CN112257967B - 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 - Google Patents
电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 Download PDFInfo
- Publication number
- CN112257967B CN112257967B CN202011513836.3A CN202011513836A CN112257967B CN 112257967 B CN112257967 B CN 112257967B CN 202011513836 A CN202011513836 A CN 202011513836A CN 112257967 B CN112257967 B CN 112257967B
- Authority
- CN
- China
- Prior art keywords
- fault
- cable
- state
- value
- lstm 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000015654 memory Effects 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims description 80
- 238000012549 training Methods 0.000 claims description 38
- 208000024891 symptom Diseases 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000015556 catabolic process Effects 0.000 claims description 16
- 238000006731 degradation reaction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000005236 sound signal Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims 2
- 238000011156 evaluation Methods 0.000 abstract description 15
- 230000005540 biological transmission Effects 0.000 abstract description 8
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 10
- 230000006866 deterioration Effects 0.000 description 8
- 230000008447 perception Effects 0.000 description 8
- 238000009529 body temperature measurement Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000004020 conductor Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置,该电缆的状态量预测的方法包括:获取待预测电缆的状态量的时间序列;对状态量的时间序列S进行数据划分,得到划分后的序列F;采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值。通过本发明实施例提供的电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置,基于长短时记忆LSTM模型的电缆线路多运行状态推演方法,针对多个状态量连续型时间序列进行单一节点的多状态量联合推演,实现高压电缆状态量的大数据分析,提高电缆状态预测的准确度,为高压电缆状态推演与评价提供技术支撑,保障高压输电电缆的运行可靠性。
Description
技术领域
本发明涉及电缆状态监测领域,具体而言,涉及一种电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置。
背景技术
随着经济的发展,我国的电缆建设处于一个快速的发展时期。然而,不同电缆生产制造工艺不同、敷设条件不一,在运行中经受电、热、机械等联合作用,并同时受自然环境(气温、气压、湿度以及污秽等)的影响,电缆的长期运行将会引起绝缘老化、疲劳、磨损,从而使得电缆绝缘性能逐渐下降,设备运行可靠性逐渐降低,进而威胁电力系统的运行可靠性。为了保障电缆线路可靠运行,提高电缆运维检修水平,降低电缆故障停运的风险,必须对高压电缆线路本体及通道进行状态感知与状态预测。
目前我国已有部分高压电缆输电线路实现状态感知,包括以局部放电、护层电流、电缆测温、载流量为主的电缆线路本体状态感知量及温度和湿度的通道状态感知量,电气设备检修策略逐渐从定期检修向状态检修进行过渡。然而,面对高压电缆输电监测系统产生的海量数据,传统方法难以处理,无法实现高压输电电缆的准确预测和评价。
发明内容
鉴于此,本发明提出了一种电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置,旨在解决电缆的准确预测和评价的问题。
第一方面,本发明实施例提供了一种电缆的状态量预测的方法,包括:
获取待预测电缆的状态量的时间序列S=(S 0 , S 1 ,…, S n-1 ),其中,为第i个状态量的时间序列,为第i个状态量的第h个电缆状态量采集点的时间序列,n为状态量的个数,m为电缆状态量采集点的个数;对所述状态量的时间序列S进行数据划分,得到划分后的序列F;采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值。
进一步地,所述对所述状态量的时间序列S进行数据划分,得到划分后的序列F,包括:
沿着所述状态量的时间序列S移动时间窗,得到若干个子序列;
进一步地,所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值,包括:将所述序列F输入至预先构建的长短时记忆LSTM模型,分别经过更新门、遗忘门和输出门,通过如下公式计算得到预测值:
其中,a <t> 为LSTM模型的下一个LSTM单元的输入。
进一步地,所述对所述状态量的时间序列S进行数据划分之前,包括:对所述状态量的时间序列S进行清洗和预处理。
进一步地,所述对所述状态量的时间序列S进行数据划分之前,包括:对所述状态量的时间序列S进行归一化处理。
进一步地,所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值之后,还包括:对所述预测值进行反归一化处理,得到最终预测值。
进一步地,所述长短时记忆LSTM模型,采用如下方式预先构建得到:获取训练集(F train , O train )和测试集(F test , O test ),其中,F为输入序列,O为序列F的下一个时刻的状态量的真实值;将所述训练集输入待训练的LSTM模型进行训练;将所述测试集输入待训练的LSTM模型进行测试,得到测试集的第一预测值O test ’;将所测试集的预测值O test ’进行反归一化处理,得到测试集的第二预测值O’;根据所述测试集的第二预测值O’和真实值O test ,计算得到均方误差和平均绝对误差;判断所述均方误差和所述平均绝对误差是否在预设范围内:若是,则将所述待训练的LSTM模型确定为最终LSTM模型;否则,则根据损失函数计算所述待训练的LSTM模型的损失值,进行训练优化,并将优化后的LSTM模型作为新的待训练的LSTM模型,返回所述将所述训练集输入待训练的LSTM模型进行训练的步骤。
第二方面,本发明实施例还提供了一种电缆的状态量预测的装置,包括:数据获取单元,用于获取待预测电缆的状态量的时间序列S=(S 0 , S 1 ,…, S n-1 ),其中,为第i个状态量的时间序列,为第i个状态量的第h个电缆状态量采集点的时间序列,n为状态量的个数,m为电缆状态量采集点的个数;数据划分单元,用于对所述状态量的时间序列S进行数据划分,得到划分后的序列F;预测单元,用于采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值。
进一步地,所述数据划分单元,还用于:
沿着所述状态量的时间序列S移动时间窗,得到若干个子序列;
进一步地,所述预测单元还用于:将所述序列F输入至预先构建的长短时记忆LSTM模型,分别经过更新门、遗忘门和输出门,通过如下公式计算得到预测值:
其中,a <t> 为LSTM模型的下一个LSTM单元的输入。
进一步地,所述装置还包括:数据清洗和预处理单元,用于在对所述状态量的时间序列S进行数据划分之前,对所述状态量的时间序列S进行清洗和预处理。
进一步地,所述装置还包括:归一化单元,用于在对所述状态量的时间序列S进行数据划分之前,对所述状态量的时间序列S进行归一化处理。
进一步地,所述装置还包括:反归一化单元,用于在采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值之后,对所述预测值进行反归一化处理,得到最终预测值。
进一步地,所述长短时记忆LSTM模型,采用如下方式预先构建得到:获取训练集(F train , O train )和测试集(F test , O test ),其中,F为输入序列,O为序列F的下一个时刻的状态量的真实值;将所述训练集输入待训练的LSTM模型进行训练;将所述测试集输入待训练的LSTM模型进行测试,得到测试集的第一预测值O test ’;将所测试集的预测值O test ’进行反归一化处理,得到测试集的第二预测值O’;根据所述测试集的第二预测值O’和真实值O test ,计算得到均方误差和平均绝对误差;判断所述均方误差和所述平均绝对误差是否在预设范围内:若是,则将所述待训练的LSTM模型确定为最终LSTM模型;否则,则根据损失函数计算所述待训练的LSTM模型的损失值,进行训练优化,并将优化后的LSTM模型作为新的待训练的LSTM模型,返回所述将所述训练集输入待训练的LSTM模型进行训练的步骤。
第三方面,本发明实施例还提供了一种用于确定电缆的运行状态的方法,包括:根据故障类型和故障征兆,计算得到置信度;根据所述置信度,计算得到常权重系数;根据劣化度和常权重系数,计算得到故障的第一参数值;其中,劣化度t n 预先通过如下公式得到:
其中,z n 为待评估的本次试验值,z’为故障征兆的警示值,z f 为故障征兆的初始值;根据第一参数值和常权重系数,计算得到变权重系数;根据采用本发明各实施例提供的方法得到的预测值和所述变权重系数,计算得到故障的第二参数值;根据第二参数值和预设规则,得到电缆的运行状态。
进一步地,所述根据故障类型和故障征兆,计算得到置信度,包括:采用如下公式计算得到故障类型S m 种的故障征兆S m,n 的置信度C m,n :
其中,S m 为故障类型,S m,n 为S m 种故障的故障征兆。
进一步地,所述根据所述置信度,计算得到常权重系数,包括:采用如下公式计算得到常权重系数w m,n :
其中,C m,n 为故障类型S m 种的故障征兆S m,n 的置信度, N m 是每种故障类型中故障征兆的个数。
进一步地,所述根据劣化度和常权重系数,计算得到故障的第一参数值,包括:采用如下公式计算得到故障的第一参数值y m :
其中,w m 为第m个故障的常权重系数,y m 为第m个故障的第一参数值,α为均衡函数,0<α<1,M为故障类型S m 的个数。
进一步地,所述根据采用本发明各实施例提供的方法得到的预测值和所述变权重系数,计算得到故障的第二参数值,包括:将采用根据采用本发明各实施例提供的方法得到的预测值O(k)乘以变权重系数,得到故障的第二参数值Score。
第四方面,本发明实施例还提供了一种用于确定电缆的运行状态的装置,包括:置信度计算单元,用于根据故障类型和故障征兆,计算得到置信度;常权重系数计算单元,用于根据所述置信度,计算得到常权重系数;第一参数值计算单元,用于根据劣化度和常权重系数,计算得到故障的第一参数值;其中,劣化度t n 预先通过如下公式得到:
其中,z n 为待评估的本次试验值,z’为故障征兆的警示值,z f 为故障征兆的初始值;变权重系数计算单元,用于根据第一参数值和常权重系数,计算得到变权重系数;第二参数值计算单元,用于根据采用本发明各实施例提供的方法得到的预测值和所述变权重系数,计算得到故障的第二参数值;电力运行状态确定单元,用于根据第二参数值和预设规则,得到电缆的运行状态。
进一步地,所述置信度计算单元,还用于:采用如下公式计算得到故障类型S m 种的故障征兆S m,n 的置信度C m,n :
其中,S m 为故障类型,S m,n 为S m 种故障的故障征兆。
进一步地,所述常权重系数计算单元,还用于:采用如下公式计算得到常权重系数w m,n :
其中,C m,n 为故障类型S m 种的故障征兆S m,n 的置信度, N m 是每种故障类型中故障征兆的个数。
进一步地,所述第一参数值计算单元,还用于:采用如下公式计算得到故障的第一参数值y m :
其中,w m 为第m个故障的常权重系数,y m 为第m个故障的第一参数值,α为均衡函数,0<α<1,M为故障类型S m 的个数。
第五方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一种电缆的状态量预测的方法。
第六方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一种用于确定电缆的运行状态的方法。
本发明实施例提供的电缆的状态量预测的方法及装置,提出了一种基于长短时记忆LSTM模型的电缆线路多运行状态推演方法,针对多个状态量连续型时间序列进行单一节点的多状态量联合推演,实现高压电缆状态量的大数据分析,提高电缆状态预测的准确度,为高压电缆状态推演与评价提供技术支撑,保障高压输电电缆的运行可靠性。
本发明实施例提供的用于确定电缆的运行状态的方法及装置,通过采用多种参数计算得到变权重系数,并根据电缆的状态量的预测值和变权重系数,最终可以实现电缆运行状态的评价,有效提高了电缆运行状态评价的准确度和可靠性。
附图说明
图1示出了根据本发明实施例的电缆的状态量预测的方法的示例性流程图;
图2示出了根据本发明实施例的电缆的状态量预测的装置的结构示意图;
图3示出了根据本发明实施例的用于确定电缆的运行状态的方法的示例性流程图;以及
图4示出了根据本发明实施例的用于确定电缆的运行状态的装置的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1示出了根据本发明实施例的电缆的状态量预测的方法的示例性流程图。
如图1所示,该方法包括:
步骤S101:获取待预测电缆的状态量的时间序列S=(S 0 , S 1 ,…, S n-1 ),
本发明实施例中,电缆的状态量包括电缆线路本体状态感知量和电缆通道状态感知量。具体地,电缆线路本体状态感知量包括导体温度、护层电流、介质损耗、局部放电、载流等;电缆通道状态感知量包括通道温度、通道湿度、通道气体、光栅温度、照明、水位等。电缆状态量可以通过电缆接头处的传感器采集得到,在每个电缆接头处进行状态量采集的地方,即为电缆状态量采集点。电缆状态量采集点处可以获取不同时刻不同状态量数据。
针对以局部放电、接地环流、电缆测温、载流量为主的电缆线路本体状态感知量及通道气体、光栅测温、照明、水位为主的电缆通道状态感知量等连续型时间序列进行单一节点的多状态量联合推演,可以实现高压电缆状态量的大数据分析,提高电缆状态预测的准确度,为高压电缆状态推演与评价提供技术支撑,保障高压输电电缆的运行可靠性。
步骤S102:对状态量的时间序列S进行清洗和预处理。
对状态量的时间序列S的缺失值采用埃尔米特插值法进行插值,同时对于噪声大的异常值,采用聚类方法剔除并且作为缺失值处理,然后利用频繁项填充空缺值。
步骤S103:对清洗和处理后的序列进行归一化处理。
其中,𝜎为状态量的样本方差,μ为状态量的均值。
步骤S104:对归一化处理后的序列进行数据划分,得到划分后的序列F。
进一步地,步骤S104,包括:
沿着状态量的时间序列移动时间窗,得到若干个子序列;
步骤S105:采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值。
进一步地,步骤S105,包括:
将序列F输入至预先构建的长短时记忆LSTM模型,分别经过更新门、遗忘门和输出门,通过如下公式计算得到预测值:
其中,a <t> 为LSTM模型的下一个LSTM单元的输入。
步骤S106:对该预测值进行反归一化处理,得到最终预测值。
由于步骤103对输入序列进行了归一化处理,则输出的预测值需要采用如下公式进行反归一化得到最终预测值O’:
上述实施例,提出了一种基于长短时记忆LSTM模型的电缆线路多运行状态推演方法,针对多个状态量连续型时间序列进行单一节点的多状态量联合推演,实现高压电缆状态量的大数据分析,提高电缆状态预测的准确度,为高压电缆状态推演与评价提供技术支撑,保障高压输电电缆的运行可靠性。
进一步地,长短时记忆LSTM模型,采用如下方式预先构建得到:
获取训练集(F train , O train )和测试集(F test , O test ),
其中,F为输入序列,O为序列F的下一个时刻的状态量的真实值;
将训练集输入待训练的LSTM模型进行训练;
将测试集输入待训练的LSTM模型进行测试,得到测试集的第一预测值O test ’;
将所测试集的预测值O test ’进行反归一化处理,得到测试集的第二预测值O’;
根据测试集的第二预测值O’和真实值O test ,计算得到均方误差和平均绝对误差;
判断均方误差和平均绝对误差是否在预设范围内:若是,则将待训练的LSTM模型确定为最终LSTM模型;否则,则根据损失函数计算待训练的LSTM模型的损失值,进行训练优化,并将优化后的LSTM模型作为新的待训练的LSTM模型,返回将训练集输入待训练的LSTM模型进行训练的步骤。
本发明实施例中,可以利用模型的输出结果和准确值的差异优化网络中的参数,可以采用梯度下降法,也可以采用其他方法,选择不同的方法可能找到不同的局部极值,但是这不影响最终预测结果。损失函数采用的是方均根误差,其中状态量序列经过一个非线性激活函数输入层输入和一个非线性激活函数的输出层输出预测结果,训练优化可以采用Adam算法优化模型。
判断均方误差RMSE和平均绝对误差MAPE分别采用如下公式得到:
图2示出了根据本发明实施例的电缆的状态量预测的装置的结构示意图。
如图2所示,该装置包括:
数据获取单元201,用于获取待预测电缆的状态量的时间序列S=(S 0 , S 1 ,…, S n-1 ),
本发明实施例中,电缆的状态量包括电缆线路本体状态感知量和电缆通道状态感知量。具体地,电缆线路本体状态感知量包括导体温度、护层电流、介质损耗、局部放电、载流等;电缆通道状态感知量包括通道温度、通道湿度、通道气体、光栅温度、照明、水位等。电缆状态量可以通过电缆接头处的传感器采集得到,在每个电缆接头处进行状态量采集的地方,即为电缆状态量采集点。电缆状态量采集点处可以获取不同时刻不同状态量数据。
针对以局部放电、接地环流、电缆测温、载流量为主的电缆线路本体状态感知量及通道气体、光栅测温、照明、水位为主的电缆通道状态感知量等连续型时间序列进行单一节点的多状态量联合推演,可以实现高压电缆状态量的大数据分析,提高电缆状态预测的准确度,为高压电缆状态推演与评价提供技术支撑,保障高压输电电缆的运行可靠性。
数据清洗和预处理单元202,用于对状态量的时间序列S进行清洗和预处理。
对状态量的时间序列S的缺失值采用埃尔米特插值法进行插值,同时对于噪声大的异常值,采用聚类方法剔除并且作为缺失值处理,然后利用频繁项填充空缺值。
归一化单元203,用于对清洗和处理后的序列进行归一化处理。
其中,𝜎为状态量的样本方差,μ为状态量的均值。
数据划分单元204,用于对归一化处理后的序列进行数据划分,得到划分后的序列F。
进一步地,数据划分单元204,还用于:
沿着状态量的时间序列移动时间窗,得到若干个子序列;
预测单元205,用于预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值。
进一步地,预测单元205,还用于:
将序列F输入至预先构建的长短时记忆LSTM模型,分别经过更新门、遗忘门和输出门,通过如下公式计算得到预测值:
其中,a <t> 为LSTM模型的下一个LSTM单元的输入。
反归一化单元206,用于对该预测值进行反归一化处理,得到最终预测值。
由于归一化单元203对输入序列进行了归一化处理,则输出的预测值需要采用如下公式进行反归一化得到最终预测值O’:
上述实施例,提出了一种基于长短时记忆LSTM模型的电缆线路多运行状态推演方法,针对多个状态量连续型时间序列进行单一节点的多状态量联合推演,实现高压电缆状态量的大数据分析,提高电缆状态预测的准确度,为高压电缆状态推演与评价提供技术支撑,保障高压输电电缆的运行可靠性。
进一步地,长短时记忆LSTM模型,采用如下方式预先构建得到:
获取训练集(F train , O train )和测试集(F test , O test ),
其中,F为输入序列,O为序列F的下一个时刻的状态量的真实值;
将训练集输入待训练的LSTM模型进行训练;
将测试集输入待训练的LSTM模型进行测试,得到测试集的第一预测值O test ’;
将所测试集的预测值O test ’进行反归一化处理,得到测试集的第二预测值O’;
根据测试集的第二预测值O’和真实值O test ,计算得到均方误差和平均绝对误差;
判断均方误差和平均绝对误差是否在预设范围内:若是,则将待训练的LSTM模型确定为最终LSTM模型;否则,则根据损失函数计算待训练的LSTM模型的损失值,进行训练优化,并将优化后的LSTM模型作为新的待训练的LSTM模型,返回将训练集输入待训练的LSTM模型进行训练的步骤。
本发明实施例中,可以利用模型的输出结果和准确值的差异优化网络中的参数,可以采用梯度下降法,也可以采用其他方法,选择不同的方法可能找到不同的局部极值,但是这不影响最终预测结果。损失函数采用的是方均根误差,其中状态量序列经过一个非线性激活函数输入层输入和一个非线性激活函数的输出层输出预测结果,训练优化可以采用Adam算法优化模型。
判断均方误差RMSE和平均绝对误差MAPE分别采用如下公式得到:
图3示出了根据本发明实施例的用于确定电缆的运行状态的方法的示例性流程图。
如图3所示,该方法包括:
步骤S301:根据故障类型和故障征兆,计算得到置信度。
进一步地,步骤S301,包括:
采用如下公式计算得到故障类型S m 种的故障征兆S m,n 的置信度C m,n :
其中,S m 为故障类型,S m,n 为S m 种故障的故障征兆。
本发明实施例中,故障类型S m 可以为多种,每种故障类型可以对应多个故障征兆S m,n 。表1示出了根据本发明实施例的故障类型与故障征兆之间的对应关系,即故障类型的分类情况。如表1所示,故障类型可以包括电缆接头故障S 1 、电缆段故障S 2 以及交叉互联电缆箱故障S 3 三种,其中,电缆接头故障S 1 可以对应S 1,1 (导体温度)、S 1,2 (护层电流)、S 1,3 (介质损耗)、S 1,4 (局部放电)、S 1,5 (温度)、S 1,6 (湿度)这6个故障征兆,即这6个故障征兆均可能导致电缆接头故障S 1 。类似地,电缆段故障S 2 对应S 2,1 - S 2,5 这5个故障征兆,交叉互联电缆箱故障S 3 对应S 3,1 - S 3,3 这3个故障征兆。
表1故障类型的分类情况
步骤S302:根据置信度,计算得到常权重系数。
进一步地,步骤S302,包括:
采用如下公式计算得到常权重系数w m,n :
其中,C m,n 为故障类型S m 种的故障征兆S m,n 的置信度, N m 是每种故障类型中故障征兆的个数。
步骤S303:根据劣化度和常权重系数,计算得到故障的第一参数值;
其中,劣化度t n 预先通过如下公式得到:
其中,z n 为待评估的本次试验值,z’为故障征兆的警示值,z f 为故障征兆的初始值。
进一步地,步骤S303,包括:
采用如下公式计算得到故障的第一参数值y m :
本发明实施例中,引入相对劣化度的概念来对故障征兆海量的异构数据进行归一化处理,劣化度t n 的取值范围为 0~1(当t n <0时,令t n =0;当t n >0时,令t n =1)。劣化度t n 可以作为各故障征兆的评分值来表征各指标偏离正常状态的程度,当劣化度为0时,表明指标严重偏离正常状态,即设备处于故障状态;当劣化度为1时,表明设备处于最佳状态。z’为故障征兆的警示值,若故障征兆给出注意值为z a ,则z’=1.3z a (正劣化)或z’=z a /1.3。z f 为故障征兆的初始值,即该电缆出厂或交接试验值。第一参数值y m 可以为故障S m 的第一评分值。
步骤S304:根据第一参数值和常权重系数,计算得到变权重系数。
进一步地,步骤S304,包括:
其中,w m 为第m个故障的常权重系数,y m 为第m个故障的第一参数值,α为均衡函数,0<α<1,M为故障类型S m 的个数。
本发明实施例中,均衡函数α取值大小取决于各故障类型的相对重要程度,当各故障类型的均衡程度要求不高时,取α>0.5;当排除某些故障类型的严重缺陷时,取α<0.5;当α=1时,等同于常权重模式。
步骤S305:根据采用本发明各实施例提供的电缆的状态量预测的方法得到的预测值和变权重系数,计算得到故障的第二参数值。
进一步地,步骤S305,包括:
步骤S306:根据第二参数值和预设规则,得到电缆的运行状态。
本发明实施例中,预设规则为预先设置的,第二参数值与电缆运行状态之间的对应关系:若第二参数值为第一阈值范围内,则电缆运行状态正常;若第二参数值为第二阈值范围内,则电缆运行状态需要注意;若第二参数值为第三阈值范围内,则电缆运行状态异常;若第二参数值为第四阈值范围内,则电缆运行状态严重异常。例如,表2示出了根据本发明实施例的预设规则,即故障第二评分值的大小与电力运行状态之间的对应关系。
表2 故障第二评分值与电力运行状态之间的对应关系
本发明实施例提供的用于确定电缆的运行状态的方法及装置,通过采用多种参数计算得到变权重系数,并根据电缆的状态量的预测值和变权重系数,最终可以实现电缆运行状态的评价,有效提高了电缆运行状态评价的准确度和可靠性。
实施例1
表3示出了根据本发明实施例1的故障类型的分类情况。如表3所示,每种故障类型分为不同的故障征兆,每个故障征兆对应有单项状态量超标总次数和单项状态量超标次数。
表3 实施例1的故障类型的分类情况
根据表3中的数据,对权重系数进行计算。
表4示出了通过上面公式计算得到的每种故障类中每个故障征兆的权重系数值。
表4 实施例1的故障权重系数
表5示出了每个故障征兆的相对劣化度。
表5 实施例1的故障征兆的相对劣化度
根据相对劣化度和权重系数,采用如下公式计算得到故障的评分值:
表6示出了每种故障类型的评分值和变权重系数。
表6 实施例1的故障类型的评分值和变权重系数
对此运行状态评价模型进行验证,选取100组数据,其中70组来自正常电缆,剩下的为故障数据。表7示出了实施例1的评价结果。
表7 实施例1的评价结果
图4示出了根据本发明实施例的用于确定电缆的运行状态的装置的结构示意图。
如图4所示,该装置包括:
置信度计算单元401:用于根据故障类型和故障征兆,计算得到置信度。
进一步地,置信度计算单元401,还用于:
采用如下公式计算得到故障类型S m 种的故障征兆S m,n 的置信度C m,n :
其中,S m 为故障类型,S m,n 为S m 种故障的故障征兆。
本发明实施例中,故障类型S m 可以为多种,每种故障类型可以对应多个故障征兆S m,n 。表8示出了根据本发明实施例的故障类型与故障征兆之间的对应关系,即故障类型的分类情况。如表8所示,故障类型可以包括电缆接头故障S 1 、电缆段故障S 2 以及交叉互联电缆箱故障S 3 三种,其中,电缆接头故障S 1 可以对应S 1,1 (导体温度)、S 1,2 (护层电流)、S 1,3 (介质损耗)、S 1,4 (局部放电)、S 1,5 (温度)、S 1,6 (湿度)这6个故障征兆,即这6个故障征兆均可能导致电缆接头故障S 1 。类似地,电缆段故障S 2 对应S 2,1 - S 2,5 这5个故障征兆,交叉互联电缆箱故障S 3 对应S 3,1 - S 3,3 这3个故障征兆。
表8故障类型的分类情况
常权重系数计算单元402:用于根据置信度,计算得到常权重系数。
进一步地,常权重系数计算单元402:还用于:
采用如下公式计算得到常权重系数w m,n :
其中,C m,n 为故障类型S m 种的故障征兆S m,n 的置信度, N m 是每种故障类型中故障征兆的个数。
第一参数值计算单元403:用于根据劣化度和常权重系数,计算得到故障的第一参数值;
其中,劣化度t n 预先通过如下公式得到:
其中,z n 为待评估的本次试验值,z’为故障征兆的警示值,z f 为故障征兆的初始值。
进一步地,第一参数值计算单元403,还用于:
采用如下公式计算得到故障的第一参数值y m :
本发明实施例中,引入相对劣化度的概念来对故障征兆海量的异构数据进行归一化处理,劣化度t n 的取值范围为 0~1(当t n <0时,令t n =0;当t n >0时,令t n =1)。劣化度t n 可以作为各故障征兆的评分值来表征各指标偏离正常状态的程度,当劣化度为0时,表明指标严重偏离正常状态,即设备处于故障状态;当劣化度为1时,表明设备处于最佳状态。z’为故障征兆的警示值,若故障征兆给出注意值为z a ,则z’=1.3z a (正劣化)或z’=z a /1.3。z f 为故障征兆的初始值,即该电缆出厂或交接试验值。第一参数值y m 可以为故障S m 的第一评分值。
变权重系数计算单元404,用于根据第一参数值和常权重系数,计算得到变权重系数。
进一步地,变权重系数计算单元404,还用于:
其中,w m 为第m个故障的常权重系数,y m 为第m个故障的第一参数值,α为均衡函数,0<α<1,M为故障类型S m 的个数。
本发明实施例中,均衡函数α取值大小取决于各故障类型的相对重要程度,当各故障类型的均衡程度要求不高时,取α>0.5;当排除某些故障类型的严重缺陷时,取α<0.5;当α=1时,等同于常权重模式。
第二参数值计算单元405,用于根据采用本发明各实施例提供的电缆的状态量预测的方法得到的预测值和变权重系数,计算得到故障的第二参数值。
进一步地,第二参数值计算单元405,还用于:
电力运行状态确定单元406,用于根据第二参数值和预设规则,得到电缆的运行状态。
本发明实施例中,预设规则为预先设置的,第二参数值与电缆运行状态之间的对应关系:若第二参数值为第一阈值范围内,则电缆运行状态正常;若第二参数值为第二阈值范围内,则电缆运行状态需要注意;若第二参数值为第三阈值范围内,则电缆运行状态异常;若第二参数值为第四阈值范围内,则电缆运行状态严重异常。例如,表9示出了根据本发明实施例的预设规则,即故障第二评分值的大小与电力运行状态之间的对应关系。
表9 故障第二评分值与电力运行状态之间的对应关系
上述实施例提供的用于确定电缆的运行状态的装置,通过采用多种参数计算得到变权重系数,并根据电缆的状态量的预测值和变权重系数,最终可以实现电缆运行状态的评价,有效提高了电缆运行状态评价的准确度和可靠性。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一种电缆的状态量预测的方法。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一种用于确定电缆的运行状态的方法。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (15)
1.一种用于确定电缆的运行状态的方法,其特征在于,所述方法包括:
采用如下公式计算得到故障类型S m 种的故障征兆S m,n 的置信度C m,n :
其中,S m 为故障类型,S m,n 为S m 种故障的故障征兆;
采用如下公式计算得到常权重系数w m,n :
其中,C m,n 为故障类型S m 种的故障征兆S m,n 的置信度, N m 是每种故障类型中故障征兆的个数;
采用如下公式计算得到故障的第一参数值y m :
其中,z n 为待评估的本次试验值,z’为故障征兆的警示值,z f 为故障征兆的初始值;
其中,w m 为第m个故障的常权重系数,y m 为第m个故障的第一参数值,α为均衡函数,0<α<1,M为故障类型S m 的个数;
根据第二参数值和预设规则,得到电缆的运行状态;
其中,预测值O(k)预先采用如下方法得到:
获取待预测电缆的状态量的时间序列S=(S 0 , S 1 ,…, S n-1 ),
对所述状态量的时间序列S进行数据划分,得到划分后的序列F;
采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值。
3.根据权利要求1所述的方法,其特征在于,所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值,包括:
将所述序列F输入至预先构建的长短时记忆LSTM模型,分别经过更新门、遗忘门和输出门,得到预测值。
4.根据权利要求1所述的方法,其特征在于,所述对所述状态量的时间序列S进行数据划分之前,包括:
对所述状态量的时间序列S进行清洗和预处理。
5.根据权利要求1所述的方法,其特征在于,所述对所述状态量的时间序列S进行数据划分之前,包括:
对所述状态量的时间序列S进行归一化处理。
6.根据权利要求5所述的方法,其特征在于,所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值之后,还包括:
对所述预测值进行反归一化处理,得到最终预测值。
7.根据权利要求1所述的方法,其特征在于,所述长短时记忆LSTM模型,采用如下方式预先构建得到:
获取训练集(F train , O train )和测试集(F test , O test ),
其中,F为输入序列,O为序列F的下一个时刻的状态量的真实值;
将所述训练集输入待训练的LSTM模型进行训练;
将所述测试集输入待训练的LSTM模型进行测试,得到测试集的第一预测值O test ’;
将所测试集的预测值O test ’进行反归一化处理,得到测试集的第二预测值O’;
根据所述测试集的第二预测值O’和真实值O test ,计算得到均方误差和平均绝对误差;
判断所述均方误差和所述平均绝对误差是否在预设范围内:若是,则将所述待训练的LSTM模型确定为最终LSTM模型;否则,则根据损失函数计算所述待训练的LSTM模型的损失值,进行训练优化,并将优化后的LSTM模型作为新的待训练的LSTM模型,返回所述将所述训练集输入待训练的LSTM模型进行训练的步骤。
8.一种用于确定电缆的运行状态的装置,其特征在于,所述装置包括:
置信度计算单元,用于采用如下公式计算得到故障类型S m 种的故障征兆S m,n 的置信度C m,n :
其中,S m 为故障类型,S m,n 为S m 种故障的故障征兆;
常权重系数计算单元,用于采用如下公式计算得到常权重系数w m,n :
其中,C m,n 为故障类型S m 种的故障征兆S m,n 的置信度, N m 是每种故障类型中故障征兆的个数;
第一参数值计算单元,用于采用如下公式计算得到故障的第一参数值y m :
其中,z n 为待评估的本次试验值,z’为故障征兆的警示值,z f 为故障征兆的初始值;
其中,w m 为第m个故障的常权重系数,y m 为第m个故障的第一参数值,α为均衡函数,0<α<1,M为故障类型S m 的个数;
电力运行状态确定单元,用于根据第二参数值和预设规则,得到电缆的运行状态;
其中,预测值O(k)采用如下方法得到:
获取待预测电缆的状态量的时间序列S=(S 0 , S 1 ,…, S n-1 ),
对所述状态量的时间序列S进行数据划分,得到划分后的序列F;
采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值。
10.根据权利要求8所述的装置,其特征在于,所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值,包括:
将所述序列F输入至预先构建的长短时记忆LSTM模型,分别经过更新门、遗忘门和输出门,得到预测值。
11.根据权利要求8所述的装置,其特征在于,所述对所述状态量的时间序列S进行数据划分之前,包括:
对所述状态量的时间序列S进行清洗和预处理。
12.根据权利要求8所述的装置,其特征在于,所述对所述状态量的时间序列S进行数据划分之前,包括:
对所述状态量的时间序列S进行归一化处理。
13.根据权利要求12所述的装置,其特征在于,所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测,得到序列F的预测值之后,还包括:
对所述预测值进行反归一化处理,得到最终预测值。
14.根据权利要求8所述的装置,其特征在于,所述长短时记忆LSTM模型,采用如下方式预先构建得到:
获取训练集(F train , O train )和测试集(F test , O test ),
其中,F为输入序列,O为序列F的下一个时刻的状态量的真实值;
将所述训练集输入待训练的LSTM模型进行训练;
将所述测试集输入待训练的LSTM模型进行测试,得到测试集的第一预测值O test ’;
将所测试集的预测值O test ’进行反归一化处理,得到测试集的第二预测值O’;
根据所述测试集的第二预测值O’和真实值O test ,计算得到均方误差和平均绝对误差;
判断所述均方误差和所述平均绝对误差是否在预设范围内:若是,则将所述待训练的LSTM模型确定为最终LSTM模型;否则,则根据损失函数计算所述待训练的LSTM模型的损失值,进行训练优化,并将优化后的LSTM模型作为新的待训练的LSTM模型,返回所述将所述训练集输入待训练的LSTM模型进行训练的步骤。
15.一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,该程序被处理器执行时实现如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011513836.3A CN112257967B (zh) | 2020-12-21 | 2020-12-21 | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011513836.3A CN112257967B (zh) | 2020-12-21 | 2020-12-21 | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257967A CN112257967A (zh) | 2021-01-22 |
CN112257967B true CN112257967B (zh) | 2021-04-16 |
Family
ID=74225856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011513836.3A Active CN112257967B (zh) | 2020-12-21 | 2020-12-21 | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257967B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949902B (zh) * | 2021-01-25 | 2023-06-16 | 西北工业大学 | 一种基于lstm多状态向量序列到序列模型的径流预测方法 |
CN113469243A (zh) * | 2021-06-30 | 2021-10-01 | 国网浙江宁波市鄞州区供电有限公司 | 一种极端环境下电缆性能的预测方法 |
CN113468764A (zh) * | 2021-07-22 | 2021-10-01 | 西南石油大学 | 基于时间序列的海缆状态预测方法 |
CN116976530B (zh) * | 2023-09-25 | 2023-12-08 | 国网上海市电力公司 | 一种电缆设备状态预测方法、装置及存储介质 |
CN118282046A (zh) * | 2024-04-16 | 2024-07-02 | 湖北世纪森源电力工程有限公司 | 基于智能电网的电缆状态预测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444703B (zh) * | 2016-09-20 | 2018-12-07 | 西南石油大学 | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 |
CN106780111A (zh) * | 2016-11-24 | 2017-05-31 | 广州供电局有限公司 | 输电电缆综合状态评估方法和系统 |
CN112101116B (zh) * | 2020-08-17 | 2024-05-07 | 北京无线电计量测试研究所 | 一种基于深度学习的模拟电路故障诊断方法 |
CN112070322B (zh) * | 2020-09-28 | 2022-05-13 | 国网河北省电力有限公司雄安新区供电公司 | 基于长短期记忆网络的高压电缆线路运行状态预测方法 |
-
2020
- 2020-12-21 CN CN202011513836.3A patent/CN112257967B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112257967A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257967B (zh) | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
CN114372734B (zh) | 一种电缆中间接头绝缘状态实时评估方法及系统 | |
CN110533294B (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
CN108022058B (zh) | 一种风力机状态可靠性评估方法 | |
CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
CN113671917A (zh) | 针对多模态工业过程异常状态的检测方法、系统、设备 | |
CN112016835A (zh) | 配电网电缆线路监测方法、计算机设备和存储介质 | |
CN115640860A (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
CN111145895A (zh) | 异常数据的检测方法及终端设备 | |
US20230266406A1 (en) | System and method for determining a cable wear status | |
CN114970309A (zh) | 一种火电设备状态预警评估方法 | |
CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
CN112345972B (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
CN117706452A (zh) | 基于knn-gru模型的电压互感器的在线评估方法 | |
CN112067289A (zh) | 一种基于神经网络的电机轴及传动轴异常振动预警算法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 |
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 |