CN112215197A - 基于人工智能的地下电缆故障预警方法和预警系统 - Google Patents

基于人工智能的地下电缆故障预警方法和预警系统 Download PDF

Info

Publication number
CN112215197A
CN112215197A CN202011166762.0A CN202011166762A CN112215197A CN 112215197 A CN112215197 A CN 112215197A CN 202011166762 A CN202011166762 A CN 202011166762A CN 112215197 A CN112215197 A CN 112215197A
Authority
CN
China
Prior art keywords
layer
early warning
cable
convolution
pooling
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
Application number
CN202011166762.0A
Other languages
English (en)
Inventor
马浩
印琪民
王嘉寅
鲍俊
周泉
管颖
张淯淏
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.)
Shanghai Shidongkou First Power Plant of Huaneng Power International Inc
Original Assignee
Shanghai Shidongkou First Power Plant of Huaneng Power International Inc
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 Shanghai Shidongkou First Power Plant of Huaneng Power International Inc filed Critical Shanghai Shidongkou First Power Plant of Huaneng Power International Inc
Priority to CN202011166762.0A priority Critical patent/CN112215197A/zh
Publication of CN112215197A publication Critical patent/CN112215197A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/25—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Laying Of Electric Cables Or Lines Outside (AREA)

Abstract

本发明公开了一种基于人工智能的地下电缆故障预警方法，由监控预警主站向电缆参数检测单元发送询问信号；电缆参数检测单元接收到询问信号后，启动电缆参数采集，并向监控预警主站发送检测值；监控预警主站接收到检测值后，运行基于卷积神经网络的人工智能的预警算法，判断地下电缆的状态，并对电缆故障进行预警。本发明公开了一种基于人工智能的地下电缆故障预警系统。本发明的基于人工智能的地下电缆故障预警方法，基于卷积神经网络的人工智能的预警算法对电缆故障进行预警，极大地提高了预测的准确性。

Description

基于人工智能的地下电缆故障预警方法和预警系统
技术领域
本发明涉及地下电缆监测领域，尤其涉及基于人工智能的地下电缆故障预警方法和预警系统。
背景技术
在火力发电厂厂区内，动力电缆大部分敷设于地下。由于电缆高电压、高电流及高温运行，容易发生过流、绝缘老化、击穿等故障，严重时可引发火灾。因此，对地下电缆的的温度、电流等参数进行监测、分析、处理，及时预警故障，对保障电缆及电厂的安全可靠运行具有重要的意义。
温度和电流等参数是电缆运行的主要监测参数；温度过高、电流过载是故障预警的关键判据。但是电缆发生故障是一个复杂的非线性过程，由多个因素共同作用形成；并且电缆温度受电流、环境温度等影响，往往无法直接根据温度、电流判断故障类型和预警。现有故障预警方法采用温度或者电流超过阈值就报警的方式，不能解决电流和温度相互影响的问题，准确性往往不高。
其次，由于电缆的地下敷设环境恶劣，有线监测方式安装困难；而现有的无线监测方法，其采用的无线通讯技术，例如ZIGBEE、蓝牙等，普遍存在功耗大、发送距离短、穿透能力差等问题，无法适应火力发电厂厂区内地下电缆深埋、范围广的特点，以及在地上集中监测、故障预警的需要。
发明内容
为了解决上述现有技术的不足，本发明提供一种基于人工智能的地下电缆故障预警方法和预警系统。
本发明所要解决的技术问题通过以下技术方案予以实现：
一种基于人工智能的地下电缆故障预警方法，其特征在于，包括如下步骤：
S1、监控预警主站向电缆参数检测单元发送询问信号；
S2、电缆参数检测单元接收到询问信号后，启动电缆参数采集，并向监控预警主站发送检测值；
S3、监控预警主站接收到检测值后，运行基于卷积神经网络的人工智能的预警算法，判断地下电缆的状态，并对电缆故障进行预警。
进一步的，所述卷积神经网络包括依次连接的输入层、隐含层、全连接层、和输出层；所述隐含层由多个卷积层与池化层交叉堆叠而成；
所述步骤S3中，基于卷积神经网络的人工智能的预警算法包括以下步骤：
S31、输入层输入检测值的原始数据并传输给隐含层；
S32、隐含层通过卷积层与池化层对原始数据进行逐层特征提取，完成低层次特征到高层次特征的变换，实现特征学习；
S33、全连接层将卷积层与池化层传递后最终得到的特征向量连接在一起形成一维向量；
S34、输出层通过分类器对一维向量数据进行分类并完成诊断；
其中，步骤S32中，卷积层与池化层对原始数据进行逐层特征提取时，每层特征提取的方法如下：
S321、卷积层对输入该层的原始数据与卷积核进行卷积运算，实现特征向量提取；
S322、池化层对卷积层提取的特征向量进行降维。
进一步的，所述隐含层和全连接层之间还具有Concat层；
在步骤S32之后和步骤S33之前， 所述Concat层对池化后的浅层特征和最后一层卷积层提取的深层特征两者进行融合并生成融合特征；
所述分类器根据融合特征进行分类。
进一步的，所述卷积层进行特征提取的卷积操作公式如下：
Figure 743320DEST_PATH_IMAGE001
，
其中，l表示层数，x j l 表示第l层产生的第j个特征向量,M l-1 表示l-1层选择输入的特征图，X i l-1 表示第l-1层的输出向量,
Figure 274796DEST_PATH_IMAGE002
表示卷积操作，K ij l 表示对应的卷积核,b j l 表示偏置向量，f(·)是非线性激活函数。
进一步的，所述池化层用于对卷积层提取的特征向量进行降维的池化计算公式为：
Figure 352473DEST_PATH_IMAGE003
，
其中，down(·)表示池化函数，β表示权重，b表示偏置向量。
进一步的，所述全连接层将卷积层与池化层传递后最终得到的特征向量连接在一起，通过分类器对数据进行分类，连接的操作公式为：
Figure 745540DEST_PATH_IMAGE004
，
其中，X表示全连接层，w为权值，x re l-1 为第l-1层特征数据进行重构后的特征向量，b l 表示第l层的偏置向量，这里l指全连接层。
进一步的，所述Concat层的操作公式为：
Figure 225063DEST_PATH_IMAGE005
，
其中：X c 为融合后的特征；f concat (·)为特征融合操作；x c-1为Concat层前一层的特征向量；x m 为第m层待融合的特征向量。
进一步的，所述电缆参数检测单元和地面上的监控预警主站基于LORA模块进行无线通讯。
进一步的，所述电缆参数检测单元通常运行于休眠模式，监控预警主站向电缆参数检测单元发送包含唤醒码的询问信号后；电缆参数检测单元退出休眠模式，启动电缆参数采集，并向监控预警主站发送检测值；之后电缆参数检测单元继续进入休眠模式，等待下一次唤醒。
一种基于人工智能的地下电缆故障预警系统，包括如上所述的预警方法。
本发明具有如下有益效果：
（1）本发明的基于人工智能的地下电缆故障预警方法，基于卷积神经网络的人工智能的预警算法对电缆故障进行预警，极大地提高了预测的准确性；
（2）本发明的地下电缆故障预警方法，采用的无线通讯芯片基于LORA无线传输技术，具有传输距离远、低功耗、多节点、低成本优势，可实现火力发电厂厂区内大范围地下深埋电缆的参数，以及在地面上的参数处理、显示。
附图说明
图1是本发明的一种基于人工智能的地下电缆故障预警系统的结构示意图；
图2是本发明具体实施例的卷积神经网络模型图。
附图标注：
监控预警主站（1）、电缆参数检测单元（2）、LORA模块（3）、输入层（41）、隐含层（42）、全连接层（43）、Concat层（44）、输出层（45）。
具体实施方式
下面结合附图和实施例对本发明进行详细的说明。
本申请具体实施例提供了一种基于人工智能的地下电缆故障预警方法，和一种基于人工智能的地下电缆故障预警系统，为了简化描述，以下简称为预警方法和预警系统。
预警系统，由布置于地下的电缆参数检测单元（2）和地面上的监控预警主站（1）组成。电缆参数检测单元（2）和监控预警主站（1）两者之间基于无线传输进行通讯。
本申请的一个优选的实施例，地下电缆故障预警系统包括LORA模块（3），电缆参数检测单元（2）和地面上的监控预警主站（1）基于LORA模块（3）进行无线通讯。预警系统结构如图1所示。
本申请具体实施例，电缆参数检测单元（2）可采集电缆相关参数如电缆温度、电缆电流、环境温度等，并通过LORA无线通讯向监控预警主站（1）发送。监控预警主站（1）通过LORA无线通讯接收，监控预警主站（1）基于根据电缆参数，判断地下电缆的状态，并作出故障预警。
为了更好的实现电缆故障预警，预本发明除了对电缆电流、电缆温度和环境温度等三个参数进行监测和预警外，预警数据还包括：（1）绝缘类型；（2）缆芯最高工作温度（℃）；（3）敷设方式；（4）缆芯截面（mm2）；（5）土壤热阻系数（℃·m/W）；（6）绝缘电阻（Ω/m）；（7）绝缘电容（F/m）；（8）故障接地电流的增量（A）等八个参数。上述用于电缆预警的参数共有11个。
本申请具体实施例，监控预警主站（1）运行基于人工智能的预警算法，对电缆故障进行预警。具体的，基于人工智能的地下电缆故障预警方法，包括如下步骤：
S1、监控预警主站（1）向电缆参数检测单元（2）发送询问信号；
S2、电缆参数检测单元（2）接收到询问信号后，启动电缆参数采集，并向监控预警主站（1）发送检测值；
S3、监控预警主站（1）接收到检测值后，运行基于卷积神经网络的人工智能的预警算法，判断地下电缆的状态，并对电缆故障进行预警。
卷积神经网络（CNN），是为识别图像而设计的一个多层感知器，其网络结构包括输入层、隐含层、全连接层以及输出层。本申请采用神经网络的方法，可综合考虑电流和温度等的影响，而不是分别将其作为单一因素考虑电缆故障。
根据以上11个预警参数，本发明采用卷积神经网络对电缆故障进行预警。
上述步骤S3中， 基于卷积神经网络的人工智能的预警算法包括以下步骤：
S31、输入层输入检测值的原始数据并传输给隐含层；
S32、隐含层通过卷积层与池化层对原始数据进行逐层特征提取，完成低层次特征到高层次特征的变换，实现特征学习；
S33、全连接层将卷积层与池化层传递后最终得到的特征向量连接在一起形成一维向量；
S34、输出层通过分类器对一维向量数据进行分类并完成诊断。
其中，隐含层包括卷积层与池化层。
在步骤S32中，卷积层与池化层对原始数据进行逐层特征提取时，每层特征提取的方法如下：
S321、卷积层对输入该层的原始数据与卷积核进行卷积运算，实现特征向量提取；
S322、池化层对卷积层提取的特征向量进行降维。
其中，隐含层由多个卷积层与池化层交叉堆叠而成。
例如，隐含层包括C1卷积层、P1池化层、C2卷积层、P2池化层…C(N-1)卷积层、P(N-1)池化层、C(N)卷积层、P(N)池化层，其中，N>=2。
或者，隐含层可包括C1卷积层、P1池化层、C2卷积层、P2池化层…C(N-1)卷积层、P(N-1)池化层、C(N)卷积层。
C1卷积层可实现对原始数据的特征提取，获得特征向量；之后，P1池化层对C1卷积层提取的特征向量进行池化操作；
C2卷积层对P1池化层产生的特征向量进行卷积操作；P2池化层对C2卷积层提取的特征向量进行池化操作。
随着CNN层数N的增多，卷积层与池化层对原始数据实现了逐层特征提取，提取的特征也越来越深。获得的特征向量也由浅层次特征变为深层次特征。完成低层次特征到高层次特征的变换，实现特征学习。
卷积层用来对特征进行提取。卷积层中的每一个卷积核相当于一个滤波器，该层的输入数据与卷积核进行卷积运算，实现不同特征的提取。
卷积操作公式为：
Figure 661860DEST_PATH_IMAGE001
， （1）
其中，l表示层数，x j l 表示第l层产生的第j个特征向量,M l-1 表示l-1层选择输入的特征图，X i l-1 表示第l-1层的输出向量,
Figure 226834DEST_PATH_IMAGE006
表示卷积操作，K ij l 表示对应的卷积核,b j l 表示偏置向量。
f(·)是非线性激活函数。常采用矫正线性单元（Relu）函数：
Figure 656547DEST_PATH_IMAGE007
， （2）
池化层的目的是对卷积层提取的特征向量降维。池化层在保证数据特征结构的同时降低了数据的维数，减少算法的执行时间，并且保证卷积神经网络具有一定的抗噪能力。
池化层的池化计算公式为：
Figure 990576DEST_PATH_IMAGE003
， （3）
其中，down(·)表示池化函数，β表示权重，b表示偏置向量。
全连接层将卷积层与池化层传递后最终得到的特征向量连接在一起形成一维向量，连接的操作过程为：
Figure 598275DEST_PATH_IMAGE004
， （4）
其中，X表示全连接层，w为权值，x re l-1 为第l-1层特征数据进行重构后的特征向量，b l 表示第l层的偏置向量，这里l指全连接层。
随着CNN层数的增多，提取的特征也越来越深，最后得到的深层次特征向量的尺寸不断减小。若仅以最后一层复杂度最高的深层次特征进行分类易出现过拟合的风险。模型精度达到饱和后，梯度消失也会变得明显，精度反而降低。同时，网络深度增加也会导致模型的收敛速度变慢，训练的时间变长。
针对以上问题，本发明提出深、浅层次特征相结合的分类方法，在全连接层前加入Concat层。Concat层位于隐含层和全连接层之间。
在步骤S32之后和步骤S33之前，在Concat层中同时融合深、浅层次特征并生成融合特征。分类器进行分类时，以相互补充的融合特征作为标准来进行分类，可减少了仅有深层次特征造成的过拟合。
随网络的逐层加深，数据的特征深度加深的同时维度也变得越来越小，申请人发现，在Concat层对深、浅层特征结合时若选择池化后的深层特征与未经池化的浅层特征，深层特征的占比将会很小，势必会影响故障诊断的精度。
例如，最后一层卷积层即C(N)卷积层对P(N-1)池化层产生的特征向量进行卷积操作后得到了复杂度最高的深层次特征，该特征经P(N)池化层池化操作后，得到了池化后的深层特征。若选择该池化后的深层特征与未经池化的浅层特征，会影响故障诊断的精度。
为了进一步改善，本申请的Concat层选择对池化后的浅层特征和最后一层卷积层提取的深层特征两者进行融合并生成融合特征。具体的，选择C(N)卷积层所提取的特征作为最后一层卷积层提取的深层特征，选择P(N-1) 池化层得到的特征作为池化后的浅层特征。
Concat层的操作过程为：
Figure 384965DEST_PATH_IMAGE005
，（5）
其中：X c 为融合后的特征；f concat (·)为特征融合操作；x c-1为Concat层前一层的特征向量；x m 为第m层待融合的特征向量。
为实现电缆参数检测单元（2）的低功耗运行，电缆参数检测单元（2）通常运行于休眠模式。监控预警主站（1）和电缆参数检测单元（2）采用询问-应答通讯方式，由监控预警主站（1）向电缆参数检测单元（2）发送包含唤醒码的询问信号；电缆参数检测单元（2）接收到包含唤醒码的询问信号后，退出唤醒模式，启动电缆参数采集，进行温度、电流检测，并向监测装置发送将检测值；之后电缆参数检测单元（2）继续进入休眠模式，等待下一次唤醒。
以上述的11个预警参数为例，加入了Contact层的卷积神经网络模型（CNN模型）如图2所示。
11个预警参数输入后成为11维原始特征数据。输入层的1*11维特征数据与C1卷积层中三个1*3维卷积核进行卷积操作形成3个1*9维特征向量，并逐层继续进行池化、卷积操作。
如图2所示，选择C2卷积层所提取的特征作为最后一层卷积层提取的深层特征，选择P池化层得到的特征作为池化后的浅层特征，在Concat层对P池化层与C2卷积层中的不同层次特征进行融合。在全连接层将融合特征连接在一起形成一维向量，最终通过分类器完成诊断输出。
除电缆电流、电缆温度和环境温度等三个参数外，其他八个预警数据的获取分别如下：
（1）绝缘类型包括：粘性油浸纸（00）、不滴流纸（01）、交联聚乙烯（10）等。
（2）缆芯最高工作温度（℃）：以10kV三芯电力电缆为例，绝缘类型为粘性油浸纸时缆芯最高工作温度是60、绝缘类型为不滴流纸缆芯最高工作温度是65、绝缘类型为交联聚乙烯缆芯最高工作温度是90。
（3）敷设方式：包括空气中（10）和直埋（01）两种。
（4）缆芯截面（mm2）：包括16、25……500等13种。
（5）土壤热阻系数（℃·m/W）为2。
（6）绝缘电阻（Ω/m）为1.54x109。
（7）绝缘电容（F/m）为1.39x10-10。
（8）故障接地电流的增量（A）：
I* = (I - I0) / I0
式中: I0为非故障时的接地线电流; I为电网母线电流值; I*为故障接地电流的增量。
对以上11个预警参数的预警方法说明仅为基于本申请发明思想的其中一个实施例，可以理解的，具体预警参数的个数以及内容并不以此为限。
在以上的电缆故障预警卷积神经网络模型中，输出层一共有两类结果，为电缆正常和电缆预警，分别用向量（1, 0）和（0, 1）表示。
在确定了预警模型（预警方法）之后，将用于电缆预警的数据分为训练集和测试集。先通过训练集数据对预警模型进行训练，再利用测试集数据对训练好的模型进行测试。如果满足测试要求的话，就可以利用训练好的电缆故障预警模型对电缆故障进行预警。
当预警模型输出（1,0）时，表示电缆正常，当预警模型输出（0，1）是，表示电缆存在故障，需要进行预警。
例如，一共收集了用于电缆预警的数据300组，其中240组用于模型的训练，60组用于模型的测试。经过测试，预警模型的准确率达到90%，符合模型预期，可采用该模型进行电缆故障的预警。
以下表1以一组电缆参数检测单元采集的电缆参数为例进行说明。
表1 电缆故障预警数据
参数 参数值
电缆电流（A） 2
电缆温度（℃） 40
环境温度（℃） 20
绝缘类型 交联聚乙烯（10）
缆芯最高工作温度（℃） 90
敷设方式 直埋（01）
缆芯截面（mm<sup>2</sup>） 300
土壤热阻系数（℃·m/W） 2
绝缘电阻（Ω/m） 1.54x10<sup>9</sup>
绝缘电容（F/m） 1.39x10<sup>-10</sup>
故障接地电流的增量（A） 1.1
将表1中的参数输入到上一步训练好的电缆故障预警模型，得到输出为（0,1），由此可知电缆状态为非正常，需要进行预警。
显然，以上所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利保护范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.基于人工智能的地下电缆故障预警方法，其特征在于，包括如下步骤：
S1、监控预警主站向电缆参数检测单元发送询问信号；
S2、电缆参数检测单元接收到询问信号后，启动电缆参数采集，并向监控预警主站发送检测值；
S3、监控预警主站接收到检测值后，运行基于卷积神经网络的人工智能的预警算法，判断地下电缆的状态，并对电缆故障进行预警。
2.如权利要求1所述的地下电缆故障预警方法，其特征在于，
所述卷积神经网络包括依次连接的输入层、隐含层、全连接层、和输出层；所述隐含层由多个卷积层与池化层交叉堆叠而成；
所述步骤S3中，基于卷积神经网络的人工智能的预警算法包括以下步骤：
S31、输入层输入检测值的原始数据并传输给隐含层；
S32、隐含层通过卷积层与池化层对原始数据进行逐层特征提取，完成低层次特征到高层次特征的变换，实现特征学习；
S33、全连接层将卷积层与池化层传递后最终得到的特征向量连接在一起形成一维向量；
S34、输出层通过分类器对一维向量数据进行分类并完成诊断；
其中，步骤S32中，卷积层与池化层对原始数据进行逐层特征提取时，每层特征提取的方法如下：
S321、卷积层对输入该层的原始数据与卷积核进行卷积运算，实现特征向量提取；
S322、池化层对卷积层提取的特征向量进行降维。
3.如权利要求2所述的地下电缆故障预警方法，其特征在于，所述隐含层和全连接层之间还具有Concat层；
在步骤S32之后和步骤S33之前，所述Concat层对池化后的浅层特征和最后一层卷积层提取的深层特征两者进行融合并生成融合特征；
所述分类器根据融合特征进行分类。
4.如权利要求2所述的地下电缆故障预警方法，其特征在于，所述卷积层进行特征提取的卷积操作公式如下：
Figure DEST_PATH_743320DEST_PATH_IMAGE001
其中，l表示层数，x j l 表示第l层产生的第j个特征向量，M l-1 表示l-1层选择输入的特征图，X i l-1 表示第l-1层的输出向量，
Figure 71244DEST_PATH_IMAGE002
表示卷积操作，K ij l 表示对应的卷积核，b j l 表示偏置向量，f(·)是非线性激活函数。
5.如权利要求4所述的地下电缆故障预警方法，其特征在于，所述池化层用于对卷积层提取的特征向量进行降维的池化计算公式为：
Figure DEST_PATH_352473DEST_PATH_IMAGE003
，
其中，down(·)表示池化函数，β表示权重，b表示偏置向量。
6.如权利要求4述的地下电缆故障预警方法，其特征在于，所述全连接层将卷积层与池化层传递后最终得到的特征向量连接在一起，通过分类器对数据进行分类，连接的操作公式为：
Figure DEST_PATH_745540DEST_PATH_IMAGE004
，
其中，X表示全连接层，w为权值，x re l-1 为第l-1层特征数据进行重构后的特征向量，b l 表示第l层的偏置向量，这里l指全连接层。
7.如权利要求3所述的地下电缆故障预警方法，其特征在于，所述Concat层的操作公式为：
Figure 353401DEST_PATH_225063DEST_PATH_IMAGE005
，
其中：X c 为融合后的特征；f concat (·)为特征融合操作；x c-1为Concat层前一层的特征向量；x m 为第m层待融合的特征向量。
8.如权利要求1所述的地下电缆故障预警方法，其特征在于，所述电缆参数检测单元和地面上的监控预警主站基于LORA模块进行无线通讯。
9.如权利要求1所述的地下电缆故障预警系统，其特征在于，所述电缆参数检测单元通常运行于休眠模式，监控预警主站向电缆参数检测单元发送包含唤醒码的询问信号后；电缆参数检测单元退出休眠模式，启动电缆参数采集，并向监控预警主站发送检测值；之后电缆参数检测单元继续进入休眠模式，等待下一次唤醒。
10.基于人工智能的地下电缆故障预警系统，其特征在于，包括如权利要求1~9任一项的预警方法。
CN202011166762.0A 2020-10-27 2020-10-27 基于人工智能的地下电缆故障预警方法和预警系统 Pending CN112215197A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011166762.0A CN112215197A (zh) 2020-10-27 2020-10-27 基于人工智能的地下电缆故障预警方法和预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011166762.0A CN112215197A (zh) 2020-10-27 2020-10-27 基于人工智能的地下电缆故障预警方法和预警系统

Publications (1)

Publication Number Publication Date
CN112215197A true CN112215197A (zh) 2021-01-12

Family

ID=74057116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011166762.0A Pending CN112215197A (zh) 2020-10-27 2020-10-27 基于人工智能的地下电缆故障预警方法和预警系统

Country Status (1)

Country Link
CN (1) CN112215197A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379033A (zh) * 2021-06-11 2021-09-10 国网湖北省电力有限公司黄石供电公司 基于时空网络增强深度学习的电缆健康状态智能预警方法
CN113608140A (zh) * 2021-06-25 2021-11-05 国网山东省电力公司泗水县供电公司 一种电池故障诊断方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208872341U (zh) * 2018-08-10 2019-05-17 广州供电局有限公司 地下电缆的监测装置、系统
CN110553756A (zh) * 2019-09-05 2019-12-10 上海洛霖能源互联网技术合伙企业(有限合伙) 一种电缆温度检测系统及用于该系统的无线温度传感器
CN110866634A (zh) * 2019-10-25 2020-03-06 袁茂银 基于模型选择的地下电缆故障预警方法和装置
CN110868241A (zh) * 2019-10-25 2020-03-06 袁茂银 基于多模型的地下电缆故障预警方法和装置
CN111079655A (zh) * 2019-12-18 2020-04-28 航天物联网技术有限公司 一种基于融合神经网络的视频中人体行为识别方法
CN111583592A (zh) * 2020-05-06 2020-08-25 哈尔滨工业大学 一种基于多维卷积神经网络的实验环境安全预警方法
CN111652348A (zh) * 2020-02-29 2020-09-11 上海电力大学 一种基于改进cnn的动力电池组故障融合诊断方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208872341U (zh) * 2018-08-10 2019-05-17 广州供电局有限公司 地下电缆的监测装置、系统
CN110553756A (zh) * 2019-09-05 2019-12-10 上海洛霖能源互联网技术合伙企业(有限合伙) 一种电缆温度检测系统及用于该系统的无线温度传感器
CN110866634A (zh) * 2019-10-25 2020-03-06 袁茂银 基于模型选择的地下电缆故障预警方法和装置
CN110868241A (zh) * 2019-10-25 2020-03-06 袁茂银 基于多模型的地下电缆故障预警方法和装置
CN111079655A (zh) * 2019-12-18 2020-04-28 航天物联网技术有限公司 一种基于融合神经网络的视频中人体行为识别方法
CN111652348A (zh) * 2020-02-29 2020-09-11 上海电力大学 一种基于改进cnn的动力电池组故障融合诊断方法及系统
CN111583592A (zh) * 2020-05-06 2020-08-25 哈尔滨工业大学 一种基于多维卷积神经网络的实验环境安全预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
汪颖 等: "基于优化卷积神经网络的电缆早期故障分类识别", 《电力系统保护与控制》 *
董洪义 等: "《深度学习之PyTorch物体检测实战》", 31 March 2020, 机械工业出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379033A (zh) * 2021-06-11 2021-09-10 国网湖北省电力有限公司黄石供电公司 基于时空网络增强深度学习的电缆健康状态智能预警方法
CN113608140A (zh) * 2021-06-25 2021-11-05 国网山东省电力公司泗水县供电公司 一种电池故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN102981104B (zh) 海底电缆在线监测方法
CN108022002B (zh) 一种基于支持张量机的中性点接地方式决策方法及系统
CN112215197A (zh) 基于人工智能的地下电缆故障预警方法和预警系统
CN109633370B (zh) 一种基于故障信息编码和融合方法的电网故障诊断方法
CN104596572A (zh) 电缆监测系统及方法
CN104318485A (zh) 一种基于神经网络和模糊逻辑的输电线路故障判别方法
Han et al. Fault diagnosis of power systems using visualized similarity images and improved convolution neural networks
CN109768877B (zh) 一种基于空间最优编码集及dhnn纠错的电网故障诊断方法
CN109061391B (zh) 一种基于计算机视觉潮流图的电网故障诊断方法及系统
CN114169237A (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
CN117609841A (zh) 一种基于神经网络算法的电缆故障预判分析方法
CN116108402A (zh) 基于电力多源异构数据融合分析的方法、设备及存储介质
CN112014696A (zh) 基于局部放电特征的干式空心电抗器故障诊断方法及装置
Hong et al. Diagnosis of PV faults using digital twin and convolutional mixer with LoRa notification system
CN114137358B (zh) 一种基于图卷积神经网络的输电线路故障诊断方法
CN107037278A (zh) 一种iec61850标准下的智能变电站故障诊断方法
CN204085575U (zh) 电缆监测系统
CN115856756A (zh) 一种电能计量箱故障评估方法
CN113610119B (zh) 基于卷积神经网络识别输电线路发展性故障的方法
Wang et al. The Cable Fault Diagnosis for XLPE Cable Based on 1DCNNs‐BiLSTM Network
CN116827658B (zh) 一种ai智能应用安全态势感知预测系统及方法
CN110782431B (zh) 一种基于深度学习的高压电线结冰区域检测方法
CN117368639A (zh) 基于人工智能的输电线路故障识别系统及方法
CN109375041B (zh) 小电流接地系统单相接地故障判断方法
CN113822771B (zh) 一种基于深度学习的低误检率窃电检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210112