一种电缆绝缘状态检测方法及相关装置与流程

1.本技术涉及电力系统技术领域，尤其涉及一种电缆绝缘状态检测方法及相关装置。


背景技术：

2.电力电缆由线芯导体，绝缘层，填充层，金属护层和外保护层构成。当其线芯流经电流，会在一定空间内产生电磁场，金属护层就会与大地之间构成一个有效的电流通路，在其感应电压的条件下产生回路电流，即电缆的接地环流。在电缆运行过程中，场强、温度、外力挤压都会使电缆绝缘介质的微观结构和性能发生改变，电缆的损耗特性也相应发生改变，因此对电缆表现出的损耗情况，可判断出电缆绝缘老化情况。
3.当前判断电缆绝缘老化的方法主要有直流分量法、直流叠加法、在线检测tanδ法、局部放电法和接地线感应环流法。但是，不同的方法在执行过程中都或多或少的存在不同的条件限制，例如，直流分量法中的直流成分是纳安级，不能直接测量，或者测量结果不准确；局部放电法优于存在背景噪声，因此实现局部放电在线检测难度较大；接地线感应换流法则是计算量较大，计算模型复杂，导致实用性较差。


技术实现要素：

4.本技术提供了一种电缆绝缘状态检测方法及相关装置，用于解决现有技术执行条件较多，算法较复杂，导致得到的检测结果缺乏准确性和实用性的技术问题。
5.有鉴于此，本技术第一方面提供了一种电缆绝缘状态检测方法，包括：
6.随机初始化预置神经网络参数粒子群，所述预置神经网络参数粒子群包括网络权值、训练阈值和预设调节因子；
7.采用预设训练样本对初始bp神经网络进行预训练操作，得到预置bp神经网络模型，所述初始bp神经网络根据所述预置神经网络参数粒子群配置得到；
8.根据所述预置bp神经网络模型的误差值对所述预置神经网络参数粒子群进行更新，得到更新参数粒子群；
9.将所述更新参数粒子群代替所述预置神经网络参数粒子群，返回所述采用预设训练样本对初始bp神经网络进行预训练操作的步骤，直至满足预置迭代优化条件，得到优化bp神经网络模型；
10.将目标电缆参数向量输入所述优化bp神经网络模型中进行状态检测，得到电缆绝缘状态检测结果，所述目标电缆参数向量包括金属层接地电流、电缆运行电流、环境温度和运行时间。
11.优选地，所述采用预设训练样本对初始bp神经网络进行预训练操作，得到预置bp神经网络模型，之前还包括：
12.以监测设备检测和人工测试的方式采集目标区域电缆的电缆参数，得到预设训练样本。
13.优选地，所述初始bp神经网络的配置过程为：
14.构建基于bp神经网络的网络拓扑结构；
15.将所述预置神经网络参数粒子群中的参数输入所述网络拓扑结构中，配置成初始bp神经年网络。
16.优选地，所述根据所述预置bp神经网络模型的误差值对所述预置神经网络参数粒子群进行更新，得到更新参数粒子群，包括：
17.采用预设测试样本对所述预置bp神经网络模型进行测试，并根据测试结果计算出误差值；
18.以所述误差值为适应值，更新所述预置神经网络参数粒子群，得到更新参数粒子群。
19.本技术第二方面提供了一种电缆绝缘状态检测装置，包括：
20.初始化模块，用于随机初始化预置神经网络参数粒子群，所述预置神经网络参数粒子群包括网络权值、训练阈值和预设调节因子；
21.预训练模块，用于采用预设训练样本对初始bp神经网络进行预训练操作，得到预置bp神经网络模型，所述初始bp神经网络根据所述预置神经网络参数粒子群配置得到；
22.参数更新模块，用于根据所述预置bp神经网络模型的误差值对所述预置神经网络参数粒子群进行更新，得到更新参数粒子群；
23.迭代优化模块，用于将所述更新参数粒子群代替所述预置神经网络参数粒子群，返回所述采用预设训练样本对初始bp神经网络进行预训练操作的步骤，直至满足预置迭代优化条件，得到优化bp神经网络模型；
24.状态检测模块，用于将目标电缆参数向量输入所述优化bp神经网络模型中进行状态检测，得到电缆绝缘状态检测结果，所述目标电缆参数向量包括金属层接地电流、电缆运行电流、环境温度和运行时间。
25.优选地，还包括：
26.样本获取模块，用于以监测设备检测和人工测试的方式采集目标区域电缆的电缆参数，得到预设训练样本。
27.优选地，所述初始bp神经网络的配置过程为：
28.构建基于bp神经网络的网络拓扑结构；
29.将所述预置神经网络参数粒子群中的参数输入所述网络拓扑结构中，配置成初始bp神经年网络。
30.优选地，所述参数更新模块，具体用于：
31.采用预设测试样本对所述预置bp神经网络模型进行测试，并根据测试结果计算出误差值；
32.以所述误差值为适应值，更新所述预置神经网络参数粒子群，得到更新参数粒子群。
33.本技术第三方面提供了一种电缆绝缘状态检测设备，所述设备包括处理器以及存储器；
34.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
35.所述处理器用于根据所述程序代码中的指令执行第一方面所述的电缆绝缘状态
检测方法。
36.本技术四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的电缆绝缘状态检测方法。
37.从以上技术方案可以看出，本技术实施例具有以下优点：
38.本技术中，提供了一种电缆绝缘状态检测方法，包括：随机初始化预置神经网络参数粒子群，预置神经网络参数粒子群包括网络权值、训练阈值和预设调节因子；采用预设训练样本对初始bp神经网络进行预训练操作，得到预置bp神经网络模型，初始bp神经网络根据预置神经网络参数粒子群配置得到；根据预置bp神经网络模型的误差值对预置神经网络参数粒子群进行更新，得到更新参数粒子群；将更新参数粒子群代替预置神经网络参数粒子群，返回采用预设训练样本对初始bp神经网络进行预训练操作的步骤，直至满足预置迭代优化条件，得到优化bp神经网络模型；将目标电缆参数向量输入优化bp神经网络模型中进行状态检测，得到电缆绝缘状态检测结果，目标电缆参数向量包括金属层接地电流、电缆运行电流、环境温度和运行时间。
39.本技术提供的电缆绝缘状态检测方法，采用粒子群优化算法对bp神经网络模型中的各种参数进行优化，从而得到优化bp神经网络模型，利用优化bp神经网络模型对获取的多种电缆运行参数进行检测分析，得到电缆的绝缘状态检测结果。整个过程对电缆相关数据的获取没有较高要求，执行过程也没有操作性较强的条件限制；通过多种电缆运行相关参数进行绝缘状态检测也能够保证检测结果的准确性；简单、可靠、易执行，也就更加具有实用性。因此，本技术能够解决现有技术执行条件较多，算法较复杂，导致得到的检测结果缺乏准确性和实用性的技术问题。
附图说明
40.图1为本技术实施例提供的一种电缆绝缘状态检测方法的流程示意图；
41.图2为本技术实施例提供的一种电缆绝缘状态检测装置的结构示意图；
42.图3为本技术实施例提供的运行中的电缆结构示意图。
具体实施方式
43.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
44.为了便于理解，请参阅图1，本技术提供的一种电缆绝缘状态检测方法的实施例，包括：
45.步骤101、随机初始化预置神经网络参数粒子群，预置神经网络参数粒子群包括网络权值、训练阈值和预设调节因子。
46.预置神经网络参数粒子群是指用于构建神经网络模型的参数构成的粒子群，通过粒子群算法进行参数迭代训练，实现参数优化，而不是常规意义的模型训练优化参数；本实施例选择粒子群算法对网络模型的相关参数进行针对性优化，可以提升网络模型的性能。
47.粒子群算法中，每个粒子可视为n维搜索空间中的一个搜索个体，粒子的当前位置
即为对应优化问题的一个候选解，粒子的飞行过程即为该个体的搜索过程.粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整。粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向；每个粒子单独搜寻的最优解叫做个体极值，粒子群中最优的个体极值作为当前全局最优解。不断迭代，更新粒子的速度和位置。最终得到满足终止条件的全局最优解。
48.除了预置神经网络参数粒子群需要进行初始化，还需要设置最大迭代次数、目标函数的自变量个数、粒子的最大速度、位置信息搜索空间，初始化是随机选取这些参数，可以设置粒子群规模为m，每个粒子群随机初始化一个飞翔速度。
49.步骤102、采用预设训练样本对初始bp神经网络进行预训练操作，得到预置bp神经网络模型，初始bp神经网络根据预置神经网络参数粒子群配置得到。
50.预设训练样本是电缆运行相关参数，初始bp神经网络中配置预置神经网络参数粒子群，也就是网络权值、训练阈值和预设调节因子，就可以得到预置bp神经网络模型，初步形成的预置bp神经网络模型还需要后续的迭代优化处理，还不能直接用于电缆绝缘状态检测中。
51.bp神经网络由网络架构、激活函数、找出最优权重值的参数学习算法等三部分构成。bp神经网络中通过正向训练训练网络参数，通过反向传播更新网络参数，最终得到一个更加适用于任务需求的网络模型。
52.本实施例中的bp神经网络包括输入层、隐含层和输出层，其中输入层和输出层中的节点数为固定值，可以记作m和n，输入的参数即为预设训练样本，那么输入层的节点数为4；而输出层是电缆绝缘状态，所以输出层的节点数为1，隐含层的层数可以通过公式确定：
[0053][0054]
其中，a为预设调节因子，取值一般为1
‑
10，通过本技术实施例提出的优化算法可以优化得到，避免了人为选取的不利影响。
[0055]
进一步地，步骤102，之前还包括：
[0056]
以监测设备检测和人工测试的方式采集目标区域电缆的电缆参数，得到预设训练样本。
[0057]
预设训练样本也是电缆运行过程中的参数，运行电缆示意图请参阅图3，例如金属层接地电流、电缆运行电流、环境温度和运行时间；获取的方式是监测设备检测到的数据，或者通过人工测试得到。
[0058]
由于电缆在运行过程中的损耗与绝缘老化密切相关，其中损耗一般为电缆的热损耗。而因为电缆电流的关系，电缆本身会产生热量，即电流的热效应，热量计算公式如下：
[0059]
w＝i2rt
[0060]
上式中，i为流经电缆的电流，r为电缆的电阻、t为电缆运行时间。
[0061]
当电缆运行时，电缆产生的热量会与空气进行热量交换并达到一个平衡的状态，因此电缆表层会存在一个稳定的温度值，且这个温度值与电缆的运行电流、环境温度有关系。但由于电缆结构及运行环境的复杂性，电缆表层温度无法准确测量，而电缆的运行电流及电缆运行环境温度的测量较为方便。因此，可将电缆表层温度对电缆绝缘的影响转化为电缆运行电流及环境温度对电缆绝缘的影响。
[0062]
电缆在运行过程中，由于每时每刻用户对电能的需求不同，导致不同时刻下电缆
的运行电流不同；但每日同一时刻下电缆的运行电流基本一致，因此，时间也可作为影响电缆绝缘的相关因素。
[0063]
电缆常采用金属护套交叉互联接地的方式运行，从而达到电缆保护接地的目的。在此运行方式下，电缆线芯流过交变电流时，在其周围会产生交变磁场，该交变磁场与金属护套相交联，在金属护套上产生感应电动势。电缆在交叉互联接地的运行方式下，金属护层通过接地线与大地之间形成回路，会产生感应环流，该感应环流是电缆绝缘性能的直接反应。因此，电缆金属护层接地电流为电缆绝缘性能关键影响因素。
[0064]
综合以上分析可以明确，对于一条正在运行的电缆，影响其绝缘性能的因素有电缆金属护层接地电流、电缆运行电流、环境温度及运行时间。因此，本技术实施例中选取了这几种指标作为电缆绝缘状态的检测依据。
[0065]
进一步地，初始bp神经网络的配置过程为：
[0066]
构建基于bp神经网络的网络拓扑结构；
[0067]
将预置神经网络参数粒子群中的参数输入网络拓扑结构中，配置成初始bp神经年网络。
[0068]
网络拓扑结构就是输入层、隐含层和输出层的设计，本实施例中是针对电缆绝缘状态的检测，需要确定适合的检测隐含层层数；基本的网络拓扑结构确定后需要配置网络中的相关参数，即网络权值、训练阈值和预设调节因子。
[0069]
步骤103、根据预置bp神经网络模型的误差值对预置神经网络参数粒子群进行更新，得到更新参数粒子群。
[0070]
进一步地，步骤103，包括：
[0071]
采用预设测试样本对预置bp神经网络模型进行测试，并根据测试结果计算出误差值；
[0072]
以误差值为适应值，更新预置神经网络参数粒子群，得到更新参数粒子群。
[0073]
预设测试样本的数据类型和数据形式与预设训练样本一致，预设测试样本输入预置bp神经网络模型进行测试，可以得到对应的测试结果，也就是检测输出量，根据检测输出量和真实输出量可以计算得到误差值。以误差值为适应值，就可以更新粒子群的速度和位置，从而也就更新了参数粒子群。更新粒子群速度和位置的公式为：
[0074]
v
id
＝ωv
id
c1random(0,1)(p
id
‑
x
id
) c2random(0,1)(p
gd
‑
x
id
)
[0075]
其中，ω为惯性因子，为非负数，ω较大时，全局寻优能力最强，局部寻优能力最弱；ω较小时，全局寻优能力最弱，局部寻优能力最强；因此可以通过调节ω的大小对全局寻优能力和局部寻优能力进行调整；c1和c2均为加速常数，c1为每个粒子的个体学习因子，c2为每个粒子的社会学习因子，通常情况下，c1＝c2＝2，两个参数的取值范围是0
‑
4，random(0,1)表示[0,1]上的随机数；p
id
和p
gd
分别为第i个变量的个体最优解的第d维和全局最优解的第d维；x
id
为当前时刻下第i个变量的第d维数值。
[0076]
步骤104、将更新参数粒子群代替预置神经网络参数粒子群，返回采用预设训练样本对初始bp神经网络进行预训练操作的步骤，直至满足预置迭代优化条件，得到优化bp神经网络模型。
[0077]
更新迭代的优化过程是优化bp神经网络的参数的过程，优化迭代过程在满足预置迭代优化条件则停止，将最后一次迭代得到的模型作为最优的bp神经网络模型。预置迭代
优化条件包括预先设定的迭代次数，或者代数之间的差值最小界限；满足其中一个条件均可以停止迭代过程，完成优化操作过程。
[0078]
步骤105、将目标电缆参数向量输入优化bp神经网络模型中进行状态检测，得到电缆绝缘状态检测结果，目标电缆参数向量包括金属层接地电流、电缆运行电流、环境温度和运行时间。
[0079]
目标电缆参数向量为目标运行电缆的相关参数，与模型构建过程中采集的电缆参数类型和数据形式一致，直接通过训练好的优化bp神经网络模型进行检测，得到准确的电缆绝缘状态检测结果。
[0080]
本技术实施例提供的电缆绝缘状态检测方法，采用粒子群优化算法对bp神经网络模型中的各种参数进行优化，从而得到优化bp神经网络模型，利用优化bp神经网络模型对获取的多种电缆运行参数进行检测分析，得到电缆的绝缘状态检测结果。整个过程对电缆相关数据的获取没有较高要求，执行过程也没有操作性较强的条件限制；通过多种电缆运行相关参数进行绝缘状态检测也能够保证检测结果的准确性；简单、可靠、易执行，也就更加具有实用性。因此，本技术实施例能够解决现有技术执行条件较多，算法较复杂，导致得到的检测结果缺乏准确性和实用性的技术问题。
[0081]
为了便于理解，请参阅图2，本技术提供了一种电缆绝缘状态检测装置的实施例，包括：
[0082]
初始化模块201，用于随机初始化预置神经网络参数粒子群，预置神经网络参数粒子群包括网络权值、训练阈值和预设调节因子；
[0083]
预训练模块202，用于采用预设训练样本对初始bp神经网络进行预训练操作，得到预置bp神经网络模型，初始bp神经网络根据预置神经网络参数粒子群配置得到；
[0084]
参数更新模块203，用于根据预置bp神经网络模型的误差值对预置神经网络参数粒子群进行更新，得到更新参数粒子群；
[0085]
迭代优化模块204，用于将更新参数粒子群代替预置神经网络参数粒子群，返回采用预设训练样本对初始bp神经网络进行预训练操作的步骤，直至满足预置迭代优化条件，得到优化bp神经网络模型；
[0086]
状态检测模块205，用于将目标电缆参数向量输入优化bp神经网络模型中进行状态检测，得到电缆绝缘状态检测结果，目标电缆参数向量包括金属层接地电流、电缆运行电流、环境温度和运行时间。
[0087]
进一步地，还包括：
[0088]
样本获取模块206，用于以监测设备检测和人工测试的方式采集目标区域电缆的电缆参数，得到预设训练样本。
[0089]
进一步地，初始bp神经网络的配置过程为：
[0090]
构建基于bp神经网络的网络拓扑结构；
[0091]
将预置神经网络参数粒子群中的参数输入网络拓扑结构中，配置成初始bp神经年网络。
[0092]
进一步地，参数更新模块203，具体用于：
[0093]
采用预设测试样本对预置bp神经网络模型进行测试，并根据测试结果计算出误差值；
[0094]
以误差值为适应值，更新预置神经网络参数粒子群，得到更新参数粒子群。
[0095]
本技术还提供了一种电缆绝缘状态检测设备，设备包括处理器以及存储器；
[0096]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0097]
处理器用于根据程序代码中的指令执行上述方法实施例中的电缆绝缘状态检测方法。
[0098]
本技术还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的电缆绝缘状态检测方法。
[0099]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，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，仅仅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系统，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0100]
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网络单元上。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。
[0101]
另外，在本技术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。
[0102]
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，本技术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，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术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、移动硬盘、只读存储器(英文全称：read
‑
only memory，英文缩写：rom)、随机存取存储器(英文全称：randomaccess memory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0103]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。