CN113469243A - 一种极端环境下电缆性能的预测方法 - Google Patents
一种极端环境下电缆性能的预测方法 Download PDFInfo
- Publication number
- CN113469243A CN113469243A CN202110733264.8A CN202110733264A CN113469243A CN 113469243 A CN113469243 A CN 113469243A CN 202110733264 A CN202110733264 A CN 202110733264A CN 113469243 A CN113469243 A CN 113469243A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- cable performance
- subset
- trained
- input
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种极端环境下电缆性能的预测方法，该方法为：收集电缆放置于人工气候室中，不同环境条件下的电缆性能的历史数据，将历史数据作为待训练样本数据；对待训练样本数据进行分类，将待训练的每个样本子集均进行预处理形成对应的训练样本子集，构建基于LSTM的预测模型，对预测模型进行训练，得到训练后的预测模型，将实际的环境条件输入进预测模型中，输出该环境条件下电缆性能的预测值，根据电缆性能预测值来对电缆性能进行评估，该种方法节省人力，避免重复性的人力劳动，提高了工作效率，并且得到的预测值的精度高，对后期的电缆性能评估起到了质的提升。
Description
技术领域
本发明涉及电网设备性能评估技术领域，尤其是涉及一种极端环境下电缆性能的预测方法。
背景技术
随着全球气候变化，极端天气灾害发生日益频繁，所造成的大规模停电事故频发，由此带来巨大的经济损失和政治社会影响。作为直接服务于用户的关键环节，配电网在极端天气情况下的正常运行，对保障人们生产生活、抵御灾害事故、推动社会发展具有重要意义，配电网的灾害应对能力由此受到了广泛的关注。因此涌现出一些对电网设备材料典型极端气候模拟设备的试制及应用。
现有的人工气候室是一种可以模拟光照强度、温度、湿度、风速、降雨、起雾及降雪等气候现象的高精度的冷热恒温设备，该种人工气候室提供了一种理想的人工气候室环境，以满足电缆在极端环境下的性能测试要求。现有技术中，通过人工气候室来一一检测电缆在极端环境下的性能数据，该检测过程需要对每一根电缆在不同环境条件下进行一一检测，重复性极高，强度大，并且需要工作人员实时监控设备，该项工作需要消耗大量人力资源，且容易出现测试不准确的情况，人为干预强，精确度不高。
发明内容
本发明所要解决的技术问题是提供一种节省人力、精确度高，且效率高的极端环境下电缆性能的预测方法。
本发明所采用的技术方案是，一种极端环境下电缆性能的预测方法，该方法包括下列步骤：
(1)、收集电缆放置于人工气候室中，在不同温度、湿度、风速、光照强度、降雨量以及降雪量这些环境条件下的电缆性能的历史数据，将历史数据作为待训练样本数据；
(2)、对待训练样本数据进行分类，将待训练样本数据分为温度样本子集、湿度样本子集、风速样本子集、光照强度样本子集、降雨量样本子集以及降雪量样本子集；
(3)、对待训练的每个样本子集均进行预处理形成对应的训练样本子集；
(4)、构建基于LSTM的预测模型；
(5)、将每个训练样本子集输入进预测模型中，对预测模型进行训练，得到训练后的预测模型；
(6)、将实际的环境条件输入进预测模型中，输出该环境条件下电缆性能的预测值，根据电缆性能预测值来对电缆性能进行评估。
本发明的有益效果是：上述一种极端环境下电缆性能的预测方法，通过建立基于LSTM的预测模型，然后对预测模型进行训练，最终通过将实际的环境条件值输入进预测模型来对电缆性能进行预测，得到其预测值，根据预测值来完成对该环境条件下电缆性能的评估，该种方法节省人力，避免重复性的人力劳动，提高了工作效率，并且得到的预测值的精度高，对后期的电缆性能评估起到了质的提升。
作为优选，对每个样本子集进行预处理为采用均值-标准差归一化处理来对每个样本子集中的历史数据进行处理，均值-标准差归一化处理对应的表达式为：
其中，x为输入的历史数据值，μ为所有输入的历史数据值的均值，σ为所有输入的历史数据值的标准差。
作为优选，构建基于LSTM的预测模型的具体方法包括下列步骤：
(4-1)、在Tensorflow Keras平台上构建基于LSTM的预测模型，所述基于LSTM的预测模型包括输入层、隐含层以及输出层；
(4-2)、根据经验公式来求取隐含层的节点数：首先采用经验公式来获得隐含层的节点数的初始值，所述经验公式的表达式为：
其中m为输入层的节点数，l为输出层的节点数，α为1～20之间的常数；然后在得到的节点数初始值的基础上做递增或递减，通过选取不同的隐含层的节点数来对网络结构进行仿真；最后选取网络输出误差最小的网络结构作为预测模型；
作为优选，对基于LSTM的预测模型进行训练的具体方法包括下列步骤：
(5-1)、随机初始化网络结构的权重和偏置，确定网络结构在训练过程中的迭代次数N和每次迭代的权重；
(5-2)、将每个训练样本子集输入到网络中进行处理，得到初步输出值，然后将初步输出值再次输入到网络中进行处理，得到下一阶段的输出值，依次循环，通过多重阶段循环来得到最终网络输出值；
(5-3)、将最终网络输出值与实际的电缆性能数据进行作差得到预测误差E，采用沿时间的误差反向传播算法计算出整个网络的累积误差相对于权重的梯度，根据梯度下降调整更新权重来使预测误差达到最小。
附图说明
图1为本发明一种极端环境下电缆性能的评估方法的流程图。
具体实施方式
以下参照附图并结合具体实施方式来进一步描述发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。
人工气候室是一种可以模拟光照强度、温度、湿度、风速、降雨、起雾及降雪等气候现象的高精度的冷热恒温设备，可提供一种理想的人工气候室环境，以满足电缆在极端环境下的性能测试要求。
人工气候室的详细技术要求见下表：
说明：
■温度、湿度均匀度在整个房间内有效；
■风速、光照强度、降雨、降雪在测试区域内有效。
本发明涉及一种极端环境下电缆性能的预测方法，如图1所示，该方法包括下列步骤：
(1)、收集电缆放置于人工气候室中，在不同温度、湿度、风速、光照强度、降雨量以及降雪量这些环境条件下的电缆性能的历史数据，将历史数据作为待训练样本数据；
(2)、对待训练样本数据进行分类，将待训练样本数据分为温度样本子集、湿度样本子集、风速样本子集、光照强度样本子集、降雨量样本子集以及降雪量样本子集；
(3)、对每个待训练的样本子集均进行预处理形成对应的训练样本子集；
(4)、构建基于LSTM的预测模型；
(5)、将每个训练样本子集输入进预测模型中，对预测模型进行训练，得到训练后的预测模型；
(6)、将实际的环境条件输入进预测模型中，输出电缆性能的预测值，根据电缆性能预测值来对电缆性能进行评估。
通过建立基于LSTM的预测模型，然后对预测模型进行训练，最终通过将实际的环境条件值输入进预测模型来对电缆性能进行预测，得到其预测值，根据预测值来完成对电缆性能进行评估，该种方法节省人力，避免重复性的人力劳动，提高了工作效率，并且得到的预测值的精度高，对后期的电缆性能评估起到了质的提升。
对每个样本子集进行预处理为采用均值-标准差归一化处理来对每个样本子集中的历史数据进行处理，均值-标准差归一化处理对应的表达式为：
其中，x为输入的历史数据值，μ为所有输入的历史数据值的均值，σ为所有输入的历史数据值的标准差。
构建基于LSTM的预测模型的具体方法包括下列步骤：
(4-1)、在Tensorflow Keras平台上构建基于LSTM的预测模型，所述基于LSTM的预测模型包括输入层、隐含层以及输出层；
(4-2)、根据经验公式来求取隐含层的节点数：首先采用经验公式来获得隐含层的节点数的初始值，所述经验公式的表达式为：
其中m为输入层的节点数，l为输出层的节点数，α为1～20之间的常数；然后在得到的节点数初始值的基础上做递增或递减，通过选取不同的隐含层的节点数来对网络结构进行仿真；最后选取网络输出误差最小的网络结构作为预测模型；
对基于LSTM的预测模型进行训练的具体方法包括下列步骤：
(5-1)、随机初始化网络结构的权重和偏置，确定网络结构在训练过程中的迭代次数N和每次迭代的权重；
(5-2)、将每个训练样本子集输入到网络中进行处理，得到初步输出值，然后将初步输出值再次输入到网络中进行处理，得到下一阶段的输出值，依次循环，通过多重阶段循环来得到最终网络输出值；
(5-3)、将最终网络输出值与实际的电缆性能数据进行作差得到预测误差E，采用沿时间的误差反向传播算法计算出整个网络的累积误差相对于权重的梯度，根据梯度下降调整更新权重来使预测误差达到最小，其表达式为：
其中，预测误差Et＝ot-yt，ot表示网络输出值，yt表示实际的电缆性能值，V表示权重，T表示权重更新次数。
Claims (4)
1.一种极端环境下电缆性能的预测方法，其特征在于：该方法包括下列步骤：
(1)、收集电缆放置于人工气候室中，在不同温度、湿度、风速、光照强度、降雨量以及降雪量这些环境条件下的电缆性能的历史数据，将历史数据作为待训练样本数据；
(2)、对待训练样本数据进行分类，将待训练样本数据分为温度样本子集、湿度样本子集、风速样本子集、光照强度样本子集、降雨量样本子集以及降雪量样本子集；
(3)、对每个待训练的样本子集均进行预处理形成对应的训练样本子集；
(4)、构建基于LSTM的预测模型；
(5)、将每个训练样本子集输入进预测模型中，对预测模型进行训练，得到训练后的预测模型；
(6)、将实际的环境条件输入进预测模型中，输出电缆性能的预测值，根据电缆性能预测值来对电缆性能进行评估。
2.根据权利要求1所述的一种极端环境下电缆性能的预测方法，其特征在于：对每个样本子集进行预处理为采用均值-标准差归一化处理来对每个样本子集中的历史数据进行处理，均值-标准差归一化处理对应的表达式为：
其中，x为输入的历史数据值，μ为所有输入的历史数据值的均值，σ为所有输入的历史数据值的标准差。
3.根据权利要求1所述的一种极端环境下电缆性能的预测方法，其特征在于：构建基于LSTM的预测模型的具体方法包括下列步骤：
(4-1)、在Tensorflow Keras平台上构建基于LSTM的预测模型，所述基于LSTM的预测模型包括输入层、隐含层以及输出层；
(4-2)、根据经验公式来求取隐含层的节点数：首先采用经验公式来获得隐含层的节点数的初始值，所述经验公式的表达式为：
其中m为输入层的节点数，l为输出层的节点数，α为1～20之间的常数；然后在得到的节点数初始值的基础上做递增或递减，通过选取不同的隐含层的节点数来对网络结构进行仿真；最后选取网络输出误差最小的网络结构作为预测模型。
4.根据权利要求3所述的一种极端环境下电缆性能的预测方法，其特征在于：对基于LSTM的预测模型进行训练的具体方法包括下列步骤：
(5-1)、随机初始化网络结构的权重和偏置，确定网络结构在训练过程中的迭代次数N和每次迭代的权重；
(5-2)、将每个训练样本子集输入到网络中进行处理，得到初步输出值，然后将初步输出值再次输入到网络中进行处理，得到下一阶段的输出值，依次循环，通过多重阶段循环来得到最终网络输出值；
(5-3)、将最终网络输出值与实际的电缆性能数据进行作差得到预测误差E，采用沿时间的误差反向传播算法计算出整个网络的累积误差相对于权重的梯度，根据梯度下降调整更新权重来使预测误差达到最小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110733264.8A CN113469243A (zh) | 2021-06-30 | 2021-06-30 | 一种极端环境下电缆性能的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110733264.8A CN113469243A (zh) | 2021-06-30 | 2021-06-30 | 一种极端环境下电缆性能的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113469243A true CN113469243A (zh) | 2021-10-01 |
Family
ID=77874197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110733264.8A Pending CN113469243A (zh) | 2021-06-30 | 2021-06-30 | 一种极端环境下电缆性能的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469243A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171642A (zh) * | 2023-09-05 | 2023-12-05 | 广东电网有限责任公司中山供电局 | 一种基于长短时记忆网络的配网电缆状态评估方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190130275A1 (en) * | 2017-10-26 | 2019-05-02 | Magic Leap, Inc. | Gradient normalization systems and methods for adaptive loss balancing in deep multitask networks |
| US10510002B1 (en) * | 2019-02-14 | 2019-12-17 | Capital One Services, Llc | Stochastic gradient boosting for deep neural networks |
| CN111127825A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 环境预测方法和装置、电子设备 |
| CN112070322A (zh) * | 2020-09-28 | 2020-12-11 | 国网河北省电力有限公司雄安新区供电公司 | 基于长短期记忆网络的高压电缆线路运行状态预测方法 |
| CN112257967A (zh) * | 2020-12-21 | 2021-01-22 | 中国电力科学研究院有限公司 | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 |
| CN112598151A (zh) * | 2020-11-16 | 2021-04-02 | 华南理工大学 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
-
2021
- 2021-06-30 CN CN202110733264.8A patent/CN113469243A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190130275A1 (en) * | 2017-10-26 | 2019-05-02 | Magic Leap, Inc. | Gradient normalization systems and methods for adaptive loss balancing in deep multitask networks |
| US10510002B1 (en) * | 2019-02-14 | 2019-12-17 | Capital One Services, Llc | Stochastic gradient boosting for deep neural networks |
| CN111127825A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 环境预测方法和装置、电子设备 |
| CN112070322A (zh) * | 2020-09-28 | 2020-12-11 | 国网河北省电力有限公司雄安新区供电公司 | 基于长短期记忆网络的高压电缆线路运行状态预测方法 |
| CN112598151A (zh) * | 2020-11-16 | 2021-04-02 | 华南理工大学 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
| CN112257967A (zh) * | 2020-12-21 | 2021-01-22 | 中国电力科学研究院有限公司 | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 耿坤;吕枫;: "基于PCA/LSTM的海底观测网电力系统供电海缆故障定位", 海洋技术学报, no. 03, 15 June 2020 (2020-06-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171642A (zh) * | 2023-09-05 | 2023-12-05 | 广东电网有限责任公司中山供电局 | 一种基于长短时记忆网络的配网电缆状态评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mba et al. | Application of artificial neural network for predicting hourly indoor air temperature and relative humidity in modern building in humid region | |
| CN114048646B (zh) | 基于有限元修正与人工智能的沥青面层损伤状态反演方法 | |
| CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN108537336B (zh) | 一种基于深度神经网络的空气质量预测方法 | |
| CN102183802B (zh) | 一种基于卡尔曼滤波及演化建模的短期气候预测方法 | |
| CN103942625A (zh) | 基于foa-grnn的水电站厂坝结构振动响应预测方法 | |
| CN119168618A (zh) | 一种基于桥梁大数据的养护智能决策方法及系统 | |
| CN111209695A (zh) | 一种基于lstm的结构动力响应预测方法 | |
| CN120671471B (zh) | 一种幕墙龙骨结构智能优化设计方法 | |
| CN115130372A (zh) | 一种决策树挖掘神经网络耦合的微区域内温度场建模方法 | |
| CN118350090B (zh) | 一种钢梁的风管吊架卡扣疲劳度评估方法、介质及系统 | |
| CN108830417A (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
| CN119691879A (zh) | 一种基于人工智能的建筑设计优化方法及系统 | |
| Silva et al. | Service life prediction models for exterior stone cladding | |
| CN113469243A (zh) | 一种极端环境下电缆性能的预测方法 | |
| CN106844861B (zh) | 正交异性钢桥面板焊接节点实测应力幅动态概率建模方法 | |
| CN115481461A (zh) | 一种基于深度学习的结构风压统计值预测方法 | |
| CN108647817A (zh) | 一种能耗负荷的预测方法及预测系统 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN120541648A (zh) | 一种基于物理信息神经网络的隧道烟气参数预测方法 | |
| CN120068208A (zh) | 一种桥梁接缝的设计和维护方法、装置、设备及介质 | |
| CN115840908B (zh) | 基于lstm模型的微波链路构建pm2.5三维动态监测场的方法 | |
| Kowalski et al. | The comparison of linear models for PM10 and PM2. 5 forecasting | |
| CN111339679A (zh) | 一种预测自然环境下ldpe老化等级的模糊识别模型建立方法 | |
| CN117421918A (zh) | 用于数字孪生平台的变压器状态预测模型构建方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211001 |