一种基于机器学习的电缆剩余寿命预测方法与流程

摘要: 本发明涉及电缆寿命预测,具体为一种基于机器学习的电缆剩余寿命预测方法。背景技术:1、电缆是电力系统的重要组成,其绝缘老化直接威胁供电可靠性。剩余寿命预测对检修计...
一种基于机器学习的电缆剩余寿命预测方法与流程

本发明涉及电缆寿命预测,具体为一种基于机器学习的电缆剩余寿命预测方法。

背景技术:

1、电缆是电力系统的重要组成,其绝缘老化直接威胁供电可靠性。剩余寿命预测对检修计划和资产管理至关重要。传统方法主要基于物理老化模型和可靠性统计分布,但由于参数获取困难且未考虑个体差异,其在实际工程中的适用性受限,近年来,机器学习通过分析局部放电、绝缘电阻等监测数据,为个体化寿命评估提供了新路径。

2、申请号为202111419121.6的发明专利申请中公开了基于注意力bp神经网络的电缆老化寿命预测方法及系统,该申请旨在解决“现有技术选用的参考量单一不能完全反映电缆绝缘的真正老化情况,预测精度不高”的问题。

3、然而,由于长距离电缆沿线各区段散热条件、负荷分布等运行环境存在差异,不同采样位置获取的状态参数所反映的老化程度不尽相同,导致预测结果因测点位置不同而波动较大;

4、如何根据电缆实际运行状态自适应调整测点数量、动态选择最优监测位置,并在此基础上给出带置信区间的区间化寿命评估结果,是当前亟需解决的一项技术问题。

技术实现思路

1、针对现有技术所存在的上述缺点,本发明提供了一种基于机器学习的电缆剩余寿命预测方法,能够有效地解决现有技术的问题。

2、为实现以上目的,本发明通过以下技术方案予以实现;

3、本发明公开了一种基于机器学习的电缆剩余寿命预测方法,包括:

4、控制无人机沿待测电缆的延伸方向飞行,并在飞行过程中按预设采样间隔采集电缆沿线各位置处的状态参数;以各采样位置处的状态参数值为依据,沿电缆延伸方向对电缆进行分段,使同一分段内各采样位置的状态参数值之差处于预设阈值范围内,并约束电缆分段数量不少于三;根据分段后各分段的长度参数值与状态参数值之间的映射关系,计算该电缆当前所需的监测点数量,并约束监测点数量始终少于电缆分段数量的二分之一;以各分段内的状态参数值为基础,对各分段进行序列化排序,并按排序结果从前置位各分段中选取与监测点数量相等的分段,再在每一选取的分段上拾取一个最终监测点;控制无人机悬停于各最终监测点处,采集各最终监测点处的当前状态参数数据;

5、获取各分段的状态参数极值及其沿电缆延伸方向的位置分布,以各分段间的状态参数差异为学习目标、各最终监测点处的当前状态参数数据为输入特征,构建基于状态参数差异驱动的机器学习映射模型,由模型根据各最终监测点处状态参数数据与所在分段极值之间的动态偏离量,自适应输出各监测点处的剩余寿命百分比及其置信区间,并将各预测值的置信区间合并后作为该电缆的区间化剩余寿命评估结果。

6、更进一步地,所述预设采样间隔为沿电缆延伸方向等间距布置的固定间隔,该固定间隔在无人机执行本次飞行任务前预先设定并存储于无人机飞行控制系统中,且该固定间隔的取值范围为0.5米至5米,并且间隔长度与待测电缆总长成正比;

7、所述状态参数至少包括电缆表面温度、局部放电量、绝缘电阻值和接地电流值。

8、更进一步地,所述沿电缆延伸方向对电缆进行分段时,以及根据分段后各分段的长度参数值与状态参数值之间的映射关系计算监测点数量时,服从:

9、将每个采样位置处采集的电缆表面温度、局部放电量、绝缘电阻值和接地电流值分别进行归一化处理后,按预设的融合权重系数加权求和,得到该位置处的综合状态指标值,以各采样位置处的综合状态指标值为输入,构造沿电缆延伸方向的一维综合状态指标序列;

10、以相邻采样位置间的综合状态指标差异度为分段边界判定指标,通过自适应滑动窗口对一维综合状态指标序列进行递推分割,每进入一个新的采样位置,计算当前窗口内综合状态指标序列的方差差异度,若方差差异度超过预设阈值,则在该新采样位置处设置分段边界,并重置窗口,重新开始下一分段的累积;

11、其中,方差差异度;

12、式中:n为当前窗口内采样位置的数量;为窗口内第i个采样位置的综合状态指标值;为窗口内综合状态指标值的均值;为极值惩罚系数,用于平衡窗口内整体波动与局部跳变对分段判定结果的影响;为第j个采样位置的综合状态指标值;

13、获取各分段沿电缆延伸方向的实际物理长度和各分段内所有采样位置综合状态指标值的平均值,并以各分段长度为自变量、各分段综合状态指标平均值为因变量,建立分段长度-状态映射散点集,对散点集进行线性回归,得到斜率系数α和截距系数β,并按下式计算监测点数量的初始预估值:

14、;

15、式中:k为分段总数;为第k个分段的物理长度;、分别为所有分段中的最小物理长度和最大物理长度;为第k个分段内所有采样位置综合状态指标值的平均值;为所有分段平均综合状态指标值中的最大值;为指数衰减因子;为比例调节系数;

16、将初始预估值与分段总数k的二分之一进行比较,取两者中的较小值向下取整,得到最终的监测点数量,并约束m≥1。

17、更进一步地,以各分段内的状态参数值为基础,对各分段进行序列化排序阶段,提取每个分段内所有采样位置处的综合状态指标值,计算每个分段的综合状态指标均值、综合状态指标中位数和综合状态指标标准差;

18、以综合状态指标均值作为第一级排序依据,按照综合状态指标均值由大到小的次序对各分段进行降序排列,均值越大的分段在排序序列中位置越靠前;

19、当两个以上分段的综合状态指标均值之间的最大差值小于或等于预设的均值比较容差时,将该两个以上分段归入同一均值容差组,并在该均值容差组内部以综合状态指标标准差作为第二级排序依据,按照综合状态指标标准差由大到小的次序进行降序排列,标准差越大的分段在该均值容差组内的排序位置越靠前;

20、当该均值容差组内两个以上分段的综合状态指标标准差之间的最大差值小于或等于预设的标准差比较容差时,将该两个以上分段归入同一标准差容差组,并在该标准差容差组内部以综合状态指标中位数由大到小的次序进行降序排列,中位数越大的分段在该标准差容差组内的排序位置越靠前;

21、最终输出各分段依照上述逐级嵌套排序规则形成的唯一排序序列。

22、更进一步地,所述按排序结果从前置位各分段中选取与监测点数量相等的分段,再在每一选取的分段上拾取一个最终监测点,具体包括:

23、从排序后的分段序列中按顺序选取排列最靠前的m个分段作为目标分段;

24、对于每一个目标分段,在该分段内所有采样位置中,选择综合状态指标值最接近该分段综合状态指标中位数的采样位置作为初始监测点;

25、以该初始监测点为中心,沿电缆延伸方向前后各扩展一个采样间隔,形成局部候选位置集合,计算该局部候选位置集合内各位置处的综合状态指标梯度幅值,选择梯度幅值最小的位置作为该目标分段的最终监测点。

26、更进一步地,所述控制无人机悬停于各最终监测点处,采集各最终监测点处的当前状态参数数据时,向无人机内置飞控系统发送悬停指令,使无人机依次定位至每个最终监测点所在的三维空间坐标位置,并在悬停稳定后触发搭载于无人机上的状态参数采集设备执行数据采集操作;

27、在每个最终监测点处,控制无人机在同一悬停位置以预设的采样频率连续采集多帧状态参数数据,并对多帧数据进行中值滤波处理,将滤波后的中值作为该最终监测点处的当前状态参数数据;

28、当无人机在任一最终监测点处悬停时的位置漂移量超出预设的定位容差范围时,重新调整无人机的悬停位置并在调整完成后重新执行该点处的数据采集。

29、更进一步地,所述获取各分段的状态参数极值及其沿电缆延伸方向的位置分布时,以各分段为单位,分别遍历每个分段内所有采样位置处的综合状态指标值,提取每个分段内的综合状态指标最大值和综合状态指标最小值,并同步记录该最大值和最小值各自对应的采样位置沿电缆延伸方向的坐标;

30、按照各分段沿电缆延伸方向的先后排列顺序,构建分段综合状态指标最大值序列和分段综合状态指标最小值序列,并分别记录各分段最大值位置分布和各分段最小值位置分布。

31、更进一步地,所述机器学习映射模型在构建时,服从:

32、选取各分段的综合状态指标最大值与综合状态指标最小值之差作为各分段自身的极值跨度特征,选取相邻分段间综合状态指标均值差的绝对值作为分段间差异特征;

33、以所有最终监测点处的当前状态参数数据构成输入特征向量,以各最终监测点所在分段的极值跨度特征和分段间差异特征共同构成输出标签向量,构建神经网络的训练数据集;

34、在神经网络中引入注意力机制,对各最终监测点处当前状态参数数据与所在分段的综合状态指标最大值之间的第一偏离程度、与所在分段的综合状态指标最小值之间的第二偏离程度进行加权融合,生成该监测点处基于差异驱动的状态偏离系数。

35、更进一步地,所述由模型自适应输出各监测点处的剩余寿命百分比及其置信区间,包括:

36、构建训练数据集,对于已获取历史寿命数据的电缆样本,将各监测点处的当前状态参数数据作为输入特征,将对应的剩余寿命百分比真实值作为预测标签,将该监测点处多次重复测量所得剩余寿命百分比估计值的标准差乘以1.96作为置信区间半径真实值,形成训练样本集;

37、在所述神经网络的输出层设置剩余寿命百分比预测节点和置信区间宽度预测节点,其中置信区间宽度预测节点用于输出该监测点处剩余寿命百分比预测值的置信区间半径;

38、所述神经网络在训练过程中的损失函数按下式构造:

39、;

40、式中:m为监测点数量;为第j个监测点处基于状态偏离系数动态赋权的样本权重;为模型输出的第j个监测点处剩余寿命百分比预测值;为对应的剩余寿命百分比真实值;μ为置信区间半径预测的损失权重系数;为模型输出的第j个监测点处置信区间半径预测值;为对应的置信区间半径真实值;为交叉惩罚系数;

41、模型训练完成后,对于待评估的目标电缆,将各最终监测点处采集的当前状态参数数据输入训练好的神经网络,经前向传播计算,由剩余寿命百分比预测节点直接输出各监测点处的剩余寿命百分比预测值,由置信区间宽度预测节点直接输出各监测点处的置信区间半径。

42、更进一步地,将各预测值的置信区间合并后作为该电缆的区间化剩余寿命评估结果,具体包括:

43、获取各监测点处的剩余寿命百分比预测值及其置信区间半径,对于每个监测点j,构建该监测点处的局部置信区间为,并对所有监测点的局部置信区间按下式进行加权合并,得到电缆整体的区间化剩余寿命评估结果的上限与下限:

44、;

45、式中:为第j个监测点处基于状态参数差异驱动所生成的可信度权重;为第j个监测点沿电缆延伸方向到电缆预设起始端的物理距离;d为电缆的总物理长度;ρ为预设的位置衰减系数;

46、最终输出该电缆的区间化剩余寿命评估结果为。

47、采用本发明提供的技术方案,与已知的现有技术相比,具有如下有益效果:

48、本发明通过无人机沿线采集状态参数并依据综合指标自适应分段,使分段数量与监测点数形成相互约束,有效防止关键劣化区域因采样过疏而被遗漏,并避免监测点冗余徒增作业负担,同时依据分段长度与状态值的映射动态计算监测点数,再经由多级排序从劣化最严重的前置分段中拾取梯度最小位置作为最终监测点,有效降低局部波动对代表性造成的干扰,进而以各分段极值差异为学习目标、监测点实测数据为输入特征,构建由状态偏离系数驱动的机器学习模型,该模型能根据当前测量值与所在分段极值的动态偏离量自适应输出剩余寿命百分比及其置信区间,而非套用固定退化曲线,因此对不同敷设环境、负荷历史和老化路径的电缆均具备良好适应性,最后将各监测点置信区间按位置可信度加权合并为区间化评估结果,使输出同时包含寿命期望和不确定性边界,便于运维人员据此权衡检修策略。