电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置制造方法及图纸

一种电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置，该电缆的状态量预测的方法包括：获取待预测电缆的状态量的时间序列；对状态量的时间序列S进行数据划分，得到划分后的序列F；采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值。通过本发明专利技术实施例提供的电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置，基于长短时记忆LSTM模型的电缆线路多运行状态推演方法，针对多个状态量连续型时间序列进行单一节点的多状态量联合推演，实现高压电缆状态量的大数据分析，提高电缆状态预测的准确度，为高压电缆状态推演与评价提供技术支撑，保障高压输电电缆的运行可靠性。保障高压输电电缆的运行可靠性。保障高压输电电缆的运行可靠性。

【技术实现步骤摘要】
电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置


[0001]本专利技术涉及电缆状态监测领域，具体而言，涉及一种电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置。

技术介绍

[0002]随着经济的发展，我国的电缆建设处于一个快速的发展时期。然而，不同电缆生产制造工艺不同、敷设条件不一，在运行中经受电、热、机械等联合作用，并同时受自然环境(气温、气压、湿度以及污秽等)的影响，电缆的长期运行将会引起绝缘老化、疲劳、磨损，从而使得电缆绝缘性能逐渐下降，设备运行可靠性逐渐降低，进而威胁电力系统的运行可靠性。为了保障电缆线路可靠运行，提高电缆运维检修水平，降低电缆故障停运的风险，必须对高压电缆线路本体及通道进行状态感知与状态预测。
[0003]目前我国已有部分高压电缆输电线路实现状态感知，包括以局部放电、护层电流、电缆测温、载流量为主的电缆线路本体状态感知量及温度和湿度的通道状态感知量，电气设备检修策略逐渐从定期检修向状态检修进行过渡。然而，面对高压电缆输电监测系统产生的海量数据，传统方法难以处理，无法实现高压输电电缆的准确预测和评价。

技术实现思路

[0004]鉴于此，本专利技术提出了一种电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置，旨在解决电缆的准确预测和评价的问题。
[0005]第一方面，本专利技术实施例提供了一种电缆的状态量预测的方法，包括：获取待预测电缆的状态量的时间序列S=(S0, S0,
…
, S
n-1 )，其中，为第i个状态量的时间序列，为第i个状态量的第h个电缆状态量采集点的时间序列，n为状态量的个数，m为电缆状态量采集点的个数；对所述状态量的时间序列S进行数据划分，得到划分后的序列F；采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值。
[0006]进一步地，所述对所述状态量的时间序列S进行数据划分，得到划分后的序列F，包括：沿着所述状态量的时间序列S移动时间窗，得到若干个子序列；合并所述子序列，得到序列，其中，为第i个状态量的子序列，为第i个状态量第k个电缆状态量采集点的第j个时间窗，t是时间变量划分后的帧数。
[0007]进一步地，所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，
得到序列F的预测值，包括：将所述序列F输入至预先构建的长短时记忆LSTM模型，分别经过更新门、遗忘门和输出门，通过如下公式计算得到预测值：；其中，a
<t>
为LSTM模型的下一个LSTM单元的输入。
[0008]进一步地，所述对所述状态量的时间序列S进行数据划分之前，包括：对所述状态量的时间序列S进行清洗和预处理。
[0009]进一步地，所述对所述状态量的时间序列S进行数据划分之前，包括：对所述状态量的时间序列S进行归一化处理。
[0010]进一步地，所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值之后，还包括：对所述预测值进行反归一化处理，得到最终预测值。
[0011]进一步地，所述长短时记忆LSTM模型，采用如下方式预先构建得到：获取训练集(F
train
, O
train
)和测试集(F
test
, O
test
)，其中，F为输入序列，O为序列F的下一个时刻的状态量的真实值；将所述训练集输入待训练的LSTM模型进行训练；将所述测试集输入待训练的LSTM模型进行测试，得到测试集的第一预测值O
test
’
;将所测试集的预测值O
test
’
进行反归一化处理，得到测试集的第二预测值O
’
;根据所述测试集的第二预测值O
’
和真实值O
test
，计算得到均方误差和平均绝对误差；判断所述均方误差和所述平均绝对误差是否在预设范围内：若是，则将所述待训练的LSTM模型确定为最终LSTM模型；否则，则根据损失函数计算所述待训练的LSTM模型的损失值，进行训练优化，并将优化后的LSTM模型作为新的待训练的LSTM模型，返回所述将所述训练集输入待训练的LSTM模型进行训练的步骤。
[0012]第二方面，本专利技术实施例还提供了一种电缆的状态量预测的装置，包括：数据获取单元，用于获取待预测电缆的状态量的时间序列S=(S0, S0,
…
, S
n-1 )，其中，为第i个状态量的时间序列，为第i个状态量的第h个电缆状态量采集点的时间序列，n为状态量的个数，m为电缆状态量采集点的个数；数据划分单元，用于对所述状态量的时间序列S进行数据划分，得到划分后的序列F；预测单元，用于采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值。
[0013]进一步地，所述数据划分单元，还用于：沿着所述状态量的时间序列S移动时间窗，得到若干个子序列；
合并所述子序列，得到序列，其中，为第i个状态量的子序列，为第i个状态量第k个电缆状态量采集点的第j个时间窗，t是时间变量划分后的帧数。
[0014]进一步地，所述预测单元还用于：将所述序列F输入至预先构建的长短时记忆LSTM模型，分别经过更新门、遗忘门和输出门，通过如下公式计算得到预测值：；其中，a
<t>
为LSTM模型的下一个LSTM单元的输入。
[0015]进一步地，所述装置还包括：数据清洗和预处理单元，用于在对所述状态量的时间序列S进行数据划分之前，对所述状态量的时间序列S进行清洗和预处理。
[0016]进一步地，所述装置还包括：归一化单元，用于在对所述状态量的时间序列S进行数据划分之前，对所述状态量的时间序列S进行归一化处理。
[0017]进一步地，所述装置还包括：反归一化单元，用于在采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值之后，对所述预测值进行反归一化处理，得到最终预测值。
[0018]进一步地，所述长短时记忆LSTM模型，采用如下方式预先构建得到：获取训练集(F
train
, O
train
)和测试集(F
test
, O
test
)，其中，F为输入序列，O为序列F的下一个时刻的状态量的真实值；将所述训练集输入待训练的LSTM模型进行训练；将所述测试集输入待训练的LSTM模型进行测试，得到测试集的第一预测值O
test
’
;将所测试集的预测值O
test
’
进行反归一化处理，得到测试集的第二预测值O
’
;根据所述测试集的第二预测值O
’
和真实值O
test
，计算得到均方误差和平均绝对误差；判断所述均方误差和所述平均绝对误差是否在预设范围本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电缆的状态量预测的方法，其特征在于，所述方法包括：获取待预测电缆的状态量的时间序列S=(S0, S0,
…
, S
n-1 )，其中，为第i个状态量的时间序列，为第i个状态量的第h个电缆状态量采集点的时间序列，n为状态量的个数，m为电缆状态量采集点的个数；对所述状态量的时间序列S进行数据划分，得到划分后的序列F；采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值。2.根据权利要求1所述的方法，其特征在于，所述对所述状态量的时间序列S进行数据划分，得到划分后的序列F，包括：沿着所述状态量的时间序列S移动时间窗，得到若干个子序列；合并所述子序列，得到序列，其中，为第i个状态量的子序列，为第i个状态量第k个电缆状态量采集点的第j个时间窗，t是时间变量划分后的帧数。3.根据权利要求1所述的方法，其特征在于，所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值，包括：将所述序列F输入至预先构建的长短时记忆LSTM模型，分别经过更新门、遗忘门和输出门，通过如下公式计算得到预测值：；其中，a
<t>
为LSTM模型的下一个LSTM单元的输入。4.根据权利要求1所述的方法，其特征在于，所述对所述状态量的时间序列S进行数据划分之前，包括：对所述状态量的时间序列S进行清洗和预处理。5.根据权利要求1所述的方法，其特征在于，所述对所述状态量的时间序列S进行数据划分之前，包括：对所述状态量的时间序列S进行归一化处理。6.根据权利要求5所述的方法，其特征在于，所述采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值之后，还包括：对所述预测值进行反归一化处理，得到最终预测值。7.根据权利要求1所述的方法，其特征在于，所述长短时记忆LSTM模型，采用如下方式
预先构建得到：获取训练集(F
train
, O
train
)和测试集(F
test
, O
test
)，其中，F为输入序列，O为序列F的下一个时刻的状态量的真实值；将所述训练集输入待训练的LSTM模型进行训练；将所述测试集输入待训练的LSTM模型进行测试，得到测试集的第一预测值O
test
’
;将所测试集的预测值O
test
’
进行反归一化处理，得到测试集的第二预测值O
’
;根据所述测试集的第二预测值O
’
和真实值O
test
，计算得到均方误差和平均绝对误差；判断所述均方误差和所述平均绝对误差是否在预设范围内：若是，则将所述待训练的LSTM模型确定为最终LSTM模型；否则，则根据损失函数计算所述待训练的LSTM模型的损失值，进行训练优化，并将优化后的LSTM模型作为新的待训练的LSTM模型，返回所述将所述训练集输入待训练的LSTM模型进行训练的步骤。8.一种电缆的状态量预测的装置，其特征在于，所述装置包括：数据获取单元，用于获取待预测电缆的状态量的时间序列S=(S0, S0,
…
, S
n-1 )，其中，为第i个状态量的时间序列，为第i个状态量的第h个电缆状态量采集点的时间序列，n为状态量的个数，m为电缆状态量采集点的个数；数据划分单元，用于对所述状态量的时间序列S进行数据划分，得到划分后的序列F；预测单元，用于采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值。9.根据权利要求8所述的装置，其特征在于，所述数据划分单元，还用于：沿着所述状态量的时间序列S移动时间窗，得到若干个子序列；合并所述子序列，得到序列，其中，为第i个状态量的子序列，为第i个状态量第k个电缆状态量采集点的第j个时间窗，t是时间变量划分后的帧数。10.根据权利要求8所述的装置，其特征在于，所述预测单元还用于：将所述序列F输入至预先构建的长短时记忆LSTM模型，分别经过更新门、遗忘门和输出门，通过如下公式计算得到预测值：；其中，a
<t>
为LSTM模型的下一个LSTM单元的输入。11.根据权利要求8所述的装置，其特征在于，所述装置还包括：数据清洗和预处理单元，用于在对所述状态量的时间序列S进行数据划分之前，对所述状态量的时间序列S进行清洗和预处理。
12.根据权利要求8所述的装置，其特征在于，所述装置还包括：归一化单元，用于在对所述状态量的时间序列S进行数据划分之前，对所述状态量的时间序列S进行归一化处理。13.根据权利要求12所述的装置，其特征在于，所述装置还包括：反归一化单元，用于在采用预先构建的长短时记忆LSTM模型对划分后的序列F进行预测，得到序列F的预测值之后，对所述预测值进行反归一化处理，得到最终预测值。14.根据权利要求8所述的装置，其特征在于，所述长短时记忆LSTM模型，采用如下方式预先构建得到：获取训练集(F
train
, O
train
)和测试集(F
test
, O
test
)，其中，F为输入序列，O为序列F的下一个时刻的状态量的真实值；将所述训练集输入待训练的LSTM模型进行训练；将所述测试集输入待训练的LSTM模型进行测试，得到测试集的第一预测值O
test
’
;将所测试集的预测值O
test
’
进行反归一化处理，得到测试集的第二预测值O
’
;根据所述测试集的第二预测值O
’
和真实值O
test
，计算得到均方误差和平均绝对误差；判断所述均方误差和所述平均绝对误差是否在预设范围内：若是，则将所述...

【专利技术属性】
技术研发人员：欧阳本红，王昱力，夏荣，王格，李文杰，邓显波，刘松华，费雯丽，刘宗喜，赵鹏，张振鹏，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：