CN112668905A - 多参数配电电缆健康状态评估方法、装置、计算机设备和存储介质 - Google Patents
多参数配电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
- CN112668905A CN112668905A CN202011636391.8A CN202011636391A CN112668905A CN 112668905 A CN112668905 A CN 112668905A CN 202011636391 A CN202011636391 A CN 202011636391A CN 112668905 A CN112668905 A CN 112668905A
- Authority
- CN
- China
- Prior art keywords
- cable
- time intervals
- measurement time
- parameters
- parameter
- 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
Images
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本申请请求保护一种多参数电缆健康状态评估方法,其特征在于,包括以下步骤:获取当前时刻,根据当前时刻得到多个测量时间区间;获取不同测量时间区间内的电缆参数,电缆参数为多个;将多个测量时间区间及所述不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果。本方案的多参数电缆健康状态评估方法,实现了使用兼具多种参数及其时效性来评估配电电缆健康状态,有效克服了单一参数和参数采集时间点不同造成的检测不准确的问题,具有检测准确度高、可扩展性强、不依赖于特定的检测手段的优点。
Description
技术领域
本发明涉及配电电缆领域,具体涉及一种多参数配电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
配电电缆广泛分布于工业和生活中,由于配电电缆种类、使用年限和维护情况参差不齐,使得对于配电电缆的健康状态评估尤为重要。
传统的配电电缆的健康状态评估方法是采集多参数进行综合评估,可以准确、高效地进行电缆状态检修和故障预测,但现由于数据采集时间点不同导致评估结果出现偏差,使用各检测技术所得参数进行综合评估时,由于数据采集时间点和频率不同,使得其有效性不同,导致评估结果出现偏差的问题。
因此,如何更准确地对采集到的电缆参数进行综合评估,克服数据时间点不同所带来的评估结果偏差,是本领域的一个技术难题。
发明内容
基于此,有必要针对上述技术问题,提供一种可提高检测准确性的多参数配电电缆健康状态评估的方法。装置、计算机设备和存储介质。
一种多参数电缆健康状态评估方法,包括如下步骤:
获取当前时刻,根据当前时刻得到多个测量时间区间;
获取不同测量时间区间内的电缆参数,电缆参数为多个;
将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果;模糊神经网络模型用于根据测量时间区间内的电缆参数计算不同测量时间区间下对应电缆参数的隶属度,并根据不同测量时间区间下对应电缆参数的隶属度得到电缆健康状态评估结果。
上述多参数配电电缆健康状态评估方法,通过将当前时刻分成不同的时间区间,并获取各时间区间内的各不同电缆参数,将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果。实现了使用兼具多种参数及其时效性来评估配电电缆健康状态,能够有效克服单一参数和参数采集时间点不同造成的检测不准确的问题,具有检测准确度高、可扩展性强、不依赖于特定的检测手段的优点。
在其中一个实施例中,电缆参数包括基于高频电流检测的电缆参数、基于震荡波检测的电缆参数、基于超低频绝缘测试系统检测的缆参数、基于变频串联谐振耐压装置检测的电缆参数和基于绝缘电阻的测试仪检测的电缆参数中的至少两种。
在其中一个实施例中,模糊神经网络模型包括:输入参数层,用于导入多个测量时间区间和不同测量时间区间内的电缆参数;隶属度函数层,用于输出不同测量时间区间内的电缆参数的隶属度;模糊规则激励层,用于输出不同测量时间区间内的电缆参数的模糊规则评语;归一化层,用于输出归一化的模糊规则评语;输出层,用于输出电缆整体的健康状态。
在其中一个实施例中,隶属度函数层输出不同测量时间区间内的电缆参数的隶属度的步骤,包括:根据隶属函数模型计算不同测量时间区间内的电缆参数的隶属度;隶属函数模型为:
其中,“偏小型”、“中间型”、“偏大型”是指某一测量时间区间内对应的某种电缆参数的参数等级,x为某一测量时间区间内对应的某种电缆参数,a,b,c分别为电缆参数x的模糊界限值,f1(x)、f2(x)、f3(x)分别为某一测量时间区间内电缆参数x的隶属度。
在其中一个实施例中,模糊规则激励层包括模糊规则模型,模糊规则模型为:
在其中一个实施例中,将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果之前,还包括步骤:
获取历史电缆参数数据,根据历史电缆参数数据进行模型训练,得到模糊神经网络模型;历史电缆参数包括历史参数数据及其对应的时间区间
在其中一个实施例中,将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果的步骤包括:
将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到健康状态等级,健康状态等级分为正常、低风险、中风险、高风险。
在其中一个实施例中,一种多参数电缆健康状态评估装置,其特征在于,包括:
时间获取模块,获取当前时刻,根据当前时刻得到多个测量时间区间;
参数获取模块,获取不同测量时间区间内的电缆参数,电缆参数为多个;
处理模块,将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果;模糊神经网络模型用于根据测量时间区间内的电缆参数计算不同测量时间区间下对应电缆参数的隶属度,并根据不同测量时间区间下对应电缆参数的隶属度得到电缆健康状态评估结果。
在其中一个实施例中,一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现上述方法的步骤。
在其中一个实施例中,一种计算机可读储存介质,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方法的步骤。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中多参数配电电缆健康状态评估方法的流程示意图;
图2为另一个实施例中多参数配电电缆健康状态评估方法的流程示意图;
图3为又一个实施例中多参数配电电缆健康状态评估方法的流程示意图;
图4为一个实施例中模糊神经网络模型的结构示意图;
图5为一个实施例中多参数配电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。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
如图1所示,一种多参数电缆健康状态评估方法,包括如下步骤:
S200:获取当前时刻,根据当前时刻得到多个测量时间区间。
其中,当前时刻指对当前电缆进行测量的时间点。可结合当前时刻点和预设时长确定电缆测量的时间段,然后将时间段划分为多个时间区间。
S400:获取不同测量时间区间内的电缆参数,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,电缆参数的具体类型并不唯一,在一个实施例中,电缆参数可以包括基于高频电流检测的电缆参数、基于震荡波检测的电缆参数、基于超低频绝缘测试系统检测的缆参数、基于变频串联谐振耐压装置检测的电缆参数和基于绝缘电阻的测试仪检测的电缆参数中的至少两种。在将当前时刻划分为多个时间区间后,对于每一种电缆参数,都需要分别在每个时间区间进行测量,获取其电缆参数数据。
具体的,采用多时间区间、多参数的方式对电缆参数进行测量。在对电缆参数进行测量前,首先将测量时间划分为多个测量时间区间,并针对同一种电缆参数,采集其在每个测量时间区间内的参数。例如,可以将测量时长由当前时刻往前推5个区间,划分为5个时间区间,即:
T={t~t-T0,t-T0~t-2T0,t-2T0~t-3T0,t-3T0~t-4T0,t-4T0~t-5T0),其中T为时间区间集合,t为当前时刻,T0为时间间隔。分别采集每种电缆参数处于这5个时间区间的测量值Xit={xi1,xi2,...xi5},其中i=0,1,…6,表示不同的电缆参数,xit表示某个时间区间的某电缆参数测量值。再例如,可以采用多种方法获取电缆参数:
S600:将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果;模糊神经网络模型用于根据测量时间区间内的电缆参数计算不同测量时间区间下对应电缆参数的隶属度,并根据不同测量时间区间下对应电缆参数的隶属度得到电缆健康状态评估结果。
其中,模糊神经网络模型指模糊理论同神经网络相结合的模型,其汇集了神经网络与模糊理论的优点,集学习、联想、识别、信息处理于一体,可以实现电缆健康状态的智能识别。电缆健康状态评估指对电缆的不同健康状态等级进行评价,包括:正常,低风险,中风险,高风险。隶属度指若对论域(研究的范围)U中的任一元素x,都有一个数A(x)∈[0,1]与之对应,则称A为U上的模糊集,A(x)称为x对A的隶属度。对于电缆参数,首先根据测量时间区间找到对应的隶属函数,然后根据隶属函数计算电缆参数的隶属度。
具体的,在本实施例中,模糊神经网络模型内置了隶属度及模糊规则的算法,在经过大量的历史数据训练后,该模糊规则模型能够快速准确地识别输入时间区间及电缆参数所对应的电缆健康状态。在获取到当前时刻的测量时间区间以及各个时间区间的电缆参数后,将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,可以快速准确获得兼具多种参数及其时效性来评估配电电缆健康状态,并有效克服了判定时单一参数和参数采集时间点不同造成的检测不准确的问题,具有检测准确度高、可扩展性强、不依赖于特定的检测手段的优点。
在一个实施例中,如图2和图3所示,在步骤S600之前,还包括步骤S500。
S500:获取历史电缆参数数据,根据历史电缆参数数据进行模型训练,得到模糊神经网络模型。
其中,历史电缆参数包括历史参数数据及其对应的时间区间,对于一个新建立的模糊规则网络神经模型,需要用大量历史电缆参数进行训练,从而保证该模糊规则网络模型在智能识别电缆健康状态的准确性。
在一个实施例中,模糊神经网络模型可以为T-S(Takagi-Sugeno)模糊神经网络模型,建立基于T-S(Takagi-Sugeno)的模糊神经网络模型的步骤如下:
写出T-S模型的if-then规则:
建立基于T-S模型的模糊神经网络。如图4所示。T-S模型的模糊神经网络具有5层的网络结构,分别为:输入参数层,用于导入多个测量时间区间和不同测量时间区间内的电缆参数;隶属度函数层,用于输出不同测量时间区间内的电缆参数的隶属度;模糊规则激励层,用于输出不同测量时间区间内的电缆参数的模糊规则评语;归一化层,用于输出归一化的模糊规则评语;输出层,用于输出电缆整体的健康状态。图4中的方形节点是需要进行参数训练的节点,而圆形节点是不需要训练的节点。每层的输出具体如下:
第一层为输入参数层,用来导入不同时间区间的电缆输入参数:
其中xmn为不同时间区间的电缆输入参数。m表示m种不同时长区间,n表示n种不同的电缆参数。
第二层为模型的隶属度函数层,其输出μij为参考步骤2中隶属度的计算。μij中的i为电缆参数下标;j=0,1,2,...m,m为模糊规则总数。在一个实施例中,隶属度函数层根据隶属函数模型计算不同测量时间区间内的电缆参数的隶属度。隶属函数模型为:
其中,“偏小型”、“中间型”、“偏大型”是指某一测量时间区间内对应的某种电缆参数的参数等级,x为某一测量时间区间内对应的某种电缆参数,a,b,c分别为电缆参数x的模糊界限值,f1(x)、f2(x)、f3(x)分别为某一测量时间区间内电缆参数x的隶属度。
第三层为模型的模糊规则激励层,其输出为:
其中wj为模糊规则激励层的输出;μij为隶属度函数层的输出;i为电缆参数下标;j=0,1,2,...m,m为模糊规则总数。在一个实施例中,模糊规则激励层包括模糊规则模型,模糊规则模型为:
第四层为模型的归一化层,其输出为:
第五层为输出层:
在一个实施例中,步骤S500包括:
S520:人工建立评估的模糊规则。
由于本实施例中有6中获取电缆参数的方法,设:
其中,X=(x1,x2,...x6)T为该模糊系统的输入参数矩阵,即电缆参数矩阵,将这6种参数中的某种参数大小(高低)分为三个等级,即 为一个模糊集,其中l=1,2,…M,M为规则总数;而G={正常,低风险,中风险,高风险}为评语集,用于评价配电电缆状况的评估结果。将每个时间区间、6种电缆参数、每种参数对应的模糊集合进行全排列,由于每种参数对应的模糊集合元素有3个,因此模糊规则数量为5*36个,将以上所有模糊规则交给专家组评判,评判出某种模糊规则下对应的评语集,即{正常,低风险,中风险,高风险}中的一种。
S540:对电力电缆运行的系统各指标进行隶属度的计算,确定隶属函数。
可以采用以下方法确定电缆健康状态与每一种电缆参数的测量值及测量时长的隶属函数:
S541:给定某种电缆参数xi。
S542:将测量时长由当前时刻往前推5个区间,划分为5个时间区间,即T={t~t-T0,t-T0~t-2T0,...,t-4T0~t-5T0},其中T为时间区间集合,t为当前时刻,T0为时间间隔。
S543:每种电缆参数分别采集处于这5个时间区间的测量值Xit={xi1,xi2,...xi5},其中i=0,1,…6表示不同的电缆参数,xit表示某个时间区间的某电缆参数测量值。
S544:对于某个时间区间,设定该时间区间对应某个电缆参数的隶属函数。为了兼顾计算和处理的便捷,例如,可以采用三角隶属度函数,具体计算公式如下:
其中,“偏小型”、“中间型”、“偏大型”是指某个时间区间内对应某种电缆参数的参数等级;f1(x)、f2(x)、f3(x)分别为上述情况下的隶属度;x是电缆的某个参数值大小;a,b,c为各种状态转化时的参数模糊界限值。参数模糊界限值是根据预防性实验数据、电缆运行规程、电缆运行监测人员或专家的经验确定的组合隶属函数中对应电缆参数的模糊界限。
将其他5种电缆参数采取以上同样的处理方法求解隶属度函数。对于不同的测量时间区间,每个电缆参数对应的隶属度函数也不相同,因此需要5*6=30种隶属度函数,这些隶属度函数对应的状态转化时的模糊界限值同样是由专家的经验确定,或者也可以采用统计的方法得到。通常是时间区间越长,隶属度越低。
在一个实施例中,步骤S600包括:将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到健康状态等级。其中,健康状态等级指对电缆的健康状态进行等级划分,可以分为正常、低风险、中风险、高风险四种。
具体的,通过将多个测量时间区间及不同测量时间区间内的电缆参数输入模糊神经网络模型后,模糊神经网络模型检测配电电缆参数并计算隶属度,并利用训练好的T-S模型的模糊神经网络进行状态评估。根据所建立的多种电缆参数与电缆健康状态之间关系的模糊规则,给出电缆健康的等级评价,即为正常、低风险、中风险、高风险中的一种。
在一个实施例中,如图5所示,提供了一种多参数电缆健康状态评估装置,包括时间获取模块100、参数获取模块200和处理模块300。
时间获取模块100用于获取当前时刻,根据当前时刻得到多个测量时间区间;参数获取模块200,用于获取不同测量时间区间内的电缆参数,电缆参数为多个;处理模块300,用于将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果;模糊神经网络模型用于根据测量时间区间内的电缆参数计算不同测量时间区间下对应电缆参数的隶属度,并根据不同测量时间区间下对应电缆参数的隶属度得到电缆健康状态评估结果。
在一个实施例中,参数获取模块200可以用于录入基于高频电流检测的电缆参数、基于震荡波检测的电缆参数、基于超低频绝缘测试系统检测的缆参数、基于变频串联谐振耐压装置检测的电缆参数和基于绝缘电阻的测试仪检测的电缆参数中的至少两种。
在一个实施例中,模糊神经网络模型可以包括:输入参数层,用于导入多个测量时间区间和不同测量时间区间内的电缆参数;隶属度函数层,用于输出不同测量时间区间内的电缆参数的隶属度;模糊规则激励层,用于输出不同测量时间区间内的电缆参数的模糊规则评语;归一化层,用于输出归一化的模糊规则评语;输出层,用于输出电缆整体的健康状态。模糊神经网络模型用于对输入的各时间区间以及其对应的电缆参数进行智能处理,可以快速准确的得到电缆的健康状态。
在一个实施例中,模糊神经网络模型还包括隶属函数层,隶属度函数层用于输出不同测量时间区间内的电缆参数的隶属度。
隶属函数模型为:
其中,“偏小型”、“中间型”、“偏大型”是指某一测量时间区间内对应的某种电缆参数的参数等级,x为某一测量时间区间内对应的某种电缆参数,a,b,c分别为电缆参数x的模糊界限值,f1(x)、f2(x)、f3(x)分别为某一测量时间区间内电缆参数x的隶属度。
在一个实施例中,处理模块300的模糊神经网络模型的模糊激励层还包括:模糊规则模型,模糊规则模型为:
其中,X=(x1,x2,...xn)T为输入参数矩阵,即不同测量时间区间内的电缆参数矩阵;为某种电缆参数的模糊集,l=1,2,...M,M为规则总数;G={正常,低风险,中风险,高风险}为评语集。模糊规则模型用于建立各不同电缆参数与电缆健康状态之间的模糊规则。
在一个实施例中,多参数电缆健康状态评估装置还包括模型训练模块,模型训练模块用于在处理模块300将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果之前,获取历史电缆参数,历史电缆参数包括历史参数数据及其对应的时间区间,将历史电缆参数及其对应的时间区间带入处理模块300的模糊神经网络模型,对模糊神经网络模型进行训练。
在一个实施例中,处理模块300可以对多个测量时间区间及不同测量时间区间内的电缆参数进行处理,得到电缆的健康状态等级,电缆健康状态等级分为正常、低风险、中风险、高风险。具体的,处理模块300中包括有训练好的模糊神经网络模型,模糊神经网络模型对当前的电缆参数及其对应的时间区间进行处理,等到当前电缆的健康状态。
关于多参数电缆健康状态评估装置的具体限定可以参见上文中对于多参数电缆健康状态评估方法的限定,在此不再赘述。上述多参数电缆健康状态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当前时刻的多个测量时间区间及其对应的测量参数数据。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多参数电缆健康状态评估方法。
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:获取当前时刻,根据当前时刻得到多个测量时间区间;获取不同测量时间区间内的电缆参数,电缆参数为多个;将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果;模糊神经网络模型用于根据测量时间区间内的电缆参数计算不同测量时间区间下对应电缆参数的隶属度,并根据不同测量时间区间下对应电缆参数的隶属度得到电缆健康状态评估结果。
在一个实施例中,电缆参数包括基于高频电流检测的电缆参数、基于震荡波检测的电缆参数、基于超低频绝缘测试系统检测的缆参数、基于变频串联谐振耐压装置检测的电缆参数和基于绝缘电阻的测试仪检测的电缆参数中的至少两种。
在一个实施例中,模糊神经网络模型包括:输入参数层,用于导入多个测量时间区间和不同测量时间区间内的电缆参数;隶属度函数层,用于输出不同测量时间区间内的电缆参数的隶属度;模糊规则激励层,用于输出不同测量时间区间内的电缆参数的模糊规则评语;归一化层,用于输出归一化的模糊规则评语;输出层,用于输出电缆整体的健康状态。
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:获取历史电缆参数数据,根据历史电缆参数数据进行模型训练,得到模糊神经网络模型;历史电缆参数包括历史参数数据及其对应的时间区间。
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:将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到健康状态等级,健康状态等级分为正常、低风险、中风险、高风险。
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,该计算机程序被处理器执行时实现以下步骤:获取当前时刻,根据当前时刻得到多个测量时间区间;获取不同测量时间区间内的电缆参数,电缆参数为多个;将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果;模糊神经网络模型用于根据测量时间区间内的电缆参数计算不同测量时间区间下对应电缆参数的隶属度,并根据不同测量时间区间下对应电缆参数的隶属度得到电缆健康状态评估结果。
在一个实施例中,电缆参数包括基于高频电流检测的电缆参数、基于震荡波检测的电缆参数、基于超低频绝缘测试系统检测的缆参数、基于变频串联谐振耐压装置检测的电缆参数和基于绝缘电阻的测试仪检测的电缆参数中的至少两种。
在一个实施例中,模糊神经网络模型包括:输入参数层,用于导入多个测量时间区间和不同测量时间区间内的电缆参数;隶属度函数层,用于输出不同测量时间区间内的电缆参数的隶属度;模糊规则激励层,用于输出不同测量时间区间内的电缆参数的模糊规则评语;归一化层,用于输出归一化的模糊规则评语;输出层,用于输出电缆整体的健康状态。
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:获取历史电缆参数数据,根据历史电缆参数数据进行模型训练,得到模糊神经网络模型;历史电缆参数包括历史参数数据及其对应的时间区间。
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:将多个测量时间区间及不同测量时间区间内的电缆参数代入模糊神经网络模型,得到健康状态等级,健康状态等级分为正常、低风险、中风险、高风险。
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)
1.一种多参数电缆健康状态评估方法,其特征在于,包括以下步骤:
获取当前时刻,根据所述当前时刻得到多个测量时间区间;
获取不同所述测量时间区间内的电缆参数,所述电缆参数为多个;
将所述多个测量时间区间及所述不同所述测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果;所述模糊神经网络模型用于根据所述测量时间区间内的电缆参数计算不同测量时间区间下对应电缆参数的隶属度,并根据不同测量时间区间下对应电缆参数的隶属度得到电缆健康状态评估结果。
2.根据权利要求1所述的多参数电缆健康状态评估方法,其特征在于,所述电缆参数包括基于高频电流检测的电缆参数、基于震荡波检测的电缆参数、基于超低频绝缘测试系统检测的缆参数、基于变频串联谐振耐压装置检测的电缆参数和基于绝缘电阻的测试仪检测的电缆参数中的至少两种。
3.根据权利要求1所述的多参数电缆健康状态评估方法,其特征在于,所述模糊神经网络模型包括:
输入参数层,用于导入所述多个测量时间区间和所述不同测量时间区间内的电缆参数;
隶属度函数层,用于输出所述不同测量时间区间内的电缆参数的隶属度;
模糊规则激励层,用于输出所述不同测量时间区间内的电缆参数的模糊规则评语;
归一化层,用于输出归一化的所述模糊规则评语;
输出层,用于输出电缆整体的健康状态。
6.根据权利要求1所述的多参数电缆健康状态评估方法,其特征在于,所述将所述多个测量时间区间及所述不同所述测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果之前,还包括步骤:
获取历史电缆参数数据,根据所述历史电缆参数数据进行模型训练,得到模糊神经网络模型;所述历史电缆参数包括历史参数数据及其对应的时间区间。
7.根据权利要求1所述的多参数电缆健康状态评估方法,其特征在于,所述将所述多个测量时间区间及所述不同所述测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果的步骤包括:
将所述多个测量时间区间及所述不同所述测量时间区间内的电缆参数代入模糊神经网络模型,得到健康状态等级,所述健康状态等级分为正常、低风险、中风险、高风险。
8.一种多参数电缆健康状态评估装置,其特征在于,包括:
时间获取模块,用于获取当前时刻,根据所述当前时刻得到多个测量时间区间;
参数获取模块,用于获取不同所述测量时间区间内的电缆参数,所述电缆参数为多个;
处理模块,用于将所述多个测量时间区间及所述不同所述测量时间区间内的电缆参数代入模糊神经网络模型,得到电缆健康状态评估结果;所述模糊神经网络模型用于根据所述测量时间区间内的电缆参数计算不同测量时间区间下对应电缆参数的隶属度,并根据不同测量时间区间下对应电缆参数的隶属度得到电缆健康状态评估结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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。
10.一种计算机可读储存介质,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 |
---|---|---|---|
CN202011636391.8A CN112668905B (zh) | 2020-12-31 | 2020-12-31 | 多参数配电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 |
---|---|---|---|
CN202011636391.8A CN112668905B (zh) | 2020-12-31 | 2020-12-31 | 多参数配电电缆健康状态评估方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668905A true CN112668905A (zh) | 2021-04-16 |
CN112668905B CN112668905B (zh) | 2022-10-25 |
Family
ID=75413624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011636391.8A Active CN112668905B (zh) | 2020-12-31 | 2020-12-31 | 多参数配电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) | CN112668905B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114062866A (zh) * | 2021-11-12 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 一种评估电缆绝缘性能的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868912A (zh) * | 2016-04-06 | 2016-08-17 | 清华大学 | 基于数据融合的电力变压器状态评价方法及装置 |
US20170323403A1 (en) * | 2016-05-06 | 2017-11-09 | General Electric Company | Constrained cash computing system to optimally schedule aircraft repair capacity with closed loop dynamic physical state and asset utilization attainment control |
CN109061516A (zh) * | 2018-10-10 | 2018-12-21 | 哈尔滨理工大学 | 一种基于模糊概率综合评判的电池健康状态评估方法 |
CN109188227A (zh) * | 2018-10-23 | 2019-01-11 | 西安热工研究院有限公司 | 一种双馈型风力发电机绝缘状态评估方法及系统 |
CN109670714A (zh) * | 2018-12-21 | 2019-04-23 | 中国船舶工业系统工程研究院 | 基于隶属度分析的船舶燃气轮机综合状态评估方法 |
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 CN202011636391.8A patent/CN112668905B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868912A (zh) * | 2016-04-06 | 2016-08-17 | 清华大学 | 基于数据融合的电力变压器状态评价方法及装置 |
US20170323403A1 (en) * | 2016-05-06 | 2017-11-09 | General Electric Company | Constrained cash computing system to optimally schedule aircraft repair capacity with closed loop dynamic physical state and asset utilization attainment control |
CN109061516A (zh) * | 2018-10-10 | 2018-12-21 | 哈尔滨理工大学 | 一种基于模糊概率综合评判的电池健康状态评估方法 |
CN109188227A (zh) * | 2018-10-23 | 2019-01-11 | 西安热工研究院有限公司 | 一种双馈型风力发电机绝缘状态评估方法及系统 |
CN109670714A (zh) * | 2018-12-21 | 2019-04-23 | 中国船舶工业系统工程研究院 | 基于隶属度分析的船舶燃气轮机综合状态评估方法 |
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 (1)
Title |
---|
类淑菊等: "基于G1法的飞行疲劳风险模糊综合评判方法研究", 《安全与环境学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114062866A (zh) * | 2021-11-12 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 一种评估电缆绝缘性能的方法及装置 |
CN114062866B (zh) * | 2021-11-12 | 2023-10-20 | 广东电网有限责任公司广州供电局 | 一种评估电缆绝缘性能的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112668905B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
WO2023060672A1 (zh) | 一种基于健康监测数据的桥梁冲刷动力识别方法 | |
CN103136539B (zh) | 接地网腐蚀速率等级预测方法 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
DE102018200887A1 (de) | Diagnosevorrichtung | |
DE102018115155A1 (de) | Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet | |
DE102019125375A1 (de) | Zustandswert für wiederaufladbare Batterien | |
CN112668905B (zh) | 多参数配电电缆健康状态评估方法、装置、计算机设备和存储介质 | |
CN111157911A (zh) | 一种电池包压差过大的预测方法、装置及设备 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
CN113447821B (zh) | 评估电池荷电状态的方法 | |
Yang et al. | Multi-fault diagnosis for battery pack based on adaptive correlation sequence and sparse classification model | |
US20210364566A1 (en) | Method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems | |
CN114186586A (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
CN114186624A (zh) | 基于二维卷积神经网络的损伤识别模型建立方法及设备 | |
DE102018108184A1 (de) | Verfahren und Einrichtung zur Bestimmung des Zustands eines Akkumulators sowie Computerprogramm | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
CN112613191A (zh) | 电缆健康状态评估方法、装置、计算机设备和存储介质 | |
DE102017220928A1 (de) | Vorrichtung und Verfahren zur Diagnose einer Brennstoffzelle und Fahrzeugsystem | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
WO2017206387A1 (zh) | 电池剩余容量的估算方法及系统 | |
CN113466713B (zh) | 一种基于随机森林的锂电池安全度估算方法及装置 | |
CN115659620A (zh) | 基于数据相对重要度的fmeca分析方法及系统 | |
DE102021205879A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren |
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 |