一种基于神经网络电力电缆状态评价方法技术

本发明专利技术公开了一种基于神经网络电力电缆状态评价方法，包括以下步骤；步骤一、根据电缆的预试信息量、在线监测信息量、家族缺陷信息量和运行工况信息量建立电缆状态多源信息数据库；步骤二、建立以BP算法为基础的三层神经网络；步骤三、在神经网络工具的基础上设置好各项的参数，并对神经网络进行训练和验证；步骤四、分别将预试信息量、在线监测信息量、家族缺陷信息量和运行工况信息量的数据引入训练好的神经网络得到R1、R2、R3和R4的数值；步骤五、再输入本次状态评估的各状态量的具体值，输出本次综合评估结果R。本发明专利技术将各类电力电缆数据和参数综合起来，全面准确地评估电力电缆运行状态，为电缆运行和状态检修提供科学依据。

【技术实现步骤摘要】
一种基于神经网络电力电缆状态评价方法
本专利技术涉及电力系统
，具体为一种基于神经网络电力电缆状态评价方法。
技术介绍
电力电缆是电力系统中常用的的设备，也是至关重要的设备。电力电缆一旦发生故障不仅造成用户长时间停电，甚至会导致配电系统的瘫痪，严重时还会出现喷溅现象，引发大火。因此监测电力电缆的运行状态，发现电缆故障并对其检修对保障电力电缆的正常运行非常重要。目前电力电缆运行状态判断主要是监测电力电缆的电阻和温度等特定参数，这些参数只能局部判断电力电缆的运行状态，不能全面综合的判断电力电缆的运行状态，目前缺乏综合各类监测参数全面判断电力电缆运行状态的方法。近年来，人工智能突飞猛进，神经网络以优异的深度学习性能备受关注。神经网络是一种由若干平行作用的若干简单要素组成的模型，经训练后可以解决复杂的技术问题。其中，BP神经网络是目前应用最多的神经网络，它是一种基于误差逆传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。通过BP神经网络可以得到输入输出间的映射关系，而无需事前描述这种映射关系。BP神经网络具有优秀的收敛性能和误差最小性能。BP神经网络被广泛用于智能控制、信息处理等领域，这为电力电缆的运行状态的评判提供了新思路。
技术实现思路
本专利技术的目的在于提供一种基于神经网络电力电缆状态评价方法，以解决现有技术中提出的如何将电力电缆各类可利用的信息综合起来并进行评估的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于神经网络电力电缆状态评价方法，包括以下步骤：步骤一、根据电缆的预试信息量、在线监测信息量、家族缺陷信息量、运行工况信息量和电缆运行状态建立电缆状态多源信息数据库；所述预试信息量包括主绝缘电阻、额定电压、额定电流、介质损耗、电缆线芯温度和外护套绝缘电阻，所述在线监测信息量包括泄漏电流、接头温度、局部放电量、环境温度、环境湿度；所述家族缺陷信息量为同一厂家生产的各种型号、各种规格的电缆的故障统计信息和厂家的质量统计信息；所述运行工况信息量包括运行电流、运行电压、运行年限；所述电缆运行状态包括0-1分值范围内的五种状态；步骤二、从上述电缆状态多源信息数据库中确定影响电缆运行状态的主要因素，将其作为BP神经网络模型的输入层神经元并构建学习样本；步骤三、建立以BP算法为基础的三层神经网络，包括输入层、隐含层和输出层；其中输出层含有一个输出节点，输入层与隐含层之间存在连接权值ωi,n，隐含层与输出层之间存在连接权值ωm,k，输入层的数据经由各个连接权值得到输出层的输出数据，隐含层神经元节点数为算法如下：式中p为隐含层神经元节点数，m为输出层神经元数，n为输入层神经元数，a为1-10之间的常数；步骤四、设置学习率、训练次数和训练目标误差，并对神经网络进行训练和验证，训练时将所述学习样本输入BP神经网络后计算神经网络输出值与评价目标值之间的误差，当误差在可接受的范围时，神经网络学习结束，否则以如下方式修改连接权值：△ωi,j(k+1)＝(1-a)×η×▽f(ωi,j(k))+a×△ωi,j(k)式中，η为学习速率，k为训练次数，a为动量因子，▽f(ωi,j(k))为误差函数的梯度；当第k步误差大于第k-1步的误差时，a为0；当第k步误差小于第k-1步的误差时，a为0.9，学习速率η以下方式修改：式中，为η(k)学习速率，E(k)为第k步的误差；重复训练直到误差达到可接受的范围，神经网络训练结束；步骤五、将待评价电力电缆的上述影响电缆运行状态主要因素的数据输入训练好的神经网络，得到网络评价结果。优选的，步骤一中，所述五种状态分别是0-0.2分为情况紧急、0.21-0.4分为情况危急、0.41-0.6分为达到注意值、0.61-0.8分为状态良好、0.81-1分为状态好。优选的，步骤二中采用多源线性回归分析，基于显著性值确定主要因素；步骤四中训练时采用traingdm函数训练。优选的，学习率设置为0.05，最大训练次数为10000，训练目标误差为0.0001。本专利技术提出的一种基于神经网络电力电缆状态评价方法，有益效果在于：本专利技术基于BP神经网络对电力电缆综合状态进行评价，充分运用了预试信息、在线监测信息、家族缺陷信息和运行工况信息进电力电缆状态进行评价，并利用多源线性回归分析确定主要影响因素作为BP神经网络的输入层神经元，建立的BP神经网络准确率高、响应快。同时本专利技术优化了BP神经网络的权重系数调整规则，提高了网络的学习效率和收敛速度，对电力电缆的中和评价起到积极的作用。附图说明图1为BP神经网络结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。本专利技术提供一种技术方案：一种基于神经网络电力电缆状态评价方法，包括以下步骤：步骤一、根据电缆的预试信息量、在线监测信息量、家族缺陷信息量、运行工况信息量和电缆运行状态建立电缆状态多源信息数据库；所述预试信息量包括主绝缘电阻、额定电压、额定电流、介质损耗、电缆线芯温度和外护套绝缘电阻，所述在线监测信息量包括泄漏电流、接头温度、局部放电量、环境温度、环境湿度；所述家族缺陷信息量为同一厂家生产的各种型号、各种规格的电缆的故障统计信息和厂家的质量统计信息；所述运行工况信息量包括运行电流、运行电压、运行年限；所述电缆运行状态包括0-1分值范围内的五种状态，所述五种状态分别是0-0.2分为情况紧急、0.21-0.4分为情况危急、0.41-0.6分为达到注意值、0.61-0.8分为状态良好、0.81-1分为状态好；步骤二、采用多源线性回归分析利用SPSS软件基于显著性值从上述电缆状态多源信息数据库中确定影响电缆运行状态的主要因素，将其作为BP神经网络模型的输入层神经元并构建学习样本，分别为主电源电阻、线芯温度、介质损耗、泄漏电流、局部放电量、运行年限和故障信息；步骤三、建立以BP算法为基础的三层神经网络，如图1所示包括输入层、隐含层和输出层；其中输出层含有一个输出节点，输入层与隐含层之间存在连接权值ωi,n，隐含层与输出层之间存在连接权值ωm,k，输入层的数据经由各个连接权值得到输出层的输出数据，隐含层神经元节点数为算法如下：式中p为隐含层神经元节点数，m为输出层神经元数，n为输入层神经元数，a为1-10之间的常数；步骤四、设置学习率为0.05、训练次数为10000、训练目标误差为0.0001，并对神经网络进行训练和验证，训练时将所述学习样本输入BP神经网络后计算神经网络输出值与评价目标值之间的误差，当误差在可接受的范围时，神经网络学习结束，否则以如下方式修改连接权值：△本文档来自技高网...

【技术保护点】
1.一种基于神经网络电力电缆状态评价方法，其特征在于：包括以下步骤；/n步骤一、根据电缆的预试信息量、在线监测信息量、家族缺陷信息量、运行工况信息量和电缆运行状态建立电缆状态多源信息数据库；所述预试信息量包括主绝缘电阻、额定电压、额定电流、介质损耗、电缆线芯温度和外护套绝缘电阻，所述在线监测信息量包括泄漏电流、接头温度、局部放电量、环境温度、环境湿度；/n所述家族缺陷信息量为同一厂家生产的各种型号、各种规格的电缆的故障统计信息和厂家的质量统计信息；所述运行工况信息量包括运行电流、运行电压、运行年限；所述电缆运行状态包括0-1分值范围内的五种状态；/n步骤二、从上述电缆状态多源信息数据库中确定影响电缆运行状态的主要因素，将其作为BP神经网络模型的输入层神经元并构建学习样本；/n步骤三、建立以BP算法为基础的三层神经网络，包括输入层、隐含层和输出层；其中输出层含有一个输出节点，输入层与隐含层之间存在连接权值ωi,n，隐含层与输出层之间存在连接权值ωm,k，输入层的数据经由各个连接权值得到输出层的输出数据，隐含层神经元节点数为算法如下：/n

【技术特征摘要】
1.一种基于神经网络电力电缆状态评价方法，其特征在于：包括以下步骤；
步骤一、根据电缆的预试信息量、在线监测信息量、家族缺陷信息量、运行工况信息量和电缆运行状态建立电缆状态多源信息数据库；所述预试信息量包括主绝缘电阻、额定电压、额定电流、介质损耗、电缆线芯温度和外护套绝缘电阻，所述在线监测信息量包括泄漏电流、接头温度、局部放电量、环境温度、环境湿度；
所述家族缺陷信息量为同一厂家生产的各种型号、各种规格的电缆的故障统计信息和厂家的质量统计信息；所述运行工况信息量包括运行电流、运行电压、运行年限；所述电缆运行状态包括0-1分值范围内的五种状态；
步骤二、从上述电缆状态多源信息数据库中确定影响电缆运行状态的主要因素，将其作为BP神经网络模型的输入层神经元并构建学习样本；
步骤三、建立以BP算法为基础的三层神经网络，包括输入层、隐含层和输出层；其中输出层含有一个输出节点，输入层与隐含层之间存在连接权值ωi,n，隐含层与输出层之间存在连接权值ωm,k，输入层的数据经由各个连接权值得到输出层的输出数据，隐含层神经元节点数为算法如下：



式中p为隐含层神经元节点数，m为输出层神经元数，n为输入层神经元数，a为1-10之间的常数；
步骤四、设置学习率、训练次数和训练目标误差，并对神经网络进行训练和验证，训练时将所述学习样本输入BP神经网络后计算神经网络输出...

【专利技术属性】
技术研发人员：薛艺为，党卫军，刘佳，李智斌，冯诺旼，马捷然，孙奇珍，郝方舟，
申请(专利权)人：广州供电局有限公司黄埔供电局，
类型：发明
国别省市：广东;44