CN112557856A - 高压电缆护套的监测方法、装置、存储介质及计算机设备 - Google Patents
高压电缆护套的监测方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN112557856A CN112557856A CN202011539303.2A CN202011539303A CN112557856A CN 112557856 A CN112557856 A CN 112557856A CN 202011539303 A CN202011539303 A CN 202011539303A CN 112557856 A CN112557856 A CN 112557856A
- Authority
- CN
- China
- Prior art keywords
- cable
- cable sheath
- parameters
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims description 82
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 19
- 230000006698 induction Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 239000004020 conductor Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 229910052751 metal Inorganic materials 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000011241 protective layer Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供的高压电缆护套的监测方法、装置、存储介质及计算机设备，与现有技术相比，本发明将人工合成的电缆参数与实际采集的电缆参数输入到预先构建的高压电缆护套环流模型中，以便通过高压电缆护套环流模型确定对应的电缆护套环流值，并进一步得到大量的训练集，通过该训练集对神经网络模型进行训练，能够极大程度提高模型的训练效果，然后利用训练好的神经网络模型对实时电缆参数对应的电缆护套环流值进行预测，并根据预测结果监测高压电缆护套是否出现异常，该过程计算量较小，且有标准化的判断依据，使得最终的监测结果更为准确。
Description
技术领域
本发明涉及电力监测技术领域，尤其涉及一种高压电缆护套的监测方法、装置、存储介质及计算机设备。
背景技术
电力电缆由线芯导体，绝缘层，填充层，金属护层和外保护层构成。在电缆运行过程中，场强、温度、外力挤压都会使电缆绝缘介质的微观结构和性能发生改变，电缆的损耗特性也相应发生改变，因此通过监测电缆的损耗情况，即可判断出电缆绝缘老化情况。
当前判断电缆绝缘老化的方法主要有直流分量法、直流叠加法、在线检测tanδ法、局部放电法和接地线感应环流法。例如，当电缆外护套有破损或者发生绝缘缺陷时，将造成金属护套多点接地，即会在金属护套、接地线、接地系统间形成回路，产生较大的接地线电流，此电流可达到电缆线芯电流的5％～10％以上，最高时可达到50％～95％。由于此接地线电流较大、变化明显，可通过电流互感器采样，经过外围电路放大、A/D转换、信号传输和计算机处理后得到接地线电流的变化情况，从而实现电缆外护套运行状况的在线监测，此种方法称为接地线感应环流法。
使用接地线感应环流法进行监测时，其中计算机的处理过程尤为重要，其处理结果直接影响高压电缆护套异常情况的判断。当前主流的处理方法仅是对采样电流进行比对，对比值为往日同时间段的电流值，然后进行人工的判断识别；但目前判断高压电缆护套是否出现异常问题的计算量较大，计算模型复杂，且没有一个标准化的判断依据，计算结果也较不准确。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中判断高压电缆护套是否出现异常问题的计算量较大，计算模型复杂，且没有一个标准化的判断依据，计算结果也较不准确的技术缺陷。
本发明提供了一种高压电缆护套的监测方法，包括：
获取人工合成的多组电缆参数以及实际采集的多组电缆参数，选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入，并输出对应的电缆护套环流值，重复以上过程，直到获取预设组数的电缆参数及对应的电缆护套环流值；
将所述电缆参数及对应的电缆护套环流值构成训练集，利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型；
获取实时电缆参数，将所述实时电缆参数输入到所述训练好的神经网络模型中，输出对应的电缆护套环流值，根据所述电缆护套环流值监测高压电缆护套是否出现异常。
可选地，所述高压电缆护套的监测方法，还包括：
若所述高压电缆护套出现异常，则根据所述高压电缆护套环流模型确定对应异常类型，根据所述异常类型发出不同的报警信息。
可选地，所述电缆参数包括电缆电阻、电缆输送容量、电缆感应电流和电缆感应电压；
所述获取人工合成的多组电缆参数的步骤，包括：
获取预先设置的电缆电阻和电缆输送容量，根据所述电缆输送容量确定对应的电缆感应电压；
利用所述电缆感应电压和所述电缆电阻确定对应的电缆感应电流。
可选地，所述选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入的步骤，包括：
根据所述人工合成的多组电缆参数以及所述实际采集的多组电缆参数分别确定所述电缆电阻、所述电缆输送容量、所述电缆感应电流和所述电缆感应电压对应的变化范围；
在所述电缆电阻、所述电缆输送容量、所述电缆感应电流和所述电缆感应电压的变化范围内分别选取一个参数值，并将多个参数值组合后作为一组电缆参数输入到预先构建的高压电缆护套环流模型中。
可选地，利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型的步骤，包括：
将所述训练集中的电缆参数作为神经网络模型的输入，并给定权重值和偏置值，利用所述权重值和所述偏置值对所述神经网络模型进行训练，输出对应的电缆护套环流值；
计算所述电缆护套环流值与所述训练集中与输入的电缆参数对应的电缆护套环流值之间的损失值，并确定所述损失值是否在预设损失范围内；
若在，则停止更新所述权重值和所述偏置值，并得到训练好的神经网络模型。
可选地，若在，则停止更新所述权重值和所述偏置值，并得到训练好的神经网络模型的步骤之后，还包括：
若不在，则在所述神经网络模型中对输出的电缆护套环流值进行反向传播，获取所述神经网络模型中各层单元的误差信号；
根据所述误差信号修正各层单元的权重值和偏置值，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型。
可选地，根据所述电缆护套环流值监测高压电缆护套是否出现异常的步骤，包括：
将所述电缆护套环流值与所述高压电缆护套环流模型输出的电缆护套环流值范围之间进行比对；
若所述电缆护套环流值在所述电缆护套环流值范围内，则高压电缆护套出现异常。
本发明还提供了一种高压电缆护套的监测装置，包括：
预处理单元，用于获取人工合成的多组电缆参数以及实际采集的多组电缆参数，选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入，并输出对应的电缆护套环流值，重复以上过程，直到获取预设组数的电缆参数及对应的电缆护套环流值；
模型训练单元，用于将所述电缆参数及对应的电缆护套环流值构成训练集，利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型；
异常监测单元，用于获取实时电缆参数，将所述实时电缆参数输入到所述训练好的神经网络模型中，输出对应的电缆护套环流值，根据所述电缆护套环流值监测高压电缆护套是否出现异常。
本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述高压电缆护套的监测方法的步骤。
本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述高压电缆护套的监测方法的步骤。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明提供的高压电缆护套的监测方法、装置、存储介质及计算机设备，包括：获取人工合成的多组电缆参数以及实际采集的多组电缆参数，选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入，并输出对应的电缆护套环流值，重复以上过程，直到获取预设组数的电缆参数及对应的电缆护套环流值；将所述电缆参数及对应的电缆护套环流值构成训练集，利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型；获取实时电缆参数，将所述实时电缆参数输入到所述训练好的神经网络模型中，输出对应的电缆护套环流值，根据所述电缆护套环流值监测高压电缆护套是否出现异常。
与现有技术相比，本发明将人工合成的电缆参数与实际采集的电缆参数输入到预先构建的高压电缆护套环流模型中，以便通过高压电缆护套环流模型确定对应的电缆护套环流值，并进一步得到大量的训练集，通过该训练集对神经网络模型进行训练，能够极大程度提高模型的训练效果，然后利用训练好的神经网络模型对实时电缆参数对应的电缆护套环流值进行预测，并根据预测结果监测高压电缆护套是否出现异常，该过程计算量较小，且有标准化的判断依据，使得最终的监测结果更为准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种高压电缆护套的监测方法流程示意图；
图2为本发明实施例提供的高压电缆护套的监测过程示意图；
图3为本发明实施例提供的电缆运行结构示意图；
图4为本发明实施例提供的神经网络模型训练过程的流程示意图；
图5为本发明实施例提供的一种高压电缆护套的监测装置结构示意图；
图6为本发明实施例提供的一种计算机设备的内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像本申请实施例中一样被特定定义，否则不会用理想化或过于正式的含义来解释。
现有技术中，使用接地线感应环流法对高压电缆护套进行监测时，其中计算机的处理过程尤为重要，其处理结果直接影响高压电缆护套异常情况的判断。当前主流的处理方法仅是对采样电流进行比对，对比值为往日同时间段的电流值，然后进行人工的判断识别；但目前判断高压电缆护套是否出现异常问题的计算量较大，计算模型复杂，且没有一个标准化的判断依据，计算结果也较不准确。
针对现有技术中判断高压电缆护套是否出现异常问题的计算量较大，计算模型复杂，且没有一个标准化的判断依据，计算结果也较不准确的技术问题，本发明提供了如下技术方案：
请参阅图1，图1为本发明实施例提供的一种高压电缆护套的监测方法流程示意图，本发明提供了一种高压电缆护套的监测方法，具体包括如下步骤：
S110：获取人工合成的多组电缆参数以及实际采集的多组电缆参数，选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入，并输出对应的电缆护套环流值，重复以上过程，直到获取预设组数的电缆参数及对应的电缆护套环流值；
本步骤中，由于在实际工程中，电缆护套环流受到多种电缆参数的影响，难以获得大量的故障数据，因此，本申请在采集实际的电缆参数的同时，还通过人工合成的方式获得多组电缆参数，以便后续获得更为准确的预测结果。
并且，实际采集的多组电缆参数包括高压电缆护套正常情况下的电缆参数以及故障情况下的电缆参数，而人工合成的电缆参数也包括了正常情况和故障情况下的电缆参数。
因此，在确定多组电缆参数分别对应的电缆护套环流值时，可随机获取其中一组电缆参数，并将其输入到预先构建的高压电缆护套环流模型中，该高压电缆护套环流模型为不同故障对应的仿真模型，该仿真模型可通过simulink软件仿真获得。
具体地，在实际工程中，交叉互联分段不均、交叉互联连板接错和外护套破损三者的单独作用及组合作用都可能使高压电缆护套出现异常，因而，使高压电缆护套产生异常的原因可分为如下七种：(1)交叉互联分段不均，(2)交叉互联连板接错，(3)外护套破损，(4)交叉互联分段不均、交叉互联连板接错组合作用，(5)交叉互联连板接错、外护套破损组合作用，(6)交叉互联分段不均、外护套破损组合作用，(7)交叉互联分段不均、交叉互联连板接错、外护套破损组合作用。以上7种高压电缆护套环流模型均可通过simulink软件仿真获得。
当随机获取一组电缆参数后，可将该电缆参数输入至上述7种仿真模型中，每种仿真模型会输出对应的电缆护套环流值，通过输出的环流值可以判断对应的电缆参数是否处于异常。
事实上，实际采集的电缆参数跟人工合成的电缆参数都会对应唯一且确定的一种环流状态，通过7种仿真模型即可确定每组电缆参数对应的电缆护套环流值，通过该值可判定此时高压电缆护套发生哪种故障。
因而，通过上述步骤可以获取多组电缆参数及其对应的电缆护套环流，并可以根据后续模型训练所需的预设组数来获取相应数量的电缆参数及对应的电缆护套环流值。
S120：将所述电缆参数及对应的电缆护套环流值构成训练集，利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型；
本步骤中，当通过步骤S110获取到预设组数的电缆参数及对应的电缆护套环流值后，将该电缆参数及对应的电缆护套环流值一并构成神经网络模型的训练集，通过该训练集对神经网络模型进行训练，以便使该神经网络模型的预测误差最小。
具体地，该神经网络模型可以是BP神经网络，BP算法是目前使用最为广泛的预测算法，该算法是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络。BP算法由网络架构、激活函数、找出最优权重值的参数学习算法等三部分构成，BP算法的一般流程为：
1)正向传播FP(求损失)：在这个过程中，我们根据输入的样本，给定的初始化权重值W和偏置项的值b，计算最终输出值以及输出值与实际值之间的损失值，如果损失值不在给定的范围内则进行反向传播的过程，否则停止W，b的更新；
2)反向传播BP(回传误差)：将输出以某种形式通过隐藏层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。
S130：获取实时电缆参数，将所述实时电缆参数输入到所述训练好的神经网络模型中，输出对应的电缆护套环流值，根据所述电缆护套环流值监测高压电缆护套是否出现异常。
本步骤中，由于前期对神经网络模型进行训练时采集的训练集为包含电缆参数及对应的电缆护套环流值的集合，因此，后续将采集到的实时电缆参数输入到训练好的神经网络模型后，输出值即是该组实时电缆参数对应的预测值，该预测值为电缆护套环流值。
得到神经网络模型输出的电缆护套环流值后，可将该电缆护套环流值与上述7中高压电缆护套环流模型的输出值范围之间进行对照，以便确定当前的实时电缆参数对应的电缆护套环流值是否异常，即高压电缆护套是否出现异常。
与现有技术相比，本发明将人工合成的电缆参数与实际采集的电缆参数输入到预先构建的高压电缆护套环流模型中，以便通过高压电缆护套环流模型确定对应的电缆护套环流值，并进一步得到大量的训练集，通过该训练集对神经网络模型进行训练，能够极大程度提高模型的训练效果，然后利用训练好的神经网络模型对实时电缆参数对应的电缆护套环流值进行预测，并根据预测结果监测高压电缆护套是否出现异常，该过程计算量较小，且有标准化的判断依据，使得最终的监测结果更为准确。
在一个实施例中，如图2所示，图2为本发明实施例提供的高压电缆护套的监测过程示意图；所述高压电缆护套的监测方法，还可以包括：
S140：若所述高压电缆护套出现异常，则根据所述高压电缆护套环流模型确定对应异常类型，根据所述异常类型发出不同的报警信息。
本实施例中，若根据神经网络模型的输出结果确定高压电缆护套出现异常后，可根据输出的电缆护套环流值对应的高压电缆护套环流模型来确定异常类型。
举例来说，若通过软件仿真获得的高压电缆护套环流模型对应的故障类型为交叉互联分段不均导致的，那么该高压电缆护套环流模型会有一个输出范围，若此时神经网络模型输出的电缆护套环流值落入到该高压电缆护套环流模型对应的输出范围内，那么，此时高压电缆护套大概率会出现交叉互联分段不均的问题，根据该异常类型发出对应的报警信息，工作人员根据该报警信息即可知道此时高压电缆护套存在怎样的异常，也会根据该异常类型采取相应的措施进行维修等。
在一个实施例中，如图3所示，图3为本发明实施例提供的电缆运行结构示意图；所述电缆参数可以包括电缆电阻、电缆输送容量、电缆感应电流和电缆感应电压；步骤S110中获取人工合成的多组电缆参数的步骤，可以包括：
S111：获取预先设置的电缆电阻和电缆输送容量，根据所述电缆输送容量确定对应的电缆感应电压；
S112：利用所述电缆感应电压和所述电缆电阻确定对应的电缆感应电流。
本实施例中，电缆电阻、电缆输送容量为直接设置量(在simulink仿真模型中设置)，电缆感应电流与电缆感应电压可通过推导公式获得，具体如下：
选择电缆电阻、电缆输送容量、电缆感应电流与电缆感应电压共四种电缆参数，其中，电缆电阻为测量电缆区间的阻抗值；电缆输送容量为电力线路在正常情况下允许输送的最大功率。对于单回路电缆运行时，电缆感应电压的计算方式为：
如图3所示，线缆可以看成一根与三相线芯A、B、C平行的导体，p为单线电缆的金属保护套，四根导体中心之间的距离以比率表示，即线芯AB、BC、CA之间的中心距离为S、nS、mS，金属保护套p与A、B、C之间的中心距分别为D、βD、γD，导体p与A、B、C线芯电流之间的磁通为：
其中，GMRp为导体p的几何平均半径，导体p与A、B、C三相线芯间的磁通总和为：
假设导体p逐渐移近至线芯A，甚至和A同心，即成为A相电缆的金属护套时，βD＝S，γD＝nS，D＝GMRp＝GMRS(GMRS为金属护套的集合平均半径)，此时上式可改写为：
假定三相线芯的电流平衡，此时有：
IA＝I
将三相电流带入A相线芯磁通公式后有：
由此可得A、B、C三相上的纵向感应电压分别为：
选取某一相产生的感应电压作为电缆感应电压的参数，每一相的感应电流可以根据感应电压与电缆阻抗之间的关系得出。
在一个实施例中，步骤S110中选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入的步骤，可以包括：
S113：根据所述人工合成的多组电缆参数以及所述实际采集的多组电缆参数分别确定所述电缆电阻、所述电缆输送容量、所述电缆感应电流和所述电缆感应电压对应的变化范围；
S114：在所述电缆电阻、所述电缆输送容量、所述电缆感应电流和所述电缆感应电压的变化范围内分别选取一个参数值，并将多个参数值组合后作为一组电缆参数输入到预先构建的高压电缆护套环流模型中。
本实施例中，通过预先构建的高压电缆护套环流模型计算电缆参数所对应的电缆护套环流值之前，需要将人工合成的多组电缆参数以及实际采集的多组电缆参数组合到一起，来确定每种电缆参数对应的变换范围，。
其中，本申请中一组电缆参数包括但不限于电缆电阻、电缆输送容量、电缆感应电流和电缆感应电压，当将所有人工合成以及实际采集的电缆参数组合后，即可得出每一种电缆参数对应的参数变化范围。
当得到每一种电缆参数所对应的变化范围后，即可在每种电缆参数的变化范围内随机选取一个参数值，直到每种电缆参数都选取了对应的参数值后，将多个参数值组合后作为一组电缆参数输入到高压电缆护套环流模型中，以便计算出当前的电缆护套环流值。
在一个实施例中，如图4所示，图4为本发明实施例提供的神经网络模型训练过程的流程示意图；步骤S120中利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型的步骤，可以包括：
S121：将所述训练集中的电缆参数作为神经网络模型的输入，并给定权重值和偏置值，利用所述权重值和所述偏置值对所述神经网络模型进行训练，输出对应的电缆护套环流值；
S122：计算所述电缆护套环流值与所述训练集中与输入的电缆参数对应的电缆护套环流值之间的损失值，并确定所述损失值是否在预设损失范围内；
S123：若在，则停止更新所述权重值和所述偏置值，并得到训练好的神经网络模型。
本实施例中，以BP神经网络为例，BP算法由网络架构、激活函数、找出最优权重值的参数学习算法等三部分构成，BP算法的一般流程为：
1)正向传播FP(求损失)：在这个过程中，我们根据输入的样本，给定的初始化权重值W和偏置项的值b，计算最终输出值以及输出值与实际值之间的损失值，如果损失值不在给定的范围内则进行反向传播的过程，否则停止W，b的更新；
2)反向传播BP(回传误差)：将输出以某种形式通过隐藏层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。
现以电缆电阻、电缆输送容量、电缆感应电流与电缆感应电压为输入变量，电缆护套环流值为输出变量为例，阐述使用BP算法来判断高压电缆护套的基本原理。
BP神经网络为三层网络，分别为输入层、隐含层、输出层，其中输入层与输出层的节点数为固定值，可设置为m和n，本例中输入层节点数m为4，输出层节点数n为1，隐含层h的计算经验公式为：
其中，a为1～10的调节常数，一般而言如果数据多的话我们可以设a稍微大一点，而数据不是太多的时候就设置的小一点，防止过拟合。
在计算BP算法的正向传递过程时，设节点i与节点j之间的权值为wi,j，每个节点的输出值为yj，具体的计算方法如下:
yi＝f(Sj)
其中，f为激活函数，一般选择sigmoid函数或者线性函数。
在一个实施例中，步骤S123中若在，则停止更新所述权重值和所述偏置值，并得到训练好的神经网络模型的步骤之后，还可以包括：
S124：若不在，则在所述神经网络模型中对输出的电缆护套环流值进行反向传播，获取所述神经网络模型中各层单元的误差信号；
S125：根据所述误差信号修正各层单元的权重值和偏置值，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型。
本实施例中，如图4所示，若损失值不在预设损失范围内，则在神经网络模型中对输出的电缆护套环流值进行反向传播。例如，计算BP算法的反向误差传递过程时，假设第j个输出结果为dj，则误差函数计算如下：
之后通过不断修改w值和b值使得误差达到最小，若w，b值全部确定后，一个输入就对应着一个输出，所以关键目的是让误差最小，而调整误差的方法为梯度下降法，其原理如下：
设激励函数为：
对于隐藏层与输出层之间的权值wi,j，由偏微分公式可得：
对于激励函数求导可得：
然后对wi,j的偏导数可得：
其中：
对于bj的导数为:
对最后一层网络处理完毕后，开始对前一层进行处理。首先将误差通过权值向前传递得到上一层的误差，再采用前面所述的梯度下降法使误差最小。
最后根据梯度下降法的计算结果，更新w与b的值，以使得误差最小：
在一个实施例中，步骤S130中根据所述电缆护套环流值监测高压电缆护套是否出现异常的步骤，可以包括：
S131：将所述电缆护套环流值与所述高压电缆护套环流模型输出的电缆护套环流值范围之间进行比对；
S132：若所述电缆护套环流值在所述电缆护套环流值范围内，则高压电缆护套出现异常。
本实施例中，由于前期对神经网络模型进行训练时采集的训练集为包含电缆参数及对应的电缆护套环流值的集合，因此，后续将采集到的实时电缆参数输入到训练好的神经网络模型后，输出值即是该组实时电缆参数对应的预测值，该预测值为电缆护套环流值。
得到神经网络模型输出的电缆护套环流值后，可将该电缆护套环流值与上述7中高压电缆护套环流模型的输出值范围之间进行对照，以便确定当前的实时电缆参数对应的电缆护套环流值是否异常，即高压电缆护套是否出现异常。
在一个实施例中，如图5所示，图5为本发明实施例提供的一种高压电缆护套的监测装置结构示意图；本发明还提供了一种高压电缆护套的监测装置，包括预处理单元110、模型训练单元120、异常监测单元130，具体包括如下步骤：
预处理单元110，用于获取人工合成的多组电缆参数以及实际采集的多组电缆参数，选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入，并输出对应的电缆护套环流值，重复以上过程，直到获取预设组数的电缆参数及对应的电缆护套环流值；
模型训练单元120，用于将所述电缆参数及对应的电缆护套环流值构成训练集，利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型；
异常监测单元130，用于获取实时电缆参数，将所述实时电缆参数输入到所述训练好的神经网络模型中，输出对应的电缆护套环流值，根据所述电缆护套环流值监测高压电缆护套是否出现异常。
与现有技术相比，本发明将人工合成的电缆参数与实际采集的电缆参数输入到预先构建的高压电缆护套环流模型中，以便通过高压电缆护套环流模型确定对应的电缆护套环流值，并进一步得到大量的训练集，通过该训练集对神经网络模型进行训练，能够极大程度提高模型的训练效果，然后利用训练好的神经网络模型对实时电缆参数对应的电缆护套环流值进行预测，并根据预测结果监测高压电缆护套是否出现异常，该过程计算量较小，且有标准化的判断依据，使得最终的监测结果更为准确。
在一个实施例中，本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述高压电缆护套的监测方法的步骤。
在一个实施例中，本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述高压电缆护套的监测方法的步骤。
示意性地，如图6所示，图6为本发明实施例提供的一种计算机设备的内部结构示意图，该计算机设备200可以被提供为一服务器。参照图6，计算机设备200包括处理组件202，其进一步包括一个或多个处理器，以及由存储器201所代表的存储器资源，用于存储可由处理组件202的执行的指令，例如应用程序。存储器201中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件202被配置为执行指令，以执行上述任意实施例的高压电缆护套的监测方法。
计算机设备200还可以包括一个电源组件203被配置为执行计算机设备200的电源管理，一个有线或无线网络接口204被配置为将计算机设备200连接到网络，和一个输入输出(I/O)接口205。计算机设备200可以操作基于存储在存储器201的操作系统，例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高压电缆护套的监测方法，其特征在于，包括：
获取人工合成的多组电缆参数以及实际采集的多组电缆参数，选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入，并输出对应的电缆护套环流值，重复以上过程，直到获取预设组数的电缆参数及对应的电缆护套环流值；
将所述电缆参数及对应的电缆护套环流值构成训练集，利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型；
获取实时电缆参数，将所述实时电缆参数输入到所述训练好的神经网络模型中，输出对应的电缆护套环流值，根据所述电缆护套环流值监测高压电缆护套是否出现异常。
2.根据权利要求1所述的一种高压电缆护套的监测方法，其特征在于，还包括：
若所述高压电缆护套出现异常，则根据所述高压电缆护套环流模型确定对应异常类型，根据所述异常类型发出不同的报警信息。
3.根据权利要求1所述的一种高压电缆护套的监测方法，其特征在于，所述电缆参数包括电缆电阻、电缆输送容量、电缆感应电流和电缆感应电压；
所述获取人工合成的多组电缆参数的步骤，包括：
获取预先设置的电缆电阻和电缆输送容量，根据所述电缆输送容量确定对应的电缆感应电压；
利用所述电缆感应电压和所述电缆电阻确定对应的电缆感应电流。
4.根据权利要求3所述的一种高压电缆护套的监测方法，其特征在于，所述选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入的步骤，包括：
根据所述人工合成的多组电缆参数以及所述实际采集的多组电缆参数分别确定所述电缆电阻、所述电缆输送容量、所述电缆感应电流和所述电缆感应电压对应的变化范围；
在所述电缆电阻、所述电缆输送容量、所述电缆感应电流和所述电缆感应电压的变化范围内分别选取一个参数值，并将多个参数值组合后作为一组电缆参数输入到预先构建的高压电缆护套环流模型中。
5.根据权利要求1所述的一种高压电缆护套的监测方法，其特征在于，利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型的步骤，包括：
将所述训练集中的电缆参数作为神经网络模型的输入，并给定权重值和偏置值，利用所述权重值和所述偏置值对所述神经网络模型进行训练，输出对应的电缆护套环流值；
计算所述电缆护套环流值与所述训练集中与输入的电缆参数对应的电缆护套环流值之间的损失值，并确定所述损失值是否在预设损失范围内；
若在，则停止更新所述权重值和所述偏置值，并得到训练好的神经网络模型。
6.根据权利要求5所述的一种高压电缆护套的监测方法，其特征在于，若在，则停止更新所述权重值和所述偏置值，并得到训练好的神经网络模型的步骤之后，还包括：
若不在，则在所述神经网络模型中对输出的电缆护套环流值进行反向传播，获取所述神经网络模型中各层单元的误差信号；
根据所述误差信号修正各层单元的权重值和偏置值，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型。
7.根据权利要求5所述的一种高压电缆护套的监测方法，其特征在于，根据所述电缆护套环流值监测高压电缆护套是否出现异常的步骤，包括：
将所述电缆护套环流值与所述高压电缆护套环流模型输出的电缆护套环流值范围之间进行比对；
若所述电缆护套环流值在所述电缆护套环流值范围内，则高压电缆护套出现异常。
8.一种高压电缆护套的监测装置，其特征在于，包括：
预处理单元，用于获取人工合成的多组电缆参数以及实际采集的多组电缆参数，选取其中一组电缆参数作为预先构建的高压电缆护套环流模型的输入，并输出对应的电缆护套环流值，重复以上过程，直到获取预设组数的电缆参数及对应的电缆护套环流值；
模型训练单元，用于将所述电缆参数及对应的电缆护套环流值构成训练集，利用所述训练集对神经网络模型进行训练，直到所述神经网络模型的预测误差最小为止，得到训练好的神经网络模型；
异常监测单元，用于获取实时电缆参数，将所述实时电缆参数输入到所述训练好的神经网络模型中，输出对应的电缆护套环流值，根据所述电缆护套环流值监测高压电缆护套是否出现异常。
9.一种存储介质，其特征在于：所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述高压电缆护套的监测方法的步骤。
10.一种计算机设备，其特征在于：所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述高压电缆护套的监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539303.2A CN112557856B (zh) | 2020-12-23 | 2020-12-23 | 高压电缆护套的监测方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539303.2A CN112557856B (zh) | 2020-12-23 | 2020-12-23 | 高压电缆护套的监测方法、装置、存储介质及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112557856A true CN112557856A (zh) | 2021-03-26 |
| CN112557856B CN112557856B (zh) | 2023-10-31 |
Family
ID=75031568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011539303.2A Active CN112557856B (zh) | 2020-12-23 | 2020-12-23 | 高压电缆护套的监测方法、装置、存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112557856B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06331665A (ja) * | 1993-05-18 | 1994-12-02 | Mitsubishi Denki Bill Techno Service Kk | 電力ケーブルの絶縁診断監視装置 |
| EP0942292A2 (en) * | 1998-03-11 | 1999-09-15 | BICC Public Limited Company | Method of and apparatus for detecting cable oversheath faults and installations in which they are used |
| CN108594097A (zh) * | 2018-05-02 | 2018-09-28 | 国网福建省电力有限公司莆田供电公司 | 一种通过金属护套环流判断中高压电缆绝缘状态的方法 |
| CN108761167A (zh) * | 2018-03-01 | 2018-11-06 | 华南理工大学 | 一种电缆金属护套多相多点接地下护层感应电流计算方法 |
| CN109558893A (zh) * | 2018-10-31 | 2019-04-02 | 华南理工大学 | 基于重采样池的快速集成污水处理故障诊断方法 |
| CN209102839U (zh) * | 2018-03-28 | 2019-07-12 | 中国石油化工股份有限公司 | 移动式电缆在线监测预警装置 |
| JP6757868B1 (ja) * | 2020-06-03 | 2020-09-23 | 日本テクノ株式会社 | 高圧ｃｖケーブル絶縁劣化情報取得装置 |
| CN112070322A (zh) * | 2020-09-28 | 2020-12-11 | 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
- 2020-12-23 CN CN202011539303.2A patent/CN112557856B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06331665A (ja) * | 1993-05-18 | 1994-12-02 | Mitsubishi Denki Bill Techno Service Kk | 電力ケーブルの絶縁診断監視装置 |
| EP0942292A2 (en) * | 1998-03-11 | 1999-09-15 | BICC Public Limited Company | Method of and apparatus for detecting cable oversheath faults and installations in which they are used |
| CN108761167A (zh) * | 2018-03-01 | 2018-11-06 | 华南理工大学 | 一种电缆金属护套多相多点接地下护层感应电流计算方法 |
| CN209102839U (zh) * | 2018-03-28 | 2019-07-12 | 中国石油化工股份有限公司 | 移动式电缆在线监测预警装置 |
| CN108594097A (zh) * | 2018-05-02 | 2018-09-28 | 国网福建省电力有限公司莆田供电公司 | 一种通过金属护套环流判断中高压电缆绝缘状态的方法 |
| CN109558893A (zh) * | 2018-10-31 | 2019-04-02 | 华南理工大学 | 基于重采样池的快速集成污水处理故障诊断方法 |
| JP6757868B1 (ja) * | 2020-06-03 | 2020-09-23 | 日本テクノ株式会社 | 高圧ｃｖケーブル絶縁劣化情報取得装置 |
| CN112070322A (zh) * | 2020-09-28 | 2020-12-11 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 朱宁西等: "高压电缆金属护套多点接地情况下的环流模型及参数计算", 华南理工大学学报(自然科学版), vol. 46, no. 10, pages 15 - 23 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112557856B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149554B (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
| US10466308B2 (en) | Fault level estimation method for power converters | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
| CN112051481A (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
| CN107561407B (zh) | 一种分布式的变电站接地网检测和评估方法 | |
| CN115469259B (zh) | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 | |
| US5712796A (en) | Method for evaluating the faulted sections and states in a power transmission line | |
| CN115392141B (zh) | 一种自适应的电流互感器误差评估方法 | |
| CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
| 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 | |
| CN109857988B (zh) | 一种寒地装配式现代木结构建筑的安全监测方法 | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| CN114660531A (zh) | 一种基于电表测量误差补偿的检测方法、系统及装置 | |
| CN112924813B (zh) | 基于电气数据的配电网短路故障监控方法及装置 | |
| CN112557856A (zh) | 高压电缆护套的监测方法、装置、存储介质及计算机设备 | |
| CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
| CN117590147A (zh) | 基于多层前馈神经网络和遗传算法的电缆故障检测方法 | |
| ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
| US20220292232A1 (en) | Method and Apparatus for the State Estimation of an Electrical Grid | |
| CN110163332B (zh) | 一种变压器故障诊断方法 | |
| CN115480129A (zh) | 一种海缆在状态监测方法、系统及故障恢复方法 | |
| Bardyk et al. | Electric power system simulation for risk assessment of power transformer failure under external short-circuit conditions | |
| CN116167200A (zh) | 一种配电柜使用年限检测方法和装置 | |
| JP3304452B2 (ja) | 送電線電流センサ故障時の電流・位相分布の復元方法 |
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 |