CN112598151A - 一种电缆沟敷设方式下的高压电缆表面温度预测方法 - Google Patents
一种电缆沟敷设方式下的高压电缆表面温度预测方法 Download PDFInfo
- Publication number
- CN112598151A CN112598151A CN202011278806.9A CN202011278806A CN112598151A CN 112598151 A CN112598151 A CN 112598151A CN 202011278806 A CN202011278806 A CN 202011278806A CN 112598151 A CN112598151 A CN 112598151A
- Authority
- CN
- China
- Prior art keywords
- cable
- data
- layer
- surface temperature
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 239000006185 dispersion Substances 0.000 claims abstract description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000015654 memory Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 239000004020 conductor Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种电缆沟敷设方式下的高压电缆表面温度预测方法,步骤如下:获取电力电缆在运维过程中的多模态特征数据集合;将多模态特征数据集合中的原始特征量进行离差标准化和编码处理,对数据进行切分,并且将数据集合划分为训练集和测试集;构建长短期记忆神经网络电缆表面温度预测模型;输入训练集至预测模型,采用学习率自适应的Adam优化算法对预测模型中的模型参数θ进行迭代优化;取在测试集取得性能最优的模型,以此作为未来电缆表面温度预测模型,输入预处理后的特征量,得到模型的电缆表面温度预测输出层结果。本发明利用电缆运行中的多模态特征数据预测得到未来一段时刻下的电缆表面温度,该结果为高压电缆动态增容提供参考依据。
Description
技术领域
本发明涉及高压电缆温度预测技术领域,具体涉及一种电缆沟敷设方式下的高压电缆表面温度预测方法。
背景技术
随着中国综合国力的不断增强,伴随着对电力需求的极大增加,在城市建设中电缆输电量也随之增加。电缆的载流量和绝缘性能受导体温度限制,而导体温度可以通过相关测量量,如电缆表面温度,环境温度推导得出,因此实现对电缆表面温度的预测对高压电缆的动态增容,使电缆使用效率最大化有重要意义。
根据实际电缆电缆运行数据,大部分电缆运行载流量都低于额定值运行,为了充分利用电缆的使用效率,有必要对电缆表面温度进行预测,再通过已有方法由从表面温度推导出电缆导体温度,如申请号为“201110297478.1”,名称为“电缆导体温度计算方法及装置”提出了一种优于IEC标准且准确计算电缆导体温度的方法,为电缆运行状态的实时监测提供重要参考依据。
电缆运行时的表面温度受电缆敷设所在的自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境和电缆负荷等多种因素影响,从热力学角度来说,电缆表面温度是前面所述因素的一种时变函数映射关系,即电缆表面温度的未来变化趋势受历史因素的影响,这种映射关系往往无法直接用精确的数学表达式展示出来。
发明内容
本发明的目的为了能够从已有的自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境和电缆负荷等历史数据中找到与电缆表面温度的映射关系,实现电缆表面温度的精确预测,提供一种电缆沟敷设方式下的高压电缆表面温度预测方法,该方法基于长短期记忆神经网络(Long Short-Term Memory,LSTM)实现多模态特征数据电缆表面温度预测。
本发明的目的可以通过采取如下技术方案达到:
一种电缆沟敷设方式下的高压电缆表面温度预测方法,所述的高压电缆表面温度预测方法包括以下步骤:
S1、采集电缆运行过程中产生的多模态特征数据作为数据集,其中,多模态特征数据包括自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境、电缆负荷和电缆表面温度的历史运行数据;
S2、对多模态特征数据首先进行离差标准化和数值编码预处理操作,然后对预处理后的数据按照窗口大小和时间步进行切分,最后根据使用用途划分为训练集和测试集;
S3、构建LSTM神经网络模型,并且对LSTM神经网络模型中的模型参数θ进行初始化,其中,所述的LSTM神经网络模型包括依次顺序连接的输入层、n个网络层以及输出层,所述的模型参数包括LSTM神经网络模型中的权重值W和偏置值B;
S4、加载步骤S1中得到的训练集对步骤S3中构建的LSTM神经网络模型进行有监督学习训练,训练过程采用学习率自适应的Adam优化算法进行模型参数更新,当LSTM神经网络模型达到预定训练次数后停止训练,取测试集下性能最优的LSTM神经网络模型作为最终网络模型;
S5、根据步骤S4中最终网络模型对未来电缆表面温度进行预测。
进一步地,所述的步骤S1中提取电缆运行特征作为数据集的过程如下:
从电缆***监测平台获取自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境、电缆负荷和电缆表面温度的历史数据,将每一种数据称为一种特征,一种特征下的所有数据构成一个特征向量,总的特征向量X由所有特征向量列向拼接而成,其维度为(N,8),N代表数据样本数量,8代表上述从电缆***监测平台获取的8种不同模态的特征,其中,自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、电缆负荷和电缆表面温度为连续型数值数据,并且属于时间序列数据;自然气候环境为类别型字符串数据,包括晴朗、阴天、雨天三种类别;采用这些多模态特征数据的有益效果是,通过丰富的多模态信息表征,使LSTM神经网络模型更加充分地学习到电缆表面温度变化与历史多模态特征数据之间的关系,进而提供更加精确的电缆表面温度预测。
进一步地,所述的步骤S2中对多模态特征数据首先进行离差标准化和数值编码预处理操作以及对数据的切分包括:
S2.1、对连续型数值数据按照以下公式进行离差标准化处理:
上式中X(k)表示第k个原始特征向量,表示原始特征向量X(k)的第i个元素,min(·)和max(·)分别代表计算特征向量中的最小和最大值,为离差标准化后的第i个元素;使用离差标准化的有益效果是,减小了不同特征的数量级差异带来的影响,在步骤S4中可以加速模型训练;
S2.2、对自然气候环境这一类别型字符串数据进行编码处理,转换为类别型数值编码数据,过程如下:
S2.2.1、首先构建所有自然气候环境类别的集合S={晴朗,阴天,雨天},并对集合S内的所有元素进行排序;
该步骤的作用是使输入的字符串数据转换为数值型数据,并输入至步骤S3所构建的网络模型中,学习自然气候环境与电缆表面温度之间的映射关系;
S2.3、对数据进行预处理完后,按照窗口大小和时间步对数据进行切分,具体步骤为:
S2.3.1、对某t时刻下的第k个特征X(k),选取窗口大小为w,则将特征X切分为由此组成新的LSTM神经网络模型输入样本,对前述所有特征按照此方式进行切分,则得到(Xt,Xt-1,...,Xt-w),该输入样本对应的目标输出为t+1时刻下的电缆表面温度,记为yt+1;窗口大小w决定了LSTM神经网络模型需要学习多少个历史特征数据;
S2.3.2、前面步骤得到了t时刻下的输入样本数据,对于下一个输入样本数据,根据时间步s和前述窗口大小w得到:(Xt+s,Xt+s-1,...,Xt+s-w),其对应的目标输出为t+s+1时刻下的电缆表面温度,记为yt+s+1;时间步s的大小决定了LSTM神经网络模型学习历史特征数据的时间间隔;
S2.3.3、将输入数据和目标输出数据对((Xt,Xt-1,...,Xt-w),yt+1)构成满足LSTM神经网络模型输入要求的新数据集,并且根据数据集的不同任务要求,按照8:2的比例分别划分为训练集和测试集。
所述的步骤S3中构建LSTM神经网络模型以及模型参数初始化的过程如下:
S3.1、构建LSTM神经网络模型的输入层,用于接收和处理训练集数据,对于数值型类别编码数据,需要添加一个Embedding嵌入层提取编码数据的表征信息,Embedding嵌入层的输出和连续性数值数据融合后共同传入至第一级网络层;
S3.2、构建LSTM神经网络模型的n个网络层,单个网络层由依次顺序连接的LSTM网络层、Dropout层和非线性激活层组成,所述的LSTM网络层由输入门、输出门、遗忘门和细胞组成;所述的Dropout层的随机丢弃概率值设置为0.5;所述的非线性激活层采用ReLU激活层,该层的激活函数表示如下:
ReLU(z)=max(0,z)
上式中,z代表输入至ReLU激活层的特征向量;
S3.3、构建LSTM神经网络模型的输出层,该输出层由全连接层、Sigmoid激活层以及预测输出层依次串行连接组成,所述的全连接层将网络层学习到的特征表示映射到样本空间;所述的Sigmoid激活层,其激活函数为:
上式中,z1代表输入至Sigmoid激活层的特征向量;
所述的预测输出层将Sigmoid激活层的输出结果进行反变换操作,还原电缆表面温度值,反变换操作计算式为:
S3.4、将LSTM神经网络模型的损失函数Loss定义为均方误差,表达式如下:
S3.5、将LSTM神经网络模型中的模型参数采取Xavier初始化方式,即将所有偏置值B初始化为0,各网络层的权重值W按照下列均匀分布进行初始化:
上式中,num表示前一层网络的数量,U表示均匀分布。
进一步地,所述的步骤S4中采用自适应学习率的Adam优化算法进行参数更新,参数更新的过程称作训练,过程如下:
S4.1、从训练集中选取m个输入样本{x1,x2,...,xi,...,xm},对应的目标输出分别为{y1,y2,...,yi,...,ym},计算迭代次数为k时的梯度gk:
S4.2、更新迭代次数为k时得到偏一阶矩估计vk和偏二阶矩估计sk:
vk←β1vk-1+(1-β1)gk
S4.3、修正偏一阶矩估计和偏二阶矩估计:
S4.4、应用梯度更新计算第k次迭代时的模型参数值θk,并且更新迭代次数k:
θk←θk-1-g’k
k←k+1
上式中,其中η是学习率,∈是用于维持数值稳定性的常数,θk-1为第k-1次迭代时的模型参数值,g'k为第k次迭代时的修正梯度;
S4.5、当训练满足预设的训练次数后停止,利用步骤S2得到的测试集对不同训练次数下的模型进行性能评估,得到最优的电缆表面温度预测模型作为最终网络模型。
本发明相对于现有技术具有如下的优点及效果:
电缆表面温度是电缆载流量大小的反映,因此实现电缆表面温度的短时预测对电缆的动态增容具有重要意义;本发明使用了具有长短期记忆功能的LSTM神经网络对电力电缆***监测得到的历史数据进行预处理后训练得到电缆表面温度预测模型,再通过测试集进行验证,通过此方法,LSTM神经网络可以得到自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境和电缆负荷等多模态特征与电缆表面温度的内在隐含关系,实现短时的电缆表面温度预测,进而可以增强电缆的动态增容能力,实现城市电网电缆输电***的高效能运作。
附图说明
图1是本发明公开的一种电缆沟敷设方式下的高压电缆表面温度预测方法的流程框图;
图2是本发明中电缆运行特征数据预处理流程图;
图3是本发明公开的LSTM神经网络模型示意图;
图4为采用本发明实现的电缆表面温度预测结果示意图,其中,图4(a)为电缆表面温度划分为训练集和测试集示意图,图4(b)为本发明LSTM神经网络模型在测试集上的预测结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例一
参见图1所示,本实施例公开了一种电缆沟敷设方式下的高压电缆表面温度预测方法的流程框图,利用电缆历史记录数据来预测电缆表面温度的方法,包括以下步骤:S1、从电缆监控中心获取电缆多模态特征数据;S2、对原始特征数据先进行离差归一化和编码处理,然后进行数据切分,最后构建训练集和测试集;S3、构建用于电缆表面温度预测的LSTM神经网络模型;S4、输入训练集,采用学习率自适应的Adam优化算法对模型参数θ进行更新,满足训练次数后停止训练;S5、使用测试数据集对LSTM神经网络模型进行性能评估,得到性能最优的LSTM神经网络模型作为最终网络模型进行电缆表面温度预测。
实施例二
参见图2所示,本实施例进一步公开了电缆沟敷设方式下的高压电缆表面温度预测方法中数据预处理流程,首先采集原始电力电缆运行产生的多模态特征数据,其示例数据样本如下表1所示:
表1.示例数据样本
其次对数据进行清洗,主要是判断是否有离群值或者缺失值,如果有离群值,先进行剔除,然后通过插值的方法补充数据,如果有缺失值,可以删除缺失值所在行数据,或者通过插值补充;随后判断数据类型是否为类别型字符串数据,如果是类别型字符串数据,需先将其进行类别型数值编码转换,如果是数值型数据,对其采取离差归一化操作;接着对预处理后的多模态特征数据进行融合操作;然后按照窗口大小和时间步进行数据切分,得到满足LSTM神经网络模型输入的数据格式,并按照8:2的比例划分为训练集和测试集;最后将数据输入至LSTM神经网络模型中,采用学习率自适应的Adam算法对网络模型参数θ进行训练。
实施例三
参见图3所示,本实施例进一步公开了LSTM神经网络模型,由输入层、n层网络层和输出层依次顺序连接组成,其中输入层实现2种不同电缆运行特征数据的处理方法,对于数值型编码数据,在输入层网络中需要添加Embedding嵌入层,经过Embedding嵌入层提取编码特征,融合连续型数值数据后输入给下一级的网络层。网络层由依次顺序连接的LSTM网络层、Dropout层和非线性激活层组成,实现对电缆运行特征的隐含信息提取;LSTM网络层由细胞状态和3种控制门(输入门、输出门和记忆门)组成,通过细胞状态和控制门可以记忆住输入数据与目标输出的内在联系,这也是使用LSTM网络层来做时间序列预测的根本原因;使用Dropout层可以增加模型的泛化能力,同时可以防止过拟合;非线性激活层为整个网络提供了非线性建模功能,充分挖掘时间序列中的隐含信息,本实施例中,非线性激活层采用ReLU激活层,表示如下:
ReLU(z)=max(0,z)
上式中,z代表输入至ReLU激活层的特征向量。
在整体的LSTM神经网络模型设计中,可以采用n个网络层级联的方式进行构建,n的数量需要根据数据集数量和特点进行调整,例如观察不同数量的网络层下模型性能的响应结果(例如预测结果和真实结果的拟合程度),进而找出最优的设置。最后是输出层,由依次顺序连接的全连接层和Sigmoid激活层组成,用于输出预测结果,Sigmoid激活函数将结果约束在(0,1)区间范围,在预测输出层阶段对数据处理过程中的离差标准化操作进行反变换操作,得到最终的电缆表面温度预测结果。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种电缆沟敷设方式下的高压电缆表面温度预测方法,其特征在于,所述的高压电缆表面温度预测方法包括以下步骤:
S1、采集电缆运行过程中产生的多模态特征数据作为数据集,其中,多模态特征数据包括自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境、电缆负荷和电缆表面温度的历史运行数据;
S2、对多模态特征数据首先进行离差标准化和数值编码预处理操作,然后对预处理后的数据按照窗口大小和时间步进行切分,最后根据使用用途划分为训练集和测试集;
S3、构建LSTM神经网络模型,并且对LSTM神经网络模型中的模型参数θ进行初始化,其中,所述的LSTM神经网络模型包括依次顺序连接的输入层、n个网络层以及输出层,所述的模型参数包括LSTM神经网络模型中的权重值W和偏置值B;
S4、加载步骤S1中得到的训练集对步骤S3中构建的LSTM神经网络模型进行有监督学习训练,训练过程采用学习率自适应的Adam优化算法进行模型参数更新,当LSTM神经网络模型达到预定训练次数后停止训练,取测试集下性能最优的LSTM神经网络模型作为最终网络模型;
S5、根据步骤S4中最终网络模型对未来电缆表面温度进行预测。
2.根据权利要求1所述的一种电缆沟敷设方式高压电缆的表面温度预测方法,其特征在于,所述的步骤S1中提取电缆运行特征作为数据集的过程如下:
从电缆***监测平台获取自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、自然气候环境、电缆负荷和电缆表面温度的历史数据,将每一种数据称为一种特征,一种特征下的所有数据构成一个特征向量,总的特征向量X由所有特征向量列向拼接而成,其维度为(N,8),N代表数据样本数量,8代表上述从电缆***监测平台获取的8种不同模态的特征,其中,自然环境温度、自然环境湿度、电缆沟环境温度、电缆沟环境湿度、土壤温度、电缆负荷和电缆表面温度为连续型数值数据,并且属于时间序列数据;自然气候环境为类别型字符串数据,包括晴朗、阴天、雨天三种类别。
3.根据权利要求2所述的一种电缆沟敷设方式高压电缆的表面温度预测方法,其特征在于,所述的步骤S2中对多模态特征数据首先进行离差标准化和数值编码预处理操作以及对数据的切分包括:
S2.1、对连续型数值数据按照以下公式进行离差标准化处理:
S2.2、对自然气候环境这一类别型字符串数据进行编码处理,转换为类别型数值编码数据,过程如下:
S2.2.1、首先构建所有自然气候环境类别的集合S={晴朗,阴天,雨天},并对集合S内的所有元素进行排序;
S2.3、对数据进行预处理完后,按照窗口大小和时间步对数据进行切分,过程如下:
S2.3.1、对某t时刻下的第k个特征X(k),选取窗口大小为w,则将特征X(k)切分为由此组成新的LSTM神经网络模型输入样本,对前述所有特征按照此方式进行切分,则得到(Xt,Xt-1,...,Xt-w),该输入样本对应的目标输出为t+1时刻下的电缆表面温度,记为yt+1;
S2.3.2、对于下一个输入样本数据,根据时间步s和前述窗口大小w得到:(Xt+s,Xt+s-1,...,Xt+s-w),其对应的目标输出为t+s+1时刻下的电缆表面温度,记为yt+s+1;
S2.3.3、将输入数据和目标输出数据对((Xt,Xt-1,...,Xt-w),yt+1)构成满足LSTM神经网络模型输入要求的新数据集,并且根据数据集的不同任务要求,按照8:2的比例分别划分为训练集和测试集。
4.根据权利要求1所述的一种电缆沟敷设方式高压电缆的表面温度预测方法,其特征在于,所述的步骤S3中构建LSTM神经网络模型以及模型参数初始化的过程如下:
S3.1、构建LSTM神经网络模型的输入层,用于接收和处理训练集数据,对于数值型类别编码数据,需要添加一个Embedding嵌入层提取编码数据的表征信息,Embedding嵌入层的输出和连续性数值数据融合后共同传入至第一级网络层;
S3.2、构建LSTM神经网络模型的n个网络层,单个网络层由依次顺序连接的LSTM网络层、Dropout层和非线性激活层组成,所述的LSTM网络层由输入门、输出门、遗忘门和细胞组成;所述的Dropout层的随机丢弃概率值设置为0.5;所述的非线性激活层采用ReLU激活层,该层的激活函数表示如下:
ReLU(z)=max(0,z)
上式中,z代表输入至ReLU激活层的特征向量;
S3.3、构建LSTM神经网络模型的输出层,该输出层由全连接层、Sigmoid激活层以及预测输出层依次串行连接组成,所述的全连接层将网络层学习到的特征表示映射到样本空间;所述的Sigmoid激活层,其激活函数为:
上式中,z1代表输入至Sigmoid激活层的特征向量;
所述的预测输出层将Sigmoid激活层的输出结果进行反变换操作,还原电缆表面温度值,反变换操作计算式为:
S3.4、将LSTM神经网络模型的损失函数Loss定义为均方误差,表达式如下:
S3.5、将LSTM神经网络模型中的模型参数采取Xavier初始化方式,即将所有偏置值B初始化为0,各网络层的权重值W按照下列均匀分布进行初始化:
上式中,num表示前一层网络的数量,U表示均匀分布。
5.根据权利要求1所述的一种电缆沟敷设方式高压电缆的表面温度预测方法,其特征在于,所述的步骤S4中采用自适应学习率的Adam优化算法进行参数更新,参数更新的过程称作训练,过程如下:
S4.1、从训练集中选取m个输入样本{x1,x2,...,xi,...,xm},对应的目标输出分别为{y1,y2,...,yi,...,ym},计算迭代次数为k时的梯度gk:
上式中f为步骤S3中构建的LSTM神经网络模型,f(xi;θ)代表LSTM神经网络模型以θ为模型参数、输入为第i个样本xi,Loss为损失函数,▽为梯度算子,▽θ表示对模型参数θ求导;
S4.2、更新迭代次数为k时得到偏一阶矩估计vk和偏二阶矩估计sk:
vk←β1vk-1+(1-β1)gk
S4.3、修正偏一阶矩估计和偏二阶矩估计:
S4.4、应用梯度更新计算第k次迭代时的模型参数值θk,并且更新迭代次数k:
θk←θk-1-g′k
k←k+1
上式中,其中η是学习率,∈是用于维持数值稳定性的常数,θk-1为第k-1次迭代时的模型参数值,g'k为第k次迭代时的修正梯度;
S4.5、当训练满足预设的训练次数后停止,利用步骤S2得到的测试集对不同训练次数下的模型进行性能评估,得到最优的电缆表面温度预测模型作为最终网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278806.9A CN112598151A (zh) | 2020-11-16 | 2020-11-16 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278806.9A CN112598151A (zh) | 2020-11-16 | 2020-11-16 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112598151A true CN112598151A (zh) | 2021-04-02 |
Family
ID=75183052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011278806.9A Pending CN112598151A (zh) | 2020-11-16 | 2020-11-16 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598151A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125037A (zh) * | 2021-04-06 | 2021-07-16 | 红塔烟草(集团)有限责任公司 | 一种基于分布式光纤在线测温***的电缆导体温度估算方法 |
CN113469243A (zh) * | 2021-06-30 | 2021-10-01 | 国网浙江宁波市鄞州区供电有限公司 | 一种极端环境下电缆性能的预测方法 |
CN113486573A (zh) * | 2021-06-18 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 电缆线芯温度预测方法 |
CN113610217A (zh) * | 2021-07-14 | 2021-11-05 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站环境温度预测方法及装置 |
CN113764133A (zh) * | 2021-08-16 | 2021-12-07 | 国网浙江省电力有限公司湖州供电公司 | 一种220千伏电缆动态增容***及方法 |
CN116663465A (zh) * | 2023-06-21 | 2023-08-29 | 南京邮电大学 | 基于深度学习的考虑mis效应的单元统计延时模型构建方法 |
CN117056875A (zh) * | 2023-10-10 | 2023-11-14 | 湖南华菱线缆股份有限公司 | 一种基于测试数据的电缆传输性能分析方法及装置 |
CN117389344A (zh) * | 2023-09-25 | 2024-01-12 | 华为技术有限公司 | 用电设备及其表面温度控制方法、装置、介质和芯片*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126776A (zh) * | 2016-06-14 | 2016-11-16 | 国家电网公司 | 基于神经网络的电缆寿命预测方法 |
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测*** |
US20200042870A1 (en) * | 2018-08-06 | 2020-02-06 | Western New England University | Apparatus and method for heat source localization and peak temperature estimation |
CN111027776A (zh) * | 2019-12-13 | 2020-04-17 | 北京华展汇元信息技术有限公司 | 一种基于改进型长短期记忆lstm神经网络的污水处理水质预测方法 |
CN111914469A (zh) * | 2020-06-16 | 2020-11-10 | 广东电网有限责任公司 | 一种考虑敷设方式的中压电缆导体温度计算方法 |
-
2020
- 2020-11-16 CN CN202011278806.9A patent/CN112598151A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126776A (zh) * | 2016-06-14 | 2016-11-16 | 国家电网公司 | 基于神经网络的电缆寿命预测方法 |
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测*** |
US20200042870A1 (en) * | 2018-08-06 | 2020-02-06 | Western New England University | Apparatus and method for heat source localization and peak temperature estimation |
CN111027776A (zh) * | 2019-12-13 | 2020-04-17 | 北京华展汇元信息技术有限公司 | 一种基于改进型长短期记忆lstm神经网络的污水处理水质预测方法 |
CN111914469A (zh) * | 2020-06-16 | 2020-11-10 | 广东电网有限责任公司 | 一种考虑敷设方式的中压电缆导体温度计算方法 |
Non-Patent Citations (4)
Title |
---|
LEI CHENG-HUA ET AL.: ""An accuracy assessment method of calculating cable conductor temperature through surface temperature and actual loading current"", 《2010 IEEE INTERNATIONAL SYMPOSIUM ON ELECTRICAL INSULATION》 * |
俞勇: "《青少年AI学习之路:从思维到创造 人工智能实践——动手做你自己的AI》", 31 August 2019, 上海科技教育出版社 * |
刘玉良等: "《深度学习》", 31 January 2020, 西安电子科技大学出版社 * |
张德丰: "《TensorFlow深度学习从入门到进阶》", 31 May 2020, 机械工业出版社 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125037A (zh) * | 2021-04-06 | 2021-07-16 | 红塔烟草(集团)有限责任公司 | 一种基于分布式光纤在线测温***的电缆导体温度估算方法 |
CN113125037B (zh) * | 2021-04-06 | 2024-06-07 | 红塔烟草(集团)有限责任公司 | 一种基于分布式光纤在线测温***的电缆导体温度估算方法 |
CN113486573A (zh) * | 2021-06-18 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 电缆线芯温度预测方法 |
CN113469243A (zh) * | 2021-06-30 | 2021-10-01 | 国网浙江宁波市鄞州区供电有限公司 | 一种极端环境下电缆性能的预测方法 |
CN113610217A (zh) * | 2021-07-14 | 2021-11-05 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站环境温度预测方法及装置 |
CN113610217B (zh) * | 2021-07-14 | 2024-04-02 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站环境温度预测方法及装置 |
CN113764133A (zh) * | 2021-08-16 | 2021-12-07 | 国网浙江省电力有限公司湖州供电公司 | 一种220千伏电缆动态增容***及方法 |
CN116663465A (zh) * | 2023-06-21 | 2023-08-29 | 南京邮电大学 | 基于深度学习的考虑mis效应的单元统计延时模型构建方法 |
CN116663465B (zh) * | 2023-06-21 | 2023-10-27 | 南京邮电大学 | 基于深度学习的考虑mis效应的单元统计延时模型构建方法 |
CN117389344A (zh) * | 2023-09-25 | 2024-01-12 | 华为技术有限公司 | 用电设备及其表面温度控制方法、装置、介质和芯片*** |
CN117056875A (zh) * | 2023-10-10 | 2023-11-14 | 湖南华菱线缆股份有限公司 | 一种基于测试数据的电缆传输性能分析方法及装置 |
CN117056875B (zh) * | 2023-10-10 | 2024-01-02 | 湖南华菱线缆股份有限公司 | 一种基于测试数据的电缆传输性能分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598151A (zh) | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 | |
CN111222698B (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN112712209B (zh) | 水库入库流量预测方法、装置、计算机设备及存储介质 | |
CN112488395A (zh) | 一种配电网线损预测方法及*** | |
CN110047291B (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN111401599A (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN111967688A (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN112070322B (zh) | 基于长短期记忆网络的高压电缆线路运行状态预测方法 | |
CN115688579A (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN114399021A (zh) | 一种基于多尺度信息的概率风速预测方法和*** | |
CN114358389A (zh) | 结合vmd分解和时间卷积网络的短期电力负荷预测方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及***、设备、介质 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN115310532A (zh) | 一种基于时空关联混合深度学习模型的流域多点预测预警方法 | |
CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN113962874A (zh) | 母线负荷模型的训练方法、装置、设备及存储介质 | |
CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN114066250A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 | |
CN115907000A (zh) | 一种用于电力***最优潮流预测的小样本学习方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |
|
RJ01 | Rejection of invention patent application after publication |