基于BAS-LSTM的电缆接头温度预测方法和系统技术方案

本发明专利技术提供了一种基于BAS

【技术实现步骤摘要】
基于BAS
‑
LSTM的电缆接头温度预测方法和系统


[0001]本专利技术属于电缆接头温度预测
，具体涉及一种基于BAS
‑
LSTM的电缆接头温度预测方法和系统。

技术介绍

[0002]当前，由于电力电缆能够极大程度地节约资源，电缆线路敷设越来越多，致使电缆附件（含终端与中间接头）也不断增多。在整个电缆线路系统中，电缆终端、中间接头与电缆都是影响系统安全运行的关键因素。根据现场运行统计数据，90%以上的电缆运行故障都发生在电缆接头位置，造成电场集中、局部温度升高；当温度过高时，电缆绝缘材料将发生电
‑
热绝缘击穿，影响工业生产、民众生活、交通、信息等各个行业的电能供给，降低电网运行的安全性与可靠性，造成电网巨大的经济损失。
[0003]电缆接头温度作为重要指标，可以通过采集装置获取实时的温度数据，但不具有自主预测能力。所以基于实际运行搜集的接头温度数据进行预测成为近年研究的热点，通过电缆接头温度预测能够提前评估其绝缘水平，及时诊断出电缆的故障，为控制成本与保证系统安全提供基础。因此，研究电缆中间
‑
终端接头的温度预测方法具有重要意义。
[0004]现有技术提供有基于BP神经网络和卡尔曼算法的温度预测方法，但是现有技术大多都是将电缆表面温度数据直接输入到预测模型中进行预测，由于电缆表面温度与实际接头内部温度存在差异，使得常规方法的预测精度并不理想。

技术实现思路

[0005]有鉴于此，本专利技术旨在解决现有电缆接头温度预测方法在使用电缆表面温度数据进行接头预测时，预测精度不够准确的问题。
[0006]为了解决上述技术问题，本专利技术提供以下技术方案：第一方面，本专利技术提供了一种基于BAS
‑
LSTM的电缆接头温度预测方法，包括如下步骤：采集与电缆中间接头和终端接头温度预测相关的状态参量；将状态参量进行预处理后输入到基于BAS
‑
LSTM的电缆接头温度预测模型中，得到电缆中间和终端接头的温度预测结果；其中，基于BAS
‑
LSTM的电缆接头温度预测模型以状态参量为样本数据，对长短期记忆网络模型进行训练，同时，利用天牛须搜索算法优化获得长短期记忆网络模型的最佳超参数值，基于最佳超参数值得到最优长短期记忆网络训练模型，最优长短期记忆网络训练模型作为基于BAS
‑
LSTM的电缆接头温度预测模型。
[0007]进一步的，状态参量具体包括：环境温度、湿度、线芯和护层电流比以及历史温度，其中，环境温度包括当日最高、最低和平均环境温度，历史温度包括电缆中间接头和终端接头的表面及内部测量温度。
[0008]进一步的，将状态参量进行预处理，具体为：
将状态参量采用WPCA特征降维方法进行降维处理，当某一维度特征的贡献度大于贡献度阈值时，得到经过WPCA降维处理后的特征数据。
[0009]进一步的，将状态参量进行预处理后输入到基于BAS
‑
LSTM的电缆接头温度预测模型中，得到电缆中间和终端接头的温度预测结果，具体包括：将状态参量作为样本数据进行WPCA特征降维处理；对降维后的特征数据进行归一化和数据划分处理；将处理后的特征数据划分为训练集和测试集，对长短期记忆网络模型进行训练；将训练集中的均方根误差作为适应度值，利用天牛须搜索算法不断更新迭代计算最优的天牛位置；将最优位置赋值给长短期记忆网络模型；对赋值后的长短期记忆网络模型进行训练得到最优长短期记忆网络训练模型；利用测试集测试最优长短期记忆网络训练模型的预测精度；将最优长短期记忆网络训练模型的输出量进行反归一化处理，得到电缆中间和终端接头的温度预测结果。
[0010]第二方面，本专利技术提供了一种基于BAS
‑
LSTM的电缆接头温度预测系统，包括：采集单元，用于采集与电缆中间接头和终端接头温度预测相关的状态参量；预测单元，用于将状态参量进行预处理后输入到基于BAS
‑
LSTM的电缆接头温度预测模型中，得到电缆中间和终端接头的温度预测结果；其中，基于BAS
‑
LSTM的电缆接头温度预测模型以状态参量为样本数据，对长短期记忆网络模型进行训练，同时，利用天牛须搜索算法优化获得长短期记忆网络模型的最佳超参数值，基于最佳超参数值得到最优长短期记忆网络训练模型，最优长短期记忆网络训练模型作为基于BAS
‑
LSTM的电缆接头温度预测模型。
[0011]进一步的，在采集单元中，状态参量具体包括：环境温度、湿度、线芯和护层电流比以及历史温度，其中，环境温度包括当日最高、最低和平均环境温度，历史温度包括电缆中间接头和终端接头的表面及内部测量温度。
[0012]进一步的，在预测单元中，将状态参量进行预处理，具体为：将状态参量采用WPCA特征降维方法进行降维处理，当某一维度特征的贡献度大于贡献度阈值时，得到经过WPCA降维处理后的特征数据。
[0013]进一步的，在预测单元中，将状态参量进行预处理后输入到基于BAS
‑
LSTM的电缆接头温度预测模型中，得到电缆中间和终端接头的温度预测结果，具体包括：将状态参量作为样本数据进行WPCA特征降维处理；对降维后的特征数据进行归一化和数据划分处理；将处理后的特征数据划分为训练集和测试集，对长短期记忆网络模型进行训练；将训练集中的均方根误差作为适应度值，利用天牛须搜索算法不断更新迭代计算最优的天牛位置；将最优位置赋值给长短期记忆网络模型；对赋值后的长短期记忆网络模型进行训练得到最优长短期记忆网络训练模型；利用测试集测试最优长短期记忆网络训练模型的预测精度；将最优长短期记忆网络训练模型的输出量进行反归一化处理，得到电缆中间和终
端接头的温度预测结果。
[0014]综上，本专利技术提供了一种基于BAS
‑
LSTM的电缆接头温度预测方法和系统，包括采集与电缆中间接头和终端接头温度预测相关的状态参量；将状态参量进行预处理后输入到基于BAS
‑
LSTM的电缆接头温度预测模型中，得到电缆中间和终端接头的温度预测结果；其中，基于BAS
‑
LSTM的电缆接头温度预测模型以状态参量为样本数据，对长短期记忆网络模型进行训练，同时，利用天牛须搜索算法优化获得长短期记忆网络模型的最佳超参数值，基于最佳超参数值得到最优长短期记忆网络训练模型，最优长短期记忆网络训练模型作为基于BAS
‑
LSTM的电缆接头温度预测模型。本专利技术考虑中间接头及终端接头内部温度情况，结合BAS优化LSTM内的超参数，可以实现高精度的温度预测。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。...

【技术保护点】

【技术特征摘要】
1.基于BAS
‑
LSTM的电缆接头温度预测方法，其特征在于，包括如下步骤：采集与电缆中间接头和终端接头温度预测相关的状态参量；将所述状态参量进行预处理后输入到基于BAS
‑
LSTM的电缆接头温度预测模型中，得到电缆中间和终端接头的温度预测结果；其中，所述基于BAS
‑
LSTM的电缆接头温度预测模型以所述状态参量为样本数据，对长短期记忆网络模型进行训练，同时，利用天牛须搜索算法优化获得所述长短期记忆网络模型的最佳超参数值，基于所述最佳超参数值得到最优长短期记忆网络训练模型，所述最优长短期记忆网络训练模型作为所述基于BAS
‑
LSTM的电缆接头温度预测模型。2.根据权利要求1所述的基于BAS
‑
LSTM的电缆接头温度预测方法，其特征在于，所述状态参量具体包括：环境温度、湿度、线芯和护层电流比以及历史温度，其中，所述环境温度包括当日最高、最低和平均环境温度，所述历史温度包括电缆中间接头和终端接头的表面及内部测量温度。3.根据权利要求1所述的基于BAS
‑
LSTM的电缆接头温度预测方法，其特征在于，将所述状态参量进行预处理，具体为：将所述状态参量采用WPCA特征降维方法进行降维处理，当某一维度特征的贡献度大于贡献度阈值时，得到经过WPCA降维处理后的特征数据。4.根据权利要求1所述的基于BAS
‑
LSTM的电缆接头温度预测方法，其特征在于，将所述状态参量进行预处理后输入到基于BAS
‑
LSTM的电缆接头温度预测模型中，得到电缆中间和终端接头的温度预测结果，具体包括：将所述状态参量作为样本数据进行WPCA特征降维处理；对降维后的特征数据进行归一化和数据划分处理；将处理后的特征数据划分为训练集和测试集，对所述长短期记忆网络模型进行训练；将训练集中的均方根误差作为适应度值，利用天牛须搜索算法不断更新迭代计算最优的天牛位置；将最优位置赋值给所述长短期记忆网络模型；对赋值后的所述长短期记忆网络模型进行训练得到所述最优长短期记忆网络训练模型；利用所述测试集测试所述最优长短期记忆网络训练模型的预测精度；将所述最优长短期记忆网络训练模型的输出量进行反归一化处理，得到所述电缆中间和终端接头的温度预测结果。5.基于BAS
‑
LST...

【专利技术属性】
技术研发人员：黄源辉，李新海，张志强，丁垚，王伟平，冯振亮，王学宗，产启中，梁国坚，周恒，李蓓，吴毅江，梁智康，梁丽丽，周雪东，
申请(专利权)人：广东电网有限责任公司中山供电局，
类型：发明
国别省市：