CN115761405A - 一种高压电缆运行状态确定方法 - Google Patents

Abstract

本发明公开了一种高压电缆运行状态确定方法，其特征在于，包括：S1、获取部署在高压电缆的多个传感器的数据，所述高压电缆包括导体层、内半导体层、绝缘层、外半导体层、铜屏蔽层、金属铠装层、护套层，所述多个传感器包括厚度传感器、震动传感器、温度传感器、电压传感器、电流传感器、真空度传感器；S2、卷积神经网络模型基于多个传感器的数据进行图像重建，生成高压电缆的二维剖面图，所述二维剖面图可以显示出高压电缆的多个物理参数；S3、通过图神经网络模型对所述二维剖面图进行处理，确定出高压电缆运行状态。

Description

一种高压电缆运行状态确定方法

技术领域

本发明涉及高压电缆领域，具体涉及一种高压电缆运行状态确定方法。

背景技术

高压电缆在运行过程中，会受到温度、电场、环境等多种因素的作用，性能会出现老化或故障，进而引起突发性的电缆故障。另外在交联电缆制造、敷设、施工安装过程中存在的一些缺陷，通过交接试验后，在运行过程中这些缺陷会引起绝缘加速老化，从而引发故障，甚至引起大面积停电。在运行中的电缆绝缘老化状况一直是电网运行单位关注的重点，但目前国内外对高压电缆绝缘老化的研究大多是未投入运行的新电缆，对已运行高压电缆运行状态的研究还较少。

提前确定好高压电缆的运行状态，并做出针对性的维修，可以避免高压电缆突然发生故障后引发的电能输送事故，因此如何确定高压电缆运行状态，是目前亟待解决的问题。

发明内容

本发明主要解决的技术问题是如何准确的确定高压电缆的运行状态。

根据第一方面，一种实施例中提供一种高压电缆运行状态确定方法，包括：

S1、获取部署在高压电缆的多个传感器的数据，所述高压电缆包括导体层、内半导体层、绝缘层、外半导体层、铜屏蔽层、金属铠装层、护套层，所述多个传感器包括厚度传感器、震动传感器、温度传感器、电压传感器、电流传感器、真空度传感器；S2、卷积神经网络模型基于多个传感器的数据进行图像重建，生成高压电缆的二维剖面图，所述二维剖面图可以显示出高压电缆的多个物理参数；S3、通过图神经网络模型对所述二维剖面图进行处理，确定出高压电缆运行状态。

在一实施例中，所述多个物理参数包括导体层厚度和直径、内半导体层厚度和直径、绝缘层厚度和直径、外半导体层厚度和直径、铜屏蔽层厚度和直径、金属铠装层厚度和直径、护套层厚度和直径。

在一实施例中，所述卷积神经网络模型基于多个传感器的数据进行图像重建，生成高压电缆的二维剖面图，包括：将所述多个传感器的数据作为输入，通过卷积神经网络模型输出得到高压电缆的二维剖面图。

在一实施例中，所述二维剖面图的构成包括多个节点和多个边，所述二维剖面图的多个节点为导体层、内半导体层、绝缘层、外半导体层、铜屏蔽层、金属铠装层、护套层，所述多个边为多个节点之间的关系，所述通过图神经网络对所述二维剖面图进行处理确定出高压电缆运行状态，包括：将所述多个节点和所述多个边输入到图神经网络模型，输出得到高压电缆运行状态。

根据第二方面，一种实施例中提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的高压电缆运行状态确定方法的步骤。

根据第三方面，一种实施例中提供一种电子设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如第一方面所述的方法。

根据第四方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上述第一方面中任一项所述的方法。

依据上述实施例的高压电缆运行状态确定方法、程序产品、设备和计算机可读存储介质，通过卷积神经网络构建高压电缆的二维剖面图，再基于图神经网络对二维剖面图进行处理，从而确定出高压电缆运行状态。该方法能够快速的检测出高压电缆的运行状态，从而使得工作人员可以针对高压电缆的运行状态做出针对性处理，避免了高压电缆突然故障所带来的工厂停工、用户停电等突发状况。

附图说明

图1为本发明实施例提供的一种高压电缆运行状态确定方法的流程示意图；

图2为本发明实施例提供的一种高压电缆二维剖面结构的示意图；

图3为本发明实施例提供的一种高压电缆运行状态的电子设备的示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本发明能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本发明相关的一些操作并没有在说明书中显示或者描述，这是为了避免本发明的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本发明所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。

本发明实施例中，提供了如图1所示的一种高压电缆运行状态确定方法，包括步骤S1～S3：

步骤S1，获取部署在高压电缆的多个传感器的数据。

高压电缆是电压等级在1kV伏以上至750KV的电缆。主要用于电力部门输送电力、电压变换。高压电缆一般常用于远距离输送电力，变电站用于电压等级变换。

高压电缆根据耐压等级有多种类型，可以分为：1.油浸纸绝缘电缆，耐压等级有1KV～750KV。2.塑料绝缘电缆，耐压等级1KV～220KV。3.橡皮绝缘电缆，耐压等级1KV～138KV。4.气体绝缘电缆，耐压等级220KV～500KV。

高压电缆包括导体层、内半导体层、绝缘层、外半导体层、铜屏蔽层、金属铠装层、护套层。作为示例，图2为一实施例中的高压电缆二维剖面结构示意图。

在一些实施例中，高压电缆可以被分为多段，可以分别对每段传感器数据进行获取，以确定各段的运行状态。

高压电缆中可以布置有多个传感器用于测量高压电缆的运行参数，例如，多个传感器包括厚度传感器、震动传感器、温度传感器、电压传感器、电流传感器、真空度传感器。多个传感器测量出的参数包括高压电缆各层的厚度、震动频率、温度、电压、电流、真空度。

厚度传感器用于测量出高压电缆各层的厚度或各层的平整度，厚度传感器包括电感式位移传感器、电容式位移传感器、电位器式位移传感器、霍尔式位移传感器、激光位移传感器。

步骤S2，卷积神经网络模型基于多个传感器的数据进行图像重建，生成高压电缆的二维剖面图。

卷积神经网络模型包括卷积神经网络。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。

在一些情况下，厚度传感器由于其本身测量精度、温度、电压的影响，测量出的数值不一定准确，所以需要和其他传感器的数值进行结合，综合考虑才能准确的生成高压电缆的二维剖面图。

多个传感器的数据表示传感器对高压电缆各个层进行测量后得到的数据，表明了各个层的运行数据。例如通过厚度传感器测量出导体层直径为5毫米、绝缘层厚度为5毫米。卷积神经网络可以综合各个传感器的数据对高压电缆进行图像重建，生成高压电缆的二维剖面图。

二维剖面图又称剖切图，是通过对有关的图形按照一定剖切方向所展示的内部构造图例，二维剖面图是假想用一个剖切平面将物体剖开，移去介于观察者和剖切平面之间的部分，对于剩余的部分向投影面所做的正投影图。

如图2所示，高压电缆的二维剖面图可以显示出高压电缆的多个物理参数，例如，所述多个物理参数包括导体层厚度和直径、内半导体层厚度和直径、绝缘层厚度和直径、外半导体层厚度和直径、铜屏蔽层厚度和直径、金属铠装层厚度和直径、护套层厚度和直径。又例如，多个物理参数可以包括各个层之间的位置关系。

通过二维剖面图可以发现高压电缆存在的问题，例如绝缘层厚度小于正常厚度，则可以说明绝缘层出现故障。又例如，导体层厚度小于正常厚度，则可以说明导体层存在导电性能故障。又例如，绝缘层与导体层的位置靠的过于紧密，可能会降低绝缘效果，则表示可能存在老化情况。

卷积神经网络可以通过多组训练样本训练得到。例如多组训练样本包括多个样本传感器的数据以及对应高压电缆的二维剖面图。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。

步骤S3，通过图神经网络模型对所述二维剖面图进行处理确定出高压电缆运行状态。

在一些实施例中，图神经网络模型可以包括图神经网络和全连接层。图神经网络是一种直接作用于图上的神经网络，所述图是由顶点和边两部分组成的一种数据结构。图神经网络模型基于信息传播机制，每一个节点通过相互交换信息来更新自己的节点状态，直至达到某一个稳定值，图神经网络模型的输出就是在每个节点处，根据当前节点状态分别计算输出。

在一些实施例中，图神经网络模型可以包括多层图神经网络。多层图神经网络训练或实际应用过程中，每一层每个节点从与之连接(例如，相邻)的节点接收信息，并进行节点之间的信息融合，经过多层图神经网络之后，每一层中的节点可以与更远的节点(例如，与之不连接或相邻的节点)进行信息融合，提高了分类准确性。

在一些实施例中，图神经网络模型可以包括图神经网络和全连接层，图神经网络的输出可以连接到全连接层，全连接层输出分类结果。分类结果包括良好、老化、部分存在故障、完全故障。

二维剖面图的构成包括多个节点和多个边，例如，二维剖面图的多个节点为导体层、内半导体层、绝缘层、外半导体层、铜屏蔽层、金属铠装层、护套层，所述多个边为多个节点之间的关系，多个节点之间的关系包括各个层之间的位置关系。

图神经网络模型可以是预先训练好的模型。在一实施例中，图神经网络模型可以通过多个训练样本训练得到，所述多个训练样本包括多个样本二维剖面图及其对应的高压电缆运行状态，所述多个样本二维剖面图包括多个节点和多个边。训练好的图神经网络模型可以对二维剖面图进行处理，综合二维剖面图中各层的位置以及相互之间位置关系，分析判断出高压电缆运行状态。

例如从二维剖面图中看出绝缘层厚度小于1毫米，则图神经网络模型对二维剖面图进行处理后，输出得到完全故障。通过图神经网络模型对二维剖面图进行故障判断，避免了人的误判，也提高了判断效率。

在一实施例中，高压电缆运行状态包括良好、老化、部分存在故障、完全故障。例如图神经网络的输出可以为良好、老化、部分存在故障、完全故障分别对应的概率，例如良好的概率为90％、老化的概率为5％、部分存在故障的概率为3％、完全故障的概率为2％。

在一些实施例中，若检测出高压电缆存在故障后，则派出专人进行维修。

基于同一发明构思，本发明的实施例提供了一种电子设备，如图3所示，包括：

处理器41；用于存储处理器41中可执行程序指令的存储器42；其中，处理器41被配置为执行以实现如前述提供的一种高压电缆运行状态确定的方法，所述方法包括：

S1、获取部署在高压电缆的多个传感器的数据，所述高压电缆包括导体层、内半导体层、绝缘层、外半导体层、铜屏蔽层、金属铠装层、护套层，所述多个传感器包括厚度传感器、震动传感器、温度传感器、电压传感器、电流传感器、真空度传感器；

S2、卷积神经网络模型基于多个传感器的数据进行图像重建，生成高压电缆的二维剖面图，所述二维剖面图可以显示出高压电缆的多个物理参数；

S3、通过图神经网络模型对所述二维剖面图进行处理，确定出高压电缆运行状态。

基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器41执行时，使得电子设备能够执行实现如前述提供的高压电缆运行状态确定方法，所述方法包括:

S1、获取部署在高压电缆的多个传感器的数据，所述高压电缆包括导体层、内半导体层、绝缘层、外半导体层、铜屏蔽层、金属铠装层、护套层，所述多个传感器包括厚度传感器、震动传感器、温度传感器、电压传感器、电流传感器、真空度传感器；

S2、卷积神经网络模型基于多个传感器的数据进行图像重建，生成高压电缆的二维剖面图，所述二维剖面图可以显示出高压电缆的多个物理参数；

S3、通过图神经网络模型对所述二维剖面图进行处理，确定出高压电缆运行状态。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种高压电缆运行状态确定方法，其特征在于，包括：

S1、获取部署在高压电缆的多个传感器的数据，所述高压电缆包括导体层、内半导体层、绝缘层、外半导体层、铜屏蔽层、金属铠装层和护套层，所述多个传感器包括厚度传感器、震动传感器、温度传感器、电压传感器、电流传感器和真空度传感器；

S2、卷积神经网络模型基于多个传感器的数据进行图像重建，生成高压电缆的二维剖面图，所述二维剖面图能够显示出高压电缆的多个物理参数；

S3、通过图神经网络模型对所述二维剖面图进行处理，确定出高压电缆运行状态。

2.如权利要求1所述的高压电缆运行状态确定方法，其特征在于，所述多个物理参数包括导体层厚度和直径、内半导体层厚度和直径、绝缘层厚度和直径、外半导体层厚度和直径、铜屏蔽层厚度和直径、金属铠装层厚度和直径、护套层厚度和直径。

3.如权利要求2所述的高压电缆运行状态确定方法，其特征在于，所述卷积神经网络模型基于多个传感器的数据进行图像重建，生成高压电缆的二维剖面图，包括：将所述多个传感器的数据作为输入，通过卷积神经网络模型输出得到高压电缆的二维剖面图。

4.如权利要求1所述的高压电缆运行状态确定方法，其特征在于，所述二维剖面图的构成包括多个节点和多个边，所述二维剖面图的多个节点为导体层、内半导体层、绝缘层、外半导体层、铜屏蔽层、金属铠装层和护套层，所述多个边为多个节点之间的关系，通过图神经网络对所述二维剖面图进行处理确定出高压电缆运行状态，包括：将所述多个节点和所述多个边输入到图神经网络模型，输出得到高压电缆运行状态。

5.如权利要求4所述的高压电缆运行状态确定方法，所述图神经网络模型包括图神经网络和全连接层。

6.如权利要求5所述的高压电缆运行状态确定方法，其特征在于，所述高压电缆运行状态包括良好、老化、部分存在故障和完全故障。

7.如权利要求1所述的高压电缆运行状态确定方法，所述高压电缆包括油浸纸绝缘电缆、塑料绝缘电缆、橡皮绝缘电缆和气体绝缘电缆。

8.一种计算机程序产品，包括计算机程序，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任一项所述的高压电缆运行状态确定方法的步骤。

9.一种电子设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1～7任一种所述的高压电缆运行状态确定方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～7任一项所述的高压电缆运行状态确定方法对应的步骤。

Images