CN117172056A - 接触电阻预测模型的训练方法、装置和计算机设备 - Google Patents
接触电阻预测模型的训练方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117172056A CN117172056A CN202311112319.9A CN202311112319A CN117172056A CN 117172056 A CN117172056 A CN 117172056A CN 202311112319 A CN202311112319 A CN 202311112319A CN 117172056 A CN117172056 A CN 117172056A
- Authority
- CN
- China
- Prior art keywords
- contact resistance
- information
- prediction model
- sample
- structure 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 title claims abstract description 31
- 238000012546 transfer Methods 0.000 claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000013209 evaluation strategy Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims description 68
- 239000004020 conductor Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000020169 heat generation Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 abstract description 28
- 238000002788 crimping Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种接触电阻预测模型的训练方法、装置和计算机设备。方法包括：获取电缆接头的各结构信息的传热特征信息、各结构信息的温度场特征信息、以及各结构信息的接触电阻等效特征信息；基于上述信息，在各结构信息中，筛选目标结构信息，并基于各目标结构信息，建立初始接触电阻预测模型；并基于各样本温度数据、样本接触电阻、以及参数寻优算法，确定初始接触电阻预测模型的模型参数；基于样本接触电阻、初始接触电阻预测模型的模型参数、以及模型自我评价策略，对初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型。采用本方法能够提升了电缆接头的接触电阻的计算效率。
Description
技术领域
本申请涉及电缆温度检测技术领域，特别是涉及一种接触电阻预测模型的训练方法、装置和计算机设备。
背景技术
近些年来，随着城市现代化的进行，电力电缆逐渐取代架空线成为城市配电的关键设备，但由于结构及材料组成等因素导致电缆接头常常称为电缆系统中最薄弱的环节。为此，应在运行中对电缆接头温度进行实时数据采集、预报、分析和监控。而接头接触电阻的大小则直接影响着最高点温度的数值，因此如何计算电缆接头的接触电阻是当前的研究重点。
传统的电缆接头的接触电阻的计算方法是通过有限元仿真软件，像COMSOL软件、ANSYS软件等仿真电缆接头的运行过程，从而得到电缆接头对应的接触电阻，但是这种方法需要对电缆接头的所有结构信息进行综合仿真处理，在应对复杂环境和复杂结构时，该方式的计算效率降低，从而导致电缆接头的接触电阻的计算效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种接触电阻预测模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种接触电阻预测模型的训练方法。所述方法包括：
获取电缆接头的各结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息；
基于各所述结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，在各所述结构信息中，筛选目标结构信息，并基于各所述目标结构信息，建立初始接触电阻预测模型；
采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻，并基于各所述样本温度数据、所述样本接触电阻、以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数；
基于所述样本接触电阻、所述初始接触电阻预测模型的模型参数、以及模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型。
可选的，所述获取电缆接头的各结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，包括：
获取每个结构信息的传热数据信息、以及所述结构信息的生热信息，并针对每个结构信息，识别所述结构信息对应的传热方式；
基于所述结构信息对应的传热方式、以及所述结构信息的传热数据信息，计算所述结构信息的传热特性信息，并基于所述结构信息的传热特性信息、以及所述结构信息的生热信息，计算所述结构信息的温度场特征信息；
获取所述结构信息对应的导体电阻率、以及所述结构信息对应的导体半径，并通过电阻等效特征算法，计算所述结构信息对应的接触电阻等效特征信息。
可选的，所述基于各所述结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，在各所述结构信息中，筛选目标结构信息，包括：
采集所述电缆接头的各结构信息的实际温度数据，并基于各所述结构信息，构建所述电缆接头的电缆接头仿真模型；
对所述电缆接头仿真模型进行仿真电流传输处理，得到所述电缆接头的载流量信息，并识别所述载流量信息对应的温度场分布信息；
基于所述温度场分布信息，识别每个结构信息的温度数据，并计算各所述结构信息的温度数据与各所述结构信息的实际温度数据之间的温度差值；
在各所述温度差值中，筛选小于预设温度差值阈值的温度差值的温度数据的结构信息，作为目标结构信息。
可选的，所述采集各所述目标结构信息的样本温度数据、所述样本接触电阻、以及所述电缆接头的样本接触电阻，包括：
获取样本仿真环境信息、并基于所述样本仿真环境信息，对所述电缆接头仿真模型进行仿真电流传输处理，得到所述电缆接头的样本载流量信息；
识别所述电缆接头仿真模型在仿真过程中的各目标结构信息的样本温度数据、并基于所述样本载流量信息，计算所述电缆接头的样本接触电阻。
可选的，所述基于各所述样本温度数据、以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数，包括：
将各所述样本温度数据输入所述初始接触电阻预测模型，得到所述电缆接头的预测接触电阻信息；
计算所述电缆接头的样本接触电阻、与所述电缆接头的预测接触电阻信息之间的均方差，并基于所述均方差，以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数。
可选的，所述基于所述样本接触电阻、所述初始接触电阻预测模型的模型参数、以及模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型，包括：
计算所述电缆接头的样本接触电阻、与所述电缆接头的预测接触电阻信息之间的误差信息，并在所述误差信息不满足迭代终止条件的情况下，通过误差拟合算法，计算所述初始接触电阻预测模型的拟合系数；
基于所述拟合系数，调整所述接触电阻预测模型，并返回执行将各所述样本温度数据输入所述初始接触电阻预测模型，得到所述电缆接头的预测接触电阻信息步骤，直到所述误差信息满足迭代终止条件时，将满足迭代终止条件的误差信息对应的初始接触电阻预测模型，作为接触电阻预测模型。
第二方面，本申请提供了一种接触电阻预测方法。所述方法包括：
获取电缆接头的各目标结构信息的温度数据，并将各所述温度数据输入接触电阻预测模型，预测所述电缆接头的接触电阻状态信息；
识别所述接触电阻状态信息对应的预测接触电阻，并将所述预测接触电阻作为所述电缆接头的预测接触电阻；
其中，所述接触电阻预测模型为通过第一方面中任一项所述的接触电阻预测模型的训练方法训练得到的。
第三方面，本申请还提供了一种接触电阻预测模型的训练装置。所述装置包括：
获取模块，用于获取电缆接头的各结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息；
建立模块，用于基于各所述结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，在各所述结构信息中，筛选目标结构信息，并基于各所述目标结构信息，建立初始接触电阻预测模型；
确定模块，用于采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻，并基于各所述样本温度数据、所述样本接触电阻、以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数；
调整模块，用于基于所述样本接触电阻、所述初始接触电阻预测模型的模型参数、以及模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型。
可选的，所述获取模块，具体用于：
获取每个结构信息的传热数据信息、以及所述结构信息的生热信息，并针对每个结构信息，识别所述结构信息对应的传热方式；
基于所述结构信息对应的传热方式、以及所述结构信息的传热数据信息，计算所述结构信息的传热特性信息，并基于所述结构信息的传热特性信息、以及所述结构信息的生热信息，计算所述结构信息的温度场特征信息；
获取所述结构信息对应的导体电阻率、以及所述结构信息对应的导体半径，并通过电阻等效特征算法，计算所述结构信息对应的接触电阻等效特征信息。
可选的，所述建立模块，具体用于：
采集所述电缆接头的各结构信息的实际温度数据，并基于各所述结构信息，构建所述电缆接头的电缆接头仿真模型；
对所述电缆接头仿真模型进行仿真电流传输处理，得到所述电缆接头的载流量信息，并识别所述载流量信息对应的温度场分布信息；
基于所述温度场分布信息，识别每个结构信息的温度数据，并计算各所述结构信息的温度数据与各所述结构信息的实际温度数据之间的温度差值；
在各所述温度差值中，筛选小于预设温度差值阈值的温度差值的温度数据的结构信息，作为目标结构信息。
可选的，所述建立模块，具体用于：
获取样本仿真环境信息、并基于所述样本仿真环境信息，对所述电缆接头仿真模型进行仿真电流传输处理，得到所述电缆接头的样本载流量信息；
识别所述电缆接头仿真模型在仿真过程中的各目标结构信息的样本温度数据、并基于所述样本载流量信息，计算所述电缆接头的样本接触电阻。
可选的，所述确定模块，具体用于：
将各所述样本温度数据输入所述初始接触电阻预测模型，得到所述电缆接头的预测接触电阻信息；
计算所述电缆接头的样本接触电阻、与所述电缆接头的预测接触电阻信息之间的均方差，并基于所述均方差，以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数。
可选的，所述调整模块，具体用于：
计算所述电缆接头的样本接触电阻、与所述电缆接头的预测接触电阻信息之间的误差信息，并在所述误差信息不满足迭代终止条件的情况下，通过误差拟合算法，计算所述初始接触电阻预测模型的拟合系数；
基于所述拟合系数，调整所述接触电阻预测模型，并返回执行将各所述样本温度数据输入所述初始接触电阻预测模型，得到所述电缆接头的预测接触电阻信息步骤，直到所述误差信息满足迭代终止条件时，将满足迭代终止条件的误差信息对应的初始接触电阻预测模型，作为接触电阻预测模型。
第四方面，本申请还提供了一种接触电阻预测装置。所述装置包括：
预测模块，用于获取电缆接头的各目标结构信息的温度数据，并将各所述温度数据输入接触电阻预测模型，预测所述电缆接头的接触电阻状态信息；
识别模块，用于识别所述接触电阻状态信息对应的预测接触电阻，并将所述预测接触电阻作为所述电缆接头的预测接触电阻；
其中，所述接触电阻预测模型为通过第一方面中任一项所述的接触电阻预测模型的训练方法训练得到的。
第五方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面和第二方面中任一项所述的方法的步骤。
第六方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面和第二方面中任一项所述的方法的步骤。
第七方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面和第二方面中任一项所述的方法的步骤。
上述接触电阻预测模型的训练方法、装置和计算机设备，通过获取电缆接头的各结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息；基于各所述结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，在各所述结构信息中，筛选目标结构信息，并基于各所述目标结构信息构建初始接触电阻预测模型；采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻，并基于各所述样本温度数据、所述样本接触电阻、以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数；基于所述样本接触电阻、所述初始接触电阻预测模型的模型参数、以及模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型。通过各结构信息的传热特征信息、温度场特征信息、以及接触电阻等效特征信息，在各结构信息中筛选目标结构信息，建立初始接触电阻预测模型，在确保计算精准度的情况下，避免全量结构信息计算效率缓慢的问题，然后通过采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻，并基于参数寻优算法，确定初始接触电阻预测模型的模型参数，并基于模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型，从而提升了该初始接触电阻预测模型的预测精准度，使得通过少量目标结构构建电缆接头的接触电阻预测模型，在确保预测的接触电阻的精准度的情况下，避免全量结构信息的计算效率缓慢的问题，提升了电缆接头的接触电阻的计算效率。
附图说明
图1为一个实施例中接触电阻预测模型的训练方法的流程示意图；
图2为一个实施例中电缆接头的结构信息、以及目标结构信息的示意图；
图3为一个实施例中接触电阻预测方法的流程示意图；
图4为一个实施例中接触电阻预测模型的训练示例的流程示意图；
图5为一个实施例中接触电阻预测模型的训练装置的结构框图；
图6为一个实施例中接触电阻预测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的接触电阻预测模型的训练方法，主要应用于电缆接头仿真过程对应的应用环境中。本方法可以应用于终端、也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。其中终端通过各结构信息的传热特征信息、温度场特征信息、以及接触电阻等效特征信息，在各结构信息中筛选目标结构信息，建立初始接触电阻预测模型，在确保计算精准度的情况下，避免全量结构信息计算效率缓慢的问题，然后通过采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻，并基于参数寻优算法，确定初始接触电阻预测模型的模型参数，并基于模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型，从而提升了该初始接触电阻预测模型的预测精准度，使得通过少量目标结构构建电缆接头的接触电阻预测模型，在确保预测的接触电阻的精准度的情况下，避免全量结构信息的计算效率缓慢的问题，提升了电缆接头的接触电阻的计算效率。
在一个实施例中，如图1所示，提供了一种接触电阻预测模型的训练方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S101，获取电缆接头的各结构信息的传热特征信息、各结构信息的温度场特征信息、以及各结构信息的接触电阻等效特征信息。
本实施例中，终端采集需要进行接触电阻预测的电缆接头的各结构信息，然后识别每个结构信息的传热特征信息、并基于每个结构信息的传热特征信息、确定每个结构信息的温度场特征信息，最后，终端基于每个结构信息的电阻数据，计算每个结构信息的接触电阻等效特征信息。其中传热特征信息为该结构信息的传热方式对应的传热特征数据。其中传热方式包括但不限于热传导、热对流和热辐射三种。其中，温度场特征信息为结构信息所属的区域内的属于一定区域内的散热平衡信息，其中每个结构信息的内部热源为为由线芯损耗、绝缘介质损耗产生的热量，又通过三种传热方式传递热量，终端基于损耗的热量以及传递的热量确定结构信息的温度场特征信息。其中，接触电阻等效特征信息为两个结构信息之间的接触电阻的等效特征数据，如图2所示，电缆接头的结构信息包括压接铜管、应力锥、接头主绝缘、外护套四部分，两段电缆的纤芯部分对齐紧贴在一起，通过压接铜管进一步固定，压接铜管两端连接的是电缆的主绝缘部分，在电缆接头两端存在两个应力锥，起到保证两段电缆连接的稳定性和优化电场分布的作用，电缆接头的主绝缘起着对电缆接头的电气保护作用，护套起着机械保护作用。而接触电阻为两个结构信息压接部分对应的电阻，终端通过计算压接部分的压接系数，从而确定两个结构信息之间的接触电阻的等效特征数据。具体的计算过程后续将详细说明。
步骤S102，基于各结构信息的传热特征信息、各结构信息的温度场特征信息、以及各结构信息的接触电阻等效特征信息，在各结构信息中，筛选目标结构信息，并基于各目标结构信息，建立初始接触电阻预测模型。
本实施例中，终端基于各结构信息的传热特征信息、各结构信息的温度场特征信息、以及各结构信息的接触电阻等效特征信息，在各结构信息中，筛选目标结构信息。然后，终端在各结构信息中，筛选目标结构信息，并基于各目标结构信息，建立初始接触电阻预测模型。具体的筛选过程后续将详细说明，其中该初始接触电阻预测模型中的非目标结构信息通过导线代替。如图2所示，各目标结构信息为左电缆护套温度、右电缆护套温度、左电缆表皮温度、右电缆表皮温度、环境温度、电缆接头表皮温度和电缆电流七个变量作为初始接触电阻预测模型的各目标结构信息对应的变量。最后，终端通过各目标结构信息，建立初始接触电阻预测模型。其中该初始接触电阻预测模型为基于GRNN算法的GRNN神经网络(General Regression Neural Network，广义回归神经网络)。该神经网络中包括左电缆护套温度(x1)、右电缆护套温度(x2)、左电缆表皮温度(x3)、右电缆表皮温度(x4)、环境温度(x5)、电缆接头表皮温度(x6)和电缆电流(x7)这7个因变量作为GRNN输入层的7个神经元，以及电缆接头接触电阻数值(y)作输出层的唯一神经元。
步骤S103，采集各目标结构信息的样本温度数据、以及电缆接头的样本接触电阻，并基于各样本温度数据、样本接触电阻、以及参数寻优算法，确定初始接触电阻预测模型的模型参数。
本实施例中，终端通过仿真电缆接头仿真模型的电缆传输过程，采集各目标结构信息的样本温度数据、以及电缆接头的样本接触电阻。然后，终端通过参数寻优算法，基于各样本温度数据、以及样本接触电阻，确定该初始接触电阻预测模型的模型参数。具体的采集方式以及确定过程后续将详细说明。
步骤S104，基于样本接触电阻、初始接触电阻预测模型的模型参数、以及模型自我评价策略，对初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型。
本实施例中，终端于样本接触电阻、初始接触电阻预测模型的模型参数、以及模型自我评价策略，对初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型。其中自我评价策略为通过引入平均绝对误差(MAE：Mean Absolute Error)、均方误差(MSE：MeanSquare Error)、均方根误差(RMSE：Root Mean Square Error)和拟合系数来对初始接触电阻预测模型的模型参数进行评价修正的策略。具体的评价调整过程后续将详细说明。
基于上述方案，通过各结构信息的传热特征信息、温度场特征信息、以及接触电阻等效特征信息，在各结构信息中筛选目标结构信息，建立初始接触电阻预测模型，在确保计算精准度的情况下，避免全量结构信息计算效率缓慢的问题，然后通过采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻，并基于参数寻优算法，确定初始接触电阻预测模型的模型参数，并基于模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型，从而提升了该初始接触电阻预测模型的预测精准度，使得通过少量目标结构构建电缆接头的接触电阻预测模型，在确保预测的接触电阻的精准度的情况下，避免全量结构信息的计算效率缓慢的问题，提升了电缆接头的接触电阻的计算效率。
可选的，获取电缆接头的各结构信息的传热特征信息、各结构信息的温度场特征信息、以及各结构信息的接触电阻等效特征信息，包括：获取每个结构信息的传热数据信息、以及结构信息的生热信息，并针对每个结构信息，识别结构信息对应的传热方式；基于结构信息对应的传热方式、以及结构信息的传热数据信息，计算结构信息的传热特性信息，并基于结构信息的传热特性信息、以及结构信息的生热信息，计算结构信息的温度场特征信息；获取结构信息对应的导体电阻率、以及结构信息对应的导体半径，并通过电阻等效特征算法，计算结构信息对应的接触电阻等效特征信息。
本实施例中，终端获取每个结构信息的传热数据信息、以及结构信息的生热信息，并针对每个结构信息，识别结构信息对应的传热方式。然后，终端基于结构信息对应的传热方式、以及结构信息的传热数据信息，计算结构信息的传热特性信息，其中，在电缆接头的各结构信息之间的传热方式为热传导方式时，各结构信息遵循傅里叶传热定律，则计算各结构信息的传热特征信息的计算公式为：
上式中，q是结构信息的热流密度，W/m2；λ是结构信息的导热系数，W/(m·K)；T是温度。
其中，在电缆接头的各结构信息之间的传热方式为热对流方式时，各结构信息与空气之间的传热规律则遵循热对流规律，计算各结构信息的传热特征信息的计算公式为:
q＝hΔT
上式中，h是结构信息的对流换热系数，W/(m2·K)；ΔT是指温度差。
其中，在电缆接头的各结构信息之间的传热方式为热辐射方式时，计算各结构信息的传热特征信息的计算公式为:
q＝σbεAΔT4
上式中，σb是结构信息的黑体辐射常数；ε为辐射率；A为物体表面积。
然后，终端基于结构信息的传热特性信息、以及结构信息的生热信息，计算结构信息的温度场特征信息。
其中，电缆接头的各结构信息的温度场特征信息可表示为一定空间内坐标的函数，根据能量守恒和傅里叶定律可以得到如下计算公式：
上式中，Qv为各结构信息的体积生热率，W/m3，λ为常数参数，x为各结构信息、T为温度差。
最后，终端获取结构信息对应的导体电阻率、以及结构信息对应的导体半径，并通过电阻等效特征算法，计算结构信息对应的接触电阻等效特征信息。其中，导体电阻率包括电缆导体电阻率和压接导体电阻率，导体半径包括电缆导体半径和压接导体半径。其中，电阻等效特征算法为压接系数k计算方法，该压接系数计算公式如下：
上式中，ρ1为电缆导体电阻率、ρ2为压接导体电阻率，r1为电缆导体半径、r2为压接导体半径。
基于上述方案，确定各结构信息的传热特征信息、温度场特征信息、以及接触电阻等效特征信息，提升了确定的传热特征信息、温度场特征信息、以及接触电阻等效特征信息的精准度。
可选的，基于各结构信息的传热特征信息、各结构信息的温度场特征信息、以及各结构信息的接触电阻等效特征信息，在各结构信息中，筛选目标结构信息，包括：采集电缆接头的各结构信息的实际温度数据，并基于各结构信息，构建电缆接头的电缆接头仿真模型；对电缆接头仿真模型进行仿真电流传输处理，得到电缆接头的载流量信息，并识别载流量信息对应的温度场分布信息；基于温度场分布信息，识别每个结构信息的温度数据，并计算各结构信息的温度数据与各结构信息的实际温度数据之间的温度差值；在各温度差值中，筛选小于预设温度差值阈值的温度差值的温度数据的结构信息，作为目标结构信息。
本实施例中，终端采集电缆接头的各结构信息的实际温度数据，并基于各结构信息，构建电缆接头的电缆接头仿真模型。然后，终端对电缆接头仿真模型进行仿真电流传输处理，得到电缆接头的载流量信息。其中仿真方式可以但不限于通过有限元仿真软件，像COMSOL软件、ANSYS软件等仿真方式。
终端识别该载流量信息对应的温度场分布信息。然后，终端基于该温度场分布信息，识别每个结构信息的温度数据。最后，终端预设温度差值阈值，并计算各结构信息的温度数据与各结构信息的实际温度数据之间的温度差值。终端在各温度差值中，筛选小于预设温度差值阈值的温度差值的温度数据的结构信息，作为目标结构信息。
基于上述方案，通过各结构信息的传热特征信息、温度场特征信息、以及接触电阻等效特征信息，筛选目标结构信息，提升了筛选的目标结构信息表征全量结构信息的表征效果。
可选的，采集各目标结构信息的样本温度数据、样本接触电阻、以及电缆接头的样本接触电阻，包括：获取样本仿真环境信息、并基于样本仿真环境信息，对电缆接头仿真模型进行仿真电流传输处理，得到电缆接头的样本载流量信息；识别电缆接头仿真模型在仿真过程中的各目标结构信息的样本温度数据、并基于样本载流量信息，计算电缆接头的样本接触电阻。
本实施例中，终端获取样本仿真环境信息、并基于样本仿真环境信息，对电缆接头仿真模型进行仿真电流传输处理，得到电缆接头的样本载流量信息。然后，终端识别电缆接头仿真模型在仿真过程中的各目标结构信息的样本温度数据。终端基于该样本载流量信息，计算电缆接头的样本接触电阻。其中样本接触电阻的数目不唯一。
基于上述方案，通过样本仿真环境信息得到电缆接头的各结构信息的样本温度数据、以及电缆接头的样本接触电阻，提升了获取的电缆接头的各结构信息的样本温度数据、以及电缆接头的样本接触电阻的实际性与准确度。
可选的，基于各样本温度数据、以及参数寻优算法，确定初始接触电阻预测模型的模型参数，包括：将各样本温度数据输入初始接触电阻预测模型，得到电缆接头的预测接触电阻信息；计算电缆接头的样本接触电阻、与电缆接头的预测接触电阻信息之间的均方差，并基于均方差，以及参数寻优算法，确定初始接触电阻预测模型的模型参数。
本实施例中，终端先通过规范化算法，对各样本温度数进行归一化处理。然后终端再将各样本温度数据输入初始接触电阻预测模型，得到电缆接头的预测接触电阻信息；计算电缆接头的样本接触电阻、与电缆接头的预测接触电阻信息之间的均方差，并基于该均方差，通过参数寻优算法，确定该初始接触电阻预测模型的模型参数。其中参数寻优算法为粒子群算法。
其中规范化算法的计算公式如下：
上式中，x为样本温度数据，xmin为所有样本温度数据中最小的温度数据对应的样本温度数据，xmax为所有样本温度数据中最大的温度数据对应的样本温度数据。其中，参数寻优算法的计算公式如下，
其中，u为惯性因子；为第k次迭代中粒子i的速度向量的第d维分量、粒子i在运动过程中经过的最优位置的第d维分量、群体粒子所经过的最优位置；c1、c2均为学习因子；r1、r2均为(0,1)内的随机数，σ为模型参数。
基于上述方案，通过参数寻优算法，寻找接触电阻预测模型的最优模型参数，提升了接触电阻预测模型的预测精准度。
可选的，基于样本接触电阻、初始接触电阻预测模型的模型参数、以及模型自我评价策略，对初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型，包括：计算电缆接头的样本接触电阻、与电缆接头的预测接触电阻信息之间的误差信息，并在误差信息不满足迭代终止条件的情况下，通过误差拟合算法，计算初始接触电阻预测模型的拟合系数；基于拟合系数，调整接触电阻预测模型，并返回执行将各样本温度数据输入初始接触电阻预测模型，得到电缆接头的预测接触电阻信息步骤，直到误差信息满足迭代终止条件时，将满足迭代终止条件的误差信息对应的初始接触电阻预测模型，作为接触电阻预测模型。
本实施例中，终端计算电缆接头的样本接触电阻、与电缆接头的预测接触电阻信息之间的误差信息，并在误差信息不满足迭代终止条件的情况下，通过误差拟合算法，计算初始接触电阻预测模型的拟合系数。其中迭代终止条件为该未查信息对应的各误差值均低于预设于终端的误差阈值。其中误差信息包括平均绝对误差值、均方误差值、以及均方根误差值。上述误差信息的计算公式为：
上式中，MAE为平均绝对误差值，MSE为均方误差值，RMSE为均方根误差值。yi表示样本接触电阻，yl表示预测接触电阻，y为各样本接触电阻的平均值，i为样本接触电阻的虚拟编号。
其中，误差拟合算法的计算公式为：
上式中，R为拟合系数，n为所有样本接触电阻的数目
然后，终端基于该拟合系数，调整该接触电阻预测模型的模型参数，并返回执行将各样本温度数据输入初始接触电阻预测模型，得到电缆接头的预测接触电阻信息步骤，直到误差信息满足迭代终止条件时，将满足迭代终止条件的误差信息对应的初始接触电阻预测模型，作为接触电阻预测模型。
基于上述方案，通过误差运算、以及误差拟合算法，确定拟合系数，从而调整接触电阻预测模型的模型参数，提升了接触电阻预测模型的预测精准度。
在一个实施例中，如图3所示，提供了一种接触电阻预测方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S301，获取电缆接头的各目标结构信息的温度数据，并将各温度数据输入接触电阻预测模型，预测电缆接头的接触电阻状态信息。
本实施例中，终端获取电缆接头的各目标结构信息的温度数据。然后终端将各温度数据输入接触电阻预测模型，预测该电缆接头的接触电阻状态信息。
步骤S302，识别接触电阻状态信息对应的预测接触电阻，并将预测接触电阻作为电缆接头的预测接触电阻。
其中，接触电阻预测模型为通过接触电阻预测模型的训练方法训练得到的。
本实施例中，终端识别该接触电阻状态信息对应的预测接触电阻，并将该预测接触电阻作为电缆接头的预测接触电阻。
基于上述方案，通过少量目标结构构建电缆接头的接触电阻预测模型预测电缆接头的接触电阻。在确保预测的接触电阻的精准度的情况下，避免全量结构信息的计算效率缓慢的问题，提升了电缆接头的接触电阻的计算效率。
本申请还提供了一种接触电阻预测模型的训练示例，如图4所示，具体处理过程包括以下步骤：
步骤S401，获取每个结构信息的传热数据信息、以及结构信息的生热信息，并针对每个结构信息，识别结构信息对应的传热方式。
步骤S402，基于结构信息对应的传热方式、以及结构信息的传热数据信息，计算结构信息的传热特性信息，并基于结构信息的传热特性信息、以及结构信息的生热信息，计算结构信息的温度场特征信息。
步骤S403，获取结构信息对应的导体电阻率、以及结构信息对应的导体半径，并通过电阻等效特征算法，计算结构信息对应的接触电阻等效特征信息。
步骤S404，采集电缆接头的各结构信息的实际温度数据，并基于各结构信息，构建电缆接头的电缆接头仿真模型。
步骤S405，对电缆接头仿真模型进行仿真电流传输处理，得到电缆接头的载流量信息，并识别载流量信息对应的温度场分布信息。
步骤S406，基于温度场分布信息，识别每个结构信息的温度数据，并计算各结构信息的温度数据与各结构信息的实际温度数据之间的温度差值。
步骤S407，在各温度差值中，筛选小于预设温度差值阈值的温度差值的温度数据的结构信息，作为目标结构信息。
步骤S408，基于各目标结构信息，建立初始接触电阻预测模型。
步骤S409，采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻。
步骤S410，获取样本仿真环境信息、并基于样本仿真环境信息，对电缆接头仿真模型进行仿真电流传输处理，得到电缆接头的样本载流量信息。
步骤S411，识别电缆接头仿真模型在仿真过程中的各目标结构信息的样本温度数据、并基于样本载流量信息，计算电缆接头的样本接触电阻。
步骤S412，将各样本温度数据输入初始接触电阻预测模型，得到电缆接头的预测接触电阻信息。
步骤S413，计算电缆接头的样本接触电阻、与电缆接头的预测接触电阻信息之间的均方差，并基于均方差，以及参数寻优算法，确定初始接触电阻预测模型的模型参数。
步骤S414，计算电缆接头的样本接触电阻、与电缆接头的预测接触电阻信息之间的误差信息，并在误差信息不满足迭代终止条件的情况下，通过误差拟合算法，计算初始接触电阻预测模型的拟合系数。
步骤S415，基于拟合系数，调整接触电阻预测模型，并返回执行将各样本温度数据输入初始接触电阻预测模型，得到电缆接头的预测接触电阻信息步骤，直到误差信息满足迭代终止条件时，将满足迭代终止条件的误差信息对应的初始接触电阻预测模型，作为接触电阻预测模型。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严各的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的接触电阻预测模型的训练方法的接触电阻预测模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个接触电阻预测模型的训练装置实施例中的具体限定可以参见上文中对于接触电阻预测模型的训练方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种接触电阻预测模型的训练装置，包括：获取模块510、建立模块520、确定模块530和调整模块540，其中：
获取模块510，用于获取电缆接头的各结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息；
建立模块520，用于基于各所述结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，在各所述结构信息中，筛选目标结构信息，并基于各所述目标结构信息，建立初始接触电阻预测模型；
确定模块530，用于采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻，并基于各所述样本温度数据、所述样本接触电阻、以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数；
调整模块540，用于基于所述样本接触电阻、所述初始接触电阻预测模型的模型参数、以及模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型。
可选的，所述获取模块510，具体用于：
获取每个结构信息的传热数据信息、以及所述结构信息的生热信息，并针对每个结构信息，识别所述结构信息对应的传热方式；
基于所述结构信息对应的传热方式、以及所述结构信息的传热数据信息，计算所述结构信息的传热特性信息，并基于所述结构信息的传热特性信息、以及所述结构信息的生热信息，计算所述结构信息的温度场特征信息；
获取所述结构信息对应的导体电阻率、以及所述结构信息对应的导体半径，并通过电阻等效特征算法，计算所述结构信息对应的接触电阻等效特征信息。
可选的，所述建立模块520，具体用于：
采集所述电缆接头的各结构信息的实际温度数据，并基于各所述结构信息，构建所述电缆接头的电缆接头仿真模型；
对所述电缆接头仿真模型进行仿真电流传输处理，得到所述电缆接头的载流量信息，并识别所述载流量信息对应的温度场分布信息；
基于所述温度场分布信息，识别每个结构信息的温度数据，并计算各所述结构信息的温度数据与各所述结构信息的实际温度数据之间的温度差值；
在各所述温度差值中，筛选小于预设温度差值阈值的温度差值的温度数据的结构信息，作为目标结构信息。
可选的，所述建立模块520，具体用于：
获取样本仿真环境信息、并基于所述样本仿真环境信息，对所述电缆接头仿真模型进行仿真电流传输处理，得到所述电缆接头的样本载流量信息；
识别所述电缆接头仿真模型在仿真过程中的各目标结构信息的样本温度数据、并基于所述样本载流量信息，计算所述电缆接头的样本接触电阻。
可选的，所述确定模块530，具体用于：
将各所述样本温度数据输入所述初始接触电阻预测模型，得到所述电缆接头的预测接触电阻信息；
计算所述电缆接头的样本接触电阻、与所述电缆接头的预测接触电阻信息之间的均方差，并基于所述均方差，以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数。
可选的，所述调整模块540，具体用于：
计算所述电缆接头的样本接触电阻、与所述电缆接头的预测接触电阻信息之间的误差信息，并在所述误差信息不满足迭代终止条件的情况下，通过误差拟合算法，计算所述初始接触电阻预测模型的拟合系数；
基于所述拟合系数，调整所述接触电阻预测模型，并返回执行将各所述样本温度数据输入所述初始接触电阻预测模型，得到所述电缆接头的预测接触电阻信息步骤，直到所述误差信息满足迭代终止条件时，将满足迭代终止条件的误差信息对应的初始接触电阻预测模型，作为接触电阻预测模型。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的接触电阻预测方法的接触电阻预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个接触电阻预测装置实施例中的具体限定可以参见上文中对于接触电阻预测方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种接触电阻预测装置，包括：预测模块610和识别模块620，其中：
预测模块610，用于获取电缆接头的各目标结构信息的温度数据，并将各所述温度数据输入接触电阻预测模型，预测所述电缆接头的接触电阻状态信息；
识别模块620，用于识别所述接触电阻状态信息对应的预测接触电阻，并将所述预测接触电阻作为所述电缆接头的预测接触电阻；
其中，所述接触电阻预测模型为通过第一方面中任一项所述的接触电阻预测模型的训练方法训练得到的。
上述接触电阻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计算机设备中的存储器中，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终端，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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种接触电阻预测模型的训练方法和接触电阻预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现第一方面和第二方面中任一项所述的方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面和第二方面中任一项所述的方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面和第二方面中任一项所述的方法的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
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，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种接触电阻预测模型的训练方法，其特征在于，所述方法包括：
获取电缆接头的各结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息；
基于各所述结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，在各所述结构信息中，筛选目标结构信息，并基于各所述目标结构信息，建立初始接触电阻预测模型；
采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻，并基于各所述样本温度数据、所述样本接触电阻、以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数；
基于所述样本接触电阻、所述初始接触电阻预测模型的模型参数、以及模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型。
2.根据权利要求1所述的方法，其特征在于，所述获取电缆接头的各结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，包括：
获取每个结构信息的传热数据信息、以及所述结构信息的生热信息，并针对每个结构信息，识别所述结构信息对应的传热方式；
基于所述结构信息对应的传热方式、以及所述结构信息的传热数据信息，计算所述结构信息的传热特性信息，并基于所述结构信息的传热特性信息、以及所述结构信息的生热信息，计算所述结构信息的温度场特征信息；
获取所述结构信息对应的导体电阻率、以及所述结构信息对应的导体半径，并通过电阻等效特征算法，计算所述结构信息对应的接触电阻等效特征信息。
3.根据权利要求2所述的方法，其特征在于，所述基于各所述结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，在各所述结构信息中，筛选目标结构信息，包括：
采集所述电缆接头的各结构信息的实际温度数据，并基于各所述结构信息，构建所述电缆接头的电缆接头仿真模型；
对所述电缆接头仿真模型进行仿真电流传输处理，得到所述电缆接头的载流量信息，并识别所述载流量信息对应的温度场分布信息；
基于所述温度场分布信息，识别每个结构信息的温度数据，并计算各所述结构信息的温度数据与各所述结构信息的实际温度数据之间的温度差值；
在各所述温度差值中，筛选小于预设温度差值阈值的温度差值的温度数据的结构信息，作为目标结构信息。
4.根据权利要求3所述的方法，其特征在于，所述采集各所述目标结构信息的样本温度数据、所述样本接触电阻、以及所述电缆接头的样本接触电阻，包括：
获取样本仿真环境信息、并基于所述样本仿真环境信息，对所述电缆接头仿真模型进行仿真电流传输处理，得到所述电缆接头的样本载流量信息；
识别所述电缆接头仿真模型在仿真过程中的各目标结构信息的样本温度数据、并基于所述样本载流量信息，计算所述电缆接头的样本接触电阻。
5.根据权利要求4所述的方法，其特征在于，所述基于各所述样本温度数据、以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数，包括：
将各所述样本温度数据输入所述初始接触电阻预测模型，得到所述电缆接头的预测接触电阻信息；
计算所述电缆接头的样本接触电阻、与所述电缆接头的预测接触电阻信息之间的均方差，并基于所述均方差，以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数。
6.根据权利要求5所述的方法，其特征在于，所述基于所述样本接触电阻、所述初始接触电阻预测模型的模型参数、以及模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型，包括：
计算所述电缆接头的样本接触电阻、与所述电缆接头的预测接触电阻信息之间的误差信息，并在所述误差信息不满足迭代终止条件的情况下，通过误差拟合算法，计算所述初始接触电阻预测模型的拟合系数；
基于所述拟合系数，调整所述接触电阻预测模型，并返回执行将各所述样本温度数据输入所述初始接触电阻预测模型，得到所述电缆接头的预测接触电阻信息步骤，直到所述误差信息满足迭代终止条件时，将满足迭代终止条件的误差信息对应的初始接触电阻预测模型，作为接触电阻预测模型。
7.一种接触电阻预测方法，其特征在于，所述方法包括：
获取电缆接头的各目标结构信息的温度数据，并将各所述温度数据输入接触电阻预测模型，预测所述电缆接头的接触电阻状态信息；
识别所述接触电阻状态信息对应的预测接触电阻，并将所述预测接触电阻作为所述电缆接头的预测接触电阻；
其中，所述接触电阻预测模型为通过权利要求1至6中任一项所述的接触电阻预测模型的训练方法训练得到的。
8.一种接触电阻预测模型的训练装置，其特征在于，所述装置包括：
获取模块，用于获取电缆接头的各结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息；
建立模块，用于基于各所述结构信息的传热特征信息、各所述结构信息的温度场特征信息、以及各所述结构信息的接触电阻等效特征信息，在各所述结构信息中，筛选目标结构信息，并基于各所述目标结构信息，建立初始接触电阻预测模型；
确定模块，用于采集各所述目标结构信息的样本温度数据、以及所述电缆接头的样本接触电阻，并基于各所述样本温度数据、所述样本接触电阻、以及参数寻优算法，确定所述初始接触电阻预测模型的模型参数；
调整模块，用于基于所述样本接触电阻、所述初始接触电阻预测模型的模型参数、以及模型自我评价策略，对所述初始接触电阻预测模型进行评价调整处理，得到接触电阻预测模型。
9.一种接触电阻预测装置，其特征在于，所述装置包括：
预测模块，用于获取电缆接头的各目标结构信息的温度数据，并将各所述温度数据输入接触电阻预测模型，预测所述电缆接头的接触电阻状态信息；
识别模块，用于识别所述接触电阻状态信息对应的预测接触电阻，并将所述预测接触电阻作为所述电缆接头的预测接触电阻；
其中，所述接触电阻预测模型为通过权利要求1至6中任一项所述的接触电阻预测模型的训练方法训练得到的。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6或7中任一项所述的方法的步骤。
11.一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，所述计算机程序被处理器执行时实现权利要求1至6或7中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6或7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311112319.9A CN117172056A (zh) | 2023-08-31 | 2023-08-31 | 接触电阻预测模型的训练方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311112319.9A CN117172056A (zh) | 2023-08-31 | 2023-08-31 | 接触电阻预测模型的训练方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117172056A true CN117172056A (zh) | 2023-12-05 |
Family
ID=88932978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311112319.9A Pending CN117172056A (zh) | 2023-08-31 | 2023-08-31 | 接触电阻预测模型的训练方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172056A (zh) |
-
2023
- 2023-08-31 CN CN202311112319.9A patent/CN117172056A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109073710B (zh) | 用于电热电池模型的生成与使用的系统及方法 | |
| CN110083908B (zh) | 基于有限元分析的电缆缆芯温度预测方法 | |
| Illias et al. | Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms | |
| CN116882708B (zh) | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 | |
| CN113887845B (zh) | 极端事件预测方法、装置、设备和存储介质 | |
| CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
| CN110445567A (zh) | 一种电磁频谱地图的构建方法 | |
| CN113177290B (zh) | 基于深度代理模型归一化的卫星组件温度场预测方法 | |
| CN112926259A (zh) | 一种基于rbf神经网络模型预测半导体器件结温的方法 | |
| CN115840144A (zh) | 电池仿真计算方法、装置、计算机设备和存储介质 | |
| Chen et al. | A digital twin model of the axial temperature field of a DC cable for millisecond calculations | |
| CN117172056A (zh) | 接触电阻预测模型的训练方法、装置和计算机设备 | |
| CN117092510A (zh) | 电池运行模拟方法、装置及系统 | |
| CN113128080A (zh) | 用于预测线束温度的方法和设备 | |
| CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
| CN115438588A (zh) | 一种锂电池的温度预测方法、系统、设备及存储介质 | |
| CN115392594A (zh) | 一种基于神经网络和特征筛选的用电负荷模型训练方法 | |
| CN116702578A (zh) | 用于预测多孔互连材料等效热导率的模型确定方法和装置 | |
| WO2024212309A1 (zh) | 电缆载流量确定方法、装置、计算机设备和存储介质 | |
| CN117195493A (zh) | 电缆接头仿真模型的确定方法、装置和计算机设备 | |
| CN117034772A (zh) | 载流不平衡度确定方法、装置和计算机设备 | |
| CN117094031B (zh) | 工业数字孪生数据隐私保护方法及相关介质 | |
| CN111507044B (zh) | 一种手工多芯线束rlcg参数矩阵预测方法 | |
| CN117147986A (zh) | 电缆不平衡度的确定方法、装置、计算机设备和存储介质 | |
| CN115795979A (zh) | 基于多层感知机的三芯电缆动态载流量预测方法及系统 |
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 |