CN110309872B - 基于多参数的配电电缆健康状态评估方法、***及介质 - Google Patents
基于多参数的配电电缆健康状态评估方法、***及介质 Download PDFInfo
- Publication number
- CN110309872B CN110309872B CN201910567365.5A CN201910567365A CN110309872B CN 110309872 B CN110309872 B CN 110309872B CN 201910567365 A CN201910567365 A CN 201910567365A CN 110309872 B CN110309872 B CN 110309872B
- Authority
- CN
- China
- Prior art keywords
- health state
- distribution cable
- parameters
- health
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于多参数的配电电缆健康状态评估方法、***及介质,本发明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。
Description
技术领域
本发明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、***及介质。
背景技术
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。
发明内容
本发明要解决的技术问题: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、***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,本发明采用的技术方案为:
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***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,本发明还提供一种基于多参数的配电电缆健康状态评估***,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,本发明还提供一种基于多参数的配电电缆健康状态评估***,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,本发明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,本发明还提供一种基于多参数的配电电缆健康状态评估***,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,本发明具有下述优点:
1、本发明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、本发明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为本发明实施例方法的基本流程示意图。
图2为本发明实施例方法的原理示意图。
图3为本发明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***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HF-1000高频电流局部放电云检测仪进行检测,得到当前时刻的局放放电量测试数据Qt0,并取出当前时刻前9个测试时间点的局放放电量测试数据(Qt-9,Qt-8,…Qt-1)。
1-2:将局放放电量测试数据Qt-9,Qt-8,…Qt-1,Qt0及对应时刻点Tt-9,Tt-8,…Tt-1,Tt0作为输入,基于最小二乘法拟合曲线Qt=AT2+BT+C得到拟合参数A、B、C的值,其中T为时间,Qt为局放放电量测试数据,从而根据拟合曲线Qt=AT2+BT+C即可预测出当前时刻的基于高频电流检测得到的当前最佳局放放电量Qt。
其中,基于最小二乘法拟合曲线Qt=At2+Bt+C的具体计算步骤如下(下同):
将10个局放放电量测试数据Qt-9,Qt-8,…Qt-1,Qt0及对应时刻点Tt-9,Tt-8,…Tt-1,Tt0作为输入分别代入Qt=At2+Bt+C,即可得到10个方程如下:
Qt-9=ATt-9 2+BTt-9+C
Qt-8=ATt-8 2+BTt-8+C
……
Qt0=ATt0 2+BTt0+C
联立上述10个方程,设:
则有M*X=Q,根据最小二乘法有X=(MT*M)-1*MT*Q,从而可得到拟合参数A、B、C的值。
本实施例中利用型号为ADOWS-10振荡波局部放电云检测***实现基于高频振荡波检测,根据拟合曲线预测基于高频振荡波检测得到的当前最佳局放放电量Q1t的步骤包括:
步骤2-1:利用型号为ADOWS-10振荡波局部放电云检测***进行检测,得到当前时刻的局部局放放电量测试数据Q1t,取出当前时刻前9个测试时间点的局部局放放电量测试数据(Q1t-9,Q1t-8,…Q1t-1)。
步骤2-2:将局部局放放电量测试数据(Q1t-9,Q1t-8,…Q1t-1,Q1t)及对应时刻点Tt-9,Tt-8,…Tt-1,Tt作为输入,基于最小二乘法拟合Q1=A1T2+B1T+C1得到拟合参数A1、B1、C1的值,其中T为时间,Q1为局部局放放电量测试数据,从而预测出当前时刻的基于高频振荡波检测得到的当前最佳局放放电量Q1t。最小二乘法的步骤与前文步骤1-2记载相同。
本实施例中利用型号为VLF-40超低频绝缘测试***实现基于超低频绝缘测试***检测,根据拟合曲线预测基于超低频绝缘测试***检测得到的当前最佳绝缘水平Lev1的步骤包括:
步骤3-1:利用型号为VLF-40超低频绝缘测试***进行检测,得到当前时刻的绝缘水平测试数据Lev1t,取出当前时刻前9个测试时间点的绝缘水平测试数据(Lev1t-9,Lev1t-8,…Lev1t-1)。
步骤3-2:将(Lev1t-9,Lev1t-8,…Lev1t-1,Lev1t)及对应时刻点Tt-9,Tt-8,…Tt-1,Tt作为输入,基于最小二乘法拟合Lev1=A2T2+B2T+C2得到拟合参数A2、B2、C2的值,其中T为时间,Lev1为绝缘水平测试数据,从而预测出当前时刻的基于超低频绝缘测试***检测得到的当前最佳绝缘水平Lev1。最小二乘法的步骤与前文步骤1-2记载相同。
本实施例中利用型号为PFW-1000工频耐压试验装置实现基于工频耐压试验装置检测,根据拟合曲线预测基于工频耐压试验装置检测得到的当前最佳绝缘水平Lev2的步骤包括:
步骤4-1:利用型号为PFW-1000工频耐压试验装置进行检测,得到当前时刻的绝缘水平测试数据Lev2t,取出当前时刻前9个测试时间点的绝缘水平测试数据(Lev2t-9,Lev2t-8,…Lev2t-1)。
步骤4-2:将绝缘水平测试数据(Lev2t-9,Lev2t-8,…Lev2t-1,Lev2t)及对应时刻点Tt-9,Tt-8,…Tt-1,Tt作为输入,基于最小二乘法拟合Lev2=A3T2+B3T+C3得到拟合参数A3、B3、C3的值,其中T为时间,Lev2为绝缘水平测试数据,从而预测出当前时刻的基于工频耐压试验装置检测得到的当前最佳绝缘水平Lev2。最小二乘法的步骤与前文步骤1-2记载相同。
本实施例中利用型号为SR-1035(135kVA)变频串联谐振耐压装置实现基于变频串联谐振耐压装置检测,根据拟合曲线预测基于变频串联谐振耐压装置检测得到的当前最佳绝缘水平Lev3的步骤包括:
步骤5-1:利用型号为SR-1035(135kVA)变频串联谐振耐压装置进行检测,得到当前时刻的绝缘水平测试数据Lev3t,取出当前时刻前9个测试时间点的绝缘水平测试数据(Lev3t-9,Lev3t-8,…Lev3t-1)。
步骤5-2:将绝缘水平测试数据(Lev3t-9,Lev3t-8,…Lev3t-1,Lev3t)及对应时刻点Tt-9,Tt-8,…Tt-1,Tt作为输入,基于最小二乘法拟合Lev3=A4T2+B4T+C4得到拟合参数A4、B4、C4的值,其中T为时间,Lev3为绝缘水平测试数据,从而预测出当前时刻的绝缘水平Lev3。最小二乘法的步骤与前文步骤1-2记载相同。
本实施例中利用型号为MR-1000绝缘电阻测试仪实现基于绝缘电阻测试仪检测,根据拟合曲线预测基于绝缘电阻测试仪检测得到的当前最佳电阻值R的步骤包括:
步骤6-1:利用型号为MR-1000绝缘电阻测试仪进行检测,得到当前时刻的电阻值测试数据Rt,取出当前时刻前9个测试时间点的电阻值测试数据(Rt-9,Rt-8,…Rt-1)。
步骤6-2:将电阻值测试数据(Rt-9,Rt-8,…Rt-1,Rt)及对应时刻点Tt-9,Tt-8,…Tt-1,Tt作为输入,基于最小二乘法拟合R=A5T2+B5T+C5,其中T为时间,R为电阻值测试数据,从而预测出当前时刻的基于绝缘电阻测试仪检测得到的当前最佳电阻值R。最小二乘法的步骤与前文步骤1-2记载相同。
本实施例中,机器学习模型为多元线性回归模型。
本实施例中,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。其中,N维特征向量的表达式为:
X=[Qt Q1t Lev1 Lev2 Lev3 R]T,
其中,括号内各个元素的符号分别表示前述N种当前最佳健康状态参数;
回归参数W的表达式为:
W=[w1 w2 w3 w4 w5 w6],
其中,每一个元素分别为对应一种当前最佳健康状态参数的权重,例如w1为基于高频电流检测得到的当前最佳局放放电量Qt对应的权重。
本实施例中,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,如图3所示,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;
使用最大最小值法分别对输入、输出数据进行预处理的函数表达式如下:
上式中,f(Xk)为输入或输出数据进行预处理后的结果,Xk为输入或输出数据的原始值,Xmin为该输入或输出数据的最小值,Xmax为该输入或输出数据的最大值。
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;本实施例中具体制定90%的数据集作为训练集,10%的数据集作为测试集。
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;
本实施例中,代价函数L(W,b)的函数表达式如下:
上式中,m为训练集中训练样本的个数,yi为线性回归模型的输出,Si为训练样本的输出。
本实施例中,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时,梯度下降法采用的梯度下降函数的函数表达式如下:
上式中,wi为第i个权重参数,a为学习率,L为损失函数。当梯度下降函数的结果满足误差要求后训练完成,即可得到当前最优的回归参数W和b。
分别用训练集和测试集数据对训练完成的多元线性回归模型进行测试,如果测试得到的健康状态评估结果的准确率满足要求,则结束训练并退出;否则,跳转执行步骤S4)。
此外,本实施例还提供一种基于多参数的配电电缆健康状态评估***,包括计算机设备,该计算机设备被编程或配置以执行前述基于多参数的配电电缆健康状态评估方法的步骤。
此外,本实施例还提供一种基于多参数的配电电缆健康状态评估***,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前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,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行前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,本实施例还提供一种基于多参数的配电电缆健康状态评估***,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;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。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
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;
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。
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,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***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。
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,所述机器学习模型为多元线性回归模型。
4.根据权利要求3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为常数。
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,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。
6.一种基于多参数的配电电缆健康状态评估***,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求1~5中任意一项所述基于多参数的配电电缆健康状态评估方法的步骤。
7.一种基于多参数的配电电缆健康状态评估***,包括计算机设备,其特征在于,该计算机设备的存储介质上存储有被编程或配置以执行权利要求1~5中任意一项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。
8.一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权利要求1~5中任意一项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。
9.一种基于多参数的配电电缆健康状态评估***,其特征在于包括:
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;
所述特征提取程序单元的的详细执行步骤包括: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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910567365.5A CN110309872B (zh) | 2019-06-27 | 2019-06-27 | 基于多参数的配电电缆健康状态评估方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910567365.5A CN110309872B (zh) | 2019-06-27 | 2019-06-27 | 基于多参数的配电电缆健康状态评估方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309872A CN110309872A (zh) | 2019-10-08 |
CN110309872B true CN110309872B (zh) | 2021-05-25 |
Family
ID=68076678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910567365.5A Active CN110309872B (zh) | 2019-06-27 | 2019-06-27 | 基于多参数的配电电缆健康状态评估方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309872B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111351527A (zh) * | 2020-04-01 | 2020-06-30 | 国网湖南省电力有限公司 | 具有压力和气体监测功能的智能电缆防爆盒、***及其应用方法 |
CN114002517B (zh) * | 2020-07-28 | 2024-07-16 | 比亚迪股份有限公司 | 器件诊断方法、平台、***及可读存储介质 |
CN112285527A (zh) * | 2020-09-25 | 2021-01-29 | 杭州加速科技有限公司 | 测试芯片延时的拟合方法和装置 |
CN112686506B (zh) * | 2020-12-18 | 2022-06-17 | 海南电网有限责任公司电力科学研究院 | 基于多试验方法异步检测数据的配网设备综合评估方法 |
CN112613191A (zh) * | 2020-12-31 | 2021-04-06 | 广东电网有限责任公司广州供电局 | 电缆健康状态评估方法、装置、计算机设备和存储介质 |
CN112668905B (zh) * | 2020-12-31 | 2022-10-25 | 广东电网有限责任公司广州供电局 | 多参数配电电缆健康状态评估方法、装置、计算机设备和存储介质 |
CN113404742B (zh) * | 2021-07-09 | 2024-01-26 | 中国人民解放***箭军工程大学 | 一种基于测试数据的电液伺服机构健康评估方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105716664A (zh) * | 2016-04-12 | 2016-06-29 | 国家电网公司 | 基于标幺化算法的电缆状态监测多参数关联分析方法 |
CN105759737A (zh) * | 2014-12-17 | 2016-07-13 | 齐鲁工业大学 | 一种高压电缆监测控制平台及其预测控制方法 |
CN108469571A (zh) * | 2018-02-11 | 2018-08-31 | 济南荣耀合创电力科技有限公司 | 基于趋势线拟合的多元试验数据分析的电缆状态评价方法 |
CN109932615A (zh) * | 2019-03-20 | 2019-06-25 | 国网冀北电力有限公司秦皇岛供电公司 | 单相电缆故障测距方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10367699B2 (en) * | 2016-04-25 | 2019-07-30 | Cisco Technology, Inc. | Network architecture for predictive services management in cable network environments |
-
2019
- 2019-06-27 CN CN201910567365.5A patent/CN110309872B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105759737A (zh) * | 2014-12-17 | 2016-07-13 | 齐鲁工业大学 | 一种高压电缆监测控制平台及其预测控制方法 |
CN105716664A (zh) * | 2016-04-12 | 2016-06-29 | 国家电网公司 | 基于标幺化算法的电缆状态监测多参数关联分析方法 |
CN108469571A (zh) * | 2018-02-11 | 2018-08-31 | 济南荣耀合创电力科技有限公司 | 基于趋势线拟合的多元试验数据分析的电缆状态评价方法 |
CN109932615A (zh) * | 2019-03-20 | 2019-06-25 | 国网冀北电力有限公司秦皇岛供电公司 | 单相电缆故障测距方法及装置 |
Non-Patent Citations (3)
Title |
---|
"Real-time Monitoring of the Bridge Cable Health by Acoustic Emission and b-value Analysis";Jian Wang 等;《CISP 2013》;20131231;1340-1345 * |
"电力电缆状态检测及数据修正技术的研究";江友华 等;《光通信研究》;20141031;第2014年卷(第5期);37-40 * |
"线性回归方法在高压电缆质量控制中的应用";刘凤艳 等;《绵阳师范学院学报》;20121130;第31卷(第11期);22-26 * |
Also Published As
Publication number | Publication date |
---|---|
CN110309872A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309872B (zh) | 基于多参数的配电电缆健康状态评估方法、***及介质 | |
KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
US7107187B1 (en) | Method for modeling system performance | |
CN105334462B (zh) | 电池容量损失在线估算方法 | |
CN103649858B (zh) | 用于预测组件或***状况的方法和设备 | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及*** | |
CN110426618B (zh) | 一种器件寿命预测方法、装置、车辆和存储介质 | |
CN102779208A (zh) | 基于相对熵的序贯加速退化试验优化设计方法 | |
KR102648764B1 (ko) | 전지 성능 평가 방법 및 전지 성능 평가 장치 | |
CN117471227B (zh) | 汽车线束参数性能测试方法及测试*** | |
CN104992010A (zh) | 一种基于拓扑分区的多断面联合参数估计方法 | |
JP6774797B2 (ja) | 監視装置および監視方法 | |
Vališ et al. | Modelling of degradation and a soft failure moment during the operation of a supercapacitor applying selected diffusion processes | |
CN109406923B (zh) | 一种列车供电***接地漏电故障预测方法及装置 | |
CN112507605A (zh) | 基于AnoGAN的配电网异常检测方法 | |
US20210364566A1 (en) | Method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems | |
WO2016136391A1 (ja) | 事故点標定装置及び方法、電力系統監視システム、設備計画支援システム | |
CN112613191A (zh) | 电缆健康状态评估方法、装置、计算机设备和存储介质 | |
CN117706452A (zh) | 基于knn-gru模型的电压互感器的在线评估方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
CN109389313A (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
CN116319255A (zh) | 一种基于kpi的根因定位方法、装置、设备及存储介质 | |
CN115639418A (zh) | 隔离器耐压寿命评估方法和装置、电子设备 | |
CN113986700A (zh) | 数据采集频率的优化方法、***、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |