CN112613191A - 电缆健康状态评估方法、装置、计算机设备和存储介质 - Google Patents
电缆健康状态评估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112613191A CN112613191A CN202011639905.5A CN202011639905A CN112613191A CN 112613191 A CN112613191 A CN 112613191A CN 202011639905 A CN202011639905 A CN 202011639905A CN 112613191 A CN112613191 A CN 112613191A
- Authority
- CN
- China
- Prior art keywords
- cable
- state
- health
- hmm model
- parameters
- 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
- 230000036541 health Effects 0.000 title claims abstract description 101
- 238000011156 evaluation Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 17
- 238000009413 insulation Methods 0.000 claims description 16
- 230000003862 health status Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000003534 oscillatory effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000010998 test method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000003679 aging effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 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
- 230000010355 oscillation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请涉及一种电缆健康状态评估方法、装置、计算机设备和存储介质。方法包括:获取电缆参数,电缆参数为多个;根据多个电缆参数,利用电缆状态评估HMM模型进行计算,确定电缆状态评估HMM模型中每个状态的概率;电缆状态评估HMM模型具有多个状态,且状态与电缆的健康等级一一对应;根据概率最大的状态确定电缆的健康等级。本申请通过将多个电缆参数带入电缆状态评估HMM模型中进行计算,从而得到电缆的健康等级。实现了根据多参数对电缆健康状态进行综合评估,有效保证了测量的准确性,同时通过设置多个健康等级,实现了对电缆健康状态进行分级评估,可以更精细地对电缆的健康状态进行评价。
Description
技术领域
本发明涉及电网电缆领域,具体涉及一种电缆健康状态评估方法,装置、计算机设备和存储介质。
背景技术
在现代城市配网建设中,由于电缆安装在地下,故障率低,维护量小,供电安全可靠,环境美观等特点得到大力推广和应用。如何准确掌握配电电缆的健康状态,避免因电缆本身质量问题导致的突发性事故的发生,变得尤为重要。
目前在配电网络中,中低压配电网设备数量庞大,分布范围广,配网设备种类、服务年限和维护状况参差不齐,为保证电缆的健康运行,运行部门引用了大量试验方法和装置用于了解电缆的状态,例如振荡波局部放电、高频电流局部放电等。
目前对电缆健康状态的评估通常采用经验的方法,由专家根据一种或多种试验结果及相应的经验阈值给出电缆的健康状态,评估结果通常是健康或故障的简单二元判决,对电缆健康状态评估的准确性和精细性上仍有较大的不足。
因此,如何对电缆健康状态进行综合评估,是本领域的技术难题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现多参数对电缆健康状态进行评估的方法、装置、计算机设备和存储介质。
一种电缆健康状态评估方法,包括步骤:
获取电缆参数,电缆参数为多个;
根据多个电缆参数,利用电缆状态评估HMM模型进行计算,确定电缆状态评估HMM模型中每个状态的概率;电缆状态评估HMM模型具有多个状态,且状态与电缆的健康等级一一对应;
根据概率最大的状态确定电缆的健康等级。
上述电缆将康状态评估方法,通过获取多个电缆参数,并将多个电缆参数带入电缆状态评估HMM模型中进行计算,从而获取电缆的健康等级。实现了根据多参数对电缆健康状态进行综合评估,有效保证了测量的准确性,同时通过设置多个健康等级,实现了对电缆健康状态进行分级评估,可以更精细地对电缆的健康状态进行评价。
在其中一个实施例中,在将多个电缆参数带入电缆状态评估HMM模型,得到电缆健康等级之前,还包括步骤:
建立与多个电缆健康等级相对应的HMM模型;
获取与各个电缆健康等级相对应的历史电缆参数,并根据历史电缆参数训练HMM模型,获得电缆状态评估HMM模型。
建立具有多个状态的HMM模型,且HMM模型的状态与电缆的健康等级一一对应;
获取各个健康等级的电缆所对应的历史电缆参数,并根据历史电缆参数训练HMM模型,获得电缆状态评估HMM模型。
在其中一个实施例中,与多个电缆健康状态相对应的HMM模型为:
其中,Ck为HMM模型中第k个状态,S为数据流数目,γs为第s个数据流的权重,os为第s个数据流的观察矢量,Mks是第k各状态中第s个数据流的混合高斯密度函数个数,wksm为第k个状态、第s个数据流中第m个高斯分量的权重,为均值uksm、协方差矩阵为的多维高斯密度函数,即:
在其中一个实施例中,获取与各个电缆健康等级相对应的历史电缆参数,并根据历史电缆参数训练HMM模型,获得电缆状态评估HMM模型的步骤包括:
根据历史电缆参数建立训练集;
根据训练集对HMM模型进行训练,获得电缆状态评估HMM模型。
在其中一个实施例中,电缆参数包括当前电缆参数和历史电缆参数。
在其中一个实施例中,当前电缆参数和历史电缆参数均包括:
利用高频电流局部放电云检测仪检测的最佳放电量、利用振荡波局部放电云检测系统检测的当前最佳局部放电量、利用超低频绝缘测试系统检测的最佳绝缘水平、利用工频耐压试验装置检测的最佳绝缘水平、利用变频串联谐振耐压装置检测的最佳绝缘水平以及利用绝缘电阻测试仪检测的最佳电阻值。
在其中一个实施例中,电缆的健康等级包括:优秀等级、良好等级、中等等级和故障等级。
一种电缆健康状态评估装置,包括:
参数获取模块,用于获取电缆参数,电缆参数为多个;
处理模块,用于根据多个电缆参数,利用电缆状态评估HMM模型进行计算,确定电缆状态评估HMM模型中每个状态的概率;并根据概率最大的状态确定电缆的健康等级;电缆状态评估HMM模型具有多个状态,且状态与电缆的健康等级一一对应。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,其特征在于,处理器执行计算机程序时实现上述电缆健康状态评估方法中任一项的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,计算机程序被处理器执行时实现上述电缆健康状态评估方法中任一项的方法的步骤。
附图说明
图1为一个实施例中电缆健康状态评估方法的流程示意图;
图2为另一个实施例中电缆健康状态评估方法的流程示意图;
图3为又一个实施例中电缆健康状态评估方法的流程示意图;
图4为一个实施例中电缆健康状态转移模型示意图;
图5为一个实施例中电缆健康状态评估装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
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。
如图1所示,一种电缆健康状态评估方法,包括如下步骤:
S200:获取电缆参数,电缆参数为多个。
其中,电缆参数指利用不同的检测技术对电缆进行检测时得到的参数,该电缆参数为多种。在一个实施例中,电缆参数可以包括:利用高频电流局部放电云检测仪检测的最佳放电量、利用振荡波局部放电云检测系统检测的当前最佳局部放电量、利用超低频绝缘测试系统检测的最佳绝缘水平、利用工频耐压试验装置检测的最佳绝缘水平、利用变频串联谐振耐压装置检测的最佳绝缘水平、利用绝缘电阻测试仪检测的最佳电阻值等。
S400:根据多个电缆参数,利用电缆状态评估HMM模型进行计算,确定电缆状态评估HMM模型中每个状态的概率;
其中,HMM(Hidden Markov Model)模型即隐马尔可夫模型,是一种数学统计模型,用来描述一个含有隐含位置参数的马尔科夫过程,进而从可观察的参数中确定该过程的隐含参数,并利用这些参数来作进一步的分析。本申请中的电缆状态评估HMM模型,是在HMM模型的基础上,建立多个电缆参数与电缆健康状态之间关系,并对电缆健康状态做出判断评价的模型,该电缆状态评估HMM模型具有多个状态,且每个状态与电缆的健康等级一一对应。在输入的的电缆参数不同时,可以通过电缆状态评估HMM模型计算得出的每个状态的不同概率。
S600:根据概率最大的状态确定电缆的健康等级。
其中,可以根据电缆健康状态的好坏对各不同电缆健康状态进行等级区分,从而得到电缆的健康等级。
在一个实施例中,电缆的健康等级可以包括:优秀等级、良好等级、中等等级和故障等级。电缆状态评估HMM模型具有第一状态、第二状态、第三状态和第四状态,且第一状态与优秀等级对应,第二状态与良好等级对应,第三状态与中等等级对应,第四状态与故障等级对应;其中,第一状态可以转换至第一状态、第二状态、第三状态或第四状态;第二状态可以转换至第二状态、第三状态或第四状态;第三状态可以转换至第三状态或第四状态;第四状态可以转换至第四状态。
具体的,在上述实施例中,采取多参数综合评估的方法对电缆的健康状态进行评价,首先,利用不同的检测手段获取待测电缆参数,例如,可以通过高频电流局部放电云检测仪检测最佳放电量、通过振荡波局部放电云检测系统检测当前最佳局部放电量等。将获取到的电缆参数带入电缆状态评估HMM模型后,电缆状态评估HMM模型经过计算处理后会在模型内产生多个状态,且每个状态的概率不一样,在对所有参数进行计算完毕后,则会产生一个概率最大的状态,由于电缆状态评估HMM模型的每一个状态与电缆的健康等级一一对应,该概率最大的状态输出后,通过对应关系便可得到当前电缆对应的健康等级。
在其中一个实施例中,如图3所示,在将多个电缆参数带入电缆状态评估HMM模型,得到电缆健康等级之前,还包括步骤:
S100:建立具有多个状态的HMM模型,且HMM模型的状态与电缆的健康等级一一对应;
S120:获取各个健康等级的电缆所对应的历史电缆参数,并根据历史电缆参数训练HMM模型,获得电缆状态评估HMM模型。
由于该HMM模型的状态与电缆的健康等级一一对应,该HMM模型的多个状态也分成了不同的等级,其中,高健康等级对应的状态可以转移至自身或任意低健康等级的状态,而健康等级低的状态不能转移至健康等级高的状态,每个状态的观察矢量包含多个数据流,分别对应不同种类的电缆参数。在一个实施例中,可以建立与多个电缆健康状态相对应的HMM模型为:
其中,Ck为HMM模型中第k个状态,S为数据流数目,γs为第s个数据流的权重,os为第s个数据流的观察矢量,Mks是第k个状态中第s个数据流的混合高斯密度函数个数,wksm为第k个状态、第s个数据流中第m个高斯分量的权重,为均值uksm、协方差矩阵为的多维高斯密度函数,即:
具体的,在上述实施例中,可以以四个电缆健康等级为例,建立一个具有4个状态的HMM模型,其中状态1、2、3、4分别对应于优秀等级、良好等级、中等等级和故障等级4个健康状态等级。
如图4所示,四种状态中,状态1的等级最高,可以转移至自身,也可以跳转至状态2、3、4;状态2可以转移至自身,也可以跳转至状态3、4;状态3可以转移至自身,也可以跳转至状态4;状态4只能转移至自身。HMM模型中的每个数据流分别对应于一种电缆参数,例如,数据流1中,观察矢量o1对应于利用高频电流局部放电云检测仪检测的最佳放电量。将大量历史各电缆参数数据及其对应的电缆健康状态等级带入具有4中状态的HMM模型中进行训练,提高该HMM模型的准确性后,便可得到具有4种状态的电缆状态评估HMM模型。
在一个实施例中,获取各个健康等级的电缆所对应的历史电缆参数,并根据历史电缆参数训练HMM模型,获得电缆状态评估HMM模型的步骤包括:
S121:根据历史电缆参数建立训练集;
S122:根据训练集对HMM模型进行训练,获得电缆状态评估HMM模型。
其中,训练集由电缆参数及其对应的电缆健康等级组成。
具体的,在上述实施例中,对应于每种健康等级的电缆,采集不同试验方法的检测结果,建立训练集,例如,可以选择4中不同等级的电缆,并采用6中不同试验方法,分别对每一种等级的电缆进行检测,获取各不同等级电缆的历史电缆参数,将所有采集的历史电缆参数与其健康等级相对应,建立一个4*6的训练集。将训练集的数据代入新建的HMM模型中进行训练,采用期望最大化算法(ExpectationMaximum,EM)算法对HMM模型进行训练,得到HMM模型中的每个参数值,经过大量训练集的数据对HMM模型进行训练后,可不断对HMM模型进行强化训练,提高模型输出结果的准确性。从而获得准确性极高的电缆状态评估HMM模型。
在其中一个实施例中,电缆参数包括当前电缆参数和历史电缆参数。
其中,当前电缆参数和历史电缆参数都是对同一根电缆在不同时间下所测试采集的参数。具体的,本实施例的电缆健康评估方法,在对当前电缆的健康状态进行评价,获取其健康等级时,不仅需要当前的电缆参数数据,还需要历史电缆参数数据,由于电缆的自然老化性质,采用历史电缆参数来对计算进行补充,可以极大的提高电缆状态评估HMM模型的准确性。更具体的,给定待检测电缆当前和过去的N各检测参数O=o1,o2,...oN,令X=x1,x2,...,xN表示第1次至第N次试验时电缆所处的状态序列,计算
其中,为HMM从状态xt-1xt转移至xt时的状态转移概率,x0固定为最高健康等级对应的状态。对于N组过去和当前检测的数据,第N次为当前电缆参数,第1~N-1为历史电缆参数,则Xopt中的最后一个状态,即xN为当前电缆所处状态的计算评估结果。
在一个实施例中,当过去或当前的某种电缆参数结果缺失时,在计算观察矢量输出概率时,将上述缺失的某种电缆参数对应的数据流权重设置为0。可以理解,当某一种电缆参数缺失时,可以不计入该种电缆参数作为电缆健康状态评估的因数。例如,在上述获取电缆参数的6中方法中,当利用绝缘电阻测试仪检测的最佳电阻值的数据缺失时,可以不计入该电缆参数来评估电缆的健康状态等级,选择只采用其他五种电缆参数作为数据流方式输入至电缆状态评估HMM模型进行计算。
应该理解的是,虽然图1-3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1-3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,如图5所示,提供了一种电缆健康状态评估装置,包括:参数获取模块100和处理模块200。其中,参数获取模块100用于获取电缆参数,电缆参数为多个。处理模块200用于根据多个电缆参数,利用电缆状态评估HMM模型进行计算,确定电缆状态评估HMM模型中每个状态的概率,并根据概率最大的状态确定电缆的健康等级;其中,电缆状态评估HMM模型具有多个状态,且状态与电缆的健康等级一一对应。
关于上述电缆健康状态评估装置的具体限定可以参见上文中对于电缆健康状态评估方法的限定,在此不再赘述。上述电缆健康评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储多个当前电缆参数和历史电缆参数数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电缆健康状态评估方法。
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6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。
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:
获取电缆参数,电缆参数为多个。根据多个电缆参数,利用电缆状态评估HMM模型进行计算,确定电缆状态评估HMM模型中每个状态的概率;电缆状态评估HMM模型具有多个状态,且状态与电缆的健康等级一一对应。根据概率最大的状态确定电缆的健康等级。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:建立具有多个状态的HMM模型,且HMM模型的状态与电缆的健康等级一一对应;获取各个健康等级的电缆所对应的历史电缆参数,并根据历史电缆参数训练HMM模型,获得电缆状态评估HMM模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据历史电缆参数建立训练集;根据训练集对HMM模型进行训练,获得电缆状态评估HMM模型。
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:
获取电缆参数,电缆参数为多个。根据多个电缆参数,利用电缆状态评估HMM模型进行计算,确定电缆状态评估HMM模型中每个状态的概率;电缆状态评估HMM模型具有多个状态,且状态与电缆的健康等级一一对应。根据概率最大的状态确定电缆的健康等级。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:建立具有多个状态的HMM模型,且HMM模型的状态与电缆的健康等级一一对应;获取各个健康等级的电缆所对应的历史电缆参数,并根据历史电缆参数训练HMM模型,获得电缆状态评估HMM模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据历史电缆参数建立训练集;根据训练集对HMM模型进行训练,获得电缆状态评估HMM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。
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)
1.一种电缆健康状态评估方法,其特征在于,包括步骤:
获取电缆参数,所述电缆参数为多个;
根据多个所述电缆参数,利用电缆状态评估HMM模型进行计算,确定所述电缆状态评估HMM模型中每个状态的概率;所述电缆状态评估HMM模型具有多个状态,且所述状态与电缆的健康等级一一对应;
根据概率最大的所述状态确定所述电缆的健康等级。
2.根据权利要求1所述的电缆健康状态评估方法,其特征在于,在将多个所述电缆参数带入电缆状态评估HMM模型,得到电缆健康等级之前,还包括步骤:
建立具有多个状态的HMM模型,且所述HMM模型的状态与电缆的健康等级一一对应;
获取各个健康等级的电缆所对应的历史电缆参数,并根据所述历史电缆参数训练所述HMM模型,获得所述电缆状态评估HMM模型。
4.根据权利要求2所述的电缆健康状态评估方法,其特征在于,所述获取各个健康等级的电缆所对应的历史电缆参数,并根据所述历史电缆参数训练所述HMM模型,获得所述电缆状态评估HMM模型的步骤包括:
根据所述历史电缆参数建立训练集;
根据所述训练集对所述HMM模型进行训练,获得所述电缆状态评估HMM模型。
5.根据权利要求1所述的电缆健康状态评估方法,其特征在于,所述电缆参数包括当前电缆参数和历史电缆参数。
6.根据权利要求5所述的电缆健康状态评估方法,其特征在于,所述当前电缆参数和所述历史电缆参数均包括:
利用高频电流局部放电云检测仪检测的最佳放电量、利用振荡波局部放电云检测系统检测的当前最佳局部放电量、利用超低频绝缘测试系统检测的最佳绝缘水平、利用工频耐压试验装置检测的最佳绝缘水平、利用变频串联谐振耐压装置检测的最佳绝缘水平以及利用绝缘电阻测试仪检测的最佳电阻值。
7.根据权利要求1所述的电缆健康状态评估方法,其特征在于,所述电缆的健康等级包括优秀等级、良好等级、中等等级和故障等级,所述电缆状态评估HMM模型具有第一状态、第二状态、第三状态和第四状态,且第一状态与优秀等级对应,第二状态与良好等级对应,第三状态与中等等级对应,第四状态与故障等级对应;
其中,
第一状态可以转换至第一状态、第二状态、第三状态或第四状态;
第二状态可以转换至第二状态、第三状态或第四状态;
第三状态可以转换至第三状态或第四状态;
第四状态可以转换至第四状态。
8.一种电缆健康状态评估装置,其特征在于,所述装置包括:
参数获取模块,用于获取电缆参数,所述电缆参数为多个;
处理模块,用于根据多个所述电缆参数,利用电缆状态评估HMM模型进行计算,确定所述电缆状态评估HMM模型中每个状态的概率;并根据概率最大的所述状态确定所述电缆的健康等级;所述电缆状态评估HMM模型具有多个状态,且所述状态与电缆的健康等级一一对应。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639905.5A CN112613191A (zh) | 2020-12-31 | 2020-12-31 | 电缆健康状态评估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639905.5A CN112613191A (zh) | 2020-12-31 | 2020-12-31 | 电缆健康状态评估方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613191A true CN112613191A (zh) | 2021-04-06 |
Family
ID=75253162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011639905.5A Pending CN112613191A (zh) | 2020-12-31 | 2020-12-31 | 电缆健康状态评估方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613191A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239870A (zh) * | 2021-11-10 | 2022-03-25 | 深圳供电局有限公司 | 健康状态检测方法、系统及存储介质 |
CN115184193A (zh) * | 2022-09-06 | 2022-10-14 | 深圳永贵技术有限公司 | 线缆的自动化测试方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10302101A1 (de) * | 2003-01-21 | 2004-08-05 | Infineon Technologies Ag | Verfahren und Vorrichtung zum Trainieren eines Hidden Markov Modells, Computerprogramm-Element und Computerlesbares Speichermedium |
CN109142969A (zh) * | 2018-07-20 | 2019-01-04 | 西南交通大学 | 一种基于连续隐马尔可夫模型的输电线路故障选相方法 |
CN110309872A (zh) * | 2019-06-27 | 2019-10-08 | 国网湖南省电力有限公司 | 基于多参数的配电电缆健康状态评估方法、系统及介质 |
-
2020
- 2020-12-31 CN CN202011639905.5A patent/CN112613191A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10302101A1 (de) * | 2003-01-21 | 2004-08-05 | Infineon Technologies Ag | Verfahren und Vorrichtung zum Trainieren eines Hidden Markov Modells, Computerprogramm-Element und Computerlesbares Speichermedium |
CN109142969A (zh) * | 2018-07-20 | 2019-01-04 | 西南交通大学 | 一种基于连续隐马尔可夫模型的输电线路故障选相方法 |
CN110309872A (zh) * | 2019-06-27 | 2019-10-08 | 国网湖南省电力有限公司 | 基于多参数的配电电缆健康状态评估方法、系统及介质 |
Non-Patent Citations (6)
Title |
---|
严英杰;盛戈;陈玉峰;江秀臣;郭志红;杜修明;: "基于大数据分析的输变电设备状态数据异常检测方法", 中国电机工程学报, no. 01, pages 52 - 59 * |
刘国海;江兴科;梅丛立;: "基于连续隐Markov模型的发酵过程关键状态变量软测量", 江苏大学学报(自然科学版), no. 04, pages 428 - 432 * |
唐飞;王波;查晓明;马志昊;邵雅宁;: "基于双阶段并行隐马尔科夫模型的电力系统暂态稳定评估", 中国电机工程学报, no. 10, pages 90 - 97 * |
朱启家;张伟;陈春燕;: "高斯混合密度降解模型在数据流聚类中的应用", 江南大学学报(自然科学版), no. 06, pages 891 - 894 * |
葛夕武;朱超;马骏毅;刘强;梁晟杰;吴国梁;: "基于耦合隐马尔可夫模型的输电线路状态评估", 计算机技术与发展, vol. 27, no. 04, pages 164 - 169 * |
邵强;冯长建;管丽娜;邵诚;: "混合密度连续HMM在旋转机械启动过程故障诊断中的应用", 机械科学与技术, no. 11, pages 1439 - 1443 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239870A (zh) * | 2021-11-10 | 2022-03-25 | 深圳供电局有限公司 | 健康状态检测方法、系统及存储介质 |
CN115184193A (zh) * | 2022-09-06 | 2022-10-14 | 深圳永贵技术有限公司 | 线缆的自动化测试方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
US7107187B1 (en) | Method for modeling system performance | |
CN112613191A (zh) | 电缆健康状态评估方法、装置、计算机设备和存储介质 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN107220500B (zh) | 基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法 | |
CN111290967A (zh) | 一种软件缺陷预测方法、装置、设备及存储介质 | |
CN112507605A (zh) | 基于AnoGAN的配电网异常检测方法 | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
Wei et al. | Remaining useful life estimation based on gamma process considered with measurement error | |
US11693041B2 (en) | Method for monitoring the electric insulation status of a piece of equipment for MV or HV electric systems | |
CN114252748A (zh) | 一种电缆中间接头绝缘状态评估方法、系统及装置 | |
CN112529209A (zh) | 模型训练方法、装置以及计算机可读存储介质 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
US20220269904A1 (en) | Network status classification | |
CN116011345A (zh) | 绝缘子信息预测模型生成方法、装置、设备及介质 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN110895624A (zh) | 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法 | |
CN114236332A (zh) | 一种电力电缆绝缘状态判断方法及系统 | |
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 | |
RU2345492C2 (ru) | Способ диагностирования средств связи телекоммуникационных систем | |
Kloubert | Fast point estimate method for correlated multimodally distributed input variables | |
CN110928269A (zh) | 一种基于惯导平台的退化加速试验优化设计方法及系统 | |
CN114036450B (zh) | 电子信息装备测试性指标快速考核的方法及存储介质 |
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 |