CN112598151A - 一种电缆沟敷设方式下的高压电缆表面温度预测方法 - Google Patents

Abstract

本发明公开了一种电缆沟敷设方式下的高压电缆表面温度预测方法，步骤如下：获取电力电缆在运维过程中的多模态特征数据集合；将多模态特征数据集合中的原始特征量进行离差标准化和编码处理，对数据进行切分，并且将数据集合划分为训练集和测试集；构建长短期记忆神经网络电缆表面温度预测模型；输入训练集至预测模型，采用学习率自适应的Adam优化算法对预测模型中的模型参数θ进行迭代优化；取在测试集取得性能最优的模型，以此作为未来电缆表面温度预测模型，输入预处理后的特征量，得到模型的电缆表面温度预测输出层结果。本发明利用电缆运行中的多模态特征数据预测得到未来一段时刻下的电缆表面温度，该结果为高压电缆动态增容提供参考依据。

Description

一种电缆沟敷设方式下的高压电缆表面温度预测方法

技术领域

本发明涉及高压电缆温度预测技术领域，具体涉及一种电缆沟敷设方式下的高压电缆表面温度预测方法。

背景技术

随着中国综合国力的不断增强，伴随着对电力需求的极大增加，在城市建设中电缆输电量也随之增加。电缆的载流量和绝缘性能受导体温度限制，而导体温度可以通过相关测量量，如电缆表面温度，环境温度推导得出，因此实现对电缆表面温度的预测对高压电缆的动态增容，使电缆使用效率最大化有重要意义。

根据实际电缆电缆运行数据，大部分电缆运行载流量都低于额定值运行，为了充分利用电缆的使用效率，有必要对电缆表面温度进行预测，再通过已有方法由从表面温度推导出电缆导体温度，如申请号为“201110297478.1”，名称为“电缆导体温度计算方法及装置”提出了一种优于IEC标准且准确计算电缆导体温度的方法，为电缆运行状态的实时监测提供重要参考依据。

电缆运行时的表面温度受电缆敷设所在的自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境和电缆负荷等多种因素影响，从热力学角度来说，电缆表面温度是前面所述因素的一种时变函数映射关系，即电缆表面温度的未来变化趋势受历史因素的影响，这种映射关系往往无法直接用精确的数学表达式展示出来。

发明内容

本发明的目的为了能够从已有的自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境和电缆负荷等历史数据中找到与电缆表面温度的映射关系，实现电缆表面温度的精确预测，提供一种电缆沟敷设方式下的高压电缆表面温度预测方法，该方法基于长短期记忆神经网络(Long Short-Term Memory，LSTM)实现多模态特征数据电缆表面温度预测。

本发明的目的可以通过采取如下技术方案达到：

一种电缆沟敷设方式下的高压电缆表面温度预测方法，所述的高压电缆表面温度预测方法包括以下步骤：

S1、采集电缆运行过程中产生的多模态特征数据作为数据集，其中，多模态特征数据包括自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境、电缆负荷和电缆表面温度的历史运行数据；

S2、对多模态特征数据首先进行离差标准化和数值编码预处理操作，然后对预处理后的数据按照窗口大小和时间步进行切分，最后根据使用用途划分为训练集和测试集；

S3、构建LSTM神经网络模型，并且对LSTM神经网络模型中的模型参数θ进行初始化，其中，所述的LSTM神经网络模型包括依次顺序连接的输入层、n个网络层以及输出层，所述的模型参数包括LSTM神经网络模型中的权重值W和偏置值B；

S4、加载步骤S1中得到的训练集对步骤S3中构建的LSTM神经网络模型进行有监督学习训练，训练过程采用学习率自适应的Adam优化算法进行模型参数更新，当LSTM神经网络模型达到预定训练次数后停止训练，取测试集下性能最优的LSTM神经网络模型作为最终网络模型；

S5、根据步骤S4中最终网络模型对未来电缆表面温度进行预测。

进一步地，所述的步骤S1中提取电缆运行特征作为数据集的过程如下：

从电缆系统监测平台获取自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境、电缆负荷和电缆表面温度的历史数据，将每一种数据称为一种特征，一种特征下的所有数据构成一个特征向量，总的特征向量X由所有特征向量列向拼接而成，其维度为(N,8)，N代表数据样本数量，8代表上述从电缆系统监测平台获取的8种不同模态的特征，其中，自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、电缆负荷和电缆表面温度为连续型数值数据，并且属于时间序列数据；自然气候环境为类别型字符串数据，包括晴朗、阴天、雨天三种类别；采用这些多模态特征数据的有益效果是，通过丰富的多模态信息表征，使LSTM神经网络模型更加充分地学习到电缆表面温度变化与历史多模态特征数据之间的关系，进而提供更加精确的电缆表面温度预测。

进一步地，所述的步骤S2中对多模态特征数据首先进行离差标准化和数值编码预处理操作以及对数据的切分包括：

S2.1、对连续型数值数据按照以下公式进行离差标准化处理：

上式中X^(k)表示第k个原始特征向量，

表示原始特征向量X^(k)的第i个元素，min(·)和max(·)分别代表计算特征向量中的最小和最大值，

为离差标准化后的第i个元素；使用离差标准化的有益效果是，减小了不同特征的数量级差异带来的影响，在步骤S4中可以加速模型训练；

S2.2、对自然气候环境这一类别型字符串数据进行编码处理，转换为类别型数值编码数据，过程如下：

S2.2.1、首先构建所有自然气候环境类别的集合S＝{晴朗，阴天，雨天}，并对集合S内的所有元素进行排序；

S2.2.2、假设多模态特征数据中具有N个样本，其中第i个自然气候环境特征的类别值为C，则计算该类别值C在集合S中的索引值，并将索引值重新构建成新的数值特征向量

以此替换原来自然气候环境字符串数据；

该步骤的作用是使输入的字符串数据转换为数值型数据，并输入至步骤S3所构建的网络模型中，学习自然气候环境与电缆表面温度之间的映射关系；

S2.3、对数据进行预处理完后，按照窗口大小和时间步对数据进行切分，具体步骤为：

S2.3.1、对某t时刻下的第k个特征X^(k)，选取窗口大小为w，则将特征X切分为

由此组成新的LSTM神经网络模型输入样本，对前述所有特征按照此方式进行切分，则得到(X_t,X_t-1,...,X_t-w)，该输入样本对应的目标输出为t+1时刻下的电缆表面温度，记为y_t+1；窗口大小w决定了LSTM神经网络模型需要学习多少个历史特征数据；

S2.3.2、前面步骤得到了t时刻下的输入样本数据，对于下一个输入样本数据，根据时间步s和前述窗口大小w得到：(X_t+s,X_t+s-1,...,X_t+s-w)，其对应的目标输出为t+s+1时刻下的电缆表面温度，记为y_t+s+1；时间步s的大小决定了LSTM神经网络模型学习历史特征数据的时间间隔；

S2.3.3、将输入数据和目标输出数据对((X_t,X_t-1,...,X_t-w),y_t+1)构成满足LSTM神经网络模型输入要求的新数据集，并且根据数据集的不同任务要求，按照8:2的比例分别划分为训练集和测试集。

所述的步骤S3中构建LSTM神经网络模型以及模型参数初始化的过程如下：

S3.1、构建LSTM神经网络模型的输入层，用于接收和处理训练集数据，对于数值型类别编码数据，需要添加一个Embedding嵌入层提取编码数据的表征信息，Embedding嵌入层的输出和连续性数值数据融合后共同传入至第一级网络层；

S3.2、构建LSTM神经网络模型的n个网络层，单个网络层由依次顺序连接的LSTM网络层、Dropout层和非线性激活层组成，所述的LSTM网络层由输入门、输出门、遗忘门和细胞组成；所述的Dropout层的随机丢弃概率值设置为0.5；所述的非线性激活层采用ReLU激活层，该层的激活函数表示如下：

ReLU(z)＝max(0,z)

上式中，z代表输入至ReLU激活层的特征向量；

S3.3、构建LSTM神经网络模型的输出层，该输出层由全连接层、Sigmoid激活层以及预测输出层依次串行连接组成，所述的全连接层将网络层学习到的特征表示映射到样本空间；所述的Sigmoid激活层，其激活函数为：

上式中，z₁代表输入至Sigmoid激活层的特征向量；

所述的预测输出层将Sigmoid激活层的输出结果进行反变换操作，还原电缆表面温度值，反变换操作计算式为：

上式中X^(k)表示第k个原始特征向量，

表示原始特征向量X^(k)的第i个元素，min(·)和max(·)分别代表计算特征向量中的最小和最大值，

为离差标准化后的第i个元素。

S3.4、将LSTM神经网络模型的损失函数Loss定义为均方误差，表达式如下：

上式中y_i表示第i个真实输出值，

代表第i个预测输出层的输出值，n为输出长度；

S3.5、将LSTM神经网络模型中的模型参数采取Xavier初始化方式，即将所有偏置值B初始化为0，各网络层的权重值W按照下列均匀分布进行初始化：

上式中，num表示前一层网络的数量，U表示均匀分布。

进一步地，所述的步骤S4中采用自适应学习率的Adam优化算法进行参数更新，参数更新的过程称作训练，过程如下：

S4.1、从训练集中选取m个输入样本{x₁,x₂,...,x_i,...,x_m}，对应的目标输出分别为{y₁,y₂,...,y_i,...,y_m}，计算迭代次数为k时的梯度g_k：

上式中f为步骤S3中构建的LSTM神经网络模型，f(x_i；θ)代表LSTM神经网络模型以θ为模型参数、输入为第i个样本x_i，Loss为损失函数，

为梯度算子，

表示对模型参数θ求导；

S4.2、更新迭代次数为k时得到偏一阶矩估计v_k和偏二阶矩估计s_k：

v_k←β₁v_k-1+(1-β₁)g_k

上式中，β₁和β₂为控制Adam优化算法的两个超参数，取值为[0,1)区间，

为Hadamard算子，代表逐元素相乘，v_k-1代表k-1次迭代时的偏一阶矩，s_k-1代表k-1次迭代时的偏二阶矩；

S4.3、修正偏一阶矩估计和偏二阶矩估计：

上式中

是修正后的偏一阶矩估计，

是修正后的偏二阶矩估计；

S4.4、应用梯度更新计算第k次迭代时的模型参数值θ_k，并且更新迭代次数k：

θ_k←θ_k-1-g’_k

k←k+1

上式中，其中η是学习率，∈是用于维持数值稳定性的常数，θ_k-1为第k-1次迭代时的模型参数值，g'_k为第k次迭代时的修正梯度；

S4.5、当训练满足预设的训练次数后停止，利用步骤S2得到的测试集对不同训练次数下的模型进行性能评估，得到最优的电缆表面温度预测模型作为最终网络模型。

本发明相对于现有技术具有如下的优点及效果：

电缆表面温度是电缆载流量大小的反映，因此实现电缆表面温度的短时预测对电缆的动态增容具有重要意义；本发明使用了具有长短期记忆功能的LSTM神经网络对电力电缆系统监测得到的历史数据进行预处理后训练得到电缆表面温度预测模型，再通过测试集进行验证，通过此方法，LSTM神经网络可以得到自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境和电缆负荷等多模态特征与电缆表面温度的内在隐含关系，实现短时的电缆表面温度预测，进而可以增强电缆的动态增容能力，实现城市电网电缆输电系统的高效能运作。

附图说明

图1是本发明公开的一种电缆沟敷设方式下的高压电缆表面温度预测方法的流程框图；

图2是本发明中电缆运行特征数据预处理流程图；

图3是本发明公开的LSTM神经网络模型示意图；

图4为采用本发明实现的电缆表面温度预测结果示意图，其中，图4(a)为电缆表面温度划分为训练集和测试集示意图，图4(b)为本发明LSTM神经网络模型在测试集上的预测结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

实施例一

参见图1所示，本实施例公开了一种电缆沟敷设方式下的高压电缆表面温度预测方法的流程框图，利用电缆历史记录数据来预测电缆表面温度的方法，包括以下步骤：S1、从电缆监控中心获取电缆多模态特征数据；S2、对原始特征数据先进行离差归一化和编码处理，然后进行数据切分，最后构建训练集和测试集；S3、构建用于电缆表面温度预测的LSTM神经网络模型；S4、输入训练集，采用学习率自适应的Adam优化算法对模型参数θ进行更新，满足训练次数后停止训练；S5、使用测试数据集对LSTM神经网络模型进行性能评估，得到性能最优的LSTM神经网络模型作为最终网络模型进行电缆表面温度预测。

实施例二

参见图2所示，本实施例进一步公开了电缆沟敷设方式下的高压电缆表面温度预测方法中数据预处理流程，首先采集原始电力电缆运行产生的多模态特征数据，其示例数据样本如下表1所示：

表1.示例数据样本

其次对数据进行清洗，主要是判断是否有离群值或者缺失值，如果有离群值，先进行剔除，然后通过插值的方法补充数据，如果有缺失值，可以删除缺失值所在行数据，或者通过插值补充；随后判断数据类型是否为类别型字符串数据，如果是类别型字符串数据，需先将其进行类别型数值编码转换，如果是数值型数据，对其采取离差归一化操作；接着对预处理后的多模态特征数据进行融合操作；然后按照窗口大小和时间步进行数据切分，得到满足LSTM神经网络模型输入的数据格式，并按照8:2的比例划分为训练集和测试集；最后将数据输入至LSTM神经网络模型中，采用学习率自适应的Adam算法对网络模型参数θ进行训练。

实施例三

参见图3所示，本实施例进一步公开了LSTM神经网络模型，由输入层、n层网络层和输出层依次顺序连接组成，其中输入层实现2种不同电缆运行特征数据的处理方法，对于数值型编码数据，在输入层网络中需要添加Embedding嵌入层，经过Embedding嵌入层提取编码特征，融合连续型数值数据后输入给下一级的网络层。网络层由依次顺序连接的LSTM网络层、Dropout层和非线性激活层组成，实现对电缆运行特征的隐含信息提取；LSTM网络层由细胞状态和3种控制门(输入门、输出门和记忆门)组成，通过细胞状态和控制门可以记忆住输入数据与目标输出的内在联系，这也是使用LSTM网络层来做时间序列预测的根本原因；使用Dropout层可以增加模型的泛化能力，同时可以防止过拟合；非线性激活层为整个网络提供了非线性建模功能，充分挖掘时间序列中的隐含信息，本实施例中，非线性激活层采用ReLU激活层，表示如下：

ReLU(z)＝max(0,z)

上式中，z代表输入至ReLU激活层的特征向量。

在整体的LSTM神经网络模型设计中，可以采用n个网络层级联的方式进行构建，n的数量需要根据数据集数量和特点进行调整，例如观察不同数量的网络层下模型性能的响应结果(例如预测结果和真实结果的拟合程度)，进而找出最优的设置。最后是输出层，由依次顺序连接的全连接层和Sigmoid激活层组成，用于输出预测结果，Sigmoid激活函数将结果约束在(0,1)区间范围，在预测输出层阶段对数据处理过程中的离差标准化操作进行反变换操作，得到最终的电缆表面温度预测结果。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种电缆沟敷设方式下的高压电缆表面温度预测方法，其特征在于，所述的高压电缆表面温度预测方法包括以下步骤：

S1、采集电缆运行过程中产生的多模态特征数据作为数据集，其中，多模态特征数据包括自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境、电缆负荷和电缆表面温度的历史运行数据；

S2、对多模态特征数据首先进行离差标准化和数值编码预处理操作，然后对预处理后的数据按照窗口大小和时间步进行切分，最后根据使用用途划分为训练集和测试集；

S3、构建LSTM神经网络模型，并且对LSTM神经网络模型中的模型参数θ进行初始化，其中，所述的LSTM神经网络模型包括依次顺序连接的输入层、n个网络层以及输出层，所述的模型参数包括LSTM神经网络模型中的权重值W和偏置值B；

S4、加载步骤S1中得到的训练集对步骤S3中构建的LSTM神经网络模型进行有监督学习训练，训练过程采用学习率自适应的Adam优化算法进行模型参数更新，当LSTM神经网络模型达到预定训练次数后停止训练，取测试集下性能最优的LSTM神经网络模型作为最终网络模型；

S5、根据步骤S4中最终网络模型对未来电缆表面温度进行预测。

2.根据权利要求1所述的一种电缆沟敷设方式高压电缆的表面温度预测方法，其特征在于，所述的步骤S1中提取电缆运行特征作为数据集的过程如下：

从电缆系统监测平台获取自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境、电缆负荷和电缆表面温度的历史数据，将每一种数据称为一种特征，一种特征下的所有数据构成一个特征向量，总的特征向量X由所有特征向量列向拼接而成，其维度为(N,8)，N代表数据样本数量，8代表上述从电缆系统监测平台获取的8种不同模态的特征，其中，自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、电缆负荷和电缆表面温度为连续型数值数据，并且属于时间序列数据；自然气候环境为类别型字符串数据，包括晴朗、阴天、雨天三种类别。

3.根据权利要求2所述的一种电缆沟敷设方式高压电缆的表面温度预测方法，其特征在于，所述的步骤S2中对多模态特征数据首先进行离差标准化和数值编码预处理操作以及对数据的切分包括：

S2.1、对连续型数值数据按照以下公式进行离差标准化处理：

上式中X^(k)表示第k个原始特征向量，

表示原始特征向量X^(k)的第i个元素，min(·)和max(·)分别代表计算特征向量中的最小和最大值，

为离差标准化后的第i个元素；

S2.2、对自然气候环境这一类别型字符串数据进行编码处理，转换为类别型数值编码数据，过程如下：

S2.2.1、首先构建所有自然气候环境类别的集合S＝{晴朗，阴天，雨天}，并对集合S内的所有元素进行排序；

S2.2.2、假设多模态特征数据中具有N个样本，其中第i个自然气候环境特征的类别值为C，则计算该类别值C在集合S中的索引值，并将索引值重新构建成新的数值特征向量

以此替换原来自然气候环境字符串数据；

S2.3、对数据进行预处理完后，按照窗口大小和时间步对数据进行切分，过程如下：

S2.3.1、对某t时刻下的第k个特征X^(k)，选取窗口大小为w，则将特征X^(k)切分为

由此组成新的LSTM神经网络模型输入样本，对前述所有特征按照此方式进行切分，则得到(X_t,X_t-1,...,X_t-w)，该输入样本对应的目标输出为t+1时刻下的电缆表面温度，记为y_t+1；

S2.3.2、对于下一个输入样本数据，根据时间步s和前述窗口大小w得到：(X_t+s,X_t+s-1,...,X_t+s-w)，其对应的目标输出为t+s+1时刻下的电缆表面温度，记为y_t+s+1；

S2.3.3、将输入数据和目标输出数据对((X_t,X_t-1,...,X_t-w),y_t+1)构成满足LSTM神经网络模型输入要求的新数据集，并且根据数据集的不同任务要求，按照8:2的比例分别划分为训练集和测试集。

4.根据权利要求1所述的一种电缆沟敷设方式高压电缆的表面温度预测方法，其特征在于，所述的步骤S3中构建LSTM神经网络模型以及模型参数初始化的过程如下：

S3.1、构建LSTM神经网络模型的输入层，用于接收和处理训练集数据，对于数值型类别编码数据，需要添加一个Embedding嵌入层提取编码数据的表征信息，Embedding嵌入层的输出和连续性数值数据融合后共同传入至第一级网络层；

S3.2、构建LSTM神经网络模型的n个网络层，单个网络层由依次顺序连接的LSTM网络层、Dropout层和非线性激活层组成，所述的LSTM网络层由输入门、输出门、遗忘门和细胞组成；所述的Dropout层的随机丢弃概率值设置为0.5；所述的非线性激活层采用ReLU激活层，该层的激活函数表示如下：

ReLU(z)＝max(0,z)

上式中，z代表输入至ReLU激活层的特征向量；

S3.3、构建LSTM神经网络模型的输出层，该输出层由全连接层、Sigmoid激活层以及预测输出层依次串行连接组成，所述的全连接层将网络层学习到的特征表示映射到样本空间；所述的Sigmoid激活层，其激活函数为：

上式中，z₁代表输入至Sigmoid激活层的特征向量；

所述的预测输出层将Sigmoid激活层的输出结果进行反变换操作，还原电缆表面温度值，反变换操作计算式为：

上式中X^(k)表示第k个原始特征向量，

表示原始特征向量X^(k)的第i个元素，min(·)和max(·)分别代表计算特征向量中的最小和最大值，

为离差标准化后的第i个元素；

S3.4、将LSTM神经网络模型的损失函数Loss定义为均方误差，表达式如下：

上式中y_i表示第i个真实输出值，

代表第i个预测输出层的输出值，n为输出长度；

S3.5、将LSTM神经网络模型中的模型参数采取Xavier初始化方式，即将所有偏置值B初始化为0，各网络层的权重值W按照下列均匀分布进行初始化：

上式中，num表示前一层网络的数量，U表示均匀分布。

5.根据权利要求1所述的一种电缆沟敷设方式高压电缆的表面温度预测方法，其特征在于，所述的步骤S4中采用自适应学习率的Adam优化算法进行参数更新，参数更新的过程称作训练，过程如下：

S4.1、从训练集中选取m个输入样本{x₁,x₂,...,x_i,...,x_m}，对应的目标输出分别为{y₁,y₂,...,y_i,...,y_m}，计算迭代次数为k时的梯度g_k：

上式中f为步骤S3中构建的LSTM神经网络模型，f(x_i；θ)代表LSTM神经网络模型以θ为模型参数、输入为第i个样本x_i，Loss为损失函数，▽为梯度算子，▽_θ表示对模型参数θ求导；

S4.2、更新迭代次数为k时得到偏一阶矩估计v_k和偏二阶矩估计s_k：

v_k←β₁v_k-1+(1-β₁)g_k

上式中，β₁和β₂为控制Adam优化算法的两个超参数，取值为[0,1)区间，

为Hadamard算子，代表逐元素相乘，v_k-1代表k-1次迭代时的偏一阶矩，s_k-1代表k-1次迭代时的偏二阶矩；

S4.3、修正偏一阶矩估计和偏二阶矩估计：

上式中

是修正后的偏一阶矩估计，

是修正后的偏二阶矩估计；

S4.4、应用梯度更新计算第k次迭代时的模型参数值θ_k，并且更新迭代次数k：

θ_k←θ_k-1-g′_k

k←k+1

上式中，其中η是学习率，∈是用于维持数值稳定性的常数，θ_k-1为第k-1次迭代时的模型参数值，g'_k为第k次迭代时的修正梯度；

S4.5、当训练满足预设的训练次数后停止，利用步骤S2得到的测试集对不同训练次数下的模型进行性能评估，得到最优的电缆表面温度预测模型作为最终网络模型。

Images