CN113469243A - 一种极端环境下电缆性能的预测方法 - Google Patents

一种极端环境下电缆性能的预测方法 Download PDF

Info

Publication number
CN113469243A
CN113469243A CN202110733264.8A CN202110733264A CN113469243A CN 113469243 A CN113469243 A CN 113469243A CN 202110733264 A CN202110733264 A CN 202110733264A CN 113469243 A CN113469243 A CN 113469243A
Authority
CN
China
Prior art keywords
prediction model
sample subset
cable
trained
performance
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
Application number
CN202110733264.8A
Other languages
English (en)
Inventor
丁阳
邱剑斌
徐鲜泉
鲍海荣
张惠芳
张一川
曹雅素
施明君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yinzhou Electric Branch Of Ningbo Yongneng Electric Power Industry Investment Co ltd
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Yinzhou Electric Branch Of Ningbo Yongneng Electric Power Industry Investment Co ltd
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yinzhou Electric Branch Of Ningbo Yongneng Electric Power Industry Investment Co ltd, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Yinzhou Electric Branch Of Ningbo Yongneng Electric Power Industry Investment Co ltd
Priority to CN202110733264.8A priority Critical patent/CN113469243A/zh
Publication of CN113469243A publication Critical patent/CN113469243A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种极端环境下电缆性能的预测方法，该方法为：收集电缆放置于人工气候室中，不同环境条件下的电缆性能的历史数据，将历史数据作为待训练样本数据；对待训练样本数据进行分类，将待训练的每个样本子集均进行预处理形成对应的训练样本子集，构建基于LSTM的预测模型，对预测模型进行训练，得到训练后的预测模型，将实际的环境条件输入进预测模型中，输出该环境条件下电缆性能的预测值，根据电缆性能预测值来对电缆性能进行评估，该种方法节省人力，避免重复性的人力劳动，提高了工作效率，并且得到的预测值的精度高，对后期的电缆性能评估起到了质的提升。

Description

一种极端环境下电缆性能的预测方法
技术领域
本发明涉及电网设备性能评估技术领域，尤其是涉及一种极端环境下电缆性能的预测方法。
背景技术
随着全球气候变化，极端天气灾害发生日益频繁，所造成的大规模停电事故频发，由此带来巨大的经济损失和政治社会影响。作为直接服务于用户的关键环节，配电网在极端天气情况下的正常运行，对保障人们生产生活、抵御灾害事故、推动社会发展具有重要意义，配电网的灾害应对能力由此受到了广泛的关注。因此涌现出一些对电网设备材料典型极端气候模拟设备的试制及应用。
现有的人工气候室是一种可以模拟光照强度、温度、湿度、风速、降雨、起雾及降雪等气候现象的高精度的冷热恒温设备，该种人工气候室提供了一种理想的人工气候室环境，以满足电缆在极端环境下的性能测试要求。现有技术中，通过人工气候室来一一检测电缆在极端环境下的性能数据，该检测过程需要对每一根电缆在不同环境条件下进行一一检测，重复性极高，强度大，并且需要工作人员实时监控设备，该项工作需要消耗大量人力资源，且容易出现测试不准确的情况，人为干预强，精确度不高。
发明内容
本发明所要解决的技术问题是提供一种节省人力、精确度高，且效率高的极端环境下电缆性能的预测方法。
本发明所采用的技术方案是，一种极端环境下电缆性能的预测方法，该方法包括下列步骤：
(1)、收集电缆放置于人工气候室中，在不同温度、湿度、风速、光照强度、降雨量以及降雪量这些环境条件下的电缆性能的历史数据，将历史数据作为待训练样本数据；
(2)、对待训练样本数据进行分类，将待训练样本数据分为温度样本子集、湿度样本子集、风速样本子集、光照强度样本子集、降雨量样本子集以及降雪量样本子集；
(3)、对待训练的每个样本子集均进行预处理形成对应的训练样本子集；
(4)、构建基于LSTM的预测模型；
(5)、将每个训练样本子集输入进预测模型中，对预测模型进行训练，得到训练后的预测模型；
(6)、将实际的环境条件输入进预测模型中，输出该环境条件下电缆性能的预测值，根据电缆性能预测值来对电缆性能进行评估。
本发明的有益效果是：上述一种极端环境下电缆性能的预测方法，通过建立基于LSTM的预测模型，然后对预测模型进行训练，最终通过将实际的环境条件值输入进预测模型来对电缆性能进行预测，得到其预测值，根据预测值来完成对该环境条件下电缆性能的评估，该种方法节省人力，避免重复性的人力劳动，提高了工作效率，并且得到的预测值的精度高，对后期的电缆性能评估起到了质的提升。
作为优选，对每个样本子集进行预处理为采用均值-标准差归一化处理来对每个样本子集中的历史数据进行处理，均值-标准差归一化处理对应的表达式为：
Figure BDA0003140478310000021
其中，x为输入的历史数据值，μ为所有输入的历史数据值的均值，σ为所有输入的历史数据值的标准差。
作为优选，构建基于LSTM的预测模型的具体方法包括下列步骤：
(4-1)、在Tensorflow Keras平台上构建基于LSTM的预测模型，所述基于LSTM的预测模型包括输入层、隐含层以及输出层；
(4-2)、根据经验公式来求取隐含层的节点数：首先采用经验公式来获得隐含层的节点数的初始值，所述经验公式的表达式为：
Figure BDA0003140478310000022
其中m为输入层的节点数，l为输出层的节点数，α为1～20之间的常数；然后在得到的节点数初始值的基础上做递增或递减，通过选取不同的隐含层的节点数来对网络结构进行仿真；最后选取网络输出误差最小的网络结构作为预测模型；
作为优选，对基于LSTM的预测模型进行训练的具体方法包括下列步骤：
(5-1)、随机初始化网络结构的权重和偏置，确定网络结构在训练过程中的迭代次数N和每次迭代的权重；
(5-2)、将每个训练样本子集输入到网络中进行处理，得到初步输出值，然后将初步输出值再次输入到网络中进行处理，得到下一阶段的输出值，依次循环，通过多重阶段循环来得到最终网络输出值；
(5-3)、将最终网络输出值与实际的电缆性能数据进行作差得到预测误差E，采用沿时间的误差反向传播算法计算出整个网络的累积误差相对于权重的梯度，根据梯度下降调整更新权重来使预测误差达到最小。
附图说明
图1为本发明一种极端环境下电缆性能的评估方法的流程图。
具体实施方式
以下参照附图并结合具体实施方式来进一步描述发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。
人工气候室是一种可以模拟光照强度、温度、湿度、风速、降雨、起雾及降雪等气候现象的高精度的冷热恒温设备，可提供一种理想的人工气候室环境，以满足电缆在极端环境下的性能测试要求。
人工气候室的详细技术要求见下表：
Figure BDA0003140478310000031
说明：
■温度、湿度均匀度在整个房间内有效；
■风速、光照强度、降雨、降雪在测试区域内有效。
本发明涉及一种极端环境下电缆性能的预测方法，如图1所示，该方法包括下列步骤：
(1)、收集电缆放置于人工气候室中，在不同温度、湿度、风速、光照强度、降雨量以及降雪量这些环境条件下的电缆性能的历史数据，将历史数据作为待训练样本数据；
(2)、对待训练样本数据进行分类，将待训练样本数据分为温度样本子集、湿度样本子集、风速样本子集、光照强度样本子集、降雨量样本子集以及降雪量样本子集；
(3)、对每个待训练的样本子集均进行预处理形成对应的训练样本子集；
(4)、构建基于LSTM的预测模型；
(5)、将每个训练样本子集输入进预测模型中，对预测模型进行训练，得到训练后的预测模型；
(6)、将实际的环境条件输入进预测模型中，输出电缆性能的预测值，根据电缆性能预测值来对电缆性能进行评估。
通过建立基于LSTM的预测模型，然后对预测模型进行训练，最终通过将实际的环境条件值输入进预测模型来对电缆性能进行预测，得到其预测值，根据预测值来完成对电缆性能进行评估，该种方法节省人力，避免重复性的人力劳动，提高了工作效率，并且得到的预测值的精度高，对后期的电缆性能评估起到了质的提升。
对每个样本子集进行预处理为采用均值-标准差归一化处理来对每个样本子集中的历史数据进行处理，均值-标准差归一化处理对应的表达式为：
Figure BDA0003140478310000041
其中，x为输入的历史数据值，μ为所有输入的历史数据值的均值，σ为所有输入的历史数据值的标准差。
构建基于LSTM的预测模型的具体方法包括下列步骤：
(4-1)、在Tensorflow Keras平台上构建基于LSTM的预测模型，所述基于LSTM的预测模型包括输入层、隐含层以及输出层；
(4-2)、根据经验公式来求取隐含层的节点数：首先采用经验公式来获得隐含层的节点数的初始值，所述经验公式的表达式为：
Figure BDA0003140478310000042
其中m为输入层的节点数，l为输出层的节点数，α为1～20之间的常数；然后在得到的节点数初始值的基础上做递增或递减，通过选取不同的隐含层的节点数来对网络结构进行仿真；最后选取网络输出误差最小的网络结构作为预测模型；
对基于LSTM的预测模型进行训练的具体方法包括下列步骤：
(5-1)、随机初始化网络结构的权重和偏置，确定网络结构在训练过程中的迭代次数N和每次迭代的权重；
(5-2)、将每个训练样本子集输入到网络中进行处理，得到初步输出值，然后将初步输出值再次输入到网络中进行处理，得到下一阶段的输出值，依次循环，通过多重阶段循环来得到最终网络输出值；
(5-3)、将最终网络输出值与实际的电缆性能数据进行作差得到预测误差E，采用沿时间的误差反向传播算法计算出整个网络的累积误差相对于权重的梯度，根据梯度下降调整更新权重来使预测误差达到最小，其表达式为：
Figure BDA0003140478310000043
其中，预测误差Et＝ot-yt，ot表示网络输出值，yt表示实际的电缆性能值，V表示权重，T表示权重更新次数。

Claims (4)

1.一种极端环境下电缆性能的预测方法，其特征在于：该方法包括下列步骤：
(1)、收集电缆放置于人工气候室中，在不同温度、湿度、风速、光照强度、降雨量以及降雪量这些环境条件下的电缆性能的历史数据，将历史数据作为待训练样本数据；
(2)、对待训练样本数据进行分类，将待训练样本数据分为温度样本子集、湿度样本子集、风速样本子集、光照强度样本子集、降雨量样本子集以及降雪量样本子集；
(3)、对每个待训练的样本子集均进行预处理形成对应的训练样本子集；
(4)、构建基于LSTM的预测模型；
(5)、将每个训练样本子集输入进预测模型中，对预测模型进行训练，得到训练后的预测模型；
(6)、将实际的环境条件输入进预测模型中，输出电缆性能的预测值，根据电缆性能预测值来对电缆性能进行评估。
2.根据权利要求1所述的一种极端环境下电缆性能的预测方法，其特征在于：对每个样本子集进行预处理为采用均值-标准差归一化处理来对每个样本子集中的历史数据进行处理，均值-标准差归一化处理对应的表达式为：
Figure FDA0003140478300000011
其中，x为输入的历史数据值，μ为所有输入的历史数据值的均值，σ为所有输入的历史数据值的标准差。
3.根据权利要求1所述的一种极端环境下电缆性能的预测方法，其特征在于：构建基于LSTM的预测模型的具体方法包括下列步骤：
(4-1)、在Tensorflow Keras平台上构建基于LSTM的预测模型，所述基于LSTM的预测模型包括输入层、隐含层以及输出层；
(4-2)、根据经验公式来求取隐含层的节点数：首先采用经验公式来获得隐含层的节点数的初始值，所述经验公式的表达式为：
Figure FDA0003140478300000012
其中m为输入层的节点数，l为输出层的节点数，α为1～20之间的常数；然后在得到的节点数初始值的基础上做递增或递减，通过选取不同的隐含层的节点数来对网络结构进行仿真；最后选取网络输出误差最小的网络结构作为预测模型。
4.根据权利要求3所述的一种极端环境下电缆性能的预测方法，其特征在于：对基于LSTM的预测模型进行训练的具体方法包括下列步骤：
(5-1)、随机初始化网络结构的权重和偏置，确定网络结构在训练过程中的迭代次数N和每次迭代的权重；
(5-2)、将每个训练样本子集输入到网络中进行处理，得到初步输出值，然后将初步输出值再次输入到网络中进行处理，得到下一阶段的输出值，依次循环，通过多重阶段循环来得到最终网络输出值；
(5-3)、将最终网络输出值与实际的电缆性能数据进行作差得到预测误差E，采用沿时间的误差反向传播算法计算出整个网络的累积误差相对于权重的梯度，根据梯度下降调整更新权重来使预测误差达到最小。
CN202110733264.8A 2021-06-30 2021-06-30 一种极端环境下电缆性能的预测方法 Pending CN113469243A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110733264.8A CN113469243A (zh) 2021-06-30 2021-06-30 一种极端环境下电缆性能的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110733264.8A CN113469243A (zh) 2021-06-30 2021-06-30 一种极端环境下电缆性能的预测方法

Publications (1)

Publication Number Publication Date
CN113469243A true CN113469243A (zh) 2021-10-01

Family

ID=77874197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110733264.8A Pending CN113469243A (zh) 2021-06-30 2021-06-30 一种极端环境下电缆性能的预测方法

Country Status (1)

Country Link
CN (1) CN113469243A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130275A1 (en) * 2017-10-26 2019-05-02 Magic Leap, Inc. Gradient normalization systems and methods for adaptive loss balancing in deep multitask networks
US10510002B1 (en) * 2019-02-14 2019-12-17 Capital One Services, Llc Stochastic gradient boosting for deep neural networks
CN111127825A (zh) * 2019-12-25 2020-05-08 深圳供电局有限公司 环境预测方法和装置、电子设备
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
CN112257967A (zh) * 2020-12-21 2021-01-22 中国电力科学研究院有限公司 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
CN112598151A (zh) * 2020-11-16 2021-04-02 华南理工大学 一种电缆沟敷设方式下的高压电缆表面温度预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130275A1 (en) * 2017-10-26 2019-05-02 Magic Leap, Inc. Gradient normalization systems and methods for adaptive loss balancing in deep multitask networks
US10510002B1 (en) * 2019-02-14 2019-12-17 Capital One Services, Llc Stochastic gradient boosting for deep neural networks
CN111127825A (zh) * 2019-12-25 2020-05-08 深圳供电局有限公司 环境预测方法和装置、电子设备
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
CN112598151A (zh) * 2020-11-16 2021-04-02 华南理工大学 一种电缆沟敷设方式下的高压电缆表面温度预测方法
CN112257967A (zh) * 2020-12-21 2021-01-22 中国电力科学研究院有限公司 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
耿坤;吕枫;: "基于PCA/LSTM的海底观测网电力系统供电海缆故障定位", 海洋技术学报, no. 03, 15 June 2020 (2020-06-15) *

Similar Documents

Publication Publication Date Title
Mba et al. Application of artificial neural network for predicting hourly indoor air temperature and relative humidity in modern building in humid region
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
Silva et al. Statistical models applied to service life prediction of rendered façades
Silva et al. Service life prediction models for exterior stone cladding
CN111178758A (zh) 一种基于bim的混凝土坝监测数据智能化管理与实时评估系统
CN104484715A (zh) 一种基于神经网络和微粒群优化算法的建筑能耗预测方法
KR102067110B1 (ko) 높은 정확도를 가지는 기축 건물의 에너지 데이터 처리장치 및 방법
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
Dias et al. Neural networks applied to service life prediction of exterior painted surfaces
Souza et al. Service life prediction of ceramic tiling systems in Brasília-Brazil using the factor method
Lam et al. A statistical approach to the development of a typical meteorological year for Hong Kong
CN112347537B (zh) 工程结构数值模型的校准方法、装置、电子设备及介质
CN103364703B (zh) Led多应力下可靠性快速评测方法
CN117113852A (zh) 基于电气、化学、结构、振动参量的gis寿命预测方法
CN116050827A (zh) 一种城市地下综合管廊电缆舱火灾风险评估方法
CN117114438A (zh) 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法
CN114048646B (zh) 基于有限元修正与人工智能的沥青面层损伤状态反演方法
CN115310727B (zh) 一种基于迁移学习的建筑冷热电负荷预测方法及系统
CN113469243A (zh) 一种极端环境下电缆性能的预测方法
CN110414047A (zh) 一种用于通信传输设备健康状态评价的方法
CN108647817B (zh) 一种能耗负荷的预测方法及预测系统
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
Kowalski et al. The comparison of linear models for PM10 and PM2. 5 forecasting
CN110110944A (zh) 一种基于修正的小波神经网络预测风电消纳需求量算法
CN112507290B (zh) 配电设备故障概率预判方法、装置及存储介质

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