测保护系统 | |
CN116381563B (zh) | 一种地下电力电缆监测方法及装置 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN109767352A (zh) | 一种电力信息物理融合系统安全态势评估方法 | |
CN112504505A (zh) | 一种基于多变量状态估计的高压隧道电缆过热预警方法 | |
CN116797028A (zh) | 基于智慧物联网的电缆隧道综合监控系统及方法 | |
CN113763667A (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN107014519A (zh) | 一种智能电网覆冰监测中botdr温度、应变快速分离方法 | |
CN112632148A (zh) | 一种考虑极端气候条件下配电网元器件智能预警方法 | |
CN116805068A (zh) | 一种基于大数据的故障监测预警系统及方法 | |
CN117434387A (zh) | 基于边缘计算的配网线路故障分析方法、系统和介质 | |
CN115620473A (zh) | 一种多场景电缆隐形火灾在线监测系统 | |
CN116503054A (zh) | 一种基于大数据的设备统一运维平台及方法 | |
CN113267710B (zh) | 输电线路鸟害监测方法、装置、设备及存储介质 | |
CN117609841A (zh) | 一种基于神经网络算法的电缆故障预判分析方法 | |
CN112016739B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN113468764A (zh) | 基于时间序列的海缆状态预测方法 | |
CN117708494A (zh) | 互感器精度误差自适应动态补偿剩余电流的方法 | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
Zhao et al. | A cable health assessment method based on multi-agent and matter-element extension model |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201201 |