CN115577643A - 一种电缆终端头的温度预测方法及装置 - Google Patents
一种电缆终端头的温度预测方法及装置 Download PDFInfo
- Publication number
- CN115577643A CN115577643A CN202211469979.8A CN202211469979A CN115577643A CN 115577643 A CN115577643 A CN 115577643A CN 202211469979 A CN202211469979 A CN 202211469979A CN 115577643 A CN115577643 A CN 115577643A
- Authority
- CN
- China
- Prior art keywords
- cable
- long
- term memory
- memory network
- short term
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000015654 memory Effects 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000002922 simulated annealing Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006403 short-term memory Effects 0.000 claims description 27
- 230000007787 long-term memory Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 230000002068 genetic effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 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
- 238000013021 overheating Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种电缆终端头的温度预测方法及装置,其方法包括:获取待测电缆终端头的基础数据和电缆数据库的训练样本,所述训练样本包括电缆历史温度数据及对应的样本类别标签,从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据,通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型,将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据。有利于解决现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题,提高了电缆终端头内部温度的预测准确性。
Description
技术领域
本发明涉及电缆终端头温度的技术领域,尤其涉及一种电缆终端头的温度预测方法及装置。
背景技术
目前,三芯电缆由于其占地面积小、适用范围广、敷设环境要求较低等优点,被广泛应用于城市供电系统中。三芯电缆是由电缆本体及其终端组成,电缆终端头作用是装配到电缆线路的首末端,用以完成与其他电气设备连接的装置。由于电缆终端结构复杂,是由多层介质组合叠加而成,在不同介质的分界面积聚的空间电荷引起电场强度过高使电缆终端成为电缆的薄弱环节,容易发生过热等故障,造成绝缘劣化,甚至引起火灾、爆炸等问题,危害电力系统供电可靠性和人身安全。
长短期记忆神经网络(Long Short ShortTery,LSTM)是基于循环神经网络改进(Recurrent Neural Networks,RNN)的一种人工智能算法,是一种有效的非线性循环神经网络,可以兼顾数据的时序性和非线性关系,充分反映输入时间序列数据中的长期历史过程,对于时序性数据有较好的学习和预测能力,适用于三芯电缆终端头内部温度预测研究。
因此,为了提高电缆终端头内部温度的预测准确性,解决目前存在的现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题,亟需构建一种电缆终端头的温度预测方法。
发明内容
本发明提供了一种电缆终端头的温度预测方法及装置,解决了目前存在的现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题。
第一方面,本发明提供了一种电缆终端头的温度预测方法,包括:
获取待测电缆终端头的基础数据和电缆数据库的训练样本;所述训练样本包括电缆历史温度数据及对应的样本类别标签;
从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据;
通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型;
将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据。
可选地,获取待测电缆终端头的基础数据和电缆数据库的训练样本,包括:
获取待测电缆终端头的初始基础数据和电缆数据库的初始训练样本;
对所述初始基础数据和述初始训练样本进行标准化处理,得到所述待测电缆终端头的基础数据和所述电缆数据库的训练样本。
可选地,通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型,包括:
根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络初步模型;
基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型;
基于所述电缆历史温度数据及对应的样本类别标签,验证所述训练后的长短期记忆网络初步模型,得到所述长短期记忆网络模型。
可选地,基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型,包括:
将所述电缆历史温度数据输入到所述长短期记忆网络初步模型,生成对应的样本类别;
根据所述电缆历史温度数据及对应的样本类别标签和所述样本类别,确定训练误差;
基于所述训练误差,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行调整,得到最优参数,并采用所述最优参数,优化所述长短期记忆网络初步模型,得到所述训练后的长短期记忆网络初步模型。
可选地,将所述电缆历史温度数据输入到所述长短期记忆网络初步模型,生成对应的样本类别之前,还包括:
初始化所述长短期记忆网络初步模型的参数。
第二方面,本发明提供了一种电缆终端头的温度预测装置,包括:
获取模块,用于获取待测电缆终端头的基础数据和电缆数据库的训练样本;所述训练样本包括电缆历史温度数据及对应的样本类别标签;
提取模块,用于从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据;
建立模块,用于通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型;
预测模块,用于将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据。
可选地,所述获取模块包括:
获取子模块,用于获取待测电缆终端头的初始基础数据和电缆数据库的初始训练样本;
处理子模块,用于对所述初始基础数据和述初始训练样本进行标准化处理,得到所述待测电缆终端头的基础数据和所述电缆数据库的训练样本。
可选地,所述建立模块包括:
建立子模块,用于根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络初步模型;
训练子模块,用于基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型;
验证子模块,用于基于所述电缆历史温度数据及对应的样本类别标签,验证所述训练后的长短期记忆网络初步模型,得到所述长短期记忆网络模型。
可选地,所述训练子模块包括:
生成单元,用于将所述电缆历史温度数据输入到所述长短期记忆网络初步模型,生成对应的样本类别;
误差单元,用于根据所述电缆历史温度数据及对应的样本类别标签和所述样本类别,确定训练误差;
优化单元,用于基于所述训练误差,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行调整,得到最优参数,并采用所述最优参数,优化所述长短期记忆网络初步模型,得到所述训练后的长短期记忆网络初步模型。
可选地,所述训练子模块还包括:
初始单元,用于初始化所述长短期记忆网络初步模型的参数。
从以上技术方案可以看出,本发明具有以下优点:本发明提供了一种电缆终端头的温度预测方法,通过获取待测电缆终端头的基础数据和电缆数据库的训练样本,所述训练样本包括电缆历史温度数据及对应的样本类别标签,从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据,通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型,将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据,通过一种电缆终端头的温度预测方法,解决了目前存在的现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题,提高了电缆终端头内部温度的预测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的一种电缆终端头的温度预测方法实施例一的流程步骤图;
图2为本发明的一种电缆终端头的温度预测方法实施例二的流程步骤图;
图3为本发明的一种电缆终端头的温度预测方法中预测温度与实测温度的对比示意图;
图4为本发明的一种电缆终端头的温度预测装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种电缆终端头的温度预测方法及装置,用于解决目前存在的现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
实施例一,请参阅图1,图1为本发明的一种电缆终端头的温度预测方法实施例一的流程步骤图,包括:
步骤S101,获取待测电缆终端头的基础数据和电缆数据库的训练样本;所述训练样本包括电缆历史温度数据及对应的样本类别标签;
在本发明实施例中,获取待测电缆终端头的初始基础数据和电缆数据库的初始训练样本,对所述初始基础数据和述初始训练样本进行标准化处理,得到所述待测电缆终端头的基础数据和所述电缆数据库的训练样本。
步骤S102,从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据;
步骤S103,通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型;
在本发明实施例中,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络初步模型,基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型,基于所述电缆历史温度数据及对应的样本类别标签,验证所述训练后的长短期记忆网络初步模型,得到所述长短期记忆网络模型。
步骤S104,将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据;
在本发明实施例所提供的一种电缆终端头的温度预测方法,通过获取待测电缆终端头的基础数据和电缆数据库的训练样本,所述训练样本包括电缆历史温度数据及对应的样本类别标签,从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据,通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型,将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据,通过一种电缆终端头的温度预测方法,解决了目前存在的现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题,提高了电缆终端头内部温度的预测准确性。
实施例二,请参阅图2,图2为本发明的一种电缆终端头的温度预测方法的流程步骤图,包括:
步骤S201,获取待测电缆终端头的初始基础数据和电缆数据库的初始训练样本;
步骤S202,对所述初始基础数据和述初始训练样本进行标准化处理,得到所述待测电缆终端头的基础数据和所述电缆数据库的训练样本;所述训练样本包括电缆历史温度数据及对应的样本类别标签;
在本发明实施例中,对所述初始基础数据和述初始训练样本进行标准化处理,将初始基础数据和训练样本标准化为具有零均值和单位方差的数据,得到所述待测电缆终端头的基础数据和所述电缆数据库的训练样本。
步骤S203,从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据;
步骤S204,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络初步模型;
在本发明实施例中,以电缆历史温度数据及对应的样本类别标签依据,建立长短期记忆网络初步模型;
在具体实现中,长短期记忆网络模型(Long Short ShortTery,LSTM)是基于循环神经网络改进(Recurrent Neural Networks,RNN)的一种人工智能算法,但它能够解决RNN易出现的梯度消亡问题。与普通的神经网络相比,RNN的各个隐藏层单元并非相互独立,而是相互联系,并且与接受时刻之前的时许输入有关,即考虑数据的时序性。但缺点是较远时刻的数据对于最终输出的影响存在衰减至很小或指数爆炸两种方式,即“梯度消亡问题”。LSTM存在多个控制门,优化了单元结构,实现短期和长期数据的高效处理。
LSTM的结构中有3种门限,分别是遗忘门、更新门、输出门,他们与上一时刻的短期记忆有关。LSTM具有3个状态:候选态、细胞态和记忆体,分别表示输入新内容、长期记忆内容和短期记忆内容。各个控制门的权重可通过对其相应的输入数据进行训练而得到。第n-1层所获得的输出的数据信息将作为LSTM模型下一层的输入信息,从而递归可得LSTM的预测模型。
三种门限和三种状态分别如下式表示:
步骤S205,基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型;
在一个可选实施例中,基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型,包括:
初始化所述长短期记忆网络初步模型的参数;
将所述电缆历史温度数据输入到所述长短期记忆网络初步模型,生成对应的样本类别;
根据所述电缆历史温度数据及对应的样本类别标签和所述样本类别,确定训练误差;
基于所述训练误差,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行调整,得到最优参数,并采用所述最优参数,优化所述长短期记忆网络初步模型,得到所述训练后的长短期记忆网络初步模型。
在本发明实施例中,初始化所述长短期记忆网络初步模型的参数,将所述电缆历史温度数据输入到所述长短期记忆网络初步模型,生成对应的样本类别,根据所述电缆历史温度数据及对应的样本类别标签和所述样本类别,确定训练误差,基于所述训练误差,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行调整,得到最优参数,并采用所述最优参数,优化所述长短期记忆网络初步模型,得到所述训练后的长短期记忆网络初步模型。
在具体实现中,设置初始温度,对新个体进行选择,一般是模拟金属降温过程的原理;
选择个体接受的概率,设置产生新个体的适应度为g(x),若f(x)≥g(x),则接受新个体;反之则以概率P接受该进化个体,概率计算公式具体为:
退火降温,计算Ti+1,计算公式具体为:
其中,T为温度,α为函数,β为函数。
步骤S206,基于所述电缆历史温度数据及对应的样本类别标签,验证所述训练后的长短期记忆网络初步模型,得到长短期记忆网络模型;
在本发明实施例中,以所述电缆历史温度数据及对应的样本类别标签为依据,验证所述训练后的长短期记忆网络初步模型,得到所述长短期记忆网络模型。
步骤S207,将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据;
在本发明实施例中,输入待测电缆终端头对应电缆的实际温度数据到长短期记忆网络模型,得到待测电缆终端头的温度预测结果。
在具体实现中,请参阅图3,图3为本发明的一种电缆终端头的温度预测方法中预测温度与实测温度的对比示意图,其中,301为实际温度,302为预测温度。通过三芯电缆终端头温升试验获得三芯电缆终端头固定点位实际温度,结果如图3所示,本发明通过引入深度学习编码器,改善预测值和实际值之间的相关性,用LSTM独特的数据填充方法,动态输入相关影响数据用于填充确实数据的多维参数以延长数据序列长度,避免累积误差,因此本发明提出的方法具有较高的预测精度和较快的计算速度。
在本发明实施例所提供的一种电缆终端头的温度预测方法,通过获取待测电缆终端头的基础数据和电缆数据库的训练样本,所述训练样本包括电缆历史温度数据及对应的样本类别标签,从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据,通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型,将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据,通过一种电缆终端头的温度预测方法,解决了目前存在的现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题,提高了电缆终端头内部温度的预测准确性。
请参阅图4,图4为本发明的一种电缆终端头的温度预测装置实施例的结构框图,包括:
获取模块401,用于获取待测电缆终端头的基础数据和电缆数据库的训练样本;所述训练样本包括电缆历史温度数据及对应的样本类别标签;
提取模块402,用于从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据;
建立模块403,用于通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型;
预测模块404,用于将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据。
在一个可选实施例中,所述获取模块401包括:
获取子模块,用于获取待测电缆终端头的初始基础数据和电缆数据库的初始训练样本;
处理子模块,用于对所述初始基础数据和述初始训练样本进行标准化处理,得到所述待测电缆终端头的基础数据和所述电缆数据库的训练样本。
在一个可选实施例中,所述建立模块403包括:
建立子模块,用于根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络初步模型;
训练子模块,用于基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型;
验证子模块,用于基于所述电缆历史温度数据及对应的样本类别标签,验证所述训练后的长短期记忆网络初步模型,得到所述长短期记忆网络模型。
在一个可选实施例中,所述训练子模块包括:
生成单元,用于将所述电缆历史温度数据输入到所述长短期记忆网络初步模型,生成对应的样本类别;
误差单元,用于根据所述电缆历史温度数据及对应的样本类别标签和所述样本类别,确定训练误差;
优化单元,用于基于所述训练误差,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行调整,得到最优参数,并采用所述最优参数,优化所述长短期记忆网络初步模型,得到所述训练后的长短期记忆网络初步模型。
在一个可选实施例中,所述训练子模块还包括:
初始单元,用于初始化所述长短期记忆网络初步模型的参数。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,本发明所揭露的方法及装置,可以通过其它的方式实现。例如,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,仅仅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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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网络单元上。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,可以存储在一个计算机可读取可读存储介质中。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可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,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。而前述的可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电缆终端头的温度预测方法,其特征在于,包括:
获取待测电缆终端头的基础数据和电缆数据库的训练样本;所述训练样本包括电缆历史温度数据及对应的样本类别标签;
从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据;
通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型;
将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据。
2.根据权利要求1所述的电缆终端头的温度预测方法,其特征在于,获取待测电缆终端头的基础数据和电缆数据库的训练样本,包括:
获取待测电缆终端头的初始基础数据和电缆数据库的初始训练样本;
对所述初始基础数据和述初始训练样本进行标准化处理,得到所述待测电缆终端头的基础数据和所述电缆数据库的训练样本。
3.根据权利要求1所述的电缆终端头的温度预测方法,其特征在于,通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型,包括:
根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络初步模型;
基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型;
基于所述电缆历史温度数据及对应的样本类别标签,验证所述训练后的长短期记忆网络初步模型,得到所述长短期记忆网络模型。
4.根据权利要求3所述的电缆终端头的温度预测方法,其特征在于,基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型,包括:
将所述电缆历史温度数据输入到所述长短期记忆网络初步模型,生成对应的样本类别;
根据所述电缆历史温度数据及对应的样本类别标签和所述样本类别,确定训练误差;
基于所述训练误差,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行调整,得到最优参数,并采用所述最优参数,优化所述长短期记忆网络初步模型,得到所述训练后的长短期记忆网络初步模型。
5.根据权利要求3所述的电缆终端头的温度预测方法,其特征在于,将所述电缆历史温度数据输入到所述长短期记忆网络初步模型,生成对应的样本类别之前,还包括:
初始化所述长短期记忆网络初步模型的参数。
6.一种电缆终端头的温度预测装置,其特征在于,包括:
获取模块,用于获取待测电缆终端头的基础数据和电缆数据库的训练样本;所述训练样本包括电缆历史温度数据及对应的样本类别标签;
提取模块,用于从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据;
建立模块,用于通过模拟退火算法,根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络模型;
预测模块,用于将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型,计算得到所述待测电缆终端头的温度预测结果数据。
7.根据权利要求6所述的电缆终端头的温度预测装置,其特征在于,所述获取模块包括:
获取子模块,用于获取待测电缆终端头的初始基础数据和电缆数据库的初始训练样本;
处理子模块,用于对所述初始基础数据和述初始训练样本进行标准化处理,得到所述待测电缆终端头的基础数据和所述电缆数据库的训练样本。
8.根据权利要求6所述的电缆终端头的温度预测装置,其特征在于,所述建立模块包括:
建立子模块,用于根据所述电缆历史温度数据及对应的样本类别标签,建立长短期记忆网络初步模型;
训练子模块,用于基于所述电缆历史温度数据及对应的样本类别标签,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行训练,得到训练后的长短期记忆网络初步模型;
验证子模块,用于基于所述电缆历史温度数据及对应的样本类别标签,验证所述训练后的长短期记忆网络初步模型,得到所述长短期记忆网络模型。
9.根据权利要求8所述的电缆终端头的温度预测装置,其特征在于,所述训练子模块包括:
生成单元,用于将所述电缆历史温度数据输入到所述长短期记忆网络初步模型,生成对应的样本类别;
误差单元,用于根据所述电缆历史温度数据及对应的样本类别标签和所述样本类别,确定训练误差;
优化单元,用于基于所述训练误差,通过所述模拟退火算法,对所述长短期记忆网络初步模型进行调整,得到最优参数,并采用所述最优参数,优化所述长短期记忆网络初步模型,得到所述训练后的长短期记忆网络初步模型。
10.根据权利要求8所述的电缆终端头的温度预测装置,其特征在于,所述训练子模块还包括:
初始单元,用于初始化所述长短期记忆网络初步模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211469979.8A CN115577643A (zh) | 2022-11-23 | 2022-11-23 | 一种电缆终端头的温度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211469979.8A CN115577643A (zh) | 2022-11-23 | 2022-11-23 | 一种电缆终端头的温度预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577643A true CN115577643A (zh) | 2023-01-06 |
Family
ID=84589462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211469979.8A Pending CN115577643A (zh) | 2022-11-23 | 2022-11-23 | 一种电缆终端头的温度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577643A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796057A (zh) * | 2023-02-06 | 2023-03-14 | 广东电网有限责任公司中山供电局 | 基于bas-lstm的电缆接头温度预测方法和系统 |
CN115809610A (zh) * | 2023-02-08 | 2023-03-17 | 广东电网有限责任公司中山供电局 | 基于多阶跃负荷的直埋三芯电缆载流量预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103184A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种高压电缆接头温度预测方法 |
CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
CN112506899A (zh) * | 2020-11-25 | 2021-03-16 | 东华理工大学 | 一种基于改进lstm的pm2.5数据异常值检测方法 |
CN113156263A (zh) * | 2021-03-23 | 2021-07-23 | 广东安恒电力科技有限公司 | 电缆状态监测方法及存储介质 |
CN114323337A (zh) * | 2021-11-30 | 2022-04-12 | 上海海能信息科技股份有限公司 | 一种计及历史数据的电缆导体温度预测方法及系统 |
CN115326397A (zh) * | 2022-07-28 | 2022-11-11 | 沈阳顺义科技有限公司 | 建立曲轴轴承磨损程度预测模型及预测方法和相关装置 |
-
2022
- 2022-11-23 CN CN202211469979.8A patent/CN115577643A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103184A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种高压电缆接头温度预测方法 |
CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
CN112506899A (zh) * | 2020-11-25 | 2021-03-16 | 东华理工大学 | 一种基于改进lstm的pm2.5数据异常值检测方法 |
CN113156263A (zh) * | 2021-03-23 | 2021-07-23 | 广东安恒电力科技有限公司 | 电缆状态监测方法及存储介质 |
CN114323337A (zh) * | 2021-11-30 | 2022-04-12 | 上海海能信息科技股份有限公司 | 一种计及历史数据的电缆导体温度预测方法及系统 |
CN115326397A (zh) * | 2022-07-28 | 2022-11-11 | 沈阳顺义科技有限公司 | 建立曲轴轴承磨损程度预测模型及预测方法和相关装置 |
Non-Patent Citations (1)
Title |
---|
陆冰鉴等: "基于EEMD和LSTM的短期风速预测模型研究", 《软件工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796057A (zh) * | 2023-02-06 | 2023-03-14 | 广东电网有限责任公司中山供电局 | 基于bas-lstm的电缆接头温度预测方法和系统 |
CN115809610A (zh) * | 2023-02-08 | 2023-03-17 | 广东电网有限责任公司中山供电局 | 基于多阶跃负荷的直埋三芯电缆载流量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115577643A (zh) | 一种电缆终端头的温度预测方法及装置 | |
CN111818093B (zh) | 用于进行风险评估的神经网络系统、方法及装置 | |
CN111526119B (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
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 | |
CN109462578B (zh) | 基于统计学习的威胁情报利用与繁殖方法 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN111833583A (zh) | 电力数据异常检测模型的训练方法、装置、设备和介质 | |
CN109634820A (zh) | 一种云端移动端协同的故障预警方法、相关设备及系统 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN114757441A (zh) | 一种负荷预测方法及相关装置 | |
CN112767190B (zh) | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 | |
CN116542673B (zh) | 应用于机器学习的欺诈行为识别方法及系统 | |
CN113761525A (zh) | 基于联邦学习的智能入侵检测方法和系统 | |
CN117250490A (zh) | 一种基于lstm的剩余电流动作断路器寿命预测方法 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN117350336A (zh) | 充电负荷预测及模型训练方法、装置、设备及存储介质 | |
CN116359773A (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
CN115659851A (zh) | 一种电缆终端头的温升评价方法及装置 | |
CN113806734B (zh) | 一种基于条件的能量生成对抗网络的网络攻击恢复方法 | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN114510469A (zh) | 电力系统不良数据辨识方法、装置、设备及介质 | |
CN112819067A (zh) | 一种配电网不良数据的处理方法、装置、设备和存储介质 | |
CN115186722A (zh) | 接触器故障诊断模型构建方法、装置、介质及电子设备 | |
CN112327101A (zh) | 基于长短时记忆神经网络的配电网可靠性检测方法及系统 | |
CN111179070A (zh) | 一种基于lstm的借贷风险时效性预测系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230106 |
|
RJ01 | Rejection of invention patent application after publication |