CN116679139A - 电缆更换监测系统及方法 - Google Patents
电缆更换监测系统及方法 Download PDFInfo
- Publication number
- CN116679139A CN116679139A CN202310501222.0A CN202310501222A CN116679139A CN 116679139 A CN116679139 A CN 116679139A CN 202310501222 A CN202310501222 A CN 202310501222A CN 116679139 A CN116679139 A CN 116679139A
- Authority
- CN
- China
- Prior art keywords
- cable
- sample
- value
- parameters
- aging
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000032683 aging Effects 0.000 claims abstract description 139
- 238000012549 training Methods 0.000 claims abstract description 94
- 230000007613 environmental effect Effects 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/003—Environmental or reliability tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
本发明实施例公开了一种电缆更换监测系统及方法，该方法包括：获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；基于所述电缆老化值确定更换预测结果。本方案通过对样本环境参数和样本电缆老化参数进行神经网络模型训练得到训练模型，利用输入环境参数得到的电缆老化值判断电缆的更换情况，解决了现有技术中如何合理高效的进行更换监测的问题，可以针对不同的电缆环境，实现高效准确的电缆更换时间的监测。
Description
技术领域
本申请实施例涉及电缆技术领域，尤其涉及电缆更换监测系统及方法。
背景技术
随着我国电缆产业的崛起，我国的电缆的分布也越来越广泛，地下电缆在长期使用过程中，因老化、损坏等因素难以避免的会出现故障，一些故障能够通过检修恢复、使地下电缆重新投入应用，也有一些故障无法通过检修恢复，需要对地下电缆进行更换。
现有技术中，大多是对电缆运行情况的监测，忽略了对电缆的老化程度的监测，如何合理高效的进行更换监测是当下需要解决的问题。
发明内容
本发明实施例提供了电缆更换监测系统及方法，解决了现有技术中如何合理高效的进行更换监测的问题，可以针对不同的电缆环境，实现高效准确的电缆更换时间的监测。
第一方面，本发明实施例提供了电缆更换监测方法，包括：
获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；基于所述电缆老化值确定更换预测结果。
可选的，所述样本环境参数包括样本时间值和样本环境属性值，所述样本环境参数包括测试过程中和/或实际铺设环境中确定出的参数，所述样本电缆老化参数包括评测得到的样本电缆老化值。
可选的，所述基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型，包括：
以所述时间值和所述样本环境属性值为输入，以所述样本电缆老化值为输出，对神经网络模型训练，得到训练模型。
可选的，所述获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值，包括：
获取待检测电缆的时间值和环境属性值，将所述时间值和所述环境属性值输入至所述训练模型得到电缆老化值。
可选的，所述样本环境属性值包括温度值、湿度值和电缆负载值。
可选的，在所述获取不同样本环境参数之前，还包括：
对样本电缆所处的环境的周期温度和周期湿度进行统计得到温度值和湿度值；
对样本电缆使用过程中的负载的均值进行统计得到负载值。
可选的，所述基于所述电缆老化值确定更换预测结果，包括：
根据所述电缆老化值和设置的更换标准确定更换监测结果。
第二方面，本发明实施例还提供了电缆更换监测系统，包括：
样本电缆老化参数获取模块，用于获取不同样本环境参数下的样本电缆老化参数；
神经网络模型训练模块，用于基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；
环境参数获取模块，用于获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；
预测结果确定模块，用于基于所述电缆老化值确定更换预测结果。
第三方面，本发明实施例还提供了电缆更换监测设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例所述的电缆更换监测方法。
第四方面，本发明实施例还提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例所述的电缆更换监测方法。
本发明实施例中，获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；基于所述电缆老化值确定更换预测结果。本方案通过对样本环境参数和样本电缆老化参数进行神经网络模型训练得到训练模型，利用输入环境参数得到的电缆老化值判断电缆的更换情况，解决了现有技术中如何合理高效的进行更换监测的问题，可以针对不同的电缆环境，实现高效准确的电缆更换时间的监测。
附图说明
图1为本发明实施例提供的电缆更换监测方法的流程图；
图2为本发明实施例提供的一种神经网络模型训练方法的流程图；
图3为本发明实施例提供的一种更换监测结果确定方法的流程图；
图4为本发明实施例提供的电缆更换监测方法的模块结构框图；
图5为本发明实施例提供的电缆更换监测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。
图1为本发明实施例提供的电缆更换监测方法的流程图，如图1所示，具体包括：
步骤S101、获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型。
其中，样本环境参数可以是在实验室的测试过程中和/或在电缆实际铺设环境中测量时确定出的参数值，可以包括样本时间值和样本属性值，样本环境属性值可以包括温度值、湿度值、负载值；样本电缆老化参数可以是对样本电缆进行评估检测得到的样本电缆老化值；神经网络模型训练可以是通过自动寻找样本中的内在规律和本质属性,自组织、自适应地改变网络参数与结构，通过调整神经网络中的参数对训练数据集进行拟合，使得模型对未知的样本提供预测能力；训练模型可以是通过神经网络训练得到的模型，在模型中输入未知的样本可以输出预测结果。系统先对采集到的样本电缆所处的环境的周期温度和周期湿度进行统计得到温度值和湿度值，对样本电缆使用过程中的负载的均值进行统计得到负载值，将这些参数值作为样本环境参数，然后执行获取样本电缆老化参数指令，获取到不同样本环境参数下的样本电缆老化参数，基于获取的样本环境参数和样本电缆老化参数进行神经网络模型训练，通过自动寻找样本环境参数与样本电缆老化参数中的内在规律和本质属性，调整神经网络中的参数对训练数据集进行拟合，得到可以对未知的样本提供预测能力的训练模型。在一个实例中，将统计的样本时间值和样本环境属性值作为输入，以获取到的样本电缆老化值作为输出，对神经网络模型进行训练，寻找样本环境参数与样本电缆老化参数中的内在规律和本质属性，得到可以预测电缆老化参数的训练模型。
步骤S102、获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值。
其中，电缆老化值可以是可以表现出电缆老化程度的值，可以包括电缆的寿命指数。系统获取待检测电缆的时间值和所处环境的温度值、湿度值、负载值，将时间值、温度值、湿度值和负载值输入至经过神经网络模型训练得到的训练模型中，根据寻找到的样本环境参数与样本电缆老化参数中的内在规律和本质属性预测得到待检测电缆的电缆老化值。在一个实例中，系统以样本时间值和样本环境属性值作为输入，以样本电缆的寿命指数作为输出，对神经网络模型训练得到训练模型后，将获取到的待检测电缆的时间值、温度值、湿度值和负载值输入至训练模型中得到预测的电缆寿命指数。
步骤S103、基于所述电缆老化值确定更换预测结果。
其中，更换预测结果可以是根据得到的电缆老化值预测的电缆是否需要更换的结果。系统内可以预设有固定阈值，用于判断电缆是否老化需要进行更换，经过训练模型得到待检测电缆的电缆老化值后，将电缆老化值与设置的阈值做对比，如果电缆老化值在设置的阈值范围内，说明检测的电缆需要进行更换；如果电缆老化值不在设置的阈值范围内，说明检测的电缆不需要进行更换。在一个实例中，电缆老化值为电缆的寿命指数，系统内设置的电缆的寿命指数阈值为[15，+∞]，经过训练模型得到待检测电缆的电缆老化值为16，在阈值范围内，说明检测的电缆需要进行更换；经过训练模型得到待检测电缆的电缆老化值为10，不在阈值范围内，说明检测的电缆不需要进行更换，还可以继续使用。
由上述可知，获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；基于所述电缆老化值确定更换预测结果。本方案通过对样本环境参数和样本电缆老化参数进行神经网络模型训练得到训练模型，利用输入环境参数得到的电缆老化值判断电缆的更换情况，解决了现有技术中如何合理高效的进行更换监测的问题，可以针对不同的电缆环境，实现高效准确的电缆更换时间的监测。
图2为本发明实施例提供的一种神经网络模型训练方法的流程图，如图2所示，具体包括：
步骤S201、获取不同样本环境参数下的样本电缆老化参数，所述样本环境参数包括样本时间值和样本环境属性值，以所述时间值和所述样本环境属性值为输入，以所述样本电缆老化值为输出，对神经网络模型训练，得到训练模型。
其中，神经网络模型可以是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，是一个高度复杂的非线性动力学习系统，可以包括卷积神经网络(CNN)、全连接神经网络(FCN)、生成对抗网络(GAN)。系统先对采集到的样本电缆所处的环境的周期温度和周期湿度进行统计得到温度值和湿度值，对样本电缆使用过程中的负载的均值进行统计得到负载值，将这些参数值作为样本环境属性值，然后执行获取样本电缆老化参数指令，获取到不同样本环境参数下的样本电缆老化参数，将样本时间值和样本环境属性值作为输入数据，获取的样本电缆老化值作为输出数据进行神经网络模型训练，自动寻找样本环境参数与样本电缆老化参数中的内在规律和本质属性，调整神经网络中的参数对训练数据集进行拟合，得到可以对未知的样本电缆老化参数进行预测的训练模型。在一个实例中，系统获取到不同样本环境参数下的样本电缆老化参数后，将统计的样本时间值和样本环境属性值作为输入数据，以获取到的样本电缆老化值作为输出数据，对神经网络模型进行训练，寻找样本环境参数与样本电缆老化参数中的内在规律和本质属性，得到可以预测电缆老化参数的训练模型。
步骤S202、获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值。
步骤S203、基于所述电缆老化值确定更换预测结果。
由上述可知，获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；基于所述电缆老化值确定更换预测结果。本方案通过对样本环境参数和样本电缆老化参数进行神经网络模型训练得到训练模型，利用输入环境参数得到的电缆老化值判断电缆的更换情况，解决了现有技术中如何合理高效的进行更换监测的问题，可以针对不同的电缆环境，实现高效准确的电缆更换时间的监测。
图3为本发明实施例提供的一种更换监测结果确定方法的流程图，如图3所示，具体包括：
步骤S301、获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型。
步骤S302、获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值。
步骤S303、根据所述电缆老化值和设置的更换标准确定更换监测结果。
其中，更换标准可以是系统内设置的衡量电缆是否需要更换的标准，可以包括系统预设的固定阈值；更换监测结果可以是根据得到的电缆老化值和更换标准预测的电缆是否需要更换的结果。系统内设置有电缆更换标准，用于判断电缆是否老化需要进行更换，经过训练模型得到待检测电缆的电缆老化值后，将电缆老化值与设置的更换标准做对比，如果电缆老化值与设置的更换标准相接近，说明检测的电缆需要进行更换；如果电缆老化值与设置的更换标准相差较多，说明检测的电缆不需要进行更换。在一个实例中，电缆老化值为电缆的寿命指数，系统内设置的更换标准为电缆的寿命指数阈值[15，+∞]，经过训练模型得到待检测电缆的电缆老化值为15，在阈值范围内，满足更换标准，说明检测的电缆需要进行更换；经过训练模型得到待检测电缆的电缆老化值为8，不在阈值范围内，不满足更换标准，说明检测的电缆不需要进行更换，还可以继续使用。
由上述可知，获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；基于所述电缆老化值确定更换预测结果。本方案通过对样本环境参数和样本电缆老化参数进行神经网络模型训练得到训练模型，利用输入环境参数得到的电缆老化值判断电缆的更换情况，解决了现有技术中如何合理高效的进行更换监测的问题，可以针对不同的电缆环境，实现高效准确的电缆更换时间的监测。
图4为本发明实施例提供的电缆更换监测方法的模块结构框图，该智能电缆用于执行上述实施例提供的电缆更换监测方法，具备执行方法相应的功能模块和有益效果。如图4所示，该装置具体包括：
样本电缆老化参数获取模块101，用于获取不同样本环境参数下的样本电缆老化参数；
神经网络模型训练模块102，用于基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；
环境参数获取模块103，用于获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；
预测结果确定模块104，用于基于所述电缆老化值确定更换预测结果。
由上述方案可知，获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；基于所述电缆老化值确定更换预测结果。本方案通过对样本环境参数和样本电缆老化参数进行神经网络模型训练得到训练模型，利用输入环境参数得到的电缆老化值判断电缆的更换情况，解决了现有技术中如何合理高效的进行更换监测的问题，可以针对不同的电缆环境，实现高效准确的电缆更换时间的监测。
在一个可能的实施例中，所述样本电缆老化参数获取模块101，具体用于：
所述样本环境参数包括样本时间值和样本环境属性值，所述样本环境参数包括测试过程中和/或实际铺设环境中确定出的参数，所述样本电缆老化参数包括评测得到的样本电缆老化值。
在一个可能的实施例中，所述样本电缆老化参数获取模块101，还用于：
所述样本环境属性值包括温度值、湿度值和电缆负载值。
在一个可能的实施例中，所述神经网络模型训练模块102，具体用于：
以所述时间值和所述样本环境属性值为输入，以所述样本电缆老化值为输出，对神经网络模型训练，得到训练模型。
在一个可能的实施例中，所述环境参数获取模块103，具体用于：
获取待检测电缆的时间值和环境属性值，将所述时间值和所述环境属性值输入至所述训练模型得到电缆老化值。
在一个可能的实施例中，所述预测结果确定模块104，具体用于：
根据所述电缆老化值和设置的更换标准确定更换监测结果。
在一个可能的实施例中，还包括参数值统计模块，具体用于：
在所述获取不同样本环境参数之前，还包括：
对样本电缆所处的环境的周期温度和周期湿度进行统计得到温度值和湿度值；
对样本电缆使用过程中的负载的均值进行统计得到负载值。
图5为本发明实施例提供的电缆更换监测设备的结构示意图，如图5所示，该设备包括处理器201、存储器202、输入装置203和输出装置204；设备中处理器201的数量可以是一个或多个，图5中以一个处理器201为例；设备中的处理器201、存储器202、输入装置203和输出装置204可以通过总线或其他方式连接，图5中以通过总线连接为例。存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的电缆更换监测方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的电缆更换监测方法。输入装置203可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置204可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行电缆更换监测方法，该方法包括：
获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；基于所述电缆老化值确定更换预测结果。
值得注意的是，上述电缆更换监测方法装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
注意，上述仅为本发明实施例的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明实施例不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明实施例的保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明，但是本发明实施例不仅仅限于以上实施例，在不脱离本发明实施例构思的情况下，还可以包括更多其他等效实施例，而本发明实施例的范围由所附的权利要求范围决定。
Claims (10)
1.电缆更换监测方法，其特征在于，包括：
获取不同样本环境参数下的样本电缆老化参数，基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；
获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；
基于所述电缆老化值确定更换预测结果。
2.根据权利要求1所述的电缆更换监测方法，其特征在于，所述样本环境参数包括样本时间值和样本环境属性值，所述样本环境参数包括测试过程中和/或实际铺设环境中确定出的参数，所述样本电缆老化参数包括评测得到的样本电缆老化值。
3.根据权利要求2所述的电缆更换监测方法，其特征在于，所述基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型，包括：
以所述时间值和所述样本环境属性值为输入，以所述样本电缆老化值为输出，对神经网络模型训练，得到训练模型。
4.根据权利要求2所述的电缆更换监测方法，其特征在于，所述获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值，包括：
获取待检测电缆的时间值和环境属性值，将所述时间值和所述环境属性值输入至所述训练模型得到电缆老化值。
5.根据权利要求2所述的电缆更换监测方法，其特征在于，所述样本环境属性值包括温度值、湿度值和电缆负载值。
6.根据权利要求5所述的电缆更换监测方法，其特征在于，在所述获取不同样本环境参数之前，还包括：
对样本电缆所处的环境的周期温度和周期湿度进行统计得到温度值和湿度值；
对样本电缆使用过程中的负载的均值进行统计得到负载值。
7.根据权利要求1-6中任一项所述的电缆更换监测方法，其特征在于，所述基于所述电缆老化值确定更换预测结果，包括：
根据所述电缆老化值和设置的更换标准确定更换监测结果。
8.电缆更换监测系统，其特征在于，包括：
样本电缆老化参数获取模块，用于获取不同样本环境参数下的样本电缆老化参数；
神经网络模型训练模块，用于基于所述样本环境参数和所述样本电缆老化参数进行神经网络模型训练，得到训练模型；
环境参数获取模块，用于获取待检测电缆的环境参数，将所述环境参数输入至所述训练模型得到电缆老化值；
预测结果确定模块，用于基于所述电缆老化值确定更换预测结果。
9.一种电缆更换监测设备，所述设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的电缆更换监测方法。
10.一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的电缆更换监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310501222.0A CN116679139A (zh) | 2023-05-05 | 2023-05-05 | 电缆更换监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310501222.0A CN116679139A (zh) | 2023-05-05 | 2023-05-05 | 电缆更换监测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116679139A true CN116679139A (zh) | 2023-09-01 |
Family
ID=87789867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310501222.0A Pending CN116679139A (zh) | 2023-05-05 | 2023-05-05 | 电缆更换监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679139A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117289075A (zh) * | 2023-09-07 | 2023-12-26 | 东莞市明盛电气有限公司 | 电缆性能检测方法及系统 |
-
2023
- 2023-05-05 CN CN202310501222.0A patent/CN116679139A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117289075A (zh) * | 2023-09-07 | 2023-12-26 | 东莞市明盛电气有限公司 | 电缆性能检测方法及系统 |
| CN117289075B (zh) * | 2023-09-07 | 2024-03-12 | 东莞市明盛电气有限公司 | 电缆性能检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
| Beghoura et al. | Green software requirements and measurement: random decision forests-based software energy consumption profiling | |
| CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
| CN116679139A (zh) | 电缆更换监测系统及方法 | |
| CN114076873A (zh) | 电缆故障分析预测方法和装置 | |
| CN108072858B (zh) | 电能表质量管理方法、系统及终端设备 | |
| CN112327095B (zh) | 电缆故障检测方法、装置、计算机设备和存储介质 | |
| CN108009063B (zh) | 一种电子设备故障阈值检测的方法 | |
| CN112463432A (zh) | 基于指标数据的巡检方法、装置及系统 | |
| CN116413604A (zh) | 一种电池参数监测方法、系统、装置及存储介质 | |
| CN115878958A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
| CN108009582B (zh) | 一种电子设备标准工作指标设置的方法 | |
| CN113204919A (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
| CN115293735A (zh) | 一种无人工厂工业互联网平台监测管理方法及系统 | |
| CN111831862B (zh) | 高质量绝缘评估系统 | |
| CN114511209A (zh) | 光纤电缆链路质量评估方法、装置、电子设备及存储介质 | |
| CN113238911A (zh) | 告警处理方法及装置 | |
| CN110991939A (zh) | 车辆的机油性能评价方法、装置及电子设备 | |
| CN106855841B (zh) | 一种系统内存分析方法和装置 | |
| CN117439899B (zh) | 一种基于大数据的通信机房巡检方法及系统 | |
| CN116223967A (zh) | 电缆数据在线综合分析系统 | |
| CN116520077A (zh) | 基于智能自锁连接器的故障监测系统及方法 |
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 |