CN115495985A - 电缆寿命预测方法、装置、和非易失性存储介质 - Google Patents

电缆寿命预测方法、装置、和非易失性存储介质 Download PDF

Info

Publication number
CN115495985A
CN115495985A CN202211167378.1A CN202211167378A CN115495985A CN 115495985 A CN115495985 A CN 115495985A CN 202211167378 A CN202211167378 A CN 202211167378A CN 115495985 A CN115495985 A CN 115495985A
Authority
CN
China
Prior art keywords
cable
aging time
experimental
model
target cable
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
CN202211167378.1A
Other languages
English (en)
Inventor
赵洋
郭甜
周弋
郭大鹏
刘青
尚英强
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.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing 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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211167378.1A priority Critical patent/CN115495985A/zh
Publication of CN115495985A publication Critical patent/CN115495985A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种电缆寿命预测方法、装置、和非易失性存储介质。其中，该方法包括：测量目标电缆的局部放电信号；将局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，其中，老化时间用于表征目标电缆当前的老化程度，老化时间预测模型包括卷积神经网络；获取目标电缆的第一使用寿命；根据第一使用寿命和老化时间，计算目标电缆的剩余寿命。本发明解决了由于现有技术中预测电缆的剩余寿命所用的参数不能直接表征电缆的使用状态造成的预测结果不准确的技术问题。

Description

电缆寿命预测方法、装置、和非易失性存储介质
技术领域
本发明涉及电缆寿命预测技术领域，具体而言，涉及一种电缆寿命预测方法、装置、和非易失性存储介质。
背景技术
为了维护电力系统的安全稳定运行，有必要对运行中的电力设备进行寿命预测。电力设备的寿命预测，主要受限于绝缘寿命，而局部放电能够在一定程度上反映出高压电力设备的绝缘劣化水平，不同老化时期的局部放电具有不同的特征，这对电力设备的寿命预测具有参考价值。
考虑到绝缘劣化发生时，不一定会发生局部放电，而一定会伴随着空间电荷分布的变化，因此，空间电荷分布原则上会包含更多的信息。但是空间电荷测量方法难以做到在线测量，而局部放电在线测量方法在线测量已经相对成熟。因此，在进行绝缘寿命预测时，可以通过测量局部放电，整合空间电荷包含的更多的状态信息，进而进行绝缘寿命预测。
现有技术是根据物理公式，测量电缆所处的环境参数，建立寿命预测模型，根据电缆所处的环境参数，得到最终输出电缆的剩余寿命。但是电缆所处的环境参数并不能直接表示电缆的使用状态，会造成预测的剩余寿命结果不准确。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电缆寿命预测方法、装置、和非易失性存储介质，以至少解决由于现有技术中预测电缆的剩余寿命所用的参数不能直接表征电缆的使用状态造成的预测结果不准确的技术问题。
根据本发明实施例的一个方面，提供了一种电缆寿命预测方法，包括：测量目标电缆的局部放电信号；将局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，其中，老化时间用于表征目标电缆当前的老化程度，老化时间预测模型包括卷积神经网络；获取目标电缆的第一使用寿命；根据第一使用寿命和老化时间，计算目标电缆的剩余寿命。
可选地，将根据局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，包括：将局部放电信号输入老化时间预测模型中的第一模型，第一模型输出目标电缆的空间电荷分布数据，其中，第一模型为预先训练的卷积神经网络模型；根据预先建立的第二模型，确定目标电缆的空间电荷分布数据对应的老化时间，其中，第二模型用于根据空间电荷分布数据与老化时间的对应关系预测老化时间。
可选地，确定目标电缆的空间电荷分布数据对应的老化时间之前，还包括：获取表示多条实验电缆各自的空间电荷分布的多组实验数据，以及获取多条实验电缆的多个老化时间，其中，实验电缆与目标电缆型号相同；根据多组实验数据和多条实验电缆的多个老化时间，建立第二模型。
可选地，根据多组实验数据和多条实验电缆的多个老化时间，建立第二模型，包括：根据多组实验数据和多条实验电缆的多个老化时间，构建训练样本集，其中，训练样本集中的每个样本包括多组实验数据中的一组实验数据和这组实验数据表征的实验电缆的老化时间；采用训练样本集训练卷积神经网络，得到第二模型，使得第二模型用于根据输入的电缆空间电荷分布数据预测出与电缆空间电荷分布数据对应的电缆的老化时间。
可选地，根据预先建立的第二模型，确定空间电荷分布数据对应的目标电缆的老化时间，包括：将空间电荷分布数据输入第二模型，由第二模型输出目标电缆的老化时间。
可选地，获取目标电缆的第一使用寿命，包括：获取多条实验电缆的第二使用寿命和激活能，其中，第二使用寿命为实验电缆在实验温度下的使用寿命，且实验电缆与目标电缆型号相同，所以激活能相同；获取目标电缆所处环境的环境温度；根据第二使用寿命、激活能、实验温度和环境温度，确定第一使用寿命。
可选地，获取在实验时测得实验电缆的实验温度下的第二使用寿命和激活能之前，还包括：在多条实验电缆分别处于多个测试温度，且分别在多条实验电缆两侧施加相同电压的情况下，测量多条实验电缆由初始状态至发生绝缘击穿所需的多个击穿时间；根据多个测试温度和多个击穿时间，确定多条实验电缆的激活能。
根据本发明实施例的另一方面，还提供了一种电缆寿命预测装置，包括：测量模块，用于测量目标电缆的局部放电信号；第一预测模块，用于将局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，其中，老化时间用于表征目标电缆当前的老化程度，老化时间预测模型包括卷积神经网络；获取模块，用于获取目标电缆的第一使用寿命；第二预测模块，用于根据第一使用寿命和老化时间，计算目标电缆的剩余寿命。
根据本发明实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项电缆寿命预测方法。
根据本发明实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项电缆寿命预测方法。
在本发明实施例中，通过测量目标电缆的局部放电信号；将局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，其中，老化时间用于表征目标电缆当前的老化程度，老化时间预测模型包括卷积神经网络；获取目标电缆的第一使用寿命；根据第一使用寿命和老化时间，计算目标电缆的剩余寿命，达到了根据直接表征电缆使用状态的局部放电信号预测电缆剩余寿命的目的，从而实现了提高电缆剩余寿命预测的准确度的技术效果，进而解决了由于现有技术中预测电缆的剩余寿命所用的参数不能直接表征电缆的使用状态造成的预测结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现电缆寿命预测方法的计算机终端的硬件结构框图；
图2是根据本发明实施例提供的电缆寿命预测方法的流程示意图；
图3是根据本发明可选实施例提供的局部放电信号的示意图；
图4是根据本发明实施例提供的电缆寿命预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：
卷积神经网络(Convolutional Neural Networks，简称CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。
根据本发明实施例，提供了一种电缆寿命预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现电缆寿命预测方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的电缆寿命预测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的电缆寿命预测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10的用户界面进行交互。
图2是根据本发明实施例提供的电缆寿命预测方法的流程示意图，如图2所示，该方法包括如下步骤：
步骤S202，测量目标电缆的局部放电信号。
本步骤中，目标电缆是需要使用本发明提供的电缆寿命预测方法预测其寿命的电缆，预测目标电缆的剩余寿命，首先要测出目标电缆的局部放电信号，局部放电能够反映出高压电力设备的绝缘劣化水平，即能反应目标电缆的绝缘劣化水平，并且不同老化时期的电缆的局部放电信号具有不同的特征，这对电缆的寿命预测具有参考价值。而且电缆局部放电信号的在线测量方法已经相对成熟，所以通过测量目标电缆的局部放电信号预测目标电缆的剩余寿命是一种较为精准且较为方便的方案。
步骤S204，将局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，其中，老化时间用于表征目标电缆当前的老化程度，老化时间预测模型包括卷积神经网络。
本步骤中，将采集到的目标电缆的局部放电信号输入预先训练的老化时间预测模型，老化时间预测模型将输出目标电缆的局部放电信号对应的老化时间，其中，老化时间表征了目标电缆当前的老化程度，老化时间也可以说是目标电缆的已用寿命，而不是目标电缆可以正常使用的总的时间，即使用寿命，也不是目标电缆还可以继续使用的时间，即剩余寿命。老化时间预测模型是预先训练好的模型，老化时间预测模型中用到了卷积神经网络模型。
步骤S206，获取目标电缆的第一使用寿命。
本步骤中，目标电缆的第一使用寿命，为目标电缆在当前环境下总共可以正常使用的时间。
步骤S208，根据第一使用寿命和老化时间，计算目标电缆的剩余寿命。
本步骤中，将目标电缆的第一使用寿命减去目标电缆老化时间，可以计算得到目标电缆的剩余寿命。
通过上述步骤，可以达到根据直接表征电缆使用状态的局部放电信号预测电缆剩余寿命的目的，从而实现了提高电缆剩余寿命预测的准确度的技术效果，进而解决了由于现有技术中预测电缆的剩余寿命所用的参数不能直接表征电缆的使用状态造成的预测结果不准确的技术问题。
作为一种可选的实施例，将根据局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，可以通过以下步骤实现：将局部放电信号输入老化时间预测模型中的第一模型，第一模型输出目标电缆的空间电荷分布数据，其中，第一模型为预先训练的卷积神经网络模型；根据预先建立的第二模型，确定目标电缆的空间电荷分布数据对应的老化时间，其中，第二模型用于根据空间电荷分布数据与老化时间的对应关系预测老化时间。
可选地，局部放电发展的过程中，避免不了空间电荷分布数据的变化，也就是说，空间电荷分布数据的变化发展和局部放电信号的变化发展是相互依赖的。空间电荷分布数据达到一定程度后，将影响电缆的局部电场发生变化，进而诱发电缆产生局部放电现象，生成电缆的局部放电信号，而局部放电现象会加速电缆的绝缘劣化，改变绝缘电介质的电气参数，进而改变空间电荷的分布情况。考虑到绝缘劣化发生时，不一定会发生局部放电现象，但一定会伴随着空间电荷分布数据的变化，所以空间电荷分布数据原则上会包含更多的信息。但是空间电荷分布的测量方法难以做到在线测量，而局部放电信号的在线测量方法已经相对成熟。因此，在进行绝缘寿命预测时，可以通过测量电缆的局部放电信号，得到局部放电信号对应的空间电荷分布数据，结合空间电荷分布数据包含的更多的状态信息，进行电缆的绝缘寿命预测。本可选实施例中的第一模型旨在建立局部放电信号和空间电荷分布数据的联系，第一模型可以为预先训练好的卷积神经网络模型，采用实验时获取的电缆局部放电信号和空间电荷分布数据的数据集，可以训练神经网络模型，实现将目标电缆的局部放电信号输入第一模型后，第一模型可以输出局部放电信号对应的目标电缆的空间电荷分布数据。
老化时间预测模型包括第一模型和第二模型，其中，第二模型建立了电缆的空间电荷分布数据和电缆的老化时间的关联关系，使得根据第二模型可以确定空间电荷分布数据对应的电缆的老化时间。
作为一种可选的实施例，确定目标电缆的空间电荷分布数据对应的老化时间之前，还可以包括以下步骤：获取表示多条实验电缆各自的空间电荷分布的多组实验数据，以及获取多条实验电缆的多个老化时间，其中，实验电缆与目标电缆型号相同；根据多组实验数据和多条实验电缆的多个老化时间，建立第二模型。
可选地，第二模型在应用之前被预先建立，建立的方式可以为采用与目标电缆型号相同的电缆作为实验电缆，在同一温度下，对多条实验电缆进行实验。实验时，可以在实验温度下测出多条实验电缆在某个老化时间时空间电荷分布数据，并记录这些空间电荷分布数据对应的实验电缆的老化时间，再依次记录多个老化时间并测量每个老化时间时多条电缆的空间电荷分布数据，得到多组实验数据。其中，每组实验数据对应一个确定的老化时间，还对应着多个表示多条实验电缆在这个确定的老化时间下的空间电荷分布数据。需要说明的是，为了使实验减少误差，可以选取多条实验电缆进行实验，如果使用一条实验电缆进行实验，一个老化时间只对应一个空间电荷分布数据，也可以实现本方案。需要注意的是，实验需要在一个固定的温度下进行，在实验过程中不可以改变温度，为了方便实验，优选地，可以取较高温度进行实验，实验电缆在较高温度下将更快地老化，实现缩短实验时间的技术效果。除此之外，在通过实验温度下的电缆的空间电荷分布数据预测在其他温度下工作的电缆的老化时间，可能会不准确，所以在测量实验电缆的空间电荷分布数据时，并不在实验温度下测量，而是将实验电缆放置在室温下测量，测量完毕后再将实验电缆处于实验温度下继续进行实验。
作为一种可选的实施例，根据多组实验数据和多条实验电缆的多个老化时间，建立第二模型，可以通过以下步骤实现：根据多组实验数据和多条实验电缆的多个老化时间，构建训练样本集，其中，训练样本集中的每个样本包括多组实验数据中的一组实验数据和这组实验数据表征的实验电缆的老化时间；采用训练样本集训练卷积神经网络，得到第二模型，使得第二模型用于根据输入的电缆空间电荷分布数据预测出与电缆空间电荷分布数据对应的电缆的老化时间。
可选地，根据实验测得的多组实验数据和多条实验电缆的多个老化时间可以对卷积神经网络进行训练，可以将每一个空间电荷分布数据作为一个识别对象，并这个空间电荷分布数据对应的电缆的老化时间作为标签，使卷积神经网络找出在同一个标签下的识别对象的相同的特征，并且可以按照特征将新输入卷积神经网络的识别对象分类，也就是找到新输入的识别对象的特征，并根据特征找到这个识别对象所属的标签，最终输出标签，也就是电缆的老化时间。由此可以根据多组实验数据和多条实验电缆的多个老化时间训练一个卷积神经网络，将其作为第二模型，使得第二模型可以根据输入的电缆空间电荷分布数据预测出与电缆空间电荷分布数据对应的电缆的老化时间。
具体地，空间电荷分布数据是一个二维数据，采用CNN能够提取出空间电荷分布二维图形的关键特征。在组建数据库时，每一个空间电荷分布数据都包含了老化时间的标签。使用该老化时间标签为输出，空间电荷分布数据为输入，采用适当的卷积神经网络结构，训练CNN模型，构建老化时间和空间分布的联系。训练好的模型，能够通过输入空间电荷分布，输出该分布所对应的老化时间。
可选地，根据多组实验数据和多条实验电缆的多个老化时间，还可以不使用神经网络模型，也能够根据输入的电缆空间电荷分布数据预测出与电缆空间电荷分布数据对应的电缆的老化时间。具体地，可以使用算法计算新输入的空间电荷分布数据与多组实验数据中的每一个空间电荷分布数据的相关度，并且根据相关度的大小确定于新输入的空间电荷分布数据最相似的实验数据，将找到的最相似的实验数据对应的老化时间作为新输入的空间电荷数据对应的老化时间。
作为一种可选的实施例，根据预先建立的第二模型，确定空间电荷分布数据对应的目标电缆的老化时间，可以通过以下步骤实现：将空间电荷分布数据输入第二模型，由第二模型输出目标电缆的老化时间。
可选地，在建立第二模型之后，可以将目标电缆的空间电荷分布数据输入第二模型，将第二模型输出的老化时间作为目标电缆的老化时间。
作为一种可选的实施例，获取目标电缆的第一使用寿命，可以通过以下步骤实现：获取多条实验电缆的第二使用寿命和激活能，其中，第二使用寿命为实验电缆在实验温度下的使用寿命，且实验电缆与目标电缆型号相同，所以激活能相同；获取目标电缆所处环境的环境温度；根据第二使用寿命、激活能、实验温度和环境温度，确定第一使用寿命。
可选地，可以获取实验时测得的目标电缆的第一使用寿命，具体地，可以在一个相同的确定的实验温度下，选择多条与目标电缆型号相同的电缆作为实验电缆，使多条实验电缆在确定的实验温度下进行老化，记录实验电缆开始实验的时间，和在实验温度下老化至不能使用的时间，作为实验电缆在实验温度下的使用寿命，即第二使用寿命。而激活能和材料有关，是电缆的一种固有属性，但是需要实验进行测定，阿伦尼乌斯公式给出了反应速率r和温度T之间的关系：
Figure BDA0003862249110000081
其中，r是反应速率，A是频率因子，Ea是激活能，k是玻尔兹曼常数，T是环境温度。
不考虑偶发性事件的影响，t为时间，从电缆开始老化计时，当满足r(T)·t＝M(M为一固定常数)时，认为电缆的绝缘电介质已经达到老化不可用条件。此时的t可认为是绝缘电介质在r(T)表示的温度T的条件下电缆的总使用寿命tx。
假设自然老化的温度为T0，则有测试时的老化温度Tx对应的反应速率kx和k0之比为：
Figure BDA0003862249110000082
带入自然老化条件对应的温度，也就是目标电缆所处环境的温度T0，通过实验测试拟合得到的激活能Ea，实验测试得到老化时间和多组实验数据时选用的温度Tx，即可得到反应速率之比p。将p与实验电缆测得的第二使用寿命相乘，即可得到目标电缆在所处环境温度下的第一使用寿命。
作为一种可选的实施例，获取在实验时测得实验电缆的实验温度下的第二使用寿命和激活能之前，还可以包括以下步骤：在多条实验电缆分别处于多个测试温度，且分别在多条实验电缆两侧施加相同电压的情况下，测量多条实验电缆由初始状态至发生绝缘击穿所需的多个击穿时间；根据多个测试温度和多个击穿时间，确定多条实验电缆的激活能。
可选地，在获取实验电缆的激活能之前，需要测量并拟合得到实验电缆的激活能。具体地，可以选用多个温度，分别为T1、T2、……、Tn，对实验电缆的绝缘电介质以相同的方式施加相同的电压U，每个温度实验时采用多个样本，记录每个温度下多个绝缘电介质发生绝缘击穿时所对应的平均时间t1、t2……、tn。通过如下公式，使用最小二乘法拟合出Ea、N的值。
Figure BDA0003862249110000091
Figure BDA0003862249110000092
其中，N是常数。
作为一种具体的实施例，图3是根据本发明可选实施例提供的局部放电信号的示意图，如图3所示，是实际测得的目标电缆的局部放电信号的波形，且试样绝缘电介质所对应的激发能Ea≈0.68eV，N≈-12.6776。通过已经训练好的模型最终给出的老化时间为386.33天，训练模型选用的温度为150摄氏度，实测局部放电时所对应的环境温度为91摄氏度，因此，可以得到反应速率之比为：
Figure BDA0003862249110000093
而环境温度为150摄氏度时，所对应的绝缘电介质总寿命为394.42天。因此，所对应的剩余寿命约为166.41天。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的电缆寿命预测方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例，还提供了一种用于实施上述电缆寿命预测方法的电缆寿命预测装置，图4是根据本发明实施例提供的电缆寿命预测方法的结构框图，如图4所示，该电缆寿命预测装置包括：测量模块42、第一预测模块44、获取模块46和第二预测模块48，下面对该装置进行说明。
测量模块42，用于测量目标电缆的局部放电信号。
第一预测模块44，与测量模块42连接，用于将局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，其中，老化时间用于表征目标电缆当前的老化程度，老化时间预测模型包括卷积神经网络。
获取模块46，与第一预测模块44连接，用于获取目标电缆的第一使用寿命。
第二预测模块48，与获取模块46连接，用于根据第一使用寿命和老化时间，计算目标电缆的剩余寿命。
此处需要说明的是，上述测量模块42、第一预测模块44、获取模块46和第二预测模块48对应于实施例中的步骤S202至步骤S208，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例提供的计算机终端10中。
本发明的实施例可以提供一种计算机设备，可选地，在本实施例中，上述计算机设备可以位于计算机网络的多个网络设备中的至少一个网络设备。该计算机设备包括存储器和处理器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的电缆寿命预测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的电缆寿命预测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：测量目标电缆的局部放电信号；将局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，其中，老化时间用于表征目标电缆当前的老化程度，老化时间预测模型包括卷积神经网络；获取目标电缆的第一使用寿命；根据第一使用寿命和老化时间，计算目标电缆的剩余寿命。
采用本发明实施例，提供了一种电缆寿命预测的方案。通过上述步骤，可以达到根据直接表征电缆使用状态的局部放电信号预测电缆剩余寿命的目的，从而实现了提高电缆剩余寿命预测的准确度的技术效果，进而解决了由于现有技术中预测电缆的剩余寿命所用的参数不能直接表征电缆的使用状态造成的预测结果不准确的技术问题。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一非易失性存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
本发明的实施例还提供了一种非易失性存储介质。可选地，在本实施例中，上述非易失性存储介质可以用于保存上述实施例所提供的电缆寿命预测方法所执行的程序代码。
可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：测量目标电缆的局部放电信号；将局部放电信号输入预先训练的老化时间预测模型，输出目标电缆的老化时间，其中，老化时间用于表征目标电缆当前的老化程度，老化时间预测模型包括卷积神经网络；获取目标电缆的第一使用寿命；根据第一使用寿命和老化时间，计算目标电缆的剩余寿命。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电缆寿命预测方法，其特征在于，包括：
测量目标电缆的局部放电信号；
将所述局部放电信号输入预先训练的老化时间预测模型，输出所述目标电缆的老化时间，其中，所述老化时间用于表征所述目标电缆当前的老化程度，所述老化时间预测模型包括卷积神经网络；
获取所述目标电缆的第一使用寿命；
根据所述第一使用寿命和所述老化时间，计算所述目标电缆的剩余寿命。
2.根据权利要求1所述的方法，其特征在于，将所述根据所述局部放电信号输入预先训练的老化时间预测模型，输出所述目标电缆的老化时间，包括：
将所述局部放电信号输入所述老化时间预测模型中的第一模型，所述第一模型输出所述目标电缆的空间电荷分布数据，其中，所述第一模型为预先训练的卷积神经网络模型；
根据预先建立的第二模型，确定所述目标电缆的空间电荷分布数据对应的老化时间，其中，所述第二模型用于根据空间电荷分布数据与老化时间的对应关系预测老化时间。
3.根据权利要求2所述的方法，其特征在于，所述确定所述目标电缆的空间电荷分布数据对应的老化时间之前，还包括：
获取表示多条实验电缆各自的空间电荷分布的多组实验数据，以及获取所述多条实验电缆的多个老化时间，其中，所述实验电缆与所述目标电缆型号相同；
根据所述多组实验数据和所述多条实验电缆的多个老化时间，建立所述第二模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多组实验数据和所述多条实验电缆的多个老化时间，建立所述第二模型，包括：
根据所述多组实验数据和所述多条实验电缆的多个老化时间，构建训练样本集，其中，所述训练样本集中的每个样本包括所述多组实验数据中的一组实验数据和这组实验数据表征的实验电缆的老化时间；
采用所述训练样本集训练卷积神经网络，得到所述第二模型，使得所述第二模型用于根据输入的电缆空间电荷分布数据预测出与所述电缆空间电荷分布数据对应的电缆的老化时间。
5.根据权利要求2至4中任一项所述的方法，其特征在于，所述根据预先建立的第二模型，确定所述空间电荷分布数据对应的所述目标电缆的老化时间，包括：
将所述空间电荷分布数据输入所述第二模型，由所述第二模型输出所述目标电缆的老化时间。
6.根据权利要求1所述的方法，其特征在于，所述获取所述目标电缆的第一使用寿命，包括：
获取多条实验电缆的第二使用寿命和激活能，其中，所述第二使用寿命为所述实验电缆在实验温度下的使用寿命，且所述实验电缆与所述目标电缆型号相同，所以激活能相同；
获取所述目标电缆所处环境的环境温度；
根据所述第二使用寿命、所述激活能、所述实验温度和所述环境温度，确定所述第一使用寿命。
7.根据权利要求6所述的方法，其特征在于，所述获取在实验时测得实验电缆的实验温度下的第二使用寿命和激活能之前，还包括：
在所述多条实验电缆分别处于多个测试温度，且分别在所述多条实验电缆两侧施加相同电压的情况下，测量所述多条实验电缆由初始状态至发生绝缘击穿所需的多个击穿时间；
根据所述多个测试温度和所述多个击穿时间，确定所述多条实验电缆的激活能。
8.一种电缆寿命预测装置，其特征在于，包括：
测量模块，用于测量目标电缆的局部放电信号；
第一预测模块，用于将所述局部放电信号输入预先训练的老化时间预测模型，输出所述目标电缆的老化时间，其中，所述老化时间用于表征所述目标电缆当前的老化程度，所述老化时间预测模型包括卷积神经网络；
获取模块，用于获取所述目标电缆的第一使用寿命；
第二预测模块，用于根据所述第一使用寿命和所述老化时间，计算所述目标电缆的剩余寿命。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述电缆寿命预测方法。
10.一种计算机设备，其特征在于，包括：存储器和处理器，
所述存储器存储有计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行权利要求1至7中任意一项所述电缆寿命预测方法。
CN202211167378.1A 2022-09-23 2022-09-23 电缆寿命预测方法、装置、和非易失性存储介质 Pending CN115495985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211167378.1A CN115495985A (zh) 2022-09-23 2022-09-23 电缆寿命预测方法、装置、和非易失性存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211167378.1A CN115495985A (zh) 2022-09-23 2022-09-23 电缆寿命预测方法、装置、和非易失性存储介质

Publications (1)

Publication Number Publication Date
CN115495985A true CN115495985A (zh) 2022-12-20

Family

ID=84470387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211167378.1A Pending CN115495985A (zh) 2022-09-23 2022-09-23 电缆寿命预测方法、装置、和非易失性存储介质

Country Status (1)

Country Link
CN (1) CN115495985A (zh)

Similar Documents

Publication Publication Date Title
Strange et al. Prediction of future capacity and internal resistance of Li-ion cells from one cycle of input data
US10044212B2 (en) Modeling a change in battery degradation
US10830821B2 (en) Methods and apparatus for battery power and energy availability prediction
JPWO2014185163A1 (ja) 電池状態推定装置、電池状態管理システム、電池、電池状態推定方法、及び、プログラム
WO2018091904A1 (en) Determining a state of health of a battery and providing an alert
EP4235482A1 (en) State preview method and system for key equipment of nuclear power plant, and device and storage medium
CN113646949B (zh) 蓄电池剩余价值确定系统
CN113589189B (zh) 基于充放电数据特征的锂电池健康状况预测方法及装置
CN110059894A (zh) 设备状态评估方法、装置、系统及存储介质
Li et al. Bandwidth based electrical-analogue battery modeling for battery modules
CN110456283B (zh) 获取电芯内阻参数的方法及装置
CN115577643A (zh) 一种电缆终端头的温度预测方法及装置
CN107861082B (zh) 一种电子测量设备的校准间隔确定方法及装置
CN115495985A (zh) 电缆寿命预测方法、装置、和非易失性存储介质
CN111695967A (zh) 一种报价的确定方法、装置、设备及存储介质
CN116840699A (zh) 一种电池健康状态估算方法、装置、电子设备和介质
Abdel-Hamid et al. Inference and optimal design based on step—Partially accelerated life tests for the generalized Pareto distribution under progressive type-I censoring
CN116754949A (zh) 一种锂离子电池智能健康状态预测方法
CN114943273A (zh) 数据处理方法、存储介质以及计算机终端
CN114355222A (zh) 基于电压曲线的电池健康状态估计方法、装置及可读介质
US20150204809A1 (en) Screening solid state ionic conductors for high ionic conductivity
CN113392536B (zh) 电力通信网络仿真评估方法、装置、计算机设备和介质
CN115496184A (zh) 数据处理方法、装置、非易失性存储介质和计算机设备
Vilsen et al. An auto-regressive model for battery voltage prediction
CN118011222A (zh) 一种电池等效电路模型的电流波形参数辨识方法和系统

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