CN118261066A - 电缆附件的外表面温度预测方法、装置及电子设备 - Google Patents
电缆附件的外表面温度预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN118261066A CN118261066A CN202410507684.8A CN202410507684A CN118261066A CN 118261066 A CN118261066 A CN 118261066A CN 202410507684 A CN202410507684 A CN 202410507684A CN 118261066 A CN118261066 A CN 118261066A
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- sample
- model
- state parameter
- cable accessory
- 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 53
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 92
- 210000002569 neuron Anatomy 0.000 claims description 42
- 210000000349 chromosome Anatomy 0.000 claims description 41
- 238000004088 simulation Methods 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000704 physical effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 229920003020 cross-linked polyethylene Polymers 0.000 description 3
- 239000004703 cross-linked polyethylene Substances 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电缆附件的外表面温度预测方法、装置及电子设备。其中,该方法包括:获取电缆附件的至少一个状态参数;利用预测模型对至少一个状态参数进行预测,得到电缆附件的外表面温度,其中,预测模型基于样本数据集合和优化模型对初始模型的网络结构进行优化得到,样本数据集合包括至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度。本发明解决了预测电缆附件外表面温度时的预测精度较低的技术问题。
Description
技术领域
本发明涉及电网领域,具体而言,涉及一种电缆附件的外表面温度预测方法、装置及电子设备。
背景技术
近年来,我国电力电缆线路长度逐年增加,规模不断扩大。如今高压电缆线路已经成为城市输电网的重要组成部分,高压电缆线路的安全运行已经成为保障电网可靠供电的重要因素。
无论是电缆的老化导致泄漏电流增大或者是过负荷导致损耗增加,都会通过温度升高的形式体现出来,因此,有必要对电缆附件的外表面温度进行实时监测。在一种技术方案中,可以基于反向传播神经网络模型(Backpropagation,简称为BP)对电缆附件的外表面温度进行预测,但是存在预测精度低的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电缆附件的外表面温度预测方法、装置及电子设备,以至少解决预测电缆附件外表面温度时的预测精度较低的技术问题。
根据本发明实施例的一个方面,提供了一种电缆附件的外表面温度预测方法,包括:获取电缆附件的至少一个状态参数;利用预测模型对至少一个状态参数进行预测,得到电缆附件的外表面温度,其中,预测模型基于样本数据集合和优化模型对初始模型的网络结构进行优化得到,样本数据集合包括至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度。
可选地,初始模型包括多个网络层,多个网络层之间包括至少一个连接节点和至少一个连接节点的权重值,网络层包括至少一个神经元节点和至少一个神经元节点的阈值。
可选地,该方法还包括:将至少一个样本状态参数输入到初始模型中,得到第一预测外表面温度;基于样本外表面温度和第一预测外表面温度构建第一误差函数,其中,第一误差函数用于确定样本外表面温度和第一预测外表面温度的最小误差;利用优化模型基于第一误差函数对权重值和阈值进行调整,得到预测模型。
可选地,利用优化模型基于第一误差函数对权重值和阈值进行调整,得到预测模型,包括:利用优化模型基于第一误差函数对权重值和阈值进行调整,得到中间预测模型;将至少一个样本状态参数输入到中间预测模型中,得到第二预测外表面温度;基于样本外表面温度和第二预测外表面温度构建第二误差函数,其中,第二误差函数用于最小化样本外表面温度和第二预测外表面温度之间的误差平方和;利用第二误差函数对中间预测模型的模型参数进行调整,得到预测模型。
可选地,利用优化模型基于第一误差函数对权重值和阈值进行调整,得到中间预测模型,包括:将权重值和阈值编码为染色体;利用遗传算法基于第一误差函数对染色体进行预设操作,以对染色体进行优化,得到中间预测模型,其中,预设操作包括如下至少之一:选择操作、交叉操作、变异操作,选择操作用于表示根据染色体的适应度对染色体进行选择的操作,交叉操作用于表示对染色体进行重新组合以得到新的染色体的操作,变异操作用于表示调整染色体的属性的操作,属性为权重值或阈值。
可选地,基于样本外表面温度和第二预测外表面温度构建第二误差函数,包括:对样本外表面温度和第二预测外表面温度进行拟合,得到多项式函数;确定多项式函数的残差值,其中,残差值用于表示样本外表面温度和第二预测外表面温度之间的拟合程度;基于残差值对多项式函数进行调整,第二误差函数。
可选地,该方法还包括:创建电缆附件的几何模型;利用预设材料属性和边界条件对几何模型行配置,得到电缆附件的仿真模型,其中,边界条件用于表示几何模型边界处的物理性质;利用至少一个样本状态参数对仿真模型进行仿真,得到仿真模型的样本外表面温度;基于至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度构建电缆附件的样本数据集合。
根据本发明实施例的另一方面,还提供了一种电缆附件的外表面温度预测装置,包括:获取模块,用于获取电缆附件的至少一个状态参数;预测模块,用于利用预测模型对至少一个状态参数进行预测,得到电缆附件的外表面温度,其中,预测模型基于样本数据集合和优化模型对初始模型的网络结构进行优化得到,样本数据集合包括至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度。
根据本发明实施例的另一方面,还提供了一种电子设备,包括:存储器,存储有可执行程序;处理器,用于运行程序,其中,程序运行时执行上述的电缆附件的外表面温度预测方法。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的可执行程序,其中,在可执行程序运行时控制存储介质所在设备执行上述的电缆附件的外表面温度预测方法。
根据本发明实施例的另一方面,还提供了一种计算机程序产品,其特征在于,包括计算机程序,计算机程序在被处理器执行时实现上述的电缆附件的外表面温度预测方法。
在本发明实施例中,采用获取电缆附件的至少一个状态参数;利用预测模型对至少一个状态参数进行预测,得到电缆附件的外表面温度,其中,预测模型基于样本数据集合和优化模型对初始模型的网络结构进行优化得到,样本数据集合包括至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度的方式,对电缆附件的外表面温度进行预测。容易注意到的是,预测模型基于样本数据集合和优化模型对初始模型进行优化得到,使用优化后得到的预测模型预测电缆附件外表面温度,实现了提高预测电缆附件外表面温度时的预测精度的技术效果,进而解决了预测电缆附件外表面温度时的预测精度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种电缆附件的外表面温度预测方法的流程图;
图2是根据本发明实施例的一种可选的电缆附件的外表面温度预测方法的流程图;
图3是根据本发明实施例的一种电缆附件的外表面温度预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种电缆附件的外表面温度预测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的电缆附件的外表面温度预测方法,如图1所示,该方法包括如下步骤:
步骤S102,获取电缆附件的至少一个状态参数。
上述步骤中的电缆附件包括但不限于包括接头、绝缘套、护套和护套接地线等,其中,接头用于连接电缆与设备,绝缘套用于保护电缆的绝缘层,护套用于保护电缆的外层,护套接地线用于接地保护,电缆附件的作用是保护电缆并确保其正常运行。
上述步骤中的状态参数可以表征电缆附件的状态,可以用于预测电缆附件外表面的温度,可以是电缆载流,还可以是电缆导芯温度,还可以是电缆附件所处的环境温度,但不限于此。
在一种可选的实施例中,电缆附件的状态参数可以是电缆载流,可以在电缆线路上安装载流表,实时监测电缆的电流负载情况,从而获取电缆载流。
在另一种可选的实施例中,电缆附件的状态参数可以是电缆导芯温度,可以将温度传感器直接安装在电缆导芯附近,通过传感器采集并显示电缆导芯的温度数据,还可以将红外线测温仪对准电缆导芯,通过测温仪的红外线技术可以非接触式地测量电缆导芯的温度。
在又一种可选的实施例中,电缆附件的状态参数可以是电缆附件所处的环境温度,可以将温度计放置在电缆附件所处的环境中,等待一段时间后读取环境温度,也可以使用红外线测温仪快速、非接触地获取电缆附件所处环境的温度。
步骤S104,利用预测模型对至少一个状态参数进行预测,得到电缆附件的外表面温度,其中,预测模型基于样本数据集合和优化模型对初始模型的网络结构进行优化得到,样本数据集合包括至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度。
上述步骤中的初始模型可以是BP神经网络模型,还可以是卷积神经网络模型,也可以是递归神经网络模型,但不限于此,可以使用样本数据集合和优化模型优化初始模型的网络结构。
上述步骤中的预测模型可以在初始模型的基础之上,通过优化初始模型的网络结构得到,可以用于预测电缆附件的外表面温度。
上述步骤中的电缆附件的外表面温度可以作为判断电缆是否发生故障的依据,在通常情况下,电缆附件的外表面温度应该在安全范围内,如果电缆附件外表面温度异常高,可能是由于过载、短路或者绝缘损坏等原因造成的。
上述步骤中的样本数据集合由样本数据构成,样本数据可以从电缆附件的历史数据中抽取,样本数据至少包括一个样本状态参数和一个样本状态参数对应的样本外表面温度,其中样本状态参数为电缆附件的历史数据中的状态参。样本数据集合可以用于优化初始模型。
在一种可选的实施例中,获取电缆附件的历史状态数据,从中抽取样本状态参数,样本状态参数可以选择电缆载流,也可以选择电缆导芯温度,还可以选择电缆附件所处的环境温度,还可以选择电缆载流和电缆导芯温度,还可以选择电缆载流、电缆导芯温度和电缆附件所处的环境温度,但不限于此。然后确定与抽取的样本状态参数对应的电缆附件外表面温度,抽取的样本状态参数和抽取的样本状态参数对应的电缆附件外表面温度共同构成样本数据集合。
确定优化模型,并选择可以被优化的初始模型,初始模型可以选择BP神经网络模型,也可以选择卷积神经网络模型,但不限于此。基于样本数据集合和优化模型对初始模型的网络结构进行优化,调整初始模型的网络模型参数,以提高初始模型的精准度,得到精准度更高的、性能更好的预测模型。
获取电缆附件的当前状态数据,从当前状态数据选择至少一个状态参数,并将状态参数输入到预测模型中。预测模型基于状态参数对电缆附件的外表面温度进行预测,得到电缆附件的外表面温度。
在本发明实施例中,采用获取电缆附件的至少一个状态参数;利用预测模型对至少一个状态参数进行预测,得到电缆附件的外表面温度,其中,预测模型基于样本数据集合和优化模型对初始模型的网络结构进行优化得到,样本数据集合包括至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度的方式,对电缆附件的外表面温度进行预测。容易注意到的是,预测模型基于样本数据集合和优化模型对初始模型进行优化得到,使用优化后得到的预测模型预测电缆附件外表面温度,实现了提高预测电缆附件外表面温度时的预测精度的技术效果,进而解决了预测电缆附件外表面温度时的预测精度较低的技术问题。
可选地,初始模型包括多个网络层,多个网络层之间包括至少一个连接节点和至少一个连接节点的权重值,网络层包括至少一个神经元节点和至少一个神经元节点的阈值。
上述步骤中的多个网络层指的是输入层、隐藏层、输出层,其中,输入层可以是一个或多个、隐藏层可以是一个或多个、输出层可以是一个或多个。
上述步骤中的神经元节点位于网络层中,是神经网络模型中的基本单元,神经元节点模拟了生物神经元的功能,每个神经元节点接收来自其他神经元的输入,并根据这些输入产生一个输出,神经元节点之间通过连接进行信息传递,从而构成了神经网络的结构。
上述步骤中的神经元节点的阈值为节点阈偏置,节点阈偏置是一个常数,被添加到该节点的加权输入中,可以调整神经元节点的激活状态。通过在神经网络模型中引入一定偏置的方式,使得模型能够更好地拟合训练数据,并且提高模型的泛化能力。
上述步骤中的多个网络层之间的连接节点可以表征某一网络层中的神经元节点与相邻网络层中的神经元节点的连接,并且每个连接都有一个对应的权重,也即连接节点的权重值,这些连接和权重决定了网络层的神经元之间的信息传递和处理方式。
在一种可选的实施例中,可以选择BP神经网络模型作为初始模型。BP神经网络模型的网络层包括输入层、隐藏层、输出层。输入层负责接收来自外界的输入信息,并传递给隐藏层的各个神经元节点;隐藏层是内部数据处理层,负责数据处理和转换;隐藏层传递到输出层各神经元节点的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出数据处理结果。
分别将BP神经网络中输入层、隐藏层、输出层包含的神经元节点数量设置为c、b、a;输入层和隐藏层之间连接节点的权重值以ωij表示,隐藏层和输出层之间连接节点的权重值以ωjk表示,隐藏层的神经元节点的阈值为m,输出层的神经元节点的阈值为n,隐藏层输出Z可以通过计算得到:
Z=f(y)
其中,xi为隐藏层的第i个神经元节点,ωij为输入层和隐藏层之间连接节点的权重值,n为输出层的神经元节点的阈值,mj为隐藏层第j个神经元节点的阈值,b为隐藏层包含的神经元节点数量,yj为第j个神经元节点对应的中间变量,可以作为f的输入,f为激活函数,提供一种平滑的非线性转换:
输出层输出Qk可以通过计算得到:
其中,Zj为输出层的第j个神经元节点,ωjk为隐藏层和输出层之间连接节点的权重值,nk为输出层第k个神经元节点的阈值,a为输出层包含的神经元节点数量,m为隐藏层的神经元节点的阈值。
可选地,该方法还包括:将至少一个样本状态参数输入到初始模型中,得到第一预测外表面温度;基于样本外表面温度和第一预测外表面温度构建第一误差函数,其中,第一误差函数用于确定样本外表面温度和第一预测外表面温度的最小误差;利用优化模型基于第一误差函数对权重值和阈值进行调整,得到预测模型。
上述步骤中的第一预测外表面温度是将样本数据集合中至少一个样本状态参数输入到初始模型,得到的电缆附件外表面温度的预测值。
上述步骤中的第一误差函数,得到第一预测外表面温度后,将第一预测外表面温度与样本数据集合中样本状态参数对应的真实样本外表面温度对比后,得到的误差函数。
在一种可选的实施例中,可以选择BP神经网络模型作为初始模型,在构建样本数据集合后,从中选取至少一个样本状态参数输入到初始模型中,得到第一预测外表面温度,第一预测外表面温度也即上述的输出层输出Qk。
可以根据输出层输出的预测值,也即第一预测外表面温度,和样本数据集合中真实的样本外表面温度的差值得到第一误差函数:
ek=Yk-Ok k=1,2,…,a;
其中,ek为第一误差函数,代表输入层中第k个神经元节点的预测值与真实值之间的差值,Yk为输入层中第k个神经元节点对应的样本数据集合中电缆附件外表面温度的真实值,Qk为输出层中第k个神经元节点,也即输入层中第k个神经元节点对应的电缆附件外表面温度的预测值。
然后为了使得误差最小,也即为了获取第一误差函数的最小值,需要调整输入层和隐含层之间的权重值ωjk,隐藏层和输出层之间的权重值ωjk,隐藏层的阈值m,输出层的阈值n。
输入层和隐含层之间的权重值ωjk的调整公式如下:
i=1,2,…,c;j=1,2,…,b;
隐藏层和输出层之间的权重值ωjk的调整公式如下:
ωjk=ωjk+ηZjek
j=1,2,…,b;k=1,2,…,a;
隐藏层的阈值m和输出层的阈值n的调整公式如下:
nk=nk+ek k=1,2,…,a;
其中,η为参数。
可选地,利用优化模型基于第一误差函数对权重值和阈值进行调整,得到预测模型,包括:利用优化模型基于第一误差函数对权重值和阈值进行调整,得到中间预测模型;将至少一个样本状态参数输入到中间预测模型中,得到第二预测外表面温度;基于样本外表面温度和第二预测外表面温度构建第二误差函数,其中,第二误差函数用于最小化样本外表面温度和第二预测外表面温度之间的误差平方和;利用第二误差函数对中间预测模型的模型参数进行调整,得到预测模型。
上述步骤中的中间预测模型是基于第一误差函数,以获取第一误差函数的最小值为目的,对初始模型的权重值和阈值进行调整后的得到的模型。
上述步骤中的第二预测外表面温度是将样本数据集合中的至少一个样本状态参数输入到中间预测模型,得到的电缆部件外表面温度的预测值。
上述步骤中的第二误差函数,是得到第二预测外表面温度后,基于样本外表面温度和第二预测外表面温度构建的函数,此处不对第二误差函数的形式做限定,任何可以用于最小化样本外表面温度和第二预测外表面温度之间的误差平方和的函数都可以用作第二误差函数。
在一种可选的实施例中,利用优化模型基于第一误差函数对权重值和阈值进行调整,得到中间预测模型,中间预测模型即为上述调整了输入层和隐含层之间的权重值ωjk、隐藏层和输出层之间的权重值ωjk、隐藏层的阈值m和输出层的阈值n之后得到的模型。从样本数据集中选取至少一个样本状态参数输入到中间预测模型中,得到第二预测外表面温度,第二预测外表面温度即中间预测模型的输出。
基于样本外表面温度和第二预测外表面温度构建第二误差函数,采用最佳平方逼近的方式,通过最小化预测值与实际值之间的平方误差来找到最佳的逼近参数,在第一次调整权重值和阈值的基础上进一步调整模型参数,从而更好的提高预测模型的性能。通过两次调整,可以避免单一方法的局限性,充分利用两种方法的优点。
得到第二误差函数后利用第二误差函数对中间预测模型的模型参数进行调整,得到预测模型。
可选地,利用优化模型基于第一误差函数对权重值和阈值进行调整,得到中间预测模型,包括:将权重值和阈值编码为染色体;利用遗传算法基于第一误差函数对染色体进行预设操作,以对染色体进行优化,得到中间预测模型,其中,预设操作包括如下至少之一:选择操作、交叉操作、变异操作,选择操作用于表示根据染色体的适应度对染色体进行选择的操作,交叉操作用于表示对染色体进行重新组合以得到新的染色体的操作,变异操作用于表示调整染色体的属性的操作,属性为权重值或阈值。
上述步骤中的染色体由权重值和阈值编码得到,通常以二进制串的形式存在,此处不做限定,还可以采用其他形式存在。
上述步骤中的遗传算法是一种模拟生物进化过程的搜索算法,可以与BP神经网络模型结合,通过选择、交叉、变异等操作不断优化BP神经网络模型,可以有效解决BP神经网络模型容易陷入的局部最优问题,提高模型的预测精度。
在一种可选的实施例中,将BP神经网络的权重值和阈值编码为染色体,初始化遗传算法的参数,包括种群规模、进化次数、交叉概率、变异概率等,种群初始化的种群长度可以用下式公式表示:
L=bc+ab+b+c;
其中,L为种群初始化的种群长度,a为输出层包含的神经元节点数量,b为隐藏层包含的神经元节点数量,c为输入层包含的神经元节点数量。
计算适应度函数为:
其中,k为系数,γi为权重值、oi为阈值。
从而得知预测得到的实际值与期望值之间的差值绝对值。利用遗传算法基于第一误差函数对染色体进行预设操作,当预设操作为选择操作时,由适应度由高到低排列,适应度过低的会被剔除。选中的概率与适应度成反比:
其中式中个体i的适应度值Fi,k为系数,N为种群个体数目,Pi为个体i选中的概率。
当预设操作为交叉操作时,模仿生物繁衍过程,对选中的染色体进行交叉操作,生成新的染色体。可以根据交叉点数的不同分为单点、多点交叉。
当预设操作为变异操作时,按照设定的变异概率,对染色体中的基因进行变异操作,生成新的基因。变异可以采用均匀变异、逆向变异等方式。公式根据测试和验证结果,对遗传算法的参数进行调整,通过调整染色体的属性,调整权重值或阈值,优化模型的性能。
可以利用遗传算法基于第一误差函数对染色体依次进行选择操作、交叉操作、变异操作,从而完成对染色体的优化,得到中间预测模型。
可选地,基于样本外表面温度和第二预测外表面温度构建第二误差函数,包括:对样本外表面温度和第二预测外表面温度进行拟合,得到多项式函数;确定多项式函数的残差值,其中,残差值用于表示样本外表面温度和第二预测外表面温度之间的拟合程度;基于残差值对多项式函数进行调整,第二误差函数。
在一种可选的实施例中,对样本外表面温度和第二预测外表面温度进行拟合,得到多项式函数f(x),函数f(x)为:
其中,r为参数,a1、a2…am为系数,x为第二预测外表面温度,m为隐藏层的神经元节点的阈值,n为输出层的神经元节点的阈值。
然后确定多项式函数的残差值,选择计算均方误差作为误差度量方式,对于给定的函数和样本外表面真实温度,计算每个函数的平方误差,选择具有最小误差的函数作为最佳平方逼近函数,也即最小残差值,残差值可以表示样本外表面温度和第二预测外表面温度之间的拟合程度,f(x)是y的最佳拟合函数的条件为:
其中,为预测值与真实值之间的误差,为(m+1)元二次多项式,第i个第二预测外表面温度,yi为第i个样本数据集合中样本状态参数对应的真实样本外表面温度。
基于残差值对多项式函数进行调整,第二误差函数,可以用多元函数求极值的方法求出最小值。将对ai求偏导数,则:
根据计算进一步的得到系数a1、a2…am,从而可以确定调整后的f(x),此时的f(x)为第二误差函数。
可选地,该方法还包括:创建电缆附件的几何模型;利用预设材料属性和边界条件对几何模型行配置,得到电缆附件的仿真模型,其中,边界条件用于表示几何模型边界处的物理性质;利用至少一个样本状态参数对仿真模型进行仿真,得到仿真模型的样本外表面温度;基于至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度构建电缆附件的样本数据集合。
上述步骤中的几何模型可以表征电缆附件的几何特征。
上述步骤中的预设材料属性和边界条件,可以根据电缆附件的实际情况和应用需求进行配置,预设材料属性可以是比热容,可以是密度,还可以是热导率,但不限于此。边界条件可以表征几何模型边界处的物理性质,例如,可以为热绝缘,但不限于此。
上述步骤中的仿真模型由预设材料属性和边界条件对几何模型行配置得到,可以在几何模型的基础上对电缆附件进行进一步的仿真。
在一种可选的实施例中,可以使用仿真平台(COMSOL)创建电缆附件的几何模型。然后定义预设材料属性和边界条件,在几何模型的各个区域定义材料的比热容、密度、热导率等属性,且设置边界条件为热绝缘,得到电缆附件的仿真模型。
在不同载流、不同导芯温度下,该几何模型可仿真电缆附件外表面温度分布。电缆附件由外到内依次为外护套、电缆铠装、聚乙烯、铅护套、半导体化合物、外屏蔽层、交联聚乙烯(Cross linked polyethylene,简称XLPE)、内屏蔽层、铜芯。利用至少一个样本状态参数对仿真模型进行仿真,得到仿真模型的样本外表面温度,使用至少一个样本状态参数和至少一个样本状态参数对应的仿真模型输出的样本外表面温度,构建电缆附件的样本数据集合,作为BP神经网络输入。
下面以一种优选的实施例进行说明,图2是根据本发明实施例的一种可选的电缆附件的外表面温度预测方法的流程图。如图2所示,可以将仿真数据集输入到几何建模中,得到仿真模型,仿真模型可以输出样本外表面温度,样本外表面温度与仿真数据集中的样本状态参数一同构成电缆附件的样本数据集合。样本数据集合可作为神经网络模型的输入。神经网络模型包括输入层、隐藏层和输出层。神经网络模型输出的数据中含有误差,基于对误差的分析调整隐藏层阈值、输出层阈值,以及输入层和隐藏层之间的权重、隐藏层和输出层之间的权重。然后基于优化模型,执行种群初始化、选择、交叉和变异操作,进一步对神经网络的参数进行调整。之后使用平方逼近的方式构建评价函数,再次对神经网络模型进行调整优化,提高神经网络模型的性能。优化后的神经网络模型可以基于电缆附件的状态参数对电缆附件的外表面温度进行预测,得到温度分布规律。
实施例2
根据本发明实施例,提供了一种电缆附件的外表面温度预测装置的实施例,该装置可以执行上述实施例1中提供的电缆附件的外表面温度预测方法,具体实现方式和优选应用场景与上述实施例1相同,在此不做赘述。
图3是根据本发明实施例的一种电缆附件的外表面温度预测装置的示意图,如图3所示,该装置包括:
获取模块30,用于获取电缆附件的至少一个状态参数。
预测模块32,用于利用预测模型对至少一个状态参数进行预测,得到电缆附件的外表面温度,其中,预测模型基于样本数据集合和优化模型对初始模型的网络结构进行优化得到,样本数据集合包括至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度。
可选地,预测模块32包括:输入单元,用于将至少一个样本状态参数输入到初始模型中,得到第一预测外表面温度,其中,初始模型包括多个网络层,多个网络层之间包括至少一个连接节点和至少一个连接节点的权重值,网络层包括至少一个神经元节点和至少一个神经元节点的阈值;第一构建单元,用于基于样本外表面温度和第一预测外表面温度构建第一误差函数,其中,第一误差函数用于确定样本外表面温度和第一预测外表面温度的最小误差;调整单元,用于利用优化模型基于第一误差函数对权重值和阈值进行调整,得到预测模型。
可选地,调整单元还用于利用优化模型基于第一误差函数对权重值和阈值进行调整,得到中间预测模型;将至少一个样本状态参数输入到中间预测模型中,得到第二预测外表面温度;基于样本外表面温度和第二预测外表面温度构建第二误差函数,其中,第二误差函数用于最小化样本外表面温度和第二预测外表面温度之间的误差平方和;利用第二误差函数对中间预测模型的模型参数进行调整,得到预测模型。
可选地,调整单元还用于将权重值和阈值编码为染色体;利用遗传算法基于第一误差函数对染色体进行预设操作,以对染色体进行优化,得到中间预测模型,其中,预设操作包括如下至少之一:选择操作、交叉操作、变异操作,选择操作用于表示根据染色体的适应度对染色体进行选择的操作,交叉操作用于表示对染色体进行重新组合以得到新的染色体的操作,变异操作用于表示调整染色体的属性的操作,属性为权重值或阈值。
可选地,调整单元还用于对样本外表面温度和第二预测外表面温度进行拟合,得到多项式函数;确定多项式函数的残差值,其中,残差值用于表示样本外表面温度和第二预测外表面温度之间的拟合程度;基于残差值对多项式函数进行调整,第二误差函数。
可选地,预测模块32包括:创建单元,用于创建电缆附件的几何模型;配置单元,用于利用预设材料属性和边界条件对几何模型行配置,得到电缆附件的仿真模型,其中,边界条件用于表示几何模型边界处的物理性质;仿真单元,用于利用至少一个样本状态参数对仿真模型进行仿真,得到仿真模型的样本外表面温度;第二构建单元,基于至少一个样本状态参数和至少一个样本状态参数对应的样本外表面温度构建电缆附件的样本数据集合。
实施例3
根据本发明实施例,还提供了一种电子设备,包括:存储器,存储有可执行程序;处理器,用于运行程序,其中,程序运行时执行实施例1中的电缆附件的外表面温度预测方法。
实施例4
本申请的实施例还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的可执行程序,其中,在可执行程序运行时控制计算机可读存储介质所在设备执行本发明各个实施例中的电缆附件的外表面温度预测方法。
实施例5
本申请的实施例还提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本发明各个实施例中的电缆附件的外表面温度预测方法。
实施例6
本申请的实施例还提供了一种计算机程序产品,包括非易失性计算机可读存储介质,非易失性计算机可读存储介质用于存储计算机程序,计算机程序被处理器执行时实现本发明各个实施例中的电缆附件的外表面温度预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种电缆附件的外表面温度预测方法,其特征在于,包括:
获取电缆附件的至少一个状态参数;
利用预测模型对所述至少一个状态参数进行预测,得到所述电缆附件的外表面温度,其中,所述预测模型基于样本数据集合和优化模型对初始模型的网络结构进行优化得到,所述样本数据集合包括至少一个样本状态参数和所述至少一个样本状态参数对应的样本外表面温度。
2.根据权利要求1所述的方法,其特征在于,所述初始模型包括多个网络层,所述多个网络层之间包括至少一个连接节点和所述至少一个连接节点的权重值,所述网络层包括至少一个神经元节点和所述至少一个神经元节点的阈值。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
将所述至少一个样本状态参数输入到所述初始模型中,得到第一预测外表面温度;
基于所述样本外表面温度和所述第一预测外表面温度构建第一误差函数,其中,所述第一误差函数用于确定所述样本外表面温度和所述第一预测外表面温度的最小误差;
利用所述优化模型基于所述第一误差函数对所述权重值和所述阈值进行调整,得到所述预测模型。
4.根据权利要求3所述的方法,其特征在于,利用所述优化模型基于所述第一误差函数对所述权重值和所述阈值进行调整,得到所述预测模型,包括:
利用所述优化模型基于所述第一误差函数对所述权重值和所述阈值进行调整,得到中间预测模型;
将所述至少一个样本状态参数输入到所述中间预测模型中,得到第二预测外表面温度;
基于所述样本外表面温度和所述第二预测外表面温度构建第二误差函数,其中,所述第二误差函数用于最小化所述样本外表面温度和所述第二预测外表面温度之间的误差平方和;
利用所述第二误差函数对所述中间预测模型的模型参数进行调整,得到所述预测模型。
5.根据权利要求4所述的方法,其特征在于,利用所述优化模型基于所述第一误差函数对所述权重值和所述阈值进行调整,得到中间预测模型,包括:
将所述权重值和所述阈值编码为染色体;
利用遗传算法基于所述第一误差函数对所述染色体进行预设操作,以对所述染色体进行优化,得到所述中间预测模型,其中,所述预设操作包括如下至少之一:选择操作、交叉操作、变异操作,所述选择操作用于表示根据所述染色体的适应度对所述染色体进行选择的操作,所述交叉操作用于表示对所述染色体进行重新组合以得到新的染色体的操作,所述变异操作用于表示调整所述染色体的属性的操作,所述属性为所述权重值或所述阈值。
6.根据权利要求4所述的方法,其特征在于,基于所述样本外表面温度和所述第二预测外表面温度构建第二误差函数,包括:
对所述样本外表面温度和所述第二预测外表面温度进行拟合,得到多项式函数;
确定所述多项式函数的残差值,其中,所述残差值用于表示所述样本外表面温度和所述第二预测外表面温度之间的拟合程度;
基于所述残差值对所述多项式函数进行调整,所述第二误差函数。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
创建所述电缆附件的几何模型;
利用预设材料属性和边界条件对所述几何模型行配置,得到所述电缆附件的仿真模型,其中,所述边界条件用于表示所述几何模型边界处的物理性质;
利用至少一个样本状态参数对所述仿真模型进行仿真,得到所述仿真模型的样本外表面温度;
基于所述至少一个样本状态参数和所述至少一个样本状态参数对应的样本外表面温度构建所述电缆附件的样本数据集合。
8.一种电缆附件的外表面温度预测装置,其特征在于,包括:
获取模块,用于获取电缆附件的至少一个状态参数;
预测模块,用于利用预测模型对所述至少一个状态参数进行预测,得到所述电缆附件的外表面温度,其中,所述预测模型基于样本数据集合和优化模型对初始模型的网络结构进行优化得到,所述样本数据集合包括至少一个样本状态参数和所述至少一个样本状态参数对应的样本外表面温度。
9.一种电子设备,其特征在于,包括:
存储器,存储有可执行程序;
处理器,用于运行所述程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的可执行程序,其中,在所述可执行程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的方法。
11.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410507684.8A CN118261066A (zh) | 2024-04-25 | 2024-04-25 | 电缆附件的外表面温度预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410507684.8A CN118261066A (zh) | 2024-04-25 | 2024-04-25 | 电缆附件的外表面温度预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118261066A true CN118261066A (zh) | 2024-06-28 |
Family
ID=91609278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410507684.8A Pending CN118261066A (zh) | 2024-04-25 | 2024-04-25 | 电缆附件的外表面温度预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118261066A (zh) |
-
2024
- 2024-04-25 CN CN202410507684.8A patent/CN118261066A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083908B (zh) | 基于有限元分析的电缆缆芯温度预测方法 | |
CN112115648B (zh) | 一种基于改进深度学习方法的变压器顶层油温预测方法 | |
CN106066212A (zh) | 一种电缆导体温度间接测量方法 | |
US11333699B2 (en) | Method for characterising a fault in a transmission line network with unknown topology | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及*** | |
CN111598231A (zh) | 基于ga优化串行式bp网络的电缆接头导线温度预测 | |
CN113505534A (zh) | 一种考虑需求响应的负荷预测方法 | |
CN110111606A (zh) | 一种基于eemd-iaga-bp神经网络的船舶交通流预测方法 | |
CN115238754A (zh) | 一种基于多元感知的电力变压器短期运行温度预测方法 | |
CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
CN115878963A (zh) | 电容式电压互感器计量误差预测方法、***、终端及介质 | |
CN116861694A (zh) | 一种基于人工智能的电缆温度预测方法 | |
CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
CN118261066A (zh) | 电缆附件的外表面温度预测方法、装置及电子设备 | |
CN117250490A (zh) | 一种基于lstm的剩余电流动作断路器寿命预测方法 | |
CN117540262A (zh) | 一种基于前馈与反馈结合的变压器故障预测建模方法 | |
CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及*** | |
CN115034383A (zh) | 网络的训练方法和温度预测方法、装置、设备及存储介质 | |
CN114896852B (zh) | 基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法 | |
CN113743003B (zh) | 考虑温度、湿度影响的高压线路对地电场强度计算方法 | |
CN115207921A (zh) | 一种光伏接入配电网的位置优化方法及*** | |
CN114781276A (zh) | 油纸老化模型的训练方法、油纸老化的识别方法及装置 | |
CN115473595B (zh) | 一种变电站内无线感知设备丢包率的预测方法 | |
CN114297940B (zh) | 确定非稳态储层参数的方法及装置 | |
CN118226280B (zh) | 基于多源多尺度高维状态空间建模的电池老化评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |