CN116070516A - 一种电缆温度的预测方法及装置 - Google Patents

一种电缆温度的预测方法及装置 Download PDF

Info

Publication number
CN116070516A
CN116070516A CN202310082770.4A CN202310082770A CN116070516A CN 116070516 A CN116070516 A CN 116070516A CN 202310082770 A CN202310082770 A CN 202310082770A CN 116070516 A CN116070516 A CN 116070516A
Authority
CN
China
Prior art keywords
cable
temperature
data
prediction model
combination prediction
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
CN202310082770.4A
Other languages
English (en)
Inventor
张志强
李新海
王伟平
梅龙军
朱余林
何炳锋
张琛
梁智康
孟晨旭
刘文平
刘均裕
傅希辰
周恒�
产启中
邓小龙
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 Power Grid Co Ltd
Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhongshan Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310082770.4A priority Critical patent/CN116070516A/zh
Publication of CN116070516A publication Critical patent/CN116070516A/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
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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

Abstract

本发明公开了一种电缆温度的预测方法及装置，其方法包括：获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本，根据热路参数，计算得到待测电缆的缆芯温度序列数据，采用经验模态分解方法和完整集合经验模式分解方法，对缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据，基于电缆温度训练样本，建立时序组合预测模型，将热路参数和平稳化序列数据输入到时序组合预测模型，计算得到待测电缆的实时温度预测结果数据。有利于解决现有的电缆温度预测方法没有考虑电缆表面温度和电缆温升的暂态过程导致预测温度不精确的技术问题，提高了电缆温度的预测准确性。

Description

一种电缆温度的预测方法及装置
技术领域
本发明涉及预测电缆温度的技术领域，尤其涉及一种电缆温度的预测方法及装置。
背景技术
电力电缆因其占比面积少、线路消耗低、运行可靠性高等优点，广泛应用于电力输配电系统。电缆温度作为电缆正常工作的关键状态参量，直接影响电缆的绝缘与载流能力。温度过高加速电缆绝缘老化，降低其绝缘性能，引发电缆局部放电事故；温度过低则降低电缆资源的利用率。所以，电缆导体的温度直接决定了电缆的输电能力，有必要对电缆运行温度进行实时监测。而温度预测系统可以针对电缆当前运行状态预测下一时间段的温度趋势，通过实时动态调整负荷电流大小，提高电缆整体输电效率。
目前，在电缆导体温度计算方面，电缆表面温度对电缆导体温度的影响息息相关，在未考虑表面温度的影响情况下，无法为温度场计算提供完整的边界条件，造成温度计算值与实际电缆运行测量值存在明显的偏差。在电缆导体温度计算与预测方面，目前绝大多数研究都是基于稳态热平衡方程，实际上电缆运行环境、负荷等都是时刻变化的，尤其在紧急调度情况下，不考虑电缆本体温升的暂态过程会导致预测温度不精确。
因此，为了提高电缆温度的预测准确性，解决目前存在的现有的电缆温度预测方法没有考虑电缆表面温度和电缆温升的暂态过程导致预测温度不精确的技术问题，亟需构建一种电缆温度的预测方法。
发明内容
本发明提供了一种电缆温度的预测方法及装置，解决了目前存在的现有的电缆温度预测方法没有考虑电缆表面温度和电缆温升的暂态过程导致预测温度不精确的技术问题。
第一方面，本发明提供了一种电缆温度的预测方法，包括：
获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本；所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签；
根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据；
采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据；
基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型；
将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据。
可选地，根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据，包括：
构建与所述热路参数对应的所述待测电缆的电缆本体暂态热路模型；
根据所述电缆本体暂态热路模型，计算所述待测电缆的所述缆芯温度序列数据。
可选地，采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据，包括：
采用所述经验模态分解方法，对所述缆芯温度序列数据进行平稳化处理，得到初步平稳化温度序列数据；
运用所述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，得到所述平稳化温度序列数据。
可选地，基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型，包括：
建立与所述历史电缆温度数据及对应的样本类别标签对应的初步时序组合预测模型；
根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型；
基于所述所述历史电缆温度数据及对应的样本类别标签，验证所述训练后的初步时序组合预测模型，得到所述时序组合预测模型。
可选地，根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型，包括：
将所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列数据输入初步时序组合预测模型，生成对应的样本类别；
根据所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列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，对所述初步时序组合预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步时序组合预测模型，得到所述训练后的初步时序组合预测模型。
第二方面，本发明提供了一种电缆温度的预测装置，包括：
获取模块，用于获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本；所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签；
序列模块，用于根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据；
平稳模块，用于采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据；
建立模块，用于基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型；
计算模块，用于将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据。
可选地，所述序列模块包括：
构建子模块，用于构建与所述热路参数对应的所述待测电缆的电缆本体暂态热路模型；
序列子模块，用于根据所述电缆本体暂态热路模型，计算所述待测电缆的所述缆芯温度序列数据。
可选地，所述平稳模块包括：
平稳子模块，用于采用所述经验模态分解方法，对所述缆芯温度序列数据进行平稳化处理，得到初步平稳化温度序列数据；
分解子模块，用于运用所述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，得到所述平稳化温度序列数据。
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温度数据及对应的样本类别标签对应的初步时序组合预测模型；
训练子模块，用于根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型；
验证子模块，用于基于所述所述历史电缆温度数据及对应的样本类别标签，验证所述训练后的初步时序组合预测模型，得到所述时序组合预测模型。
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温度数据中的电缆热路参数和电缆平稳化温度序列数据输入初步时序组合预测模型，生成对应的样本类别；
误差单元，用于根据所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列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，对所述初步时序组合预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步时序组合预测模型，得到所述训练后的初步时序组合预测模型。
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温度的预测方法，通过获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本，所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签，根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据，采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据，基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型，将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据，通过一种电缆温度的预测方法，解决了目前存在的现有的电缆温度预测方法没有考虑电缆表面温度和电缆温升的暂态过程导致预测温度不精确的技术问题，提高了电缆温度的预测准确性。
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温度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温度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温度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温度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温度的预测方法中时序组合预测模型的结构框图；
图6为本发明的一种电缆温度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温度的预测方法及装置，用于解决目前存在的现有的电缆温度预测方法没有考虑电缆表面温度和电缆温升的暂态过程导致预测温度不精确的技术问题。
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温度的预测方法实施例一的流程步骤图，包括：
步骤S101，获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本；所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签；
步骤S102，根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据；
在本发明实施例中，构建与所述热路参数对应的所述待测电缆的电缆本体暂态热路模型，根据所述电缆本体暂态热路模型，计算所述待测电缆的所述缆芯温度序列数据。
步骤S103，采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据；
在本发明实施例中，采用所述经验模态分解方法，对所述缆芯温度序列数据进行平稳化处理，得到初步平稳化温度序列数据，运用所述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，得到所述平稳化温度序列数据。
步骤S104，基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型；
在本发明实施例中，建立与所述历史电缆温度数据及对应的样本类别标签对应的初步时序组合预测模型，根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型，基于所述所述历史电缆温度数据及对应的样本类别标签，验证所述训练后的初步时序组合预测模型，得到所述时序组合预测模型。
步骤S105，将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据。
在本发明实施例所提供的一种电缆温度的预测方法，通过获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本，所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签，根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据，采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据，基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型，将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据，通过一种电缆温度的预测方法，解决了目前存在的现有的电缆温度预测方法没有考虑电缆表面温度和电缆温升的暂态过程导致预测温度不精确的技术问题，提高了电缆温度的预测准确性。
实施例二，请参阅图2，图2为本发明的一种电缆温度的预测方法的流程步骤图，包括：
步骤S201，获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本；所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签；
步骤S202，构建与所述热路参数对应的所述待测电缆的电缆本体暂态热路模型；
在本发明实施例中，由所述热路参数构建对应的所述待测电缆的电缆本体暂态热路模型。
在具体实现中，请参阅图3，图3为本发明的一种电缆温度的预测方法中电缆本体暂态热路模型的结构示意图，其中，T1、T2、T3分别为绝缘层、内护层、外护层的热阻，Q、W、θ分别表示热容、损耗和温度，下表c、n、w、i、a分别代表电缆导体、内护层、外护层、绝缘层、铠装层。
根据热路与电路的对偶关系简化热路模型，根据IEC60853标准将等效热容与线芯导体损耗按比例分配到相邻温度节点上，由于铠装层损耗和线芯导体损耗之间的比例关系，将铠装层损耗等效至对应热阻和热容参数中，并将绝缘层和内护层的热容简化为一个等效热容。
步骤S203，根据所述电缆本体暂态热路模型，计算所述待测电缆的缆芯温度序列数据；
在本发明实施例中，简化电缆本体暂态热路模型，以方便计算待测电缆的缆芯温度序列数据。
在具体实现中，请参阅图4，图4为本发明的一种电缆温度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，Tk为电缆热阻，Qk为电缆热容，Wc为电缆导体的损耗，θc为电缆导体的温度，θw为电缆外护层的温度。
图4中Tk与Qk定义如下：
Tk＝1/3T1+T2+qT3；
Figure BDA0004068009730000071
根据暂态响应公式可知，单纯由电缆内电流引起的温升为
Figure BDA0004068009730000081
此外，单纯由电缆表面温度造成的电缆缆芯温度变化，可以依据等效热路模型的简化结构示意图计算获得，其温度计算公式具体为：
Figure BDA0004068009730000082
根据电缆电流与电缆表面温度两者引起的缆芯温度变化可以表示为：
Δθ(t)＝Δθc(t)+Δθw(t)；
当计算t时刻缆芯温度时，根据微积分原理可求t时间段整体温度变化，将t时间段划分为β段，当β趋于无穷大时，则可知电缆缆芯温度差值为：
Figure BDA0004068009730000083
步骤S204，采用经验模态分解方法，对所述缆芯温度序列数据进行平稳化处理，得到初步平稳化温度序列数据；
在本发明实施例中，采用经验模态分解方法，平稳化所述缆芯温度序列数据，得到初步平稳化温度序列数据；
在具体实现中，在信号处理领域内，通常采用经验模态分解(EMD)方法将非线性或者非平稳时间序列进行分解，以实现序列的平稳化处理。假设一非平稳时间序列为x(t)通过EMD分解之后的计算公式具体为：
Figure BDA0004068009730000084
其中，IMFj为分解的第j个本征模态函数(IMF)，T(t)代表序列的残差量。EMD分解步骤大致为以下几步：
1)通过非平稳时间序列为x(t)的极大与极小值点，结合三次样条函数插值法拟合出上下包络线e+(t)、e-(t)，最后计算平均包络线
Figure BDA0004068009730000085
2)计算高频信号
Figure BDA0004068009730000086
IMF必须满足
Figure BDA0004068009730000087
条件，ε∈[0.2-0.3]；
3)当
Figure BDA0004068009730000088
满足HSD条件时，
Figure BDA0004068009730000089
是序列分解出的第一个IMF，是序列中的高频部分。在原始序列信号中剔除高频部分后，获得新序列信号；再循环进行1)与2)步，求出剩余的IMF至不能再被分解为止，得到趋势项T(t)。
步骤S205，运用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，建立与所述历史电缆温度数据及对应的样本类别标签对应的初步时序组合预测模型；
在本发明实施例中，为提高预测模型的准确度，根据所述历史电缆温度数据及对应的样本类别标签，建立了LSTM-BP模型(长短期记忆网络与BP神经网络模型)进行组合预测，得到对应的初步时序组合预测模型。
步骤S207，根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型；
在一个可选实施例中，根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型，包括：
将所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列数据输入初步时序组合预测模型，生成对应的样本类别；
根据所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列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，对所述初步时序组合预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步时序组合预测模型，得到所述训练后的初步时序组合预测模型。
在本发明实施例中，将所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列数据输入初步时序组合预测模型，生成对应的样本类别，根据所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列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，对所述初步时序组合预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步时序组合预测模型，得到所述训练后的初步时序组合预测模型。
在具体实现中，请参阅图5，图5为本发明的一种电缆温度的预测方法中时序组合预测模型的结构框图，其中，501为输入序列，502为去噪滤波，503为CEEMDAN(完整集合经验模式分解方法)分解，504为训练过程，505为长短期记忆网络模型(LSTM模型)，506为BP神经网络模型，507为时序组合预测模型，INF为本征模态函数(即序列数据与热路参数)，T(t)为残差量，LSTM-BP组合预测模型则是利用LSTM对经过去噪滤波与CEEMDAN分解后的n个IMF分量进行预测，同时利用BP神经网络对T(t)残差量进行预测，最终整合两个预测模型的预测结果即为组合预测结果。
步骤S208，基于所述所述历史电缆温度数据及对应的样本类别标签，验证所述训练后的初步时序组合预测模型，得到时序组合预测模型；
步骤S209，将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据；
在本发明实施例中，输入热路参数和平稳化序列数据到时序组合预测模型，得到待测电缆的实时温度预测结果数据。
在具体实现中，通过将与电缆温度相关的模型参数建立输入序列数据，其中包括每个时间的{α1，α2，…，αp}p个特征量，通过组合预测模型学习其与温度之间的关系，从而实现电缆温度实时预测。通过均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)三个评价指标说明模型性能，评价结果下表所示：
Figure BDA0004068009730000101
由上表可得，本发明的一种时序组合预测模型总体误差小、精度高，证明了本发明的一种电缆温度的预测方法的正确性。
在本发明实施例所提供的一种电缆温度的预测方法，通过获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本，所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签，根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据，采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据，基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型，将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据，通过一种电缆温度的预测方法，解决了目前存在的现有的电缆温度预测方法没有考虑电缆表面温度和电缆温升的暂态过程导致预测温度不精确的技术问题，提高了电缆温度的预测准确性。
请参阅图6，图6为本发明的一种电缆温度的预测装置实施例的结构框图，包括：
获取模块601，用于获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本；所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签；
序列模块602，用于根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据；
平稳模块603，用于采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据；
建立模块604，用于基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型；
计算模块605，用于将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据。
在一个可选实施例中，所述序列模块602包括：
构建子模块，用于构建与所述热路参数对应的所述待测电缆的电缆本体暂态热路模型；
序列子模块，用于根据所述电缆本体暂态热路模型，计算所述待测电缆的所述缆芯温度序列数据。
在一个可选实施例中，所述平稳模块603包括：
平稳子模块，用于采用所述经验模态分解方法，对所述缆芯温度序列数据进行平稳化处理，得到初步平稳化温度序列数据；
分解子模块，用于运用所述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，得到所述平稳化温度序列数据。
在一个可选实施例中，所述建立模块604包括：
建立子模块，用于建立与所述历史电缆温度数据及对应的样本类别标签对应的初步时序组合预测模型；
训练子模块，用于根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型；
验证子模块，用于基于所述所述历史电缆温度数据及对应的样本类别标签，验证所述训练后的初步时序组合预测模型，得到所述时序组合预测模型。
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温度数据中的电缆热路参数和电缆平稳化温度序列数据输入初步时序组合预测模型，生成对应的样本类别；
误差单元，用于根据所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列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，对所述初步时序组合预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步时序组合预测模型，得到所述训练后的初步时序组合预测模型。
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)

1.一种电缆温度的预测方法，其特征在于，包括：
获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本；所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签；
根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据；
采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据；
基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型；
将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据。
2.根据权利要求1所述的电缆温度的预测方法，其特征在于，根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据，包括：
构建与所述热路参数对应的所述待测电缆的电缆本体暂态热路模型；
根据所述电缆本体暂态热路模型，计算所述待测电缆的所述缆芯温度序列数据。
3.根据权利要求1所述的电缆温度的预测方法，其特征在于，采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据，包括：
采用所述经验模态分解方法，对所述缆芯温度序列数据进行平稳化处理，得到初步平稳化温度序列数据；
运用所述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，得到所述平稳化温度序列数据。
4.根据权利要求1所述的电缆温度的预测方法，其特征在于，基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型，包括：
建立与所述历史电缆温度数据及对应的样本类别标签对应的初步时序组合预测模型；
根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型；
基于所述所述历史电缆温度数据及对应的样本类别标签，验证所述训练后的初步时序组合预测模型，得到所述时序组合预测模型。
5.根据权利要求4所述的电缆温度的预测方法，其特征在于，根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型，包括：
将所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列数据输入初步时序组合预测模型，生成对应的样本类别；
根据所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列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，对所述初步时序组合预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步时序组合预测模型，得到所述训练后的初步时序组合预测模型。
6.一种电缆温度的预测装置，其特征在于，包括：
获取模块，用于获取待测电缆的热路参数，以及电缆数据库的电缆温度训练样本；所述电缆温度训练样本包括历史电缆温度数据及对应的样本类别标签；
序列模块，用于根据所述热路参数，计算得到所述待测电缆的缆芯温度序列数据；
平稳模块，用于采用经验模态分解方法和完整集合经验模式分解方法，对所述缆芯温度序列数据进行平稳化处理，得到平稳化温度序列数据；
建立模块，用于基于所述历史电缆温度数据及对应的样本类别标签，建立时序组合预测模型；
计算模块，用于将所述热路参数和所述平稳化序列数据输入到所述时序组合预测模型，计算得到所述待测电缆的实时温度预测结果数据。
7.根据权利要求6所述的电缆温度的预测装置，其特征在于，所述序列模块包括：
构建子模块，用于构建与所述热路参数对应的所述待测电缆的电缆本体暂态热路模型；
序列子模块，用于根据所述电缆本体暂态热路模型，计算所述待测电缆的所述缆芯温度序列数据。
8.根据权利要求6所述的电缆温度的预测装置，其特征在于，所述平稳模块包括：
平稳子模块，用于采用所述经验模态分解方法，对所述缆芯温度序列数据进行平稳化处理，得到初步平稳化温度序列数据；
分解子模块，用于运用所述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，得到所述平稳化温度序列数据。
9.根据权利要求6所述的电缆温度的预测装置，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温度数据及对应的样本类别标签对应的初步时序组合预测模型；
训练子模块，用于根据所述历史电缆温度数据及对应的样本类别标签，训练所述初步时序组合预测模型，得到训练后的初步时序组合预测模型；
验证子模块，用于基于所述所述历史电缆温度数据及对应的样本类别标签，验证所述训练后的初步时序组合预测模型，得到所述时序组合预测模型。
10.根据权利要求9所述的电缆温度的预测装置，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温度数据中的电缆热路参数和电缆平稳化温度序列数据输入初步时序组合预测模型，生成对应的样本类别；
误差单元，用于根据所述历史电缆温度数据中的电缆热路参数和电缆平稳化温度序列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，对所述初步时序组合预测模型进行调整，得到最优参数，并采用所述最优参数，优化所述初步时序组合预测模型，得到所述训练后的初步时序组合预测模型。
CN202310082770.4A 2023-01-18 2023-01-18 一种电缆温度的预测方法及装置 Pending CN116070516A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310082770.4A CN116070516A (zh) 2023-01-18 2023-01-18 一种电缆温度的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310082770.4A CN116070516A (zh) 2023-01-18 2023-01-18 一种电缆温度的预测方法及装置

Publications (1)

Publication Number Publication Date
CN116070516A true CN116070516A (zh) 2023-05-05

Family

ID=86169515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310082770.4A Pending CN116070516A (zh) 2023-01-18 2023-01-18 一种电缆温度的预测方法及装置

Country Status (1)

Country Link
CN (1) CN116070516A (zh)

Similar Documents

Publication Publication Date Title
Abdel-Hamid et al. Estimation in step-stress accelerated life tests for the exponentiated exponential distribution with type-I censoring
CN108120521B (zh) 变压器绕组热点温度预测方法及终端设备
CN110930052A (zh) 一种变电设备故障率预测方法，系统，设备及可读存储介质
CN111680841A (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
WO2023134188A1 (zh) 指标确定方法、装置、电子设备和计算机可读介质
CN115392037A (zh) 设备故障预测方法、装置、设备及存储介质
Benidris et al. Reliability and sensitivity analysis of composite power systems considering voltage and reactive power constraints
CN114910756A (zh) 一种低压母线槽的绝缘性能评估方法及系统
Song et al. Dynamic thermal line rating model of conductor based on prediction of meteorological parameters
CN113295399B (zh) 换流阀元件状态评估方法、装置、电子设备和存储介质
CN108877969B (zh) 核功率理论模型建立及验证方法、系统及终端设备
CN106779443B (zh) 电力调度中的操作风险确定方法和装置
CN114140034A (zh) 基于工况的质量监控方法及相关装置
CN110969238A (zh) 一种校准用电数据的方法及装置
CN116070302A (zh) 一种电缆绝缘状态的预测方法及装置
CN116070516A (zh) 一种电缆温度的预测方法及装置
KR20170060361A (ko) 전력 수요 분석 장치 및 이를 포함하는 전력 관리 시스템
CN114862109A (zh) 一种用电异常监测方法、装置、电子设备及存储介质
CN115654668A (zh) 一种空调系统及空调系统的负荷预测方法
Peng et al. Profile optimum planning for degradation analysis
CN105656453B (zh) 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法
Lin et al. Smart building uncertainty analysis via adaptive Lasso
Jamshidieini et al. Evaluating the capability of distribution networks to maintain power quality and voltage level, case study: Alborz Electric Power Distribution Company
CN112731150A (zh) 电压暂降状态估计方法、装置、计算机设备和存储介质
CN110851943B (zh) 一种电池充电性能的建模方法和装置

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