CN116070302A - 一种电缆绝缘状态的预测方法及装置 - Google Patents

Abstract

本发明公开了一种电缆绝缘状态的预测方法及装置，其方法包括：获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本，通过多物理场仿真计算方法，根据电缆接头结构参数，计算待测电缆的电缆表面温度、电缆电流数据和环境温度，采用麻雀搜索算法和核极限学习机算法，基于电缆绝缘状态训练样本，建立绝缘状态预测模型，将电缆表面温度、电缆电流数据和环境温度输入到绝缘状态预测模型，计算得到待测电缆的绝缘状态预测结果数据。有利于解决现有的电缆绝缘状态预测方法因没有考虑电缆接头仿真推演数据和涉及的数据不够多元化导致预测的电缆接头绝缘状态不精确的技术问题，提高了电缆绝缘状态的预测准确性。

Description

一种电缆绝缘状态的预测方法及装置

技术领域

本发明涉及预测电缆绝缘状态的技术领域，尤其涉及一种电缆绝缘状态的预测方法及装置。

背景技术

电力行业在各个领域扮演着重要的角色，一旦出现电力故障，必然造成巨大的经济损失。电力电缆作为电能传输和分配的重要载体，在近年来的电网建设中逐年递增，促进了电力工业的高质量发展。然而城市化发展与电力电缆敷设的持续进行，电缆与土地资源的矛盾愈演愈烈，为实现电网建设的可持续发展，需在现有基础上一定程度地提高电力电缆输电效率。电缆温度直接决定其载流能力，是安全运行的关键参量，温度过高会加快其老化速度。

电缆终端-中间接头是整体电缆中最为薄弱的地方，其故障率占比较大，导致电缆系统供电可靠性降低。电缆接头缺陷会造成局部电场畸变，产生间隙放电，且放电引起的应力集中与高温会导致绝缘介质击穿、烧毁等，并且电缆终端-中间接头的绝缘劣化直接降低电缆的使用寿命。所以，精准诊断电缆接头绝缘老化的等级对故障的早期预警与及时采取检修措施有重大意义。

目前在电缆接头绝缘劣化/老化状态预测方面，绝大多数研究都是通过试验或者历史运行数据实现预测，未考虑到电缆接头仿真推演数据，结合的数据不够多元化，导致其评估电缆接头绝缘劣化状态时不够系统、精准。

因此，为了提高电缆绝缘状态的预测准确性，解决目前存在的现有的电缆绝缘状态预测方法因没有考虑电缆接头仿真推演数据和涉及的数据不够多元化导致预测的电缆接头绝缘状态不精确的技术问题，亟需构建一种电缆绝缘状态的预测方法。

发明内容

本发明提供了一种电缆绝缘状态的预测方法及装置，解决了目前存在的现有的电缆绝缘状态预测方法因没有考虑电缆接头仿真推演数据和涉及的数据不够多元化导致预测的电缆接头绝缘状态不精确的技术问题。

第一方面，本发明提供了一种电缆绝缘状态的预测方法，包括：

获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本；所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签；

通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度；

采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型；

将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据。

可选地，获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本，包括：

获取所述待测电缆的初步电缆接头结构参数，以及所述电缆数据库的初步电缆绝缘状态训练样本；

剔除所述初步电缆接头结构参数和所述初步电缆绝缘状态训练样本中的异常数据，得到所述待测电缆的电缆接头结构参数和所述电缆数据库的电缆绝缘状态训练样本。

可选地，通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度，包括：

构建与所述电缆接头结构参数对应的所述待测电缆的电缆接头暂态等效热路模型；

通过所述多物理场仿真计算方法，根据所述电缆接头暂态等效热路模型，计算所述待测电缆的所述电缆表面温度、所述电缆电流数据和所述环境温度。

可选地，采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型，包括：

建立与所述历史电缆绝缘状态数据电缆及对应的样本类别标签对应的初步绝缘状态预测模型；

采用所述麻雀搜索算法和所述核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型；

基于所述所述历史电缆绝缘状态数据及对应的样本类别标签，验证所述训练后的初步绝缘状态预测模型，得到所述绝缘状态预测模型。

可选地，采用所述麻雀搜索算法和所述核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型，包括：

将所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度输入初步绝缘状态预测模型，生成对应的样本类别；

根据所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度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，采用所述麻雀搜索算法和所述核极限学习机算法，对所述初步绝缘状态预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步绝缘状态预测模型，得到所述训练后的初步绝缘状态预测模型。

第二方面，本发明提供了一种电缆绝缘状态的预测装置，包括：

获取模块，用于获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本；所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签；

计算模块，用于通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度；

建立模块，用于采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型；

预测模块，用于将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据。

可选地，所述获取模块包括：

获取子模块，用于获取所述待测电缆的初步电缆接头结构参数，以及所述电缆数据库的初步电缆绝缘状态训练样本；

剔除子模块，用于剔除所述初步电缆接头结构参数和所述初步电缆绝缘状态训练样本中的异常数据，得到所述待测电缆的电缆接头结构参数和所述电缆数据库的电缆绝缘状态训练样本。

可选地，所述计算模块包括：

构建子模块，用于构建与所述电缆接头结构参数对应的所述待测电缆的电缆接头暂态等效热路模型；

计算子模块，用于通过所述多物理场仿真计算方法，根据所述电缆接头暂态等效热路模型，计算所述待测电缆的所述电缆表面温度、所述电缆电流数据和所述环境温度。

可选地，所述建立模块包括：

建立子模块，用于建立与所述历史电缆绝缘状态数据电缆及对应的样本类别标签对应的初步绝缘状态预测模型；

训练子模块，用于采用所述麻雀搜索算法和所述核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型；

验证子模块，用于基于所述所述历史电缆绝缘状态数据及对应的样本类别标签，验证所述训练后的初步绝缘状态预测模型，得到所述绝缘状态预测模型。

可选地，所述训练子模块包括：

生成单元，用于将所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度输入初步绝缘状态预测模型，生成对应的样本类别；

误差单元，用于根据所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度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，采用所述麻雀搜索算法和所述核极限学习机算法，对所述初步绝缘状态预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步绝缘状态预测模型，得到所述训练后的初步绝缘状态预测模型。

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绝缘状态的预测方法，通过获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本，所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签，通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度，采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型，将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据，通过一种电缆绝缘状态的预测方法，解决了目前存在的现有的电缆绝缘状态预测方法因没有考虑电缆接头仿真推演数据和涉及的数据不够多元化导致预测的电缆接头绝缘状态不精确的技术问题，提高了电缆绝缘状态的预测准确性。

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绝缘状态的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绝缘状态的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绝缘状态的预测方法中电缆本体暂态热路模型的结构示意图；

图4为本发明的一种电缆绝缘状态的预测方法中电缆本体暂态热路模型的简化结构示意图；

图5为本发明的一种电缆绝缘状态的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绝缘状态的预测方法及装置，用于解决目前存在的现有的电缆绝缘状态预测方法因没有考虑电缆接头仿真推演数据和涉及的数据不够多元化导致预测的电缆接头绝缘状态不精确的技术问题。

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绝缘状态的预测方法实施例一的流程步骤图，包括：

步骤S101，获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本；所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签；

在本发明实施例中，获取所述待测电缆的初步电缆接头结构参数，以及所述电缆数据库的初步电缆绝缘状态训练样本，剔除所述初步电缆接头结构参数和所述初步电缆绝缘状态训练样本中的异常数据，得到所述待测电缆的电缆接头结构参数和所述电缆数据库的电缆绝缘状态训练样本。

步骤S102，通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度；

在本发明实施例中，构建与所述电缆接头结构参数对应的所述待测电缆的电缆接头暂态等效热路模型，通过所述多物理场仿真计算方法，根据所述电缆接头暂态等效热路模型，计算所述待测电缆的所述电缆表面温度、所述电缆电流数据和所述环境温度。

步骤S103，采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型；

在本发明实施例中，建立与所述历史电缆绝缘状态数据电缆及对应的样本类别标签对应的初步绝缘状态预测模型，采用所述麻雀搜索算法和所述核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型，基于所述所述历史电缆绝缘状态数据及对应的样本类别标签，验证所述训练后的初步绝缘状态预测模型，得到所述绝缘状态预测模型。

步骤S104，将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据。

在本发明实施例所提供的一种电缆绝缘状态的预测方法，通过获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本，所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签，通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度，采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型，将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据，通过一种电缆绝缘状态的预测方法，解决了目前存在的现有的电缆绝缘状态预测方法因没有考虑电缆接头仿真推演数据和涉及的数据不够多元化导致预测的电缆接头绝缘状态不精确的技术问题，提高了电缆绝缘状态的预测准确性。

实施例二，请参阅图2，图2为本发明的一种电缆绝缘状态的预测方法的流程步骤图，包括：

步骤S201，获取所述待测电缆的初步电缆接头结构参数，以及所述电缆数据库的初步电缆绝缘状态训练样本；

步骤S202，剔除所述初步电缆接头结构参数和所述初步电缆绝缘状态训练样本中的异常数据，得到所述待测电缆的电缆接头结构参数和所述电缆数据库的电缆绝缘状态训练样本；所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签；

在本发明实施例中，通过基于密度的聚类算法，剔除所述初步电缆接头结构参数和所述初步电缆绝缘状态训练样本中的异常数据，得到所述待测电缆的电缆接头结构参数和所述电缆数据库的电缆绝缘状态训练样本。

在具体实现中，数据质量的好坏直接影响着预测的精度，而数据库中或多或少存在一些质量差的数据，所以在输入模型之前，需进行数据清洗。采用DBSCAN算法对输入参量与输出参量进行聚类分析，首先通过计算邻域内数据距离、一阶差分、差分突变点等获得DBSCAN的子集，然后结合源集特征修正子集特征，计算子集与源集的相似度，标记处异常子集，遍历所有数据，剔除所有异常数据。

步骤S203，构建与所述电缆接头结构参数对应的所述待测电缆的电缆接头暂态等效热路模型；

在本发明实施例中，以电缆接头结构参数为依据，构建对应的待测电缆的电缆接头暂态等效热路模型。

在具体实现中，请参阅图3，图3为本发明的一种电缆绝缘状态的预测方法中电缆本体暂态热路模型的结构示意图，其中，301为导体，302为绝缘层，303为PVC层，304为气隙层，305为金属护套层，306为填充层，307为铠装层，308为外呼层，309为环境，Q₁-Q₈表示各层对应的热容，R₁-R₅表示各层对应的热阻，3W₁表示电缆接头导体的损耗，3W₂表示绝缘层302的损耗，3λ₁W₁表示金属护套层305的损耗，3λ₂W₁表示铠装层307的损耗。T₁-T₈表示各层的温度，T₉表示环境309的温度。

步骤S204，通过多物理场仿真计算方法，根据所述电缆接头暂态等效热路模型，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度；

在本发明实施例中，通过多物理场仿真计算方法，由所述电缆接头暂态等效热路模型的简化模型结构，计算得到待测电缆的电缆表面温度、电缆电流数据和环境温度；

在具体实现中，请参阅图4，图4为本发明的一种电缆绝缘状态的预测方法中电缆本体暂态热路模型的简化结构示意图，其中，i为电缆电流，T_p为电缆表面温度，T_q为环境温度，t为时间，C为热容，R为热阻，在基础热路模型上进行进一步简化，将热容与热阻较小的部分直接忽略，或者进行领近结构合并，折算模型中的热参数，最后简化为一阶RC等效热路模型。

一阶RC等效热路模型具体为：

其中，折算系数n₁、n₂、n₃计算公式具体为：

最终，根据一阶RC等效热路模型，电缆缆芯热平衡方程具体为：

求解方程可得：

其中，i、T_p、T_q、t为模型输入，i为电缆电流，T_p为电缆表面温度，T_q为环境温度，t为时间；r、C、R为热路模型的参数，可通过损耗计算求得，r为电阻，C为电容，R为热阻。

步骤S205，建立与所述历史电缆绝缘状态数据电缆及对应的样本类别标签对应的初步绝缘状态预测模型；

在本发明实施例中，通过完整集合经验模式分解方法，分解所述初步平稳化温度序列数据，得到平稳化温度序列数据。

在具体实现中，由于EMD(经验模态分解方法)将非平稳序列进行平稳化处理时，会出现不同时间尺度的分量混叠问题。针对该问题，提出具有自适应噪声的完整集合经验模式分解方法(CEEMDAN)在EMD分解的基础上添加满足X～N(0,1)分布的高斯白噪声，有效解决EMD分解过程中模态混叠的问题。

步骤S206，采用麻雀搜索算法和核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型；

在一个可选实施例中，采用麻雀搜索算法和核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型，包括：

将所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度输入初步绝缘状态预测模型，生成对应的样本类别；

根据所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度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，采用所述麻雀搜索算法和所述核极限学习机算法，对所述初步绝缘状态预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步绝缘状态预测模型，得到所述训练后的初步绝缘状态预测模型。

在本发明实施例中，将所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度输入初步绝缘状态预测模型，生成对应的样本类别，根据所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度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，采用所述麻雀搜索算法和所述核极限学习机算法，对所述初步绝缘状态预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步绝缘状态预测模型，得到所述训练后的初步绝缘状态预测模型。

在具体实现中，绝缘状态预测模型主要是采用麻雀搜索算法(SSA)与核极限学习机算法(KELM)对电缆接头绝缘劣化状态进行预测，SSA算法主要包括发现者、加入者与警戒者，通过不断改变发现者的位置，优化KELM算法的参数，让其靠近食物源；而当发现者遇到捕食者，则立马回到安全区域。

绝缘状态预测模型具体实验流程包括：

1)设置初始麻雀数为20，随机产生核函数的参数K与正则化系数C，初始化起点；

2)确定K与C的寻优范围为(-10¹⁰,10¹⁰)；

3)3)针对初始值生成解决方案，结合KELM模型预测值，计算适应度函数值f(x)，经过排序后找出最优与最差值，其函数表达式具体为：

其中，a_i为实际值，b_i为模型预测值。

4)更新加入者及警戒者位置，获得新适应度函数值，并与前一轮适应度函数值进行比较，从而不断更新麻雀位置以获得最优值适应度函数值，循环结束后获得最优SSA-KELM预测模型。

步骤S207，基于所述所述历史电缆绝缘状态数据及对应的样本类别标签，验证所述训练后的初步绝缘状态预测模型，得到绝缘状态预测模型；

步骤S208，将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据；

在本发明实施例中，输入电缆表面温度、电缆电流数据和环境温度到绝缘状态预测模型，得到待测电缆的绝缘状态预测结果数据。

在具体实现中，利用最优SSA-KELM模型(绝缘状态预测模型)对测试集样本进行预测，通过均方误差(MSE)、平均绝对误差(MAE)和拟合系数R²三个评价指标进行模型性能评价，并与KELM模型的预测结果进行对比，对比结果下表所示：

由上表可得，本发明的一种绝缘状态预测模型的总体误差更小、精度更高，证明了本发明的一种电缆绝缘状态的预测方法的正确性。

在本发明实施例所提供的一种电缆绝缘状态的预测方法，通过获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本，所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签，通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度，采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型，将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据，通过一种电缆绝缘状态的预测方法，解决了目前存在的现有的电缆绝缘状态预测方法因没有考虑电缆接头仿真推演数据和涉及的数据不够多元化导致预测的电缆接头绝缘状态不精确的技术问题，提高了电缆绝缘状态的预测准确性。

请参阅图5，图5为本发明的一种电缆绝缘状态的预测装置实施例的结构框图，包括：

获取模块501，用于获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本；所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签；

计算模块502，用于通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度；

建立模块503，用于采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型；

预测模块504，用于将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据。

在一个可选实施例中，所述获取模块501包括：

获取子模块，用于获取所述待测电缆的初步电缆接头结构参数，以及所述电缆数据库的初步电缆绝缘状态训练样本；

剔除子模块，用于剔除所述初步电缆接头结构参数和所述初步电缆绝缘状态训练样本中的异常数据，得到所述待测电缆的电缆接头结构参数和所述电缆数据库的电缆绝缘状态训练样本。

可选地，所述计算模块502包括：

构建子模块，用于构建与所述电缆接头结构参数对应的所述待测电缆的电缆接头暂态等效热路模型；

计算子模块，用于通过所述多物理场仿真计算方法，根据所述电缆接头暂态等效热路模型，计算所述待测电缆的所述电缆表面温度、所述电缆电流数据和所述环境温度。

在一个可选实施例中，所述建立模块503包括：

建立子模块，用于建立与所述历史电缆绝缘状态数据电缆及对应的样本类别标签对应的初步绝缘状态预测模型；

训练子模块，用于采用所述麻雀搜索算法和所述核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型；

验证子模块，用于基于所述所述历史电缆绝缘状态数据及对应的样本类别标签，验证所述训练后的初步绝缘状态预测模型，得到所述绝缘状态预测模型。

在一个可选实施例中，所述训练子模块包括：

生成单元，用于将所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度输入初步绝缘状态预测模型，生成对应的样本类别；

误差单元，用于根据所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度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，采用所述麻雀搜索算法和所述核极限学习机算法，对所述初步绝缘状态预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步绝缘状态预测模型，得到所述训练后的初步绝缘状态预测模型。

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)

1.一种电缆绝缘状态的预测方法，其特征在于，包括：

获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本；所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签；

通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度；

采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型；

将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据。

2.根据权利要求1所述的电缆绝缘状态的预测方法，其特征在于，获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本，包括：

获取所述待测电缆的初步电缆接头结构参数，以及所述电缆数据库的初步电缆绝缘状态训练样本；

剔除所述初步电缆接头结构参数和所述初步电缆绝缘状态训练样本中的异常数据，得到所述待测电缆的电缆接头结构参数和所述电缆数据库的电缆绝缘状态训练样本。

3.根据权利要求1所述的电缆绝缘状态的预测方法，其特征在于，通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度，包括：

构建与所述电缆接头结构参数对应的所述待测电缆的电缆接头暂态等效热路模型；

通过所述多物理场仿真计算方法，根据所述电缆接头暂态等效热路模型，计算所述待测电缆的所述电缆表面温度、所述电缆电流数据和所述环境温度。

4.根据权利要求1所述的电缆绝缘状态的预测方法，其特征在于，采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型，包括：

建立与所述历史电缆绝缘状态数据电缆及对应的样本类别标签对应的初步绝缘状态预测模型；

采用所述麻雀搜索算法和所述核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型；

基于所述所述历史电缆绝缘状态数据及对应的样本类别标签，验证所述训练后的初步绝缘状态预测模型，得到所述绝缘状态预测模型。

5.根据权利要求4所述的电缆绝缘状态的预测方法，其特征在于，采用所述麻雀搜索算法和所述核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型，包括：

将所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度输入初步绝缘状态预测模型，生成对应的样本类别；

根据所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度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，采用所述麻雀搜索算法和所述核极限学习机算法，对所述初步绝缘状态预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步绝缘状态预测模型，得到所述训练后的初步绝缘状态预测模型。

6.一种电缆绝缘状态的预测装置，其特征在于，包括：

获取模块，用于获取待测电缆的电缆接头结构参数，以及电缆数据库的电缆绝缘状态训练样本；所述电缆绝缘状态训练样本包括历史电缆绝缘状态数据及对应的样本类别标签；

计算模块，用于通过多物理场仿真计算方法，根据所述电缆接头结构参数，计算所述待测电缆的电缆表面温度、电缆电流数据和环境温度；

建立模块，用于采用麻雀搜索算法和核极限学习机算法，基于所述历史电缆绝缘状态数据及对应的样本类别标签，建立绝缘状态预测模型；

预测模块，用于将所述电缆表面温度、所述电缆电流数据和所述环境温度输入到所述绝缘状态预测模型，计算得到所述待测电缆的绝缘状态预测结果数据。

7.根据权利要求6所述的电缆绝缘状态的预测装置，其特征在于，所述获取模块包括：

获取子模块，用于获取所述待测电缆的初步电缆接头结构参数，以及所述电缆数据库的初步电缆绝缘状态训练样本；

剔除子模块，用于剔除所述初步电缆接头结构参数和所述初步电缆绝缘状态训练样本中的异常数据，得到所述待测电缆的电缆接头结构参数和所述电缆数据库的电缆绝缘状态训练样本。

8.根据权利要求6所述的电缆绝缘状态的预测装置，其特征在于，所述计算模块包括：

构建子模块，用于构建与所述电缆接头结构参数对应的所述待测电缆的电缆接头暂态等效热路模型；

计算子模块，用于通过所述多物理场仿真计算方法，根据所述电缆接头暂态等效热路模型，计算所述待测电缆的所述电缆表面温度、所述电缆电流数据和所述环境温度。

9.根据权利要求6所述的电缆绝缘状态的预测装置，其特征在于，所述建立模块包括：

建立子模块，用于建立与所述历史电缆绝缘状态数据电缆及对应的样本类别标签对应的初步绝缘状态预测模型；

训练子模块，用于采用所述麻雀搜索算法和所述核极限学习机算法，根据所述历史电缆绝缘状态数据及对应的样本类别标签，训练所述初步绝缘状态预测模型，得到训练后的初步绝缘状态预测模型；

验证子模块，用于基于所述所述历史电缆绝缘状态数据及对应的样本类别标签，验证所述训练后的初步绝缘状态预测模型，得到所述绝缘状态预测模型。

10.根据权利要求9所述的电缆绝缘状态的预测装置，其特征在于，所述训练子模块包括：

生成单元，用于将所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度输入初步绝缘状态预测模型，生成对应的样本类别；

误差单元，用于根据所述历史电缆绝缘状态数据中的历史电缆表面温度、历史电缆电流数据和历史环境温度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，采用所述麻雀搜索算法和所述核极限学习机算法，对所述初步绝缘状态预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步绝缘状态预测模型，得到所述训练后的初步绝缘状态预测模型。

Images