CN114046903A - 一种高压电缆缆芯的实时温度预测方法及*** - Google Patents
一种高压电缆缆芯的实时温度预测方法及*** Download PDFInfo
- Publication number
- CN114046903A CN114046903A CN202111308774.7A CN202111308774A CN114046903A CN 114046903 A CN114046903 A CN 114046903A CN 202111308774 A CN202111308774 A CN 202111308774A CN 114046903 A CN114046903 A CN 114046903A
- Authority
- CN
- China
- Prior art keywords
- cable core
- current
- temperature
- historical
- cable
- 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 41
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims description 64
- 238000013480 data collection Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 description 15
- 238000003672 processing method Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供一种高压电缆缆芯的实时温度预测方法及***，涉及高压电缆缆芯温度预测技术领域，包括：步骤S1，采集一待预测高压电缆的缆芯数据；步骤S2，对缆芯数据进行预处理得到对应的预处理数据；步骤S3，将预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果，并对温度预测结果进行处理得到对应的待预测高压电缆的一预测缆芯温度，作为待预测高压电缆缆芯的实时温度预测结果。有益效果是本方法及***通过采集历史数据采集时刻及当前数据采集时刻的电缆表皮温度和电缆缆芯电流并结合温度预测模型处理得到高压电缆缆芯的预测缆芯温度，且输入温度预测模型的参量较少，能够加快处理速度并提高准确性。
Description
技术领域
本发明涉及高压电缆缆芯温度预测技术领域，尤其涉及一种高压电缆缆芯的实时温度预测方法及***。
背景技术
高压电缆是用于电力传输的重要载体，在城市快速的发展进程中需要使用到更多的高压电缆，而高压电缆的运行温度需要满足标准的规定值，缆芯温度过高会导致绝缘材料老化加速，造成危险，缆芯温度过低会影响电力传输效率，因此，随着高压电缆的大量使用，对高压电缆的温度预测具有重要意义。
目前的预测方法根据当前时刻高压电缆运行状态量推算电缆缆芯温度，但是由于缆芯电流是实时变化的，而电缆及周围环境的热阻和热容较大，热过程弛豫时间为数小时，因此根据当前时刻高压电缆运行状态量进行温度预测的预测结果存在严重的超前误差。
发明内容
针对现有技术中存在的问题，本发明提供一种高压电缆缆芯的实时温度预测方法，包括：
步骤S1，采集一待预测高压电缆的缆芯数据；
步骤S2，对所述缆芯数据进行预处理得到对应的预处理数据；
步骤S3，将所述预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果，并对所述温度预测结果进行处理得到对应的所述待预测高压电缆的一预测缆芯温度，作为所述待预测高压电缆缆芯的实时温度预测结果。
优选的，所述缆芯数据包括当前数据采集时刻的一当前表皮温度、所述当前表皮温度相对至少一历史数据采集时刻对应的历史表皮温度的一历史表皮温度变化率、所述当前数据采集时刻的一当前缆芯电流和所述当前缆芯电流相对所述历史数据采集时刻对应的历史缆芯电流的一历史缆芯电流变化率。
优选的，所述步骤S2中，对所述当前表皮温度和所述当前缆芯电流分别进行归一化处理得到对应的归一化表皮温度和归一化缆芯电流，并将所述归一化表皮温度、所述归一化缆芯电流、所述历史表皮温度变化率和所述历史缆芯电流变化率作为所述预处理数据。
优选的，执行所述步骤S1之前还包括一模型训练过程，所述模型训练过程具体包括以下步骤：
步骤A1，采集至少一高压电缆的多组历史监测数据，各组历史监测数据均包括数据采集时刻的一电缆表皮温度、所述数据采集时刻的所述电缆表皮温度相对至少一历史数据采集时刻对应的电缆表皮温度的一电缆表皮温度变化率、一电缆缆芯温度、所述数据采集时刻的一电缆缆芯电流和所述数据采集时刻的所述电缆缆芯电流相对所述历史数据采集时刻的电缆缆芯温度的一电缆缆芯温度变化率；
步骤A2，对各组历史监测数据中的所述电缆表皮温度、所述电缆缆芯电流和所述电缆缆芯温度分别进行归一化处理得到对应的归一化电缆表皮温度、归一化电缆缆芯电流和归一化电缆缆芯温度；
步骤A3，将所述归一化电缆表皮温度、所述归一化电缆缆芯电流、所述电缆表皮温度变化率和所述电缆缆芯温度变化率作为输入，将所述归一化电缆缆芯温度作为输出，训练得到所述温度预测模型。
优选的，所述步骤S3中，对所述温度预测结果进行反归一化处理得到对应的所述待预测高压电缆的所述预测缆芯温度。
优选的，所述步骤S1中，分别采集所述当前数据采集时刻的所述当前表皮温度和所述当前缆芯电流，以及所述当前数据采集时刻之前的一所述历史数据采集时刻的所述历史表皮温度和所述历史缆芯电流，并根据所述当前表皮温度和所述历史表皮温度处理得到所述历史表皮温度变化率，以及根据所述当前缆芯电流和所述历史缆芯电流处理得到所述历史缆芯电流变化率。
优选的，所述步骤S1中，分别采集所述当前数据采集时刻和所述当前数据采集时刻之前的多个所述历史数据采集时刻的所述待预测高压电缆的表皮温度和缆芯电流，并根据两两之间的所述表皮温度处理得到多个表皮温度变化率作为所述历史表皮温度变化率，以及根据两两之间的所述缆芯电流处理得到多个缆芯电流变化率作为所述历史缆芯电流变化率。
优选的，一种高压电缆缆芯的实时温度预测***，应用于所述实时温度预测方法，包括：
一数据获取模块，用于采集一待预测高压电缆的缆芯数据；
一预处理模块，连接所述数据获取模块，用于对所述缆芯数据进行预处理得到对应的预处理数据；
一温度预测模块，连接所述预处理模块，用于将所述预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果，并对所述温度预测结果进行处理得到对应的所述待预测高压电缆的一预测缆芯温度，作为所述待预测高压电缆缆芯的实时温度预测结果。
优选的，所述缆芯数据包括当前数据采集时刻的一当前表皮温度、所述当前表皮温度相对至少一历史数据采集时刻对应的历史表皮温度的一历史表皮温度变化率、所述当前数据采集时刻的一当前缆芯电流和所述当前缆芯电流相对所述历史数据采集时刻对应的历史缆芯电流的一历史缆芯电流变化率，则所述预处理模块包括一预处理单元，用于对所述当前表皮温度和所述当前缆芯电流分别进行归一化处理得到对应的归一化表皮温度和归一化缆芯电流，并将所述归一化表皮温度、所述归一化缆芯电流、所述历史表皮温度变化率和所述历史缆芯电流变化率作为所述预处理数据。
优选的，所述温度预测模块包括：
一预测单元，用于将所述预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果；
一处理单元，连接所述预测单元，用于对所述温度预测结果进行反归一化处理得到对应的所述待预测高压电缆的所述预测缆芯温度，作为所述待预测高压电缆缆芯的实时温度预测结果。
上述技术方案具有如下优点或有益效果：
(1)本方法及***通过采集历史数据采集时刻及当前数据采集时刻的电缆表皮温度和电缆缆芯电流并结合温度预测模型处理得到高压电缆缆芯的预测缆芯温度，且输入温度预测模型的参量较少，能够加快处理速度并提高准确性；
(2)本方法及***适用于复杂的外部环境及多回路高压电缆，容易获取高压电缆的历史监测数据，能够解决预测缆芯温度超前误差大、温度预测模型计算量大、温度预测模型精度低的问题，对于高压电缆的在线监测、增容运行、风险评估等具有参考价值，具有一定的工程实践意义。
附图说明
图1为本发明的较佳的实施例中，本方法的步骤流程图；
图2为本发明的较佳的实施例中，模型训练过程的步骤流程图；
图3为本发明的较佳的实施例中，本***的结构原理图；
图4为本发明的较佳的实施例中，实施例一中电缆缆芯电流的变化曲线图；
图5为本发明的较佳的实施例中，实施例一中电缆表皮温度和电缆缆芯温度的变化曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种高压电缆缆芯的实时温度预测方法，如图1所示，包括：
步骤S1，采集一待预测高压电缆的缆芯数据；
步骤S2，对缆芯数据进行预处理得到对应的预处理数据；
步骤S3，将预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果，并对温度预测结果进行处理得到对应的待预测高压电缆的一预测缆芯温度，作为待预测高压电缆缆芯的实时温度预测结果。
本发明的较佳的实施例中，缆芯数据包括当前数据采集时刻的一当前表皮温度、当前表皮温度相对至少一历史数据采集时刻对应的历史表皮温度的一历史表皮温度变化率、当前数据采集时刻的一当前缆芯电流和当前缆芯电流相对历史数据采集时刻对应的历史缆芯电流的一历史缆芯电流变化率。
本发明的较佳的实施例中，步骤S2中，对当前表皮温度和当前缆芯电流分别进行归一化处理得到对应的归一化表皮温度和归一化缆芯电流，并将归一化表皮温度、归一化缆芯电流、历史表皮温度变化率和历史缆芯电流变化率作为预处理数据。
具体地，本实施例中，归一化处理的方法可以选用mapminmax方法、Z-score(零-均值规范化)方法或函数转化方法等。
优选的，本实施例中选用mapminmax方法并通过以下计算公式计算得到归一化表皮温度或归一化缆芯电流：
其中，
X为当前表皮温度或当前缆芯电流；
X′为归一化表皮温度或归一化缆芯电流；
maxA为当前表皮温度和历史表皮温度中的最大值，或当前缆芯电流和历史缆芯电流中的最大值；
minA为当前表皮温度和历史表皮温度中的最小值，或当前缆芯电流和历史缆芯电流中的最小值。
本发明的较佳的实施例中，执行步骤S1之前还包括一模型训练过程，模型训练过程如图2所示，具体包括以下步骤：
步骤A1，采集至少一高压电缆的多组历史监测数据，各组历史监测数据均包括数据采集时刻的一电缆表皮温度、数据采集时刻的电缆表皮温度相对至少一历史数据采集时刻对应的电缆表皮温度的一电缆表皮温度变化率、一电缆缆芯温度、数据采集时刻的一电缆缆芯电流和数据采集时刻的电缆缆芯电流相对历史数据采集时刻的电缆缆芯温度的一电缆缆芯温度变化率；
步骤A2，对各组历史监测数据中的电缆表皮温度、电缆缆芯电流和电缆缆芯温度分别进行归一化处理得到对应的归一化电缆表皮温度、归一化电缆缆芯电流和归一化电缆缆芯温度；
步骤A3，将归一化电缆表皮温度、归一化电缆缆芯电流、电缆表皮温度变化率和电缆缆芯温度变化率作为输入，将归一化电缆缆芯温度作为输出，训练得到温度预测模型。
具体地，本实施例中，通过现场试验或有限元仿真方法采集高压电缆一段时间内的电缆表皮温度、电缆表皮温度变化率、电缆缆芯温度、电缆缆芯电流和电缆缆芯温度变化率作为训练温度预测模型所需要的历史监测数据。
优选的，数据采集的时间可以为数日(如7日)，各组历史监测数据的采集时间间隔可以为数分钟(如12分钟)。
本发明的较佳的实施例中，步骤S3中，对温度预测结果进行反归一化处理得到对应的待预测高压电缆的预测缆芯温度。
具体地，本实施例中，通过以下计算公式对温度预测结果进行反归一化处理：
其中，
Y′表示温度预测结果；
Y表示预测缆芯温度；
maxB为当前数据采集时刻的温度预测结果和历史数据采集时刻的温度预测结果中的最大值；
minB为当前数据采集时刻的温度预测结果和历史数据采集时刻的温度预测结果中的最小值。
本发明的较佳的实施例中，步骤S1中，分别采集当前数据采集时刻的当前表皮温度和当前缆芯电流，以及当前数据采集时刻之前的一历史数据采集时刻的历史表皮温度和历史缆芯电流，并根据当前表皮温度和历史表皮温度处理得到历史表皮温度变化率，以及根据当前缆芯电流和历史缆芯电流处理得到历史缆芯电流变化率。
本发明的较佳的实施例中，步骤S1中，分别采集当前数据采集时刻和当前数据采集时刻之前的多个历史数据采集时刻的待预测高压电缆的表皮温度和缆芯电流，并根据两两之间的表皮温度处理得到多个表皮温度变化率作为历史表皮温度变化率，以及根据两两之间的缆芯电流处理得到多个缆芯电流变化率作为历史缆芯电流变化率。
具体地，本实施例中，对于历史表皮温度变化率和历史缆芯电流变化率可以考虑根据多个历史数据采集时刻和当前数据采集时刻进行处理。
优选的，本实施例中根据当前数据采集时刻和三个历史数据采集时刻进行处理，采集当前数据采集时刻Tn的当前表皮温度Ts(Tn)和当前缆芯电流Ic(Tn)，采集第一历史数据采集时刻Tn-Δt的第一历史表皮温度Ts(Tn-Δt)和第一历史缆芯电流Ic(Tn-Δt),采集第二历史数据采集时刻Tn-2Δt的第二历史表皮温度Ts(Tn-2Δt)和第二历史缆芯电流Ic(Tn-2Δt)，采集第三历史数据采集时刻Tn-3Δt的第三历史表皮温度Ts(Tn-3Δt)和第三历史缆芯电流Ic(Tn-3Δt)，则此时温度预测模型的输入数据可以用以下表达式进行表示：
M＝[(Ts(Tn-3Δt)-Ts(Tn-2Δt))/Δt,(Ts(Tn-2Δt)-Ts(Tn-Δt))/Δt,(Ts(Tn-Δt)-Ts(Tn))/Δt,Ts(Tn),(Ic(Tn-3Δt)-Ic(Tn-2Δt))/Δt,(Ic(Tn-2Δt)-Ic(Tn-Δt))/Δt,(Ic(Tn-Δt)-Ic(Tn))/Δt,Ic(Tn)]
其中，M表示输入数据。
具体地，本实施例中，温度预测模型可以采用神经网络、支持向量机等机器学习算法。
优选的，本实施例中采用神经网络机器学习算法，则温度预测模型包括输入层、隐藏层和输出层，其中，输入层的神经元个数为Nx，输出层的神经元个数为Ny，隐藏层选为一层，则可通过以下计算公式计算得到隐藏层的神经元个数：
其中，
Nh表示隐藏层的神经元个数；
Nx表示输入层的神经元个数；
Ny表示输出层的神经元个数；
Ns表示训练样本的个数；
α表示一预设系数，取值2～10。
优选的，输出层、输入层和隐藏层的神经元的激活函数可以选用tanh(双曲正切)函数或sigmod(S型生长曲线)函数。
本发明的较佳的实施例中，一种高压电缆缆芯的实时温度预测***，应用于实时温度预测方法，如图3所示，包括：
一数据获取模块1，用于采集一待预测高压电缆的缆芯数据；
一预处理模块2，连接数据获取模块1，用于对缆芯数据进行预处理得到对应的预处理数据；
一温度预测模块3，连接预处理模块2，用于将预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果，并对温度预测结果进行处理得到对应的待预测高压电缆的一预测缆芯温度，作为待预测高压电缆缆芯的实时温度预测结果。
本发明的较佳的实施例中，缆芯数据包括当前数据采集时刻的一当前表皮温度、当前表皮温度相对至少一历史数据采集时刻对应的历史表皮温度的一历史表皮温度变化率、当前数据采集时刻的一当前缆芯电流和当前缆芯电流相对历史数据采集时刻对应的历史缆芯电流的一历史缆芯电流变化率，则预处理模块2包括一预处理单元21，用于对当前表皮温度和当前缆芯电流分别进行归一化处理得到对应的归一化表皮温度和归一化缆芯电流，并将归一化表皮温度、归一化缆芯电流、历史表皮温度变化率和历史缆芯电流变化率作为预处理数据。
本发明的较佳的实施例中，温度预测模块3包括：
一预测单元31，用于将预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果；
一处理单元3，连接预测单元31，用于对温度预测结果进行反归一化处理得到对应的待预测高压电缆的预测缆芯温度，作为待预测高压电缆缆芯的实时温度预测结果。
具体地，实施例一：
以沟槽敷设的单回路三相110kV-YJLW02XLPE单芯电力电缆为例进行说明，通过有限元仿真获得7日时间内随机负荷情形下的电缆表皮温度、电缆表皮温度相对一个历史数据采集时刻对应的电缆表皮温度的历史表皮温度变化率、电缆缆芯电流和电缆缆芯电流相对历史数据采集时刻对应的电缆缆芯电流的历史缆芯电流变化率，则采样时间为168小时，采样时间间隔设为12分钟，电缆缆芯电路的变化曲线图如图4所示，电缆表皮温度和电缆缆芯温度的变化曲线图如图5所示，图5中上部的一段曲线为电缆缆芯温度的变化曲线，图5中下部的一段曲线为电缆表皮温度的变化曲线。
具体地，实施例二：
基于神经网络机器学习方法对温度预测模型进行训练，并对本实施的第一输入数据处理方法、第二输入数据处理方法和一种基于热路模型的预测方法进行对比分析，第一种输入数据处理方法考虑了当前数据采集时刻和一个历史数据采集时刻，第二种输入数据处理方法考虑了当前数据采集时刻和三个历史数据采集时刻，且当前数据采集时刻与相邻历史数据采集时刻之间的采集时间间隔以及相邻两个历史数据采集时刻之间的采集时间间隔均为1小时。
优选的，对于第一输入数据处理方法，温度预测模型输入层的神经元个数为4，输出层的神经元个数为1，隐藏层为1层，隐藏层的神经元个数为6。
优选的，对于第二输入数据处理方法，温度预测模型输入层的神经元个数为8，输出层的神经元个数为1，隐藏层为1层，隐藏层的神经元个数为8。
优选的，通过以下计算公式分别计算得到第一输入数据处理方法、第二输入数据处理方法和基于热路模型的预测方法对应的预测缆芯温度的均方误差：
其中，
MSE表示均方误差；
n表示样本个数；
yi为实时测量得到的实际缆芯温度。
优选的，通过以下计算公式分别计算得到第一输入数据处理方法、第二输入数据处理方法和基于热路模型的预测方法对应的预测缆芯温度的平均误差：
其中，
MAE表示均方差值；
n表示样本个数；
yi为实时测量得到的实际缆芯温度。
优选的，通过以下计算公式分别计算得到第一输入数据处理方法、第二输入数据处理方法和基于热路模型的预测方法对应的预测缆芯温度的最大误差：
其中，
MAXE表示最大误差；
yi为实时测量得到的实际缆芯温度。
优选的，通过计算发现，第一输入数据处理方法和第二输入数据处理方法的均方误差、平均误差和最大误差均小于基于热路模型的预测方法，且第二输入数据处理方法的均方误差、平均误差和最大误差均为最小，由此说明，对电缆历史数据采集时刻的充分考虑有助于使预测缆芯温度更为精确，以减少超前预测误差。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (10)
1.一种高压电缆缆芯的实时温度预测方法，其特征在于，包括:
步骤S1，采集一待预测高压电缆的缆芯数据；
步骤S2，对所述缆芯数据进行预处理得到对应的预处理数据；
步骤S3，将所述预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果，并对所述温度预测结果进行处理得到对应的所述待预测高压电缆的一预测缆芯温度，作为所述待预测高压电缆缆芯的实时温度预测结果。
2.根据权利要求1所述的实时温度预测方法，其特征在于，所述缆芯数据包括当前数据采集时刻的一当前表皮温度、所述当前表皮温度相对至少一历史数据采集时刻对应的历史表皮温度的一历史表皮温度变化率、所述当前数据采集时刻的一当前缆芯电流和所述当前缆芯电流相对所述历史数据采集时刻对应的历史缆芯电流的一历史缆芯电流变化率。
3.根据权利要求2所述的实时温度预测方法，其特征在于，所述步骤S2中，对所述当前表皮温度和所述当前缆芯电流分别进行归一化处理得到对应的归一化表皮温度和归一化缆芯电流，并将所述归一化表皮温度、所述归一化缆芯电流、所述历史表皮温度变化率和所述历史缆芯电流变化率作为所述预处理数据。
4.根据权利要求1所述的实时温度预测方法，其特征在于，执行所述步骤S1之前还包括一模型训练过程，所述模型训练过程具体包括以下步骤：
步骤A1，采集至少一高压电缆的多组历史监测数据，各组历史监测数据均包括数据采集时刻的一电缆表皮温度、所述数据采集时刻的所述电缆表皮温度相对至少一历史数据采集时刻对应的电缆表皮温度的一电缆表皮温度变化率、一电缆缆芯温度、所述数据采集时刻的一电缆缆芯电流和所述数据采集时刻的所述电缆缆芯电流相对所述历史数据采集时刻的电缆缆芯温度的一电缆缆芯温度变化率；
步骤A2，对各组历史监测数据中的所述电缆表皮温度、所述电缆缆芯电流和所述电缆缆芯温度分别进行归一化处理得到对应的归一化电缆表皮温度、归一化电缆缆芯电流和归一化电缆缆芯温度；
步骤A3，将所述归一化电缆表皮温度、所述归一化电缆缆芯电流、所述电缆表皮温度变化率和所述电缆缆芯温度变化率作为输入，将所述归一化电缆缆芯温度作为输出，训练得到所述温度预测模型。
5.根据权利要求2所述的实时温度预测方法，其特征在于，所述步骤S3中，对所述温度预测结果进行反归一化处理得到对应的所述待预测高压电缆的所述预测缆芯温度。
6.根据权利要求2所述的实时温度预测方法，其特征在于，所述步骤S1中，分别采集所述当前数据采集时刻的所述当前表皮温度和所述当前缆芯电流，以及所述当前数据采集时刻之前的一所述历史数据采集时刻的所述历史表皮温度和所述历史缆芯电流，并根据所述当前表皮温度和所述历史表皮温度处理得到所述历史表皮温度变化率，以及根据所述当前缆芯电流和所述历史缆芯电流处理得到所述历史缆芯电流变化率。
7.根据权利要求2所述的实时温度预测方法，其特征在于，所述步骤S1中，分别采集所述当前数据采集时刻和所述当前数据采集时刻之前的多个所述历史数据采集时刻的所述待预测高压电缆的表皮温度和缆芯电流，并根据两两之间的所述表皮温度处理得到多个表皮温度变化率作为所述历史表皮温度变化率，以及根据两两之间的所述缆芯电流处理得到多个缆芯电流变化率作为所述历史缆芯电流变化率。
8.一种高压电缆缆芯的实时温度预测***，其特征在于，应用于如权利要求1-7中任意一项中所述的实时温度预测方法，包括：
一数据获取模块，用于采集一待预测高压电缆的缆芯数据；
一预处理模块，连接所述数据获取模块，用于对所述缆芯数据进行预处理得到对应的预处理数据；
一温度预测模块，连接所述预处理模块，用于将所述预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果，并对所述温度预测结果进行处理得到对应的所述待预测高压电缆的一预测缆芯温度，作为所述待预测高压电缆缆芯的实时温度预测结果。
9.根据权利要求8所述的实时温度预测***，其特征在于，所述缆芯数据包括当前数据采集时刻的一当前表皮温度、所述当前表皮温度相对至少一历史数据采集时刻对应的历史表皮温度的一历史表皮温度变化率、所述当前数据采集时刻的一当前缆芯电流和所述当前缆芯电流相对所述历史数据采集时刻对应的历史缆芯电流的一历史缆芯电流变化率，则所述预处理模块包括一预处理单元，用于对所述当前表皮温度和所述当前缆芯电流分别进行归一化处理得到对应的归一化表皮温度和归一化缆芯电流，并将所述归一化表皮温度、所述归一化缆芯电流、所述历史表皮温度变化率和所述历史缆芯电流变化率作为所述预处理数据。
10.根据权利要求8所述的实时温度预测***，其特征在于，所述温度预测模块包括：
一预测单元，用于将所述预处理数据输入预先训练得到的一温度预测模型中得到一温度预测结果；
一处理单元，连接所述预测单元，用于对所述温度预测结果进行反归一化处理得到对应的所述待预测高压电缆的所述预测缆芯温度，作为所述待预测高压电缆缆芯的实时温度预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111308774.7A CN114046903A (zh) | 2021-11-05 | 2021-11-05 | 一种高压电缆缆芯的实时温度预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111308774.7A CN114046903A (zh) | 2021-11-05 | 2021-11-05 | 一种高压电缆缆芯的实时温度预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114046903A true CN114046903A (zh) | 2022-02-15 |
Family
ID=80207450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111308774.7A Pending CN114046903A (zh) | 2021-11-05 | 2021-11-05 | 一种高压电缆缆芯的实时温度预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114046903A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116147805A (zh) * | 2023-04-20 | 2023-05-23 | 北京工业大学 | 一种用于泵站填料函温度监测的冗余监测方法和*** |
| CN116470190A (zh) * | 2023-06-19 | 2023-07-21 | 江西五十铃汽车有限公司 | 动力电池包加热方法、***、计算机及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004088338A1 (en) * | 2003-04-04 | 2004-10-14 | Lg Cable Ltd. | Apparatus and method for evaluating underground electric power cables |
| CN108871610A (zh) * | 2018-05-02 | 2018-11-23 | 国网山西省电力公司晋中供电公司 | 一种基于卡尔曼算法的电缆缆芯温度预测方法 |
| CN109000823A (zh) * | 2017-06-07 | 2018-12-14 | 江苏嘉盟电力设备有限公司 | 冷缩电缆中间接头的导体温度测量方法及*** |
| CN110083908A (zh) * | 2019-04-19 | 2019-08-02 | 陕西科技大学 | 基于有限元分析的电缆缆芯温度预测方法 |
| CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
| 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 |
-
2021
- 2021-11-05 CN CN202111308774.7A patent/CN114046903A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004088338A1 (en) * | 2003-04-04 | 2004-10-14 | Lg Cable Ltd. | Apparatus and method for evaluating underground electric power cables |
| CN109000823A (zh) * | 2017-06-07 | 2018-12-14 | 江苏嘉盟电力设备有限公司 | 冷缩电缆中间接头的导体温度测量方法及*** |
| CN108871610A (zh) * | 2018-05-02 | 2018-11-23 | 国网山西省电力公司晋中供电公司 | 一种基于卡尔曼算法的电缆缆芯温度预测方法 |
| CN110083908A (zh) * | 2019-04-19 | 2019-08-02 | 陕西科技大学 | 基于有限元分析的电缆缆芯温度预测方法 |
| CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116147805A (zh) * | 2023-04-20 | 2023-05-23 | 北京工业大学 | 一种用于泵站填料函温度监测的冗余监测方法和*** |
| CN116470190A (zh) * | 2023-06-19 | 2023-07-21 | 江西五十铃汽车有限公司 | 动力电池包加热方法、***、计算机及可读存储介质 |
| CN116470190B (zh) * | 2023-06-19 | 2023-09-22 | 江西五十铃汽车有限公司 | 动力电池包加热方法、***、计算机及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
| CN106055888B (zh) | 基于误差预测修正的变压器顶层油温预测方法和装置 | |
| CN114046903A (zh) | 一种高压电缆缆芯的实时温度预测方法及*** | |
| CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
| CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及*** | |
| CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及*** | |
| CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
| CN112308124B (zh) | 一种面向用电信息采集***的智能防窃电方法 | |
| CN111426905B (zh) | 一种配电网同母线变关系异常诊断方法、装置及*** | |
| CN112147474A (zh) | Xlpe电力电缆典型缺陷局部放电类型识别***及方法 | |
| CN113533952A (zh) | 一种基于ceemd和相空间重构的有载调压变压器分接开关机械故障诊断方法 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与*** | |
| CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
| CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
| CN112506687B (zh) | 基于多周期分段滑动窗口标准差的故障诊断方法 | |
| CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
| CN112734201A (zh) | 基于预期故障概率的多台设备整体质量评价方法 | |
| CN114118587B (zh) | 分布式光伏的电能质量评估方法及***、设备、存储介质 | |
| CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
| CN108760813A (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测***及方法 | |
| CN115841446A (zh) | 一种太阳能集热场故障风险快速检测***及方法 | |
| CN111428344B (zh) | 一种高速公路机电设备退化分析模型的构建方法 | |
| Zhao et al. | Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network | |
| CN110954841A (zh) | 一种基于锂电池小波去噪的在线监测方法 |
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 |