CN116626543B - 基于集肤效应的加热电缆故障检测方法及*** - Google Patents
基于集肤效应的加热电缆故障检测方法及*** Download PDFInfo
- Publication number
- CN116626543B CN116626543B CN202310901175.9A CN202310901175A CN116626543B CN 116626543 B CN116626543 B CN 116626543B CN 202310901175 A CN202310901175 A CN 202310901175A CN 116626543 B CN116626543 B CN 116626543B
- Authority
- CN
- China
- Prior art keywords
- cable
- detection result
- temperature change
- abnormal
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 171
- 238000010438 heat treatment Methods 0.000 title claims abstract description 115
- 230000002500 effect on skin Effects 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000005856 abnormality Effects 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000004020 conductor Substances 0.000 description 8
- 239000013307 optical fiber Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了基于集肤效应的加热电缆故障检测方法及***,涉及集肤效应电缆故障检测技术领域,通过收集加热电缆的历史训练数据,训练判断加热电缆是否发生异常的机器学习模型,收集电缆特征数据并进行第一检测,获得第一检测结果,若第一检测结果为异常,基于电缆特征数据和机器学习模型,获得第二检测结果,若第二检测结果为异常,收集实时的区域温度变化数据集合,并进行第三检测,若第三检测结果为短路,输出加热电缆的短路位置,若第三检测结果为非短路,进行第四检测,并输出第四检测结果;及时对发热电缆故障进行响应,并进行精准定位,提高故障维修效率。
Description
技术领域
本发明属于涉及集肤效应电缆故障检测技术领域,具体是基于集肤效应的加热电缆故障检测方法及***。
背景技术
在许多工业和民用领域中,使用集肤效应的加热电缆进行加热和保温是常见的应用。集肤效应是指在交流电流通过导体时,电流主要分布在导体表面附近的现象。由于电流主要集中在导体表面,而导体表面与周围环境之间有热交换的过程。由于电流在导体表面的流动,导体表面处的电阻相对较大,导致表面产生较大的热量,从而产生加热效果;
然而,加热电缆在长期使用过程中可能会发生故障,如短路、断路或变形等。这些故障会导致加热电缆的加热性能下降、能量浪费甚至安全隐患。因此,及时检测和定位加热电缆的故障是非常重要的。
授权公告号为CN205282162U的中国专利公开了智能型集肤电缆,实现了当出现故障、绝缘层受到损坏发生高压漏电时,电缆反常升温,主机中可显示出温度过高的具***置,从而有利于查找到损坏点、方便检修,大大提高了安全性能;然而并未提出如何检测故障类型以及故障点的技术方案;
为此,本发明提出基于集肤效应的加热电缆故障检测方法及***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出基于集肤效应的加热电缆故障检测方法及***,及时对发热电缆故障进行响应,并进行精准定位,提高故障维修效率。
为实现上述目的,根据本发明的实施例1提出基于集肤效应的加热电缆故障检测方法,包括以下步骤:
步骤一:电缆监控平台收集加热电缆的历史训练数据,并基于历史训练数据训练判断加热电缆是否发生异常的机器学习模型;
步骤二:电缆监控平台收集待检测电缆实时的电缆特征数据,对电缆特征数据进行第一检测,获得第一检测结果,若第一检测结果为异常,转至步骤三;若第一检测结果为正常,则重复步骤二;
步骤三:电缆监控平台基于电缆特征数据和机器学习模型,获得第二检测结果;若第二检测结果为正常,转至步骤二;若第二检测结果为异常,转至步骤四;
步骤四:电缆监控平台收集待检测加热电缆实时的区域温度变化数据集合,并对区域温度变化数据进行第三检测,获得第三检测结果;若第三检测结果为短路,转至步骤六;若第三检测的结果为非短路,转至步骤五;
步骤五:电缆监控平台基于电流实时变化值和区域温度变化数据集合,进行第四检测,并输出第四检测结果;
步骤六:电缆监控平台基于区域温度变化数据集合,输出加热电缆的短路位置。
进一步地,所述历史训练数据包括在实验环境收集的若干组历史的电缆特征数据和电缆状态值;所述实验环境为由测试人员通过控制加热电缆中的电缆状态值的变化,以收集各项电缆特征数据值的数据收集环境;
其中,所述电缆特征数据包括电压实时变化值、电流实时变化值、最大温度变化值、加热电缆长度以及加热电缆的截面积;
加热电缆的电压和电流分别通过安装在电缆输出端的电压传感器以及电流传感器实时获得;电压实时变化值、电流实时变化值根据当前电压和电流值分别减去上一时刻的电压和电流值获得;
加热电缆的温度通过使用智能型集肤电缆获得每段电缆的实时温度;将每段电缆标记为电缆段;最大温度变化值为加热电缆所有电缆段中温度实时变化值的最大值;
所述电缆状态值包括异常以及正常;
控制不同长度和截面积的加热电缆,收集加热电缆在正常状态和异常状态下,对应的电缆特征数据;所述异常状态包括断路、短路以及变形。
进一步地,历史训练数据训练判断加热电缆是否发生异常的机器学习模型的方式为:
将每组电缆特征数据根据收集时的电缆状态值生成对应的实际标注,电缆状态值为异常时,实际标注为1,电缆状态值为正常时,实际标注为0;将每组电缆特征数据作为机器学习模型的输入,所述机器学习模型以对每组电缆特征数据的预测标注为输出,以实际标注为预测目标,以最小化所有电缆特征数据的预测准确度之和作为训练目标;其中,预测准确度的计算公式为:,其中,/>为电缆特征数据的编号,/>为预测准确度,/>为第/>组电缆特征数据对应的预测标注值,/>为第/>组电缆特征数据对应的实际标注;对机器学习模型进行训练,直至预测准确度之和达到收敛时停止训练。
进一步地,对电缆特征数据进行第一检测的方式为:
电缆监控平台预先设置电压变化阈值V、电流变化阈值I、温度变化阈值T,若待检测电缆实时的电缆特征数据满足特征变化条件,输出值为异常的第一检测结果,若待检测电缆实时的电缆特征数据不满足特征变化条件,输出值为正常的第一检测结果;
其中,所述特征变化条件为电压实时变化值大于电压变化阈值V,且电流实时变化值大于电流变化阈值I,且温度实时变化值大于温度变化阈值T;通过进行第一检测,对异常情况进行初步筛除,降低误检测概率。
进一步地,获得第二检测结果的方式为:
电缆监控平台将待检测电缆实时的电缆特征数据输入至机器学习模型中,获得预测的电缆状态值;该预测的电缆状态值作为第二检测结果进行输出;进一步的避免了刻板的阈值检测方法带来的误检测;
所述区域温度变化数据集合包括若干组区域温度变化数据;每组区域温度变化数据对应一个异常电缆段,所述异常电缆段是指温度实时变化值大于温度变化阈值T的电缆段;所述区域温度变化数据包括异常电缆段的编号以及该异常电缆段的温度实时变化值。
进一步地,对区域温度变化数据进行第三检测的方式为:
电缆监控平台预设异常段数量阈值N,若区域温度变化数据集合中元素数量小于异常段数量阈值N,输出值为非短路的第三检测结果;若区域温度变化数据集合中元素数量大于或等于异常段数量阈值N,输出值为短路的第三检测结果。
进一步地,进行第四检测,并输出第四检测结果的方式为:
预设断路电流变化阈值I1,若电流实时变化值小于断路电流变化阈值I1,输出的第四检测结果包括区域温度变化数据集合以及变形警告;若电流实时变化值大于或等于断路电流变化阈值I1,输出的第四检测结果包括区域温度变化数据集合以及断路警告。
进一步地,输出加热电缆的短路位置的方式为:
将加热电缆的所有电缆段按照从电流输入端到电流输出端的顺序进行编号;将电缆段的编号标记为j;
将区域温度变化数据集合标记为P;将区域温度变化数据集合P中所有区域温度对应的电缆段编号组成的集合标记为J;获取电缆段编号集合J中每个电缆段的编号,将编号为j的电缆段的温度实时变化值标记为/>;
计算编号为j的电缆段对应的短路权值;其中,短路权值/>的计算公式为
;其中,/>和/>分别为预设的比例系数;
其中j1为电缆段编号集合J中的任意电缆段编号,Wj1为编号为j1的电缆段对应的温度实时变化值;
输出区域温度变化数据集合中短路权值值最小的电缆段的编号作为短路位置。
基于集肤效应的加热电缆故障检测***,包括历史数据收集模块、模型训练模块、异常检测模块以及异常定位模块;
历史数据收集模块,收集加热电缆的历史训练数据,并将历史训练数据发送至模型训练模块;
模型训练模块,基于历史训练数据训练判断加热电缆是否发生异常的机器学习模型,并将训练完成的机器学习模型发送至异常检测模块;
异常检测模块,实时收集待检测的加热电缆的电缆特征数据以及区域温度变化数据集合,并基于电缆特征数据检测加热电缆中是否出现异常,并在判断加热电缆出现异常时,将区域温度变化数据集合发送至异常定位模块;
基于电缆特征数据检测加热电缆中是否出现异常包括以下步骤:
步骤U1:对电缆特征数据进行第一检测,获得第一检测结果,若第一检测结果为异常,转至步骤U2;若第一检测结果为正常,则重复步骤U1;
步骤U2:电缆监控平台基于电缆特征数据和机器学习模型,获得第二检测结果;第二检测结果包括正常和异常;
异常定位模块,基于区域温度变化数据判断异常的类型以及出现异常的电缆段;
判断异常的类型以及出现异常的电缆段包括以下步骤:
步骤V1:对区域温度变化数据进行第三检测,获得第三检测结果;若第三检测结果为短路,转至步骤V3;若第三检测的结果为非短路,转至步骤V2;
步骤V2:电缆监控平台基于电流实时变化值和区域温度变化数据集合,进行第四检测,并输出第四检测结果;
步骤V3:电缆监控平台基于区域温度变化数据集合,输出加热电缆的短路位置。
根据本发明的实施例3提出一种计算机设备,包括:处理器和存储器,其中,
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在电缆监控平台中执行上述的基于集肤效应的加热电缆故障检测方法。
根据本发明的实施例4提出一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的基于集肤效应的加热电缆故障检测方法。
与现有技术相比,本发明的有益效果是:
本发明通过收集加热电缆的历史训练数据,并基于历史训练数据训练判断加热电缆是否发生异常的机器学习模型,再在实际的加热电缆故障检测时,通过对电缆特征数据进行阈值检测以及机器学习模型检测后,判断加热电缆是否异常,提高加热电缆异常判断的准确性,再基于电缆短路异常、断路异常以及变形异常时的温度表现特点,进一步的分析加热电缆中出现故障的位置以及故障原因;从而及时对发热电缆故障进行响应,并进行精准定位,提高故障维修效率。
附图说明
图1为本发明的实施例中基于集肤效应的加热电缆故障检测方法的流程图;
图2为本发明的实施例中基于集肤效应的加热电缆故障检测***的模块连接图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
实施例1
如图1所示,基于集肤效应的加热电缆故障检测方法,包括以下步骤:
步骤一:电缆监控平台收集加热电缆的历史训练数据,并基于历史训练数据训练判断加热电缆是否发生异常的机器学习模型;
步骤二:电缆监控平台收集待检测电缆实时的电缆特征数据,对电缆特征数据进行第一检测,获得第一检测结果,若第一检测结果为异常,转至步骤三;若第一检测结果为正常,则重复步骤二;
步骤三:电缆监控平台基于电缆特征数据和机器学习模型,获得第二检测结果;若第二检测结果为正常,转至步骤二;若第二检测结果为异常,转至步骤四;
步骤四:电缆监控平台收集待检测加热电缆实时的区域温度变化数据集合,并对区域温度变化数据进行第三检测,获得第三检测结果;若第三检测结果为短路,转至步骤六;若第三检测的结果为非短路,转至步骤五;
步骤五:电缆监控平台基于电流实时变化值和区域温度变化数据集合,进行第四检测,并输出第四检测结果;
步骤六:电缆监控平台基于区域温度变化数据集合,输出加热电缆的短路位置;
在一个优选的实施例中,所述历史训练数据包括在实验环境收集的若干组历史的电缆特征数据和电缆状态值;所述实验环境为由测试人员通过控制加热电缆中的电缆状态值的变化,以收集各项电缆特征数据值的数据收集环境,在实验环境中收集数据,降低数据噪声的污染且能充分收集数据;
其中,所述电缆特征数据包括电压实时变化值、电流实时变化值、最大温度变化值、加热电缆长度以及加热电缆的截面积;
需要说明的是,加热电缆的电压和电流分别通过安装在电缆输出端的电压传感器以及电流传感器实时获得;电压实时变化值、电流实时变化值根据当前电压和电流值分别减去上一时刻的电压和电流值获得;
加热电缆的温度通过使用智能型集肤电缆获得每段电缆的实时温度;将每段电缆标记为电缆段;最大温度变化值为加热电缆所有电缆段中温度实时变化值的最大值;优选的,每个电缆段的长度可以是1米;依据来源于申请公告号CN205282162U的中国专利,公开了智能型集肤电缆,所公开的技术,通过在护套层内紧贴绕包层的一侧内嵌设置有光纤,所述光纤呈螺旋状缠绕或蛇形敷设在电缆中,光纤与控制柜内的光纤主机相联,通过主机测出电缆回路每1米的温度;
可以理解的是,在电缆发生短路、断路或变形异常时,电缆的电压、电流以及局部温度均会发生变化;而加热电缆的长度会影响到电缆的总阻抗,从而影响对电缆异常的判断;电缆的截面积通过影响电流密度,从而影响对电缆异常的判断;
所述电缆状态值包括异常以及正常;
在实验环境中通过控制不同长度和截面积的加热电缆,收集加热电缆在正常状态和异常状态下,对应的电缆特征数据;所述异常状态包括短路、断路以及变形;
历史训练数据训练判断加热电缆是否发生异常的机器学习模型的方式为:
将每组电缆特征数据根据收集时的电缆状态值生成对应的实际标注,电缆状态值为异常时,实际标注为1,电缆状态值为正常时,实际标注为0;将每组电缆特征数据作为机器学习模型的输入,所述机器学习模型以对每组电缆特征数据的预测标注为输出,以实际标注为预测目标,以最小化所有电缆特征数据的预测准确度之和作为训练目标;其中,预测准确度的计算公式为:,其中,/>为电缆特征数据的编号,/>为预测准确度,/>为第/>组电缆特征数据对应的预测标注值,/>为第/>组电缆特征数据对应的实际标注;对机器学习模型进行训练,直至预测准确度之和达到收敛时停止训练;优选的,所述机器学习模型可以是深度神经网络模型或深度信念网络模型;
所述机器学习模型的其他模型参数,例如网络模型的深度、每层的神经元数量、网络模型使用的激活函数、收敛条件、训练集测试集验证集比例以及损失函数等均通过实际的工程实现,不断地进行实验调优后获得;
对电缆特征数据进行第一检测的方式为:
电缆监控平台预先设置电压变化阈值V,电流变化阈值I,温度变化阈值T,若待检测电缆实时的电缆特征数据满足特征变化条件,输出值为异常的第一检测结果,若待检测电缆实时的电缆特征数据不满足特征变化条件,输出值为正常的第一检测结果;
其中,所述特征变化条件为电压实时变化值大于电压变化阈值V,且电流实时变化值大于电流变化阈值I,且温度实时变化值大于温度变化阈值T;通过进行第一检测,对异常情况进行初步筛除,降低误检测概率;
获得第二检测结果的方式为:
电缆监控平台将待检测电缆实时的电缆特征数据输入至机器学习模型中,获得预测的电缆状态值;该预测的电缆状态值作为第二检测结果进行输出;进一步的避免了刻板的阈值检测方法带来的误检测;
需要说明的是,对于集肤效应电缆,短路通常会导致多处温度异常。当电缆发生短路时,短路点附近的电流密度会显著增加,导致该区域温度升高;由于电流在导体表面分布更密集,集肤效应使得短路点周围的温度升高更为明显;
断路通常不会导致多处温度异常;断路是指电缆导线中断或失去连续性,导致电流无法通过。由于断路点无法传导电流,附近区域的电流密度减小,导致该区域的温度相对较低;
变形通常不会导致多处温度异常;变形可能会导致电缆的截面形状或尺寸发生变化,影响电流分布和集肤效应,从而导致局部温度的变化;
进一步的,将加热电缆的所有电缆段按照从电流输入端到电流输出端的顺序进行编号;将电缆段的编号标记为j;
所述区域温度变化数据集合包括若干组区域温度变化数据;每组区域温度变化数据对应一个异常电缆段,所述异常电缆段是指温度实时变化值大于温度变化阈值T的电缆段;所述区域温度变化数据包括异常电缆段的编号以及该异常电缆段的温度实时变化值;
对区域温度变化数据进行第三检测的方式为:
电缆监控平台预设异常段数量阈值N,若区域温度变化数据集合中元素数量小于异常段数量阈值N,输出值为非短路的第三检测结果;若区域温度变化数据集合中元素数量大于或等于异常段数量阈值N,输出值为短路的第三检测结果;
进行第四检测,并输出第四检测结果的方式为:
预设断路电流变化阈值I1,若电流实时变化值小于断路电流变化阈值I1,输出的第四检测结果包括区域温度变化数据集合以及变形警告;若电流实时变化值大于或等于断路电流变化阈值I1,输出的第四检测结果包括区域温度变化数据集合以及断路警告;
根据电缆段随着距离短路点的增加,电流逐渐分散并且受到周围环境的影响,导致了电流密度的减小,进而使温度变化逐渐减小的特点分析短路点;
输出加热电缆的短路位置的方式为:
将区域温度变化数据集合标记为P;将区域温度变化数据集合P中所有区域温度对应的电缆段编号组成的集合标记为J;获取电缆段编号集合J中每个电缆段的编号,将编号为j的电缆段的温度实时变化值标记为/>;
计算编号为j的电缆段对应的短路权值;其中,短路权值/>的计算公式为
;其中,/>和/>分别为预设的比例系数;
其中j1为电缆段编号集合J中的任意电缆段编号,Wj1为编号为j1的电缆段对应的温度实时变化值;
输出区域温度变化数据集合中短路权值值最小的电缆段的编号作为短路位置;
可以理解的是,的计算公式中/>用于衡量每个电缆段的温度变化值,温度变化值越高,其为故障点的可能性越大;用于衡量该电缆段作为温度变化辐射点的可能性,显然若j为温度变化辐射点,/>应当为负值,/>初始为负,随着j1增大逐渐转为正值,因此辐射点两端的/>值会相互抵消;因此,该值越小,其作为温度变化辐射点的可能性越大。
实施例2
如图2所示,基于集肤效应的加热电缆故障检测***,包括历史数据收集模块、模型训练模块、异常检测模块以及异常定位模块;
历史数据收集模块,收集加热电缆的历史训练数据,并将历史训练数据发送至模型训练模块;
模型训练模块,基于历史训练数据训练判断加热电缆是否发生异常的机器学习模型,并将训练完成的机器学习模型发送至异常检测模块;
异常检测模块,实时收集待检测的加热电缆的电缆特征数据以及区域温度变化数据集合,并基于电缆特征数据检测加热电缆中是否出现异常,并在判断加热电缆出现异常时,将区域温度变化数据集合发送至异常定位模块;
基于电缆特征数据检测加热电缆中是否出现异常包括以下步骤:
步骤U1:对电缆特征数据进行第一检测,获得第一检测结果,若第一检测结果为异常,转至步骤U2;若第一检测结果为正常,则重复步骤U1;
步骤U2:电缆监控平台基于电缆特征数据和机器学习模型,获得第二检测结果;第二检测结果包括正常和异常;
异常定位模块,基于区域温度变化数据判断异常的类型以及出现异常的电缆段;
判断异常的类型以及出现异常的电缆段包括以下步骤:
步骤V1:对区域温度变化数据进行第三检测,获得第三检测结果;若第三检测结果为短路,转至步骤V3;若第三检测的结果为非短路,转至步骤V2;
步骤V2:电缆监控平台基于电流实时变化值和区域温度变化数据集合,进行第四检测,并输出第四检测结果;
步骤V3:电缆监控平台基于区域温度变化数据集合,输出加热电缆的短路位置。
实施例3
根据本实施例所述的一种计算机设备,包括:处理器和存储器,其中,
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在电缆监控平台中执行上述的基于集肤效应的加热电缆故障检测方法。
实施例4
根据本实施例所述一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的基于集肤效应的加热电缆故障检测方法。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (9)
1.基于集肤效应的加热电缆故障检测方法,其特征在于,包括以下步骤:
步骤一:电缆监控平台收集加热电缆的历史训练数据,并基于历史训练数据训练判断加热电缆是否发生异常的机器学习模型;
步骤二:电缆监控平台收集待检测电缆实时的电缆特征数据,对电缆特征数据进行第一检测,获得第一检测结果,若第一检测结果为异常,转至步骤三;若第一检测结果为正常,则重复步骤二;
步骤三:电缆监控平台基于电缆特征数据和机器学习模型,获得第二检测结果;若第二检测结果为正常,转至步骤二;若第二检测结果为异常,转至步骤四;
步骤四:电缆监控平台收集待检测加热电缆实时的区域温度变化数据集合,并对区域温度变化数据进行第三检测,获得第三检测结果;若第三检测结果为短路,转至步骤六;若第三检测的结果为非短路,转至步骤五;
步骤五:电缆监控平台基于电流实时变化值和区域温度变化数据集合,进行第四检测,并输出第四检测结果;
步骤六:电缆监控平台基于区域温度变化数据集合,输出加热电缆的短路位置;
对电缆特征数据进行第一检测的方式为:
电缆监控平台预先设置电压变化阈值V、电流变化阈值I、温度变化阈值T,若待检测电缆实时的电缆特征数据满足特征变化条件,输出值为异常的第一检测结果,若待检测电缆实时的电缆特征数据不满足特征变化条件,输出值为正常的第一检测结果;
获得第二检测结果的方式为:
电缆监控平台将待检测电缆实时的电缆特征数据输入至机器学习模型中,获得预测的电缆状态值;该预测的电缆状态值作为第二检测结果进行输出;
对区域温度变化数据进行第三检测的方式为:
电缆监控平台预设异常段数量阈值N,若区域温度变化数据集合中元素数量小于异常段数量阈值N,输出值为非短路的第三检测结果;若区域温度变化数据集合中元素数量大于或等于异常段数量阈值N,输出值为短路的第三检测结果;
进行第四检测,并输出第四检测结果的方式为:
预设断路电流变化阈值I1,若电流实时变化值小于断路电流变化阈值I1,输出的第四检测结果包括区域温度变化数据集合以及变形警告;若电流实时变化值大于或等于断路电流变化阈值I1,输出的第四检测结果包括区域温度变化数据集合以及断路警告。
2.根据权利要求1所述的基于集肤效应的加热电缆故障检测方法,其特征在于,所述历史训练数据包括在实验环境收集的若干组历史的电缆特征数据和电缆状态值;所述实验环境为由测试人员通过控制加热电缆中的电缆状态值的变化,以收集各项电缆特征数据值的数据收集环境;
其中,所述电缆特征数据包括电压实时变化值、电流实时变化值、最大温度变化值、加热电缆长度以及加热电缆的截面积;
加热电缆的电压和电流分别通过安装在电缆输出端的电压传感器以及电流传感器实时获得;电压实时变化值、电流实时变化值根据当前电压和电流值分别减去上一时刻的电压和电流值获得;
加热电缆的温度通过使用智能型集肤电缆获得每段电缆的实时温度;将每段电缆标记为电缆段;最大温度变化值为加热电缆所有电缆段中温度实时变化值的最大值;
所述电缆状态值包括异常以及正常;
控制不同长度和截面积的加热电缆,收集加热电缆在正常状态和异常状态下,对应的电缆特征数据;所述异常状态包括断路、短路以及变形。
3.根据权利要求2所述的基于集肤效应的加热电缆故障检测方法,其特征在于,历史训练数据训练判断加热电缆是否发生异常的机器学习模型的方式为:
将每组电缆特征数据根据收集时的电缆状态值生成对应的实际标注,电缆状态值为异常时,实际标注为1,电缆状态值为正常时,实际标注为0;将每组电缆特征数据作为机器学习模型的输入,所述机器学习模型以对每组电缆特征数据的预测标注为输出,以实际标注为预测目标,以最小化所有电缆特征数据的预测准确度之和作为训练目标;其中,预测准确度的计算公式为:,其中,/>为电缆特征数据的编号,/>为预测准确度,/>为第/>组电缆特征数据对应的预测标注值,/>为第/>组电缆特征数据对应的实际标注;对机器学习模型进行训练,直至预测准确度之和达到收敛时停止训练。
4.根据权利要求3所述的基于集肤效应的加热电缆故障检测方法,其特征在于,所述特征变化条件为电压实时变化值大于电压变化阈值V,且电流实时变化值大于电流变化阈值I,且温度实时变化值大于温度变化阈值T。
5.根据权利要求4所述的基于集肤效应的加热电缆故障检测方法,其特征在于,所述区域温度变化数据集合包括若干组区域温度变化数据;每组区域温度变化数据对应一个异常电缆段,所述异常电缆段是指温度实时变化值大于温度变化阈值T的电缆段;所述区域温度变化数据包括异常电缆段的编号以及该异常电缆段的温度实时变化值。
6.根据权利要求5所述的基于集肤效应的加热电缆故障检测方法,其特征在于,输出加热电缆的短路位置的方式为:
将加热电缆的所有电缆段按照从电流输入端到电流输出端的顺序进行编号;将电缆段的编号标记为;
将区域温度变化数据集合标记为P;将区域温度变化数据集合P中所有区域温度对应的电缆段编号组成的集合标记为J;获取电缆段编号集合J中每个电缆段的编号,将编号为j的电缆段的温度实时变化值标记为/>;
计算编号为j的电缆段对应的短路权值;其中,短路权值/>的计算公式为
;
其中,和/>分别为预设的比例系数;
其中j1为电缆段编号集合J中的任意电缆段编号,Wj1为编号为j1的电缆段对应的温度实时变化值;
输出区域温度变化数据集合中短路权值值最小的电缆段的编号作为短路位置。
7.基于集肤效应的加热电缆故障检测***,其基于权利要求1-6中任意一项所述的基于集肤效应的加热电缆故障检测方法实现,其特征在于,包括历史数据收集模块、模型训练模块、异常检测模块以及异常定位模块;
历史数据收集模块,收集加热电缆的历史训练数据,并将历史训练数据发送至模型训练模块;
模型训练模块,基于历史训练数据训练判断加热电缆是否发生异常的机器学习模型,并将训练完成的机器学习模型发送至异常检测模块;
异常检测模块,实时收集待检测的加热电缆的电缆特征数据以及区域温度变化数据集合,并基于电缆特征数据检测加热电缆中是否出现异常,并在判断加热电缆出现异常时,将区域温度变化数据集合发送至异常定位模块;
基于电缆特征数据检测加热电缆中是否出现异常包括以下步骤:
步骤U1:对电缆特征数据进行第一检测,获得第一检测结果,若第一检测结果为异常,转至步骤U2;若第一检测结果为正常,则重复步骤U1;
步骤U2:电缆监控平台基于电缆特征数据和机器学习模型,获得第二检测结果;第二检测结果包括正常和异常;
异常定位模块,基于区域温度变化数据判断异常的类型以及出现异常的电缆段;
判断异常的类型以及出现异常的电缆段包括以下步骤:
步骤V1:对区域温度变化数据进行第三检测,获得第三检测结果;若第三检测结果为短路,转至步骤V3;若第三检测结果为非短路,转至步骤V2;
步骤V2:电缆监控平台基于电流实时变化值和区域温度变化数据集合,进行第四检测,并输出第四检测结果;
步骤V3:电缆监控平台基于区域温度变化数据集合,输出加热电缆的短路位置。
8.一种计算机设备,其特征在于,包括:处理器和存储器;
其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在电缆监控平台中执行权利要求1-6任意一项所述的基于集肤效应的加热电缆故障检测方法。
9.一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行在电缆监控平台中执行权利要求1-6任意一项所述的基于集肤效应的加热电缆故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310901175.9A CN116626543B (zh) | 2023-07-21 | 2023-07-21 | 基于集肤效应的加热电缆故障检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310901175.9A CN116626543B (zh) | 2023-07-21 | 2023-07-21 | 基于集肤效应的加热电缆故障检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116626543A CN116626543A (zh) | 2023-08-22 |
CN116626543B true CN116626543B (zh) | 2023-09-26 |
Family
ID=87636902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310901175.9A Active CN116626543B (zh) | 2023-07-21 | 2023-07-21 | 基于集肤效应的加热电缆故障检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116626543B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909906B (zh) * | 2024-02-29 | 2024-06-21 | 陕西昌硕科技有限公司 | 基于预测模型的电力线路故障预测***及方法 |
CN117934481B (zh) * | 2024-03-25 | 2024-06-11 | 国网浙江省电力有限公司宁波供电公司 | 基于人工智能的输电线缆状态识别处理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046502A (zh) * | 2005-06-10 | 2007-10-03 | 清华大学 | 一种电缆安全运行评价方法 |
CN205282162U (zh) * | 2015-11-20 | 2016-06-01 | 无锡市环球电器装备有限公司 | 智能型集肤电缆 |
CN108828408A (zh) * | 2018-07-11 | 2018-11-16 | 江阴市华能电热器材有限公司 | 无损测定埋地集肤效应电伴热高阻接地故障的装置及方法 |
WO2018232937A1 (zh) * | 2017-06-23 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种电力电缆故障监测方法及装置 |
CN114722705A (zh) * | 2022-03-28 | 2022-07-08 | 国网安徽省电力有限公司电力科学研究院 | 一种电力电缆线路劣化诊断方法 |
WO2022198899A1 (zh) * | 2021-03-24 | 2022-09-29 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8775151B2 (en) * | 2008-11-08 | 2014-07-08 | Mahesh U. Algaonkar | System and method for determining characteristics of power cables using distributed temperature sensing systems |
-
2023
- 2023-07-21 CN CN202310901175.9A patent/CN116626543B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046502A (zh) * | 2005-06-10 | 2007-10-03 | 清华大学 | 一种电缆安全运行评价方法 |
CN205282162U (zh) * | 2015-11-20 | 2016-06-01 | 无锡市环球电器装备有限公司 | 智能型集肤电缆 |
WO2018232937A1 (zh) * | 2017-06-23 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种电力电缆故障监测方法及装置 |
CN108828408A (zh) * | 2018-07-11 | 2018-11-16 | 江阴市华能电热器材有限公司 | 无损测定埋地集肤效应电伴热高阻接地故障的装置及方法 |
WO2022198899A1 (zh) * | 2021-03-24 | 2022-09-29 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
CN114722705A (zh) * | 2022-03-28 | 2022-07-08 | 国网安徽省电力有限公司电力科学研究院 | 一种电力电缆线路劣化诊断方法 |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
Non-Patent Citations (1)
Title |
---|
基于HDS的交联聚乙烯电缆健康诊断研究;陈琛等;佳木斯大学学报(自然科学版)(第05期);摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN116626543A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116626543B (zh) | 基于集肤效应的加热电缆故障检测方法及*** | |
CN102981104B (zh) | 海底电缆在线监测方法 | |
CN110220602B (zh) | 一种开关柜过热故障识别方法 | |
CN109101906A (zh) | 一种变电站电力设备红外图像异常实时检测方法及装置 | |
CN103617105B (zh) | 一种基于数据驱动的自适应多层流模型设备诊断方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
CN113376494A (zh) | 一种电缆火情隐患潜在缺陷的检测方法 | |
CN117350548B (zh) | 一种配电设备安全隐患排查方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN114485379A (zh) | 一种变压器绕组在线监测方法 | |
Kumari et al. | Fault detection in transmission line using ann | |
CN117609841A (zh) | 一种基于神经网络算法的电缆故障预判分析方法 | |
CN117607590A (zh) | 一种高压开关柜故障预警检测方法 | |
Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
CN215116704U (zh) | 铝电解槽系列对地漏电故障定位检测及预警装置 | |
Jing et al. | State evaluation of power cable based on RBF information fusion algorithm using multi-parameters | |
CN112162164A (zh) | 一种基于神经网络的电缆寿命预测*** | |
CN118226199B (zh) | 一种用于电力输送的线缆故障检测*** | |
Sheng et al. | An overview of fault identification techniques in power distribution networks: methods and models | |
CN118014405B (zh) | 一种基于数据处理的电力故障预警*** | |
Tembhare et al. | Electricity Fault Detection using AI/Ml | |
Deng et al. | A Novel EEMD-LSTM Combined Model for Transformer Top-Oil Temperature Prediction | |
Wang et al. | Cable Fault Diagnosis Based on Metal Sheath Grounding Current Monitoring Technology | |
Hu et al. | Analysis of Automatic Detection Technology for Abnormal Faults of Cable Nodes in Smart Grid | |
CN117434431A (zh) | 基于人工智能算法的直流断路器故障诊断方法及其*** |
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 |