CN115640918A - 电缆温度异常预测方法、装置、介质及设备 - Google Patents

电缆温度异常预测方法、装置、介质及设备 Download PDF

Info

Publication number
CN115640918A
CN115640918A CN202211672586.7A CN202211672586A CN115640918A CN 115640918 A CN115640918 A CN 115640918A CN 202211672586 A CN202211672586 A CN 202211672586A CN 115640918 A CN115640918 A CN 115640918A
Authority
CN
China
Prior art keywords
quarter
cable temperature
temperature
cable
information
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
Application number
CN202211672586.7A
Other languages
English (en)
Other versions
CN115640918B (zh
Inventor
戚远航
吴钧皓
叶立威
柯炳明
罗浩宇
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.)
Guangdong Anheng Power Technology Co ltd
Original Assignee
University of Electronic Science and Technology of China Zhongshan Institute
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 University of Electronic Science and Technology of China Zhongshan Institute filed Critical University of Electronic Science and Technology of China Zhongshan Institute
Priority to CN202211672586.7A priority Critical patent/CN115640918B/zh
Publication of CN115640918A publication Critical patent/CN115640918A/zh
Application granted granted Critical
Publication of CN115640918B publication Critical patent/CN115640918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电缆温度异常预测方法，包括：构建用于预测异常的电缆温度信息的PSO‑SVM分类器；构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络；获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；将所述待预测时间对应的季度温度综合预测信息输入至所述PSO‑SVM分类器进行电缆温度异常监测；从而有效地解决了现有技术在对电缆温度异常进行预测时存在的预测精度低、训练时间长、容易陷入过拟合的问题。

Description

电缆温度异常预测方法、装置、介质及设备
技术领域
本发明涉及信息处理技术领域，尤其涉及一种电缆温度异常预测方法、装置、介质及设备。
背景技术
现有的电缆温度预测方法主要采用神经网络算法或者线性回归等机器学习算法，通过对电缆上的温度传感器采集到的温度信息做一个趋势曲线预测，从而判断电缆温度的温度状态，及时提供电缆故障部位预警，防止事故发生。然而，这种电缆温度预测方法将过去所有时刻的温度数据统一作为训练数据，没有对训练数据作更精细的预处理，没有考虑到数据的相似度贡献，对温度的预测精度较低，且由于训练数据量大，训练时间长，容易陷入过拟合状态。
发明内容
本发明实施例提供了一种电缆温度异常预测方法、装置、介质及设备，以解决现有技术在对电缆温度进行预测时存在的预测精度低、训练时间长、容易陷入过拟合的问题。
一种电缆温度异常预测方法，所述方法包括：
构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息；
构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息；
获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；
将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测。
可选地，所述构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息包括：
对预设的电缆温度数据标注为正常数据或异常数据，得到电缆温度标注样本集；
初始化PSO算法种群；
根据所述PSO算法种群设置SVM分类器；
采用所述电缆温度标注样本集对所述SVM分类器进行训练，根据训练结果计算泛化能力评价指标；
根据所述泛化能力评价指标计算所述PSO算法种群的适应度；
当所述适应度为最优值时停止训练，否则继续优化PSO算法种群训练SVM分类器。
可选地，所述对预设的电缆温度数据标注为正常数据或异常数据，得到电缆温度标注样本集包括：
获取k时刻下的电缆温度信息，所述电缆温度信息包括第一传感器检测到的第一温度信息和第二传感器检测到的第二温度信息；
若所述第一温度信息和第二温度信息满足预设条件之一时，将所述k时刻下的电缆温度信息标注为异常数据，否则标注为正常数据；
其中，所述预设条件包括所述第一温度信息和第二温度信息的差的绝对值大于或等于第一预设阈值、所述第一温度信息大于或等于第二预设阈值、所述第二温度信息大于或等于第二预设阈值、k时刻下的第一温度信息与k-1时刻下的第一温度信息的差的绝对值大于或等于第三预设阈值、k时刻下的第二温度信息与k-1时刻下的第二温度信息的差的绝对值大于或等于第三预设阈值。
可选地，所述PSO算法种群的适应度的计算公式为：
Figure 323940DEST_PATH_IMAGE001
其中，
Figure 975502DEST_PATH_IMAGE002
表示PSO算法种群的适应度，
Figure 551977DEST_PATH_IMAGE003
表示泛化能力评价指标，
Figure 681607DEST_PATH_IMAGE004
表示适 应度系数，
Figure 495979DEST_PATH_IMAGE005
表示随机噪声量，
Figure 115179DEST_PATH_IMAGE006
表示常量噪声。
可选地，所述构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息包括：
获取电缆温度训练样本集，根据所述电缆温度训练样本集训练GRU神经网络，得到全季度电缆温度预测网络；
将所述电缆温度训练样本集按照季度进行划分，得到四季度对应的电缆温度训练样本季度集；
对所述四季度对应的电缆温度训练样本季度集进行数据交错处理；
遍历每一季度，根据交错处理后该季度对应的电缆温度训练样本季度集训练GRU神经网络，得到对应的单季度电缆温度预测网络。
可选地，所述对所述四季度对应的电缆温度训练样本季度集进行数据交错处理包括：
S1：对于一个季度，获取所述季度对应的电缆温度训练样本季度集及其样本总数；
S2：根据所述样本总数确定交换集中的交换样本的目标个数；
S3：从1到所述样本总数的区间中获取一个随机数，获取所述随机数对应到所述电缆温度训练样本季度集中的电缆温度训练样本作为一个交换样本，重复执行若干次直至获取到的交换样本个数达到所述目标个数，得到一个交换集；
S4：重复执行步骤S2和S3，分别得到其余3个季度对应的交换集，将所述交换集并入对应的电缆温度训练样本季度集中；
S5：遍历四个季度中的每一个季度，重复执行上述步骤S1至步骤S4。
可选地，所述根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息包括：
根据所述待预测时间所属季节获取对应的单季度电缆温度预测网络；
采用所述单季度电缆温度预测网络对所述待预测时间进行预测，得到第一季度温度预测信息，所述第一季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；
采用所述全季度电缆温度预测网络对所述待预测时间进行预测，得到第二季度温度预测信息，所述第二季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；
对所述第一季度温度预测信息和第二季度温度预测信息进行加权求和，得到所述待预测时间对应的季度温度综合预测信息。
一种电缆温度异常预测装置，所述装置包括：
分类器构建模块，用于构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息；
预测网络构建模块，用于构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息；
预测模块，获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；
异常监测模块，用于将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的电缆温度异常预测方法。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的电缆温度异常预测方法。
本发明实施例通过先构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息；然后构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息，充分地利用了不同季节的电缆温度信息的相似度；对于待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测；从而有效地提高了电缆温度预测的精度，提升了预测方法的泛化能力，缩短了训练时长。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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，在不付出创造性和劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的电缆温度异常预测方法的实现流程图；
图2是本发明一实施例提供的电缆温度异常预测方法中步骤S101的实现流程图；
图3是本发明一实施例提供的电缆温度异常预测方法中步骤S102的实现流程图；
图4是本发明一实施例提供的电缆温度异常预测方法中步骤S105的实现流程图；
图5是本发明一实施例提供的电缆温度异常预测方法中步骤S1023的实现流程图；
图6是本发明一实施例提供的电缆温度异常预测装置的示意图；
图7是本发明一实施例中计算机设备的示意图。
具体实施方式
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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种电缆温度异常预测方法，通过先构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息；然后构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息，充分地利用了不同季节的电缆温度信息的相似度，有利于提高预测温度的精度；对于待预测时间，根据所述待预测时间所属季度采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；最后将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测；从而有效地提高了电缆温度预测的精度，提升了预测方法的泛化能力，缩短了训练时长，对于未来时刻的温度数据能够给出更精确的预测曲线，有利于提供及时的电缆故障预警，预防电缆火灾等事故。
以下对本发明实施例提供的电缆温度异常预测方法进行详细的描述。图1为本发明实施例提供的电缆温度异常预测方法。如图1所示，所述电缆温度异常预测方法包括：
在步骤S101中，构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息。
在这里，本发明实施例通过训练支持向量机（Support Vector Machine, SVM，简称SVM）分类器来对电缆温度信息进行正常数据或异常数据的检测及预测。粒子群算法优化支持向量机分类器（简称PSO-SVM分类器）是指基于粒子群算法（Particle SwarmOptimization，简称PSO）来优化SVM参数后训练得到的SVM分类器。传统的SVM分类器在进行分类时采用人工设置SVM参数，本发明实施例引用PSO算法，通过PSO算法来对SVM参数进行优化，寻找到最优的一组SVM参数，并采用根据专家经验标注后的历史电缆温度数据对SVM分类器进行训练，从而得到PSO-SVM分类器。所述PSO-SVM分类器相比于传统的SVM分类器，能够有效提高对温度数据中的异常情况的检测精度。
可选地，作为本发明的一个优选示例，如图2所示，所述步骤S101包括：
在步骤S1011中，对预设的电缆温度数据标注为正常数据或异常数据，得到电缆温度标注样本集；
在步骤S1012中，初始化PSO算法种群；
在步骤S1013中，根据所述PSO算法种群设置SVM分类器；
在步骤S1014中，采用所述电缆温度标注样本集对所述SVM分类器进行训练，根据训练结果计算泛化能力评价指标；
在步骤S1015中，根据所述泛化能力评价指标计算所述PSO算法种群的适应度；
在步骤S1016中，当所述适应度为最优值时停止训练，否则继续优化PSO算法种群训练SVM分类器。
作为一示例，步骤S1011中，所述预设的电缆温度数据为预先收集到的电缆温度历史数据，包括连续不同时间点上采集到的若干条电缆温度信息。可选地，电缆采用双传感器来检测温度，因此每一条电缆温度信息包括第一传感器检测到的第一温度信息temp1和第二传感器检测到的第二温度信息temp2。
对于所述电缆温度数据，本发明实施例根据专家经验标注正常数据和异常数据。可选地，步骤S1011还包括：
在步骤S111中，获取k时刻下的电缆温度信息，所述电缆温度信息包括第一传感器检测到的第一温度信息和第二传感器检测到的第二温度信息；
在步骤S112中，若所述第一温度信息和第二温度信息满足预设条件之一时，将所述k时刻下的电缆温度信息标注为异常数据，否则标注为正常数据；
其中，所述预设条件包括所述第一温度信息和第二温度信息的差的绝对值大于或等于第一预设阈值、所述第一温度信息大于或等于第二预设阈值、所述第二温度信息大于或等于第二预设阈值、k时刻下的第一温度信息与k-1时刻下的第一温度信息的差的绝对值大于或等于第三预设阈值、k时刻下的第二温度信息与k-1时刻下的第二温度信息的差的绝对值大于或等于第三预设阈值。
可选地，所述第一预设阈值优选为5，所述第二预设阈值优选为65，所述第三预设 阈值优选为10。假设在k时刻下的电缆温度信息为(
Figure 116633DEST_PATH_IMAGE007
,
Figure 112271DEST_PATH_IMAGE008
).根据专家经验， 电缆出现异常时，两个传感器的温度信息表现为：
Figure 781150DEST_PATH_IMAGE009
（1）
Figure 508934DEST_PATH_IMAGE010
or
Figure 60001DEST_PATH_IMAGE011
（2）
Figure 531434DEST_PATH_IMAGE012
or
Figure 54819DEST_PATH_IMAGE013
（3）
其中，
Figure 281401DEST_PATH_IMAGE014
表示绝对值运算。根据专家经验，满足上述式（1）-（3）之一即为异常 数据。本发明实施例采用式（1）-（3）对k时刻下的电缆温度信息进行标注，满足式（1）-（3）中 任一条的数据标注为异常数据，反之则为正常数据。采用这种标注方式，有利于提升数据分 类精度，改善PSO-SVM分类器的分类效果。
作为一示例，步骤S1012中，本发明实施例初始化PSO算法粒子数为
Figure 257447DEST_PATH_IMAGE015
，粒子速度为
Figure 329309DEST_PATH_IMAGE016
，惯性权重为
Figure 972779DEST_PATH_IMAGE017
，学习引子为
Figure 42367DEST_PATH_IMAGE018
、
Figure 568026DEST_PATH_IMAGE019
。
作为一示例，步骤S1013中，第
Figure 381261DEST_PATH_IMAGE020
个粒子在
Figure 675976DEST_PATH_IMAGE021
时刻的位置为
Figure 182044DEST_PATH_IMAGE022
，第
Figure 929420DEST_PATH_IMAGE023
个粒子在
Figure 811925DEST_PATH_IMAGE024
时刻 的历史最优位置为
Figure 898830DEST_PATH_IMAGE025
，所有粒子的历史最优位置为
Figure 638116DEST_PATH_IMAGE026
，则粒子群算法的粒子更新公式如 下：
Figure 810471DEST_PATH_IMAGE027
Figure 231088DEST_PATH_IMAGE028
其中，粒子
Figure 500396DEST_PATH_IMAGE029
的参数形式为
Figure 348266DEST_PATH_IMAGE030
，参数
Figure 70234DEST_PATH_IMAGE031
为SVM分类器的惩罚系数，参数
Figure 294542DEST_PATH_IMAGE032
为SVM分类器的核函数，
Figure 90460DEST_PATH_IMAGE033
和
Figure 171548DEST_PATH_IMAGE034
为区间[0,1]上的随机数。
作为一示例，步骤S1014中，本发明实施例将步骤S1011中的电缆温度标注样本集输入待训练的SVM分类器。由于分类结果只有两种，异常数据和正常数据，即分类问题为二分类问题，因此SVM分类超平面会退化为SVM分类直线。假设SVM分类直线方程为：
Figure 584075DEST_PATH_IMAGE035
（5）
其中，
Figure 346495DEST_PATH_IMAGE036
分别表示SVM分类直线方程的参数。
所述泛化能力评价指标
Figure 324815DEST_PATH_IMAGE037
定义为：正常数据和异常数据距离SVM分类直线方程 所表示的SVM分类直线中最近的两个点，与SVM分类直线的距离之和。所述泛化能力评价指 标
Figure 248909DEST_PATH_IMAGE038
的值越大，表明SVM分类器的泛化能力越好，分类效果越好。假设异常数据中距离 SVM分类直线最近的样本点为
Figure 945469DEST_PATH_IMAGE039
，正常数据中距离SVM分类 直线最近的样本点为
Figure 511580DEST_PATH_IMAGE040
，上述SVM分类直线式（5）为L，则 所述泛化能力评价指标
Figure 547669DEST_PATH_IMAGE041
的计算公式为：
Figure 704981DEST_PATH_IMAGE042
（6）
在上式中，
Figure 826521DEST_PATH_IMAGE043
表示欧式距离，
Figure 196322DEST_PATH_IMAGE044
表示异常样本点
Figure 883655DEST_PATH_IMAGE045
到直线L的欧式距 离，
Figure 415131DEST_PATH_IMAGE046
表示正常样本点
Figure 820705DEST_PATH_IMAGE047
到直线L的欧式距离。
作为一示例，步骤S1015中，在训练完SVM分类器，计算得到泛化能力评价指标
Figure 994197DEST_PATH_IMAGE048
之后，本发明实施例计算所述PSO算法的种群适应度，计算公式为：
Figure 739299DEST_PATH_IMAGE049
（7）
其中，
Figure 503993DEST_PATH_IMAGE050
表示PSO算法种群的适应度，
Figure 334545DEST_PATH_IMAGE051
表示泛化能力评价指标，
Figure 842887DEST_PATH_IMAGE052
表 示适应度系数，
Figure 708075DEST_PATH_IMAGE053
表示随机噪声量，
Figure 581353DEST_PATH_IMAGE054
表示常量噪声。
在本发明实施例中，使用PSO算法优化SVM分类器的优化方向为找到一组最优粒子
Figure 961519DEST_PATH_IMAGE055
，使得上述种群适应度的值最大，则认为通过步骤S1015计算得到的种群适应度为最优 值，停止PSO算法优化训练SVM分类器；否则返回步骤S1013继续优化PSO算法种群，训练SVM 分类器。
在步骤S102中，构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息。
在这里，本发明实施例分别训练单季度电缆温度预测网络和全季度电缆温度预测网络。其中，在训练单季度电缆温度预测网络时，将传感器采集的历史数据按照季度进行划分，通过利用传感器在不同季节下采集到的温度数据的相似度来训练电缆温度预测网络，能够有效地提高对温度预测的精度，以及缩短预测网络的训练时长。可选地，作为本发明的一个优选实例，如图3所示，所述步骤S102还包括：
在步骤S1021中，获取电缆温度训练样本集，根据所述电缆温度训练样本集训练GRU神经网络，得到全季度电缆温度预测网络。
在步骤S1022中，将所述电缆温度训练样本集按照季度进行划分，得到四季度对应的电缆温度训练样本季度集。
在步骤S1023中，对所述四季度对应的电缆温度训练样本季度集进行数据交错处理。
在步骤S1024中，遍历每一季度，根据交错处理后该季度对应的电缆温度训练样本季度集训练GRU神经网络，得到对应的单季度电缆温度预测网络。
作为一示例，步骤S1021中，所述电缆温度训练样本集包括传感器在一年四季度采集到的电缆温度信息。将所述电缆温度训练样本集输入至预设的第一GRU神经网络，对其进行训练，从而得到全季度电缆温度预测网络。其中，所述预设的第一GRU神经网络的超参数包括但不限于序列长度（Sequence）、隐含层层数（Layer）、学习率（LearningRate），所述序列长度（Sequence）优选为15，隐含层层数（Layer）优选为3、学习率（LearningRate）优选为1.0。全季度电缆温度预测网络在每次预测后输出全年四个季度的电缆温度预测信息。
作为一示例，步骤S1022中，根据传感器采集到的电缆温度信息存在明显的季节特性，在同一季节下的电缆温度信息分布相似。因此，本实施例根据季节划分和电缆温度信息的采集时间，将电缆温度信息划分为四类，得到四季度对应的电缆温度训练样本季度集。示例性地：
数据类R1，包括1、2、3月份传感器采集到的电缆温度信息，表示春季对应的电缆温度训练样本季度集；
数据类R2，包括4、5、6月份传感器采集到的电缆温度信息，表示夏季对应的电缆温度训练样本季度集；
数据类R3，包括7、8、9月份传感器采集到的电缆温度信息，表示秋季对应的电缆温度训练样本季度集；
数据类R4，包括10、11、12月份传感器采集到的电缆温度信息，表示冬季对应的电缆温度训练样本季度集。
尽管相同季节下采集到的电缆温度信息分布相似，但是如果完全使用一批相似的电缆温度信息进行神经网络训练，容易陷入神经网络过拟合，从而导致神经网络的泛化能力差，预测效果不好。鉴于此，本发明实施例在步骤S1022划分四季度对应的电缆温度训练样本季度集之后，引入数据交错步骤。
作为一示例，步骤S1023中，将不同季度对应的电缆温度训练样本季度集抽出一部分，并入其余季度对应的电缆温度训练样本季度集，以完成数据交错处理，能够使得训练过程不易陷入过拟合，提高单季度电缆温度预测网络的泛化能力。
作为一示例，步骤S1024中，遍历每一季度，根据交错处理后该季度对应的电缆温度训练样本季度集，输入至预设的第二GRU神经网络，对其进行训练，从而得到单季度电缆温度预测网络。单季度电缆温度预测网络在每次预测后输出单一季度的电缆温度预测信息。
其中，春季对应的电缆温度训练样本季度集训练得到春季对应的单季度电缆温度预测网络，预测输出春季的电缆温度预测信息；夏季对应的电缆温度训练样本季度集训练得到夏季对应的单季度电缆温度预测网络，预测输出夏季的电缆温度预测信息；秋季对应的电缆温度训练样本季度集训练得到秋季对应的单季度电缆温度预测网络，预测输出秋季的电缆温度预测信息；冬季对应的电缆温度训练样本季度集训练得到冬季对应的单季度电缆温度预测网络，预测输出冬季的电缆温度预测信息。
在这里，所述预设的第二GRU神经网络的超参数包括但不限于序列长度（Sequence）、隐含层层数（Layer）、学习率（LearningRate），所述序列长度（Sequence）优选为12，隐含层层数（Layer）优选为2、学习率（LearningRate）优选为1.0。单季度电缆温度预测网络在每次预测后输出全年四个季度的电缆温度预测信息。
在步骤S103中，获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息。
在本实施例中，对于待预测时间，本发明实施例首先确认该待预测时间所属的季节，获取所述季节对应的单季度电缆温度预测网络，预测输出该待预测时间对应的第一季度温度预测信息；再采用全季度电缆温度预测网络进行预测，得到所述待预测时间对应的第二季度温度预测信息；然后根据所述单季度电缆温度预测网络和全季度电缆温度预测网络的预测精度对两个预测网络输出的电缆温度预测信息进行加权求和，从而得到所述待预测时间对应的季度温度综合预测信息。可选地，如图4所示，所述步骤S103还包括：
在步骤S1031中，根据所述待预测时间所属季节获取对应的单季度电缆温度预测网络；
在步骤S1032中，采用所述单季度电缆温度预测网络对所述待预测时间进行预测，得到第一季度温度预测信息，所述第一季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；
在步骤S1033中，采用所述全季度电缆温度预测网络对所述待预测时间进行预测，得到第二季度温度预测信息，所述第二季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；
在步骤S1034中，对所述第一季度温度预测信息和第二季度温度预测信息进行加权求和，得到所述待预测时间对应的季度温度综合预测信息。
作为一示例，步骤S1031中，比如待预测时间为12月，则所述待预测时间所属季节对应的单季度电缆温度预测网络为冬季对应的单季度电缆温度预测网络。
步骤S1032中，若所述季节为冬季，则采用冬季对应的单季度电缆温度预测网路进 行预测，得到第一季度温度预测信息，包括第一传感器和第二传感器在连续时间上的温度 预测序列
Figure 211235DEST_PATH_IMAGE056
和
Figure 930929DEST_PATH_IMAGE057
，假设序列包括
Figure 37425DEST_PATH_IMAGE058
个连续时刻上的温度预测值，则：
Figure 842570DEST_PATH_IMAGE059
Figure 895977DEST_PATH_IMAGE060
。
作为一示例，步骤S1033中，采用全季度电缆温度预测网络进行预测，从全季度电 缆温度预测网络输出的温度预测序列中截取所述待预测时间所属季节对应时间段的温度 预测值，得到所述第二季度温度预测信息，包括第一传感器和第二传感器在连续时间点上 的温度预测序列
Figure 532494DEST_PATH_IMAGE061
和
Figure 747575DEST_PATH_IMAGE062
。假设序列包括
Figure 40016DEST_PATH_IMAGE063
个连续时刻上的温度预测信息， 则：
Figure 693851DEST_PATH_IMAGE064
Figure 122559DEST_PATH_IMAGE065
。
作为一示例，步骤S1034中，所述待预测时间对应的季度温度综合预测信息包括第 一传感器和第二传感器在连续时间点上的温度预测序列
Figure 774120DEST_PATH_IMAGE066
和
Figure 616174DEST_PATH_IMAGE067
。其中，
Figure 745804DEST_PATH_IMAGE068
Figure 91335DEST_PATH_IMAGE069
。
在上式中，
Figure 913797DEST_PATH_IMAGE070
表示第一传感器的温度预测值，
Figure 977568DEST_PATH_IMAGE071
表示第二传感 器的温度预测值；
Figure 910889DEST_PATH_IMAGE072
表示全季度电缆温度预测网络对第一传感器的训练预测精度，
Figure 110926DEST_PATH_IMAGE073
表示单季度电缆温度预测网络对第一传感器的训练预测精度，
Figure 104290DEST_PATH_IMAGE074
；
Figure 655357DEST_PATH_IMAGE075
表示全季度电缆温度预测网络对第二传感器的训练预测精度，
Figure 392369DEST_PATH_IMAGE076
表示单季度电缆温度 预测网络对第二传感器的训练预测精度。
在步骤S104中，将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测。
在通过步骤S103得到所述待预测时间对应的季度温度综合预测信息
Figure 650175DEST_PATH_IMAGE077
和
Figure 876757DEST_PATH_IMAGE078
，分别将所述
Figure 852803DEST_PATH_IMAGE077
和
Figure 127927DEST_PATH_IMAGE078
输入至步骤S101构建的专家系统PSO- SVM分类系统中，以判断出电缆状态是否存在异常。
上述步骤S1023提到对所述四季度对应的电缆温度训练样本季度集进行数据交错 处理。在这里，数据交错是指将其中一个电缆温度训练样本季度集中的数据和其余3个电缆 温度训练样本季度集中的数据进行部分交换。这里以其中一个季度对应的电缆训练样本季 度集
Figure 568135DEST_PATH_IMAGE079
为例进行详细的描述，其他季度对应的电缆训练样本季度集的数据交错步骤相同。 作为本发明的一个优选实例，如图5所示，步骤S1023还可以包括：
S1：对于一个季度，获取所述季度对应的电缆温度训练样本季度集及其样本总数。
其中，所述样本总数是指一个季度对应的电缆温度训练样本季度集中所包含的电 缆温度信息的总数，记为
Figure 637723DEST_PATH_IMAGE080
。
S2：根据所述样本总数确定交换集中的交换样本的目标个数。
其中，所述交换集是指从一个电缆温度训练样本季度集抽取的用于并入另一个电 缆温度训练样本季度集的数据集合。可选地，所述交换集中的交换样本的目标个数
Figure 163382DEST_PATH_IMAGE081
。所述交换样本为交换集中的一个元素。所述交换集包括
Figure 242196DEST_PATH_IMAGE082
个交换样本。
S3：从1到所述样本总数的区间中获取一个随机数，获取所述随机数对应到所述电缆温度训练样本季度集中的电缆温度训练样本作为一个交换样本，重复执行若干次直至获取到的交换样本个数达到所述目标个数，得到一个交换集。
其中，所述电缆温度训练样本季度集中的电缆温度训练样本按采集时间选后排 列。假设一个交换样本记为
Figure 474595DEST_PATH_IMAGE083
，
Figure 777400DEST_PATH_IMAGE084
，
Figure 993618DEST_PATH_IMAGE085
，
Figure 610544DEST_PATH_IMAGE086
表示样本总数，
Figure 759765DEST_PATH_IMAGE087
表示从1到样本总数
Figure 436734DEST_PATH_IMAGE088
的区间内获取一 个随机数。假设随机数为
Figure 417546DEST_PATH_IMAGE089
，
Figure 634901DEST_PATH_IMAGE090
表示从电缆温度训练样本 季度集中选取第
Figure 841891DEST_PATH_IMAGE089
个电缆温度信息，作为交换样本
Figure 486499DEST_PATH_IMAGE091
。
重复执行步骤S3，直至获取到的交换样本个数达到所述目标个数
Figure 146151DEST_PATH_IMAGE092
。组合所获 得的所有交换样本
Figure 370459DEST_PATH_IMAGE091
，从而得到所述电缆温度训练样本季度集
Figure 494272DEST_PATH_IMAGE093
的一个所述交换集
Figure 513044DEST_PATH_IMAGE094
。
S4：重复执行步骤S2和S3，分别得到其余3个季度对应的交换集，将所述交换集并入对应的电缆温度训练样本季度集中。
由于一年有四个季度，一个季度对应的电缆温度训练样本季度集需要与其余3个 季度对应的电缆温度训练样本季度集进行交错，比如春季的电缆温度训练样本季度集需要 与夏季、秋季、冬季的电缆温度训练样本季度集进行交错，每一次交错对应一个交换集。本 发明实施例重复执行步骤S2和S3，获取所述电缆温度训练样本季度集
Figure 722308DEST_PATH_IMAGE095
的三个交换集
Figure 484728DEST_PATH_IMAGE096
、
Figure 400732DEST_PATH_IMAGE097
、
Figure 652721DEST_PATH_IMAGE098
。然后分别将所述交换集
Figure 286965DEST_PATH_IMAGE096
、
Figure 649813DEST_PATH_IMAGE097
、
Figure 420323DEST_PATH_IMAGE098
分别并入一个电缆温度训练样本季度 集中。比如当所述电缆温度训练样本季度集
Figure 577635DEST_PATH_IMAGE095
对应为春季时，则将所述交换集
Figure 761492DEST_PATH_IMAGE096
、
Figure 600135DEST_PATH_IMAGE097
、
Figure 756309DEST_PATH_IMAGE098
分别并入夏季、秋季、冬季对应的电缆温度训练样本季度集中，至此完成对一次数据交 错操作。
S5：遍历四个季度中的每一个季度，重复执行上述步骤S1至步骤S4。
在完成对春季的电缆温度训练样本季度集与夏季、秋季、冬季的电缆温度训练样 本季度集的数据交错之后，继续重复执行步骤S1至步骤S4，对夏季的电缆温度训练样本季 度集与春季、秋季、冬季的电缆温度训练样本季度集进行数据交错；继续重复执行步骤S1至 步骤S4，对秋季的电缆温度训练样本季度集与春季、夏季、冬季的电缆温度训练样本季度集 进行数据交错；继续重复执行步骤S1至步骤S4，对冬季的电缆温度训练样本季度集与春季、 夏季、秋季的电缆温度训练样本季度集进行数据交错。重复执行4次步骤S1至步骤S4之后， 获得交错处理后四季度对应的电缆温度训练样本季度集
Figure 350102DEST_PATH_IMAGE099
。
本发明实施例通过对四季度对应的电缆温度训练样本季度集进行交错处理，将交 错处理后四季度对应的电缆温度训练样本季度集
Figure 693358DEST_PATH_IMAGE100
用于进行单季度电缆温度预测网络的 训练，能够使得训练过程不易陷入过拟合，进而提高单季度电缆温度预测网络的泛化能力。
本发明实施例提供的电缆温度异常预测方法，通过先构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息；然后构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息，充分地利用了不同季节的电缆温度信息的相似度，有利于提高预测温度的精度；对于待预测时间，根据所述待预测时间所属季度采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；最后将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测；从而有效地提高了电缆温度预测的精度，提升了预测方法的泛化能力，对于未来时刻的温度数据能够给出更精确的预测曲线，有利于提供及时的电缆故障预警，预防电缆火灾等事故。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，本发明还提供一种电缆温度异常预测装置，该电缆温度异常预测装置与上述实施例中电缆温度异常预测方法一一对应。如图6所示，该电缆温度异常预测装置包括分类器构建模块61、预测网络构建模块62、预测模块63、异常监测模块64。各功能模块详细说明如下：
分类器构建模块61，用于构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息；
预测网络构建模块62，用于构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息；
预测模块63，获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；
异常监测模块64，用于将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测。
可选地，所述分类器构建模块61包括：
标注单元，用于对预设的电缆温度数据标注为正常数据或异常数据，得到电缆温度标注样本集；
初始化单元，用于初始化PSO算法种群；
设置单元，用于根据所述PSO算法种群设置SVM分类器；
训练单元，用于采用所述电缆温度标注样本集对所述SVM分类器进行训练，根据训练结果计算泛化能力评价指标；
计算单元，用于根据所述泛化能力评价指标计算所述PSO算法种群的适应度；当所述适应度为最优值时停止训练，否则继续优化PSO算法种群训练SVM分类器。
可选地，所述标注单元具体用于：
获取k时刻下的电缆温度信息，所述电缆温度信息包括第一传感器检测到的第一温度信息和第二传感器检测到的第二温度信息；
若所述第一温度信息和第二温度信息满足预设条件之一时，将所述k时刻下的电缆温度信息标注为异常数据，否则标注为正常数据；
其中，所述预设条件包括所述第一温度信息和第二温度信息的差的绝对值大于或等于第一预设阈值、所述第一温度信息大于或等于第二预设阈值、所述第二温度信息大于或等于第二预设阈值、k时刻下的第一温度信息与k-1时刻下的第一温度信息的差的绝对值大于或等于第三预设阈值、k时刻下的第二温度信息与k-1时刻下的第二温度信息的差的绝对值大于或等于第三预设阈值。
可选地，所述PSO算法种群的适应度的计算公式为：
Figure 663589DEST_PATH_IMAGE101
其中，
Figure 674270DEST_PATH_IMAGE102
表示PSO算法种群的适应度，
Figure 376647DEST_PATH_IMAGE103
表示泛化能力评价指标，
Figure 269516DEST_PATH_IMAGE104
表示 适应度系数，
Figure 449962DEST_PATH_IMAGE105
表示随机噪声量，
Figure 580729DEST_PATH_IMAGE106
表示常量噪声。
可选地，所述预测网络构建模块62包括：
第一训练单元，用于获取电缆温度训练样本集，根据所述电缆温度训练样本集训练GRU神经网络，得到全季度电缆温度预测网络；
划分单元，用于将所述电缆温度训练样本集按照季度进行划分，得到四季度对应的电缆温度训练样本季度集；
交错处理单元，用于对所述四季度对应的电缆温度训练样本季度集进行数据交错处理；
第二训练单元，用于遍历每一季度，根据交错处理后该季度对应的电缆温度训练样本季度集训练GRU神经网络，得到对应的单季度电缆温度预测网络。
可选地，所述交错处理单元具体用于：
S1：对于一个季度，获取所述季度对应的电缆温度训练样本季度集及其样本总数；
S2：根据所述样本总数确定交换集中的交换样本的目标个数；
S3：从1到所述样本总数的区间中获取一个随机数，获取所述随机数对应到所述电缆温度训练样本季度集中的电缆温度训练样本作为一个交换样本，重复执行若干次直至获取到的交换样本个数达到所述目标个数，得到一个交换集；
S4：重复执行步骤S2和S3，分别得到其余3个季度对应的交换集，将所述交换集并入对应的电缆温度训练样本季度集中；
S5：遍历四个季度中的每一个季度，重复执行上述步骤S1至步骤S4。
可选地，所述预测模块63包括：
获取单元，用于根据所述待预测时间所属季节获取对应的单季度电缆温度预测网络；
第一预测单元，用于采用所述单季度电缆温度预测网络对所述待预测时间进行预测，得到第一季度温度预测信息，所述第一季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；
第二预测单元，用于采用所述全季度电缆温度预测网络对所述待预测时间进行预测，得到第二季度温度预测信息，所述第二季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；
融合单元，用于对所述第一季度温度预测信息和第二季度温度预测信息进行加权求和，得到所述待预测时间对应的季度温度综合预测信息。
关于电缆温度异常预测装置的具体限定可以参见上文中对于电缆温度异常预测方法的限定，在此不再赘述。上述电缆温度异常预测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7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、网络接口和数据库。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温度异常预测方法。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：
构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息；
构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息；
获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；
将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测。
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，所述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，本发明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/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电缆温度异常预测方法，其特征在于，所述方法包括：
构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息；
构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息；
获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；
将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测。
2.如权利要求1所述的电缆温度异常预测方法，其特征在于，所述构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息包括：
对预设的电缆温度数据标注为正常数据或异常数据，得到电缆温度标注样本集；
初始化PSO算法种群；
根据所述PSO算法种群设置SVM分类器；
采用所述电缆温度标注样本集对所述SVM分类器进行训练，根据训练结果计算泛化能力评价指标；
根据所述泛化能力评价指标计算所述PSO算法种群的适应度；
当所述适应度为最优值时停止训练，否则继续优化PSO算法种群训练SVM分类器。
3.如权利要求2所述的电缆温度异常预测方法，其特征在于，所述对预设的电缆温度数据标注为正常数据或异常数据，得到电缆温度标注样本集包括：
获取k时刻下的电缆温度信息，所述电缆温度信息包括第一传感器检测到的第一温度信息和第二传感器检测到的第二温度信息；
若所述第一温度信息和第二温度信息满足预设条件之一时，将所述k时刻下的电缆温度信息标注为异常数据，否则标注为正常数据；
其中，所述预设条件包括所述第一温度信息和第二温度信息的差的绝对值大于或等于第一预设阈值、所述第一温度信息大于或等于第二预设阈值、所述第二温度信息大于或等于第二预设阈值、k时刻下的第一温度信息与k-1时刻下的第一温度信息的差的绝对值大于或等于第三预设阈值、k时刻下的第二温度信息与k-1时刻下的第二温度信息的差的绝对值大于或等于第三预设阈值。
4.如权利要求2所述的电缆温度异常预测方法，其特征在于，所述PSO算法种群的适应度的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 963062DEST_PATH_IMAGE002
表示PSO算法种群的适应度，
Figure DEST_PATH_IMAGE003
表示泛化能力评价指标，
Figure 778702DEST_PATH_IMAGE004
表示适应度 系数，
Figure DEST_PATH_IMAGE005
表示随机噪声量，
Figure 364405DEST_PATH_IMAGE006
表示常量噪声。
5.如权利要求1所述的电缆温度异常预测方法，其特征在于，所述构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息包括：
获取电缆温度训练样本集，根据所述电缆温度训练样本集训练GRU神经网络，得到全季度电缆温度预测网络；
将所述电缆温度训练样本集按照季度进行划分，得到四季度对应的电缆温度训练样本季度集；
对所述四季度对应的电缆温度训练样本季度集进行数据交错处理；
遍历每一季度，根据交错处理后该季度对应的电缆温度训练样本季度集训练GRU神经网络，得到对应的单季度电缆温度预测网络。
6.如权利要求5所述的电缆温度异常预测方法，其特征在于，所述对所述四季度对应的电缆温度训练样本季度集进行数据交错处理包括：
S1：对于一个季度，获取所述季度对应的电缆温度训练样本季度集及其样本总数；
S2：根据所述样本总数确定交换集中的交换样本的目标个数；
S3：从1到所述样本总数的区间中获取一个随机数，获取所述随机数对应到所述电缆温度训练样本季度集中的电缆温度训练样本作为一个交换样本，重复执行若干次直至获取到的交换样本个数达到所述目标个数，得到一个交换集；
S4：重复执行步骤S2和S3，分别得到其余3个季度对应的交换集，将所述交换集并入对应的电缆温度训练样本季度集中；
S5：遍历四个季度中的每一个季度，重复执行上述步骤S1至步骤S4。
7.如权利要求1所述的电缆温度异常预测方法，其特征在于，所述根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息包括：
根据所述待预测时间所属季节获取对应的单季度电缆温度预测网络；
采用所述单季度电缆温度预测网络对所述待预测时间进行预测，得到第一季度温度预测信息，所述第一季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；
采用所述全季度电缆温度预测网络对所述待预测时间进行预测，得到第二季度温度预测信息，所述第二季度温度预测信息包括第一传感器和第二传感器在所述待预测时间所属季节的温度预测序列；
对所述第一季度温度预测信息和第二季度温度预测信息进行加权求和，得到所述待预测时间对应的季度温度综合预测信息。
8.一种电缆温度异常预测装置，其特征在于，所述装置包括：
分类器构建模块，用于构建PSO-SVM分类器，所述PSO-SVM分类器用于预测异常的电缆温度信息；
预测网络构建模块，用于构建每一季度对应的单季度电缆温度预测网络以及全季度电缆温度预测网络，所述单季度电缆温度预测网络用于预测单一季度的电缆温度信息，所述全季度电缆温度预测网络用于预测四个季度的电缆温度信息；
预测模块，获取待预测时间，根据所述待预测时间所属季节采用对应的单季度电缆温度预测网络和全季度电缆温度预测网络进行预测，得到所述待预测时间对应的季度温度综合预测信息；
异常监测模块，用于将所述待预测时间对应的季度温度综合预测信息输入至所述PSO-SVM分类器进行电缆温度异常监测。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的电缆温度异常预测方法。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至7任一项所述的电缆温度异常预测方法。
CN202211672586.7A 2022-12-26 2022-12-26 电缆温度异常预测方法、装置、介质及设备 Active CN115640918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211672586.7A CN115640918B (zh) 2022-12-26 2022-12-26 电缆温度异常预测方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211672586.7A CN115640918B (zh) 2022-12-26 2022-12-26 电缆温度异常预测方法、装置、介质及设备

Publications (2)

Publication Number Publication Date
CN115640918A true CN115640918A (zh) 2023-01-24
CN115640918B CN115640918B (zh) 2023-04-07

Family

ID=84950028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211672586.7A Active CN115640918B (zh) 2022-12-26 2022-12-26 电缆温度异常预测方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN115640918B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116626543A (zh) * 2023-07-21 2023-08-22 无锡市环球电器装备有限公司 基于集肤效应的加热电缆故障检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN102750543A (zh) * 2012-05-31 2012-10-24 西南交通大学 一种基于bud谱峭度的暂态电能质量扰动分类识别方法
CN107862457A (zh) * 2017-11-03 2018-03-30 河海大学 一种水库分期调度规则提取方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN110009135A (zh) * 2019-03-08 2019-07-12 浙江大学 一种基于宽度学习的风电功率预测方法
CN110210606A (zh) * 2019-06-04 2019-09-06 国网江苏省电力有限公司电力科学研究院 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN102750543A (zh) * 2012-05-31 2012-10-24 西南交通大学 一种基于bud谱峭度的暂态电能质量扰动分类识别方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN107862457A (zh) * 2017-11-03 2018-03-30 河海大学 一种水库分期调度规则提取方法
CN110009135A (zh) * 2019-03-08 2019-07-12 浙江大学 一种基于宽度学习的风电功率预测方法
CN110210606A (zh) * 2019-06-04 2019-09-06 国网江苏省电力有限公司电力科学研究院 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116626543A (zh) * 2023-07-21 2023-08-22 无锡市环球电器装备有限公司 基于集肤效应的加热电缆故障检测方法及系统
CN116626543B (zh) * 2023-07-21 2023-09-26 无锡市环球电器装备有限公司 基于集肤效应的加热电缆故障检测方法及系统

Also Published As

Publication number Publication date
CN115640918B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Wang et al. Deep separable convolutional network for remaining useful life prediction of machinery
Froelich et al. Evolutionary learning of fuzzy grey cognitive maps for the forecasting of multivariate, interval-valued time series
Gao et al. A neural network-based joint prognostic model for data fusion and remaining useful life prediction
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
KR20220117336A (ko) 소비 전력을 예측하기 위한 방법 및 장치, 디바이스 및 판독 가능한 저장 매체
JP2022524244A (ja) 将来の動作の予測分類
Yan et al. Using labeled autoencoder to supervise neural network combined with k-nearest neighbor for visual industrial process monitoring
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
Jiang et al. Deep discriminative representation learning for nonlinear process fault detection
CN104598984B (zh) 一种基于模糊神经网络的故障预测方法
CN106250988A (zh) 基于样本特性的相关向量回归增量学习算法及系统
CN115640918B (zh) 电缆温度异常预测方法、装置、介质及设备
CN115271186B (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
Kadri et al. New LSTM deep learning algorithm for driving behavior classification
Xu et al. Pressure prediction and abnormal working conditions detection of water supply network based on LSTM
KR20210056296A (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
Boujamza et al. Attention-based LSTM for remaining useful life estimation of aircraft engines
CN113053113A (zh) 一种基于PSO-Welsch-Ridge的异常检测方法及装置
He et al. A systematic method of remaining useful life estimation based on physics-informed graph neural networks with multisensor data
CN115660226A (zh) 电力负荷的预测模型构建方法和基于数字孪生的构建装置
Li et al. An adaptive prognostics method based on a new health index via data fusion and diffusion process
CN115458071A (zh) 土壤重金属含量预测方法、装置与设备
Poczeta et al. Application of fuzzy cognitive maps with evolutionary learning algorithm to model decision support systems based on real-life and historical data
KR20210050412A (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
Mohmad Hassim et al. Functional link neural network–artificial bee colony for time series temperature prediction

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
TR01 Transfer of patent right

Effective date of registration: 20230710

Address after: 510700 room 3010, No. 26, Ningcai Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Guangdong Anheng Power Technology Co.,Ltd.

Address before: 528402, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan

Patentee before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE

TR01 Transfer of patent right