利用数据库样本的电力电缆线路劣化诊断系统及方法技术方案

本发明专利技术公开了利用数据库样本的电力电缆线路劣化诊断系统及方法，方法包括：1)提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；2)构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；3)将训练集输入专家评价数据对应的卷积神经网络，得到目标模型；4)收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣化程度。应用本发明专利技术实施例，可以在不停电的情况下进行电缆电路绝缘劣化分析。不停电的情况下进行电缆电路绝缘劣化分析。不停电的情况下进行电缆电路绝缘劣化分析。

【技术实现步骤摘要】
利用数据库样本的电力电缆线路劣化诊断系统及方法


[0001]本专利技术涉及电力设施运维
，更具体涉及利用数据库样本的电力电缆线路劣化诊断系统及方法。

技术介绍

[0002]目前，电缆外部绝缘保护层使用的都是交联聚乙烯，但是由于使用年限的原因，部分电缆线路存在一定的老化，可能会发生因电缆绝缘劣化而引起的电缆本体劣化，制约着电缆线路的供电可靠性。因此，运行中的电缆绝缘劣化状况及寿命成为亟待评估的问题。
[0003]如申请号为202111047797.7的专利技术专利申请公开了一种基于介质声速评估电缆绝缘材料劣化状态的方法，涉及电缆劣化状态评估
该方法包括：选取与待评估电缆型号相同的已知运行年限的电缆，对其进行处理得到电缆切片试样；将试样加热到预设温度；利用脉冲电源给试样施加脉冲，对试样的电声脉冲波形进行实时数据采集；根据采集的数据计算试样在多个预设温度下的介质声速；绘制已知运行年限的电缆的运行年限、预设温度与介质声速的关系曲线；测量待评估电缆在工作温度下的介质声速，根据关系曲线得到待评估电缆的运行年限。本专利技术采用脉冲电源来测试电缆的电声脉冲波形，测试线路简单、测试方便、设备造价低，利用波形中的数据计算介质声速来实现对电缆本体状态的无损评估。
[0004]现有技术中的常规检测手段难以对带电运行中的电缆进行绝缘劣化分析及寿命预测，大多数绝缘劣化分析及寿命预测是在实验室中完成。同时，现有技术中电缆寿命的预测模式也比较单一，不具有概括性和可持续发展性，难以模拟出实际情况下电缆的真实情况。因此，如何在不停电的情况下进行电缆电路绝缘劣化分析是亟待解决的技术问题。

技术实现思路

[0005]本专利技术所要解决的技术问题在于提供了利用数据库样本的电力电缆线路劣化诊断系统及方法以在不停电的情况下进行电缆电路绝缘劣化分析。
[0006]本专利技术是通过以下技术方案解决上述技术问题的：
[0007]本专利技术提供了利用数据库样本的电力电缆线路劣化诊断方法，所述方法包括：
[0008]1)提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；
[0009]2)构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；
[0010]3)将所述训练集输入所述专家评价数据对应的卷积神经网络，得到预训练模型；使用所述测试集测试预训练模型，根据测试结果调整训练参数重新训练，并返回执行所述将所述训练集输入所述专家评价数据对应的卷积神经网络步骤，直至专家评价数据对应的卷积神经网络收敛，得到目标模型；
[0011]4)收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣
化程度。
[0012]可选的，所述提取样本电缆的谐波电流特征，包括：
[0013]获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷峰值时刻；
[0014]采集负荷峰值时刻时的谐波电流特征。
[0015]可选的，所述提取样本电缆的谐波电流特征，包括：
[0016]获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷平均值；
[0017]采集负荷大于负荷平均值时段的谐波电流特征。
[0018]可选的，所述将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，包括：
[0019]同步获取样本电缆的温度分布特征，将针对样本电缆的专家评价数据作为标签标记所述温度分布特征。
[0020]可选的，在获取样本电缆的温度分布特征时，所述方法还包括：
[0021]同步获取样本电缆的磁场分布特征，将针对样本电缆的专家评价数据作为标签标记所述磁场分布特征。
[0022]可选的，所述将标记后的谐波电流特征的集合分为训练集和测试集，包括：
[0023]使用颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声的方法对标记后的谐波电流特征进行扩展，将扩展后的样本的集合分为训练集和测试集。
[0024]可选的，所述卷积神经网络的训练过程包括：
[0025]利用标记后的谐波电流特征训练样本训练卷积神经网络，并利用公式，
[0026]计算当前次迭代时所述卷积神经网络的谐波误差损失，其中，
[0027]loss1为检测结果的谐波误差损失；S1为谐波电流特征数量；x
i
为第i个谐波电流特征对应的专家评价劣化指数；为模型输出的第i个谐波电流特征对应的预测劣化指数；∑为求和函数；
[0028]在谐波误差损失低于设定阈值的情况下，得到第一预训练模型；
[0029]利用标记后的温度分布特征训练样本训练第一预训练模型，并利用公式，计算当前次迭代时所述卷积神经网络的温度误差损失，其中，
[0030]loss2为检测结果的温度误差损失；S2为温度分布特征数量；y
j
为第j个温度分布特征对应的专家评价劣化指数；为模型输出的第j个温度分布特征对应的预测劣化指数；
[0031]在温度误差损失低于设定阈值的情况下，得到第二预训练模型；
[0032]利用标记后的磁场分布特征训练样本训练第二预训练模型，并利用公式，计算当前次迭代时所述卷积神经网络的磁场误差损失，其中，
[0033]loss3为检测结果的磁场误差损失；S3为谐波电流特征数量；z
k
为第k个磁场分布特征对应的专家评价劣化指数；为模型输出的第k个磁场分布特征对应的预测劣化指数；
[0034]在磁场误差损失低于设定阈值的情况下，得到第三预训练模型；
[0035]利用公式，Loss＝λ1*loss1+λ2*loss2+loss3，计算当前次迭代的第三预训练模型的综合加权损失，直至综合加权损失收敛，得到目标模型，其中，
[0036]Loss为当前次迭代的卷积神经网络的综合加权损失；λ1为谐波电流特征对应的权重；λ2为温度分布特征对应的权重；
[0037]本专利技术提供了基于特征强化引导卷积神经网络的行人再识别系统，所述系统包括：
[0038]样本生成模块，用于提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；
[0039]训练模块，用于构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；
[0040]将所述训练集输入所述专家评价数据对应的卷积神经网络，得到预训练模型；使用所述测试集测试预训练模型，根据测试结果调整训练参数重新训练，并返回执行所述将所述训练集输入所述专家评价数据对应的卷积神经网络步骤，直至专家评价数据对应的卷积神经网络收敛，得到目标模型；
[0041]输出模块，用于收集待诊断电缆的谐波电流特征，并输入到目标模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.利用数据库样本的电力电缆线路劣化诊断方法，其特征在于，所述方法包括：1)提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；2)构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；3)将所述训练集输入所述专家评价数据对应的卷积神经网络，得到预训练模型；使用所述测试集测试预训练模型，根据测试结果调整训练参数重新训练，并返回执行所述将所述训练集输入所述专家评价数据对应的卷积神经网络步骤，直至专家评价数据对应的卷积神经网络收敛，得到目标模型；4)收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣化程度。2.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述提取样本电缆的谐波电流特征，包括：获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷峰值时刻；采集负荷峰值时刻时的谐波电流特征。3.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述提取样本电缆的谐波电流特征，包括：获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷平均值；采集负荷大于负荷平均值时段的谐波电流特征。4.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，包括：同步获取样本电缆的温度分布特征，将针对样本电缆的专家评价数据作为标签标记所述温度分布特征。5.根据权利要求4所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，在获取样本电缆的温度分布特征时，所述方法还包括：同步获取样本电缆的磁场分布特征，将针对样本电缆的专家评价数据作为标签标记所述磁场分布特征。6.根据权利要求5所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述将标记后的谐波电流特征的集合分为训练集和测试集，包括：使用颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声的方法对标记后的谐波电流特征进行扩展，将扩展后的样本的集合分为训练集和测试集。7.根据权利要求5所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述卷积神经网络的训练过程包括：利用标记后的谐波电流特征训练样本训练卷积神经网络，并...

【专利技术属性】
技术研发人员：倪晓璐，周铭权，孟庆铭，倪钢森，陈森杰，陈荣鑫，郭能俊，
申请(专利权)人：杭州巨骐信息科技股份有限公司，
类型：发明
国别省市：