基于多参数的配电电缆健康状态评估方法、系统及介质技术方案

本发明专利技术公开了一种基于多参数的配电电缆健康状态评估方法、系统及介质，本发明专利技术包括获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，将得到的N种当前最佳健康状态参数构成N维特征向量，并输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果，该机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。本发明专利技术能够有效克服单一参数检测不准确的问题，具有检测准确度高、可扩展性强、不依赖于特定的检测手段的优点，解决了数据采集时间点和频率的不同导致评估结果出现偏差的问题。

Health assessment method, system and media for distribution cables based on multi-parameters

【技术实现步骤摘要】
基于多参数的配电电缆健康状态评估方法、系统及介质
本专利技术涉及电力工程的电缆检测技术，具体涉及一种基于多参数的配电电缆健康状态评估方法、系统及介质。
技术介绍
中低压配电网设备数量庞大，分布范围广，配网设备种类、服务年限和维护状况参差不齐。随着配电设备状态检测技术逐渐发展，虽然在一定程度上推动配电设备状态检测工作，然而基于振荡波局部放电、高频电流局部放电等一系列检测技术还存在着数据丢失、数据人工录入、数据共享问题，以及人工分析、经验积累、周期性复查和复杂电缆分析诊断等问题。尤其是当使用各检测技术所得参数进行综合评估时，由于数据采集时间点和频率不同导致评估结果出现偏差，影响评估准确性。
技术实现思路
本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种基于多参数的配电电缆健康状态评估方法、系统及介质，能够有效克服单一参数检测不准确的问题，具有检测准确度高、可扩展性强、不依赖于特定的检测手段的优点，解决了数据采集时间点和频率的不同导致评估结果出现偏差的问题。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于多参数的配电电缆健康状态评估方法，实施步骤包括：1)获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，并将得到的N种当前最佳健康状态参数构成N维特征向量；2)将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；所述机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。优选地，步骤1)的详细步骤包括：1.1)分别使用多种指定手段检测被检测配电电缆在当前时刻及往前多个时刻的多个健康状态检测参数；1.2)针对各种指定手段检测分别根据健康状态参数拟合曲线，然后分别根据拟合曲线预测各种指定手段的当前最佳健康状态参数，从而得到的N种当前最佳健康状态参数；1.3)将得到的N种当前最佳健康状态参数构成N维特征向量。优选地，所述得到的N种当前最佳健康状态参数包括基于高频电流检测数据预测得到的当前最佳局放放电量Qt、基于高频振荡波检测数据预测得到的当前最佳局放放电量Q1t、基于超低频绝缘测试系统检测数据预测得到的当前最佳绝缘水平Lev1、基于工频耐压试验装置检测数据预测得到的当前最佳绝缘水平Lev2、基于变频串联谐振耐压装置检测数据预测得到的当前最佳绝缘水平Lev3、基于绝缘电阻测试仪检测数据预测得到的当前最佳电阻值R。优选地，所述机器学习模型为多元线性回归模型。优选地，所述多元线性回归模型的函数模型为y＝W*X+b，其中y为健康状态评估结果，X为N维特征向量，W和b为回归参数，且回归参数W为权重向量，回归参数b为常数。优选地，步骤2)之前包括训练多元线性回归模型的回归参数W和b步骤，详细步骤包括：S1)预先分别针对不同健康状态的配电电缆获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，将得到的N种健康状态参数构成N维特征向量，将N维特征向量作为输入数据、健康状态评估结果作为输出数据；S2)使用最大最小值法分别对输入、输出数据进行预处理，从而把每一维的数据都缩小到[0,1]之间完成输入、输出数据的标准化；S3)对标准化后的输入、输出数据进行随机分片，且指定比例的输入、输出数据作为训练集，其余的输入、输出数据作为测试集；S4)将训练集导入多元线性回归模型，通过梯度下降法求解多元线性回归模型的代价函数的最小值，得到当前最优的回归参数W和b。此外，本专利技术还提供一种基于多参数的配电电缆健康状态评估系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于多参数的配电电缆健康状态评估方法的步骤。此外，本专利技术还提供一种基于多参数的配电电缆健康状态评估系统，包括计算机设备，该计算机设备的存储介质上存储有被编程或配置以执行所述基于多参数的配电电缆健康状态评估方法的计算机程序。此外，本专利技术还提供一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行所述基于多参数的配电电缆健康状态评估方法的计算机程序。此外，本专利技术还提供一种基于多参数的配电电缆健康状态评估系统，包括：特征提取程序单元，用于获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，将得到的N种健康状态参数构成N维特征向量；特征分类程序单元，用于将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；所述机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。和现有技术相比，本专利技术具有下述优点：1、本专利技术基于被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数来实现基于多参数的配电电缆健康状态评估，能够有效克服单一参数检测不准确的问题，具有检测准确度高、可扩展性强、不依赖于特定的检测手段的优点。2、本专利技术获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，并将得到的N种当前最佳健康状态参数构成N维特征向量，基于过去及当前时刻的测试数据预测当前最佳健康状态参数，解决了数据采集时间点和频率的不同导致评估结果出现偏差的问题。附图说明图1为本专利技术实施例方法的基本流程示意图。图2为本专利技术实施例方法的原理示意图。图3为本专利技术实施例中训练机器学习模型的流程图。具体实施方式如图1所示，本实施例基于多参数的配电电缆健康状态评估方法的实施步骤包括：1)获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，并将得到的N种当前最佳健康状态参数构成N维特征向量；2)将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。本实施例中健康状态评估结果具体为评分值，此外也可以根据需要采用其他定性故障，同样也可以利用机器学习模型实现配电电缆健康状态的分类评估。本实施例中，步骤1)的详细步骤包括：1.1)分别使用多种指定手段检测被检测配电电缆在当前时刻及往前多个时刻的多个健康状态检测参数；1.2)针对各种指定手段检测分别根据健康状态参数拟合曲线，然后分别根据拟合曲线预测各种指定手段的当前最佳健康状态参数，从而得到的N种当前最佳健康状态参数；1.3)将得到的N种当前最佳健康状态参数构成N维特征向量。如图2所示，得到的N种当前最佳健康状态参数包括基于高频电流检测数据预测得到的当前最佳局放放电量Qt、基于高频振荡波检测数据预测得到的当前最佳局放放电量Q1t、基于超低频绝缘测试系统检测数据预测得到的当前最佳绝缘水平Lev1、基于工频耐压试验装置检测数据预测得到的当前最佳绝缘水平Lev2、基于变频串联谐振耐压装置检测数据预测得到的当前最佳绝缘水平Lev3、基于绝缘电阻测试仪检测数据预测得到的当前最佳电阻值R。本实施例中利用型号为HF-1000高频电流局部放电云检测仪实现基于高频电流检测，根据拟合曲线预测基于高频电流检测得到的当前最佳局放放电量Qt的步骤包括：1-2：利用型号为本文档来自技高网...

【技术保护点】
1.一种基于多参数的配电电缆健康状态评估方法，其特征在于实施步骤包括：1)获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，并将得到的N种当前最佳健康状态参数构成N维特征向量；2)将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；所述机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。

【技术特征摘要】
1.一种基于多参数的配电电缆健康状态评估方法，其特征在于实施步骤包括：1)获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，并将得到的N种当前最佳健康状态参数构成N维特征向量；2)将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；所述机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。2.根据权利要求1所述基于多参数的配电电缆健康状态评估方法，其特征在于，步骤1)的详细步骤包括：1.1)分别使用多种指定手段检测被检测配电电缆在当前时刻及往前多个时刻的多个健康状态检测参数；1.2)针对各种指定手段检测分别根据健康状态参数拟合曲线，然后分别根据拟合曲线预测各种指定手段的当前最佳健康状态参数，从而得到的N种当前最佳健康状态参数；1.3)将得到的N种当前最佳健康状态参数构成N维特征向量。3.根据权利要求1所述基于多参数的配电电缆健康状态评估方法，其特征在于，所述得到的N种当前最佳健康状态参数包括基于高频电流检测数据预测得到的当前最佳局放放电量Qt、基于高频振荡波检测数据预测得到的当前最佳局放放电量Q1t、基于超低频绝缘测试系统检测数据预测得到的当前最佳绝缘水平Lev1、基于工频耐压试验装置检测数据预测得到的当前最佳绝缘水平Lev2、基于变频串联谐振耐压装置检测数据预测得到的当前最佳绝缘水平Lev3、基于绝缘电阻测试仪检测数据预测得到的当前最佳电阻值R。4.根据权利要求1所述基于多参数的配电电缆健康状态评估方法，其特征在于，所述机器学习模型为多元线性回归模型。5.根据权利要求4所述基于多参数的配电电缆健康状态评估方法，其特征在于，所述多元线性回归模型的函数模型为y＝W*X+b，其中y为健康状态评估结果，X为N维特征向量，W和b为回归参数，且回归参数W为权重向量，回归参数b为常...

【专利技术属性】
技术研发人员：万代，由凯，齐飞，赵邈，段绪金，周恒逸，彭涛，彭思敏，
申请(专利权)人：国网湖南省电力有限公司，国网湖南省电力有限公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：湖南,43