【技术实现步骤摘要】
本专利技术涉及气体检测，尤其是涉及一种电缆故障确定方法及系统。
技术介绍
1、目前电缆的相关绝缘层通常采用橡胶、塑料等材质包覆在电缆金属线外侧周围，然而现有的橡胶、塑料等材质包覆在金属线上可能会因为温度、和空气中的氧气接触发生氧化反应而导致橡胶塑料的老化现象，另外橡胶、塑料等绝缘层材质也会因为发生交联反应或者分子链断裂等化学生成小分子有机物，部分小分子有机物具有挥发性。比如天然橡胶(nr)和聚异戊二烯橡胶(ir)在被氧化过程中会生成包括但不仅限于甲醛(ch2o)、甲酸(hcooh)、乙酰丙酸和hcoch2ch2coch3等低分子产物。而针对氯醚橡胶，其在老化过程中会生成氯化氢气体和甲醛等，而氯化氢气体本身又会对高分子化合物进一步催化分解，得到低分子碳基化合物，部分低分子碳基化合物具有一定的挥发性能。因此现有橡胶、塑料等绝缘层材质会因为自身不同的组成元素而发生不同的老化反应，不同的老化反应会生成不同类型和比例的低分子碳基化合物。上述老化现象在电缆中非常常见，而如何利用上述不同绝缘层老化现象进行分析，并确定电缆故障严重程度还没有相关的技术方案。
技术实现思路
1、本专利技术提供一种电缆故障确定方法及系统，通过设计特定的方法步骤，不仅能够判断电缆是否发生故障，而且可以对电缆的老化故障和老化严重程度进行精确预测，从而完善了整个电缆故障监测的流程，推动了电缆监测的智能化进程。
2、为了解决上述技术问题，本专利技术实施例提供了一种电缆故障确定方法，包括：
3、基于pid
4、根据酚试剂检测方法对所述待测气体中的醛类气体进行检测，用于判断电缆绝缘层是否发生故障；
5、在判断出电缆绝缘层未发生故障时，对所述待测气体进行处理，得到气体类型数据和浓度数据；
6、对所述气体类型数据和所述浓度数据进行特征转换，将转换后的数据输入预先配置好的电缆绝缘层老化故障预测模型中进行处理，其中，所述电缆绝缘层老化故障预测模型被配置为根据损失函数进行训练；
7、根据所述电缆绝缘层老化故障预测模型的处理结果，预测并确定电缆的老化故障和老化严重程度。
8、作为其中一种优选方案，所述根据酚试剂检测方法对所述待测气体中的醛类气体进行检测，用于判断电缆绝缘层是否发生故障，具体包括：
9、根据酚试剂与所述待测气体中的醛类气体反应生成的蓝绿色化合物的颜色深浅，对应判断电缆绝缘层是否发生故障。
10、作为其中一种优选方案，所述对所述气体类型数据和所述浓度数据进行特征转换，具体包括：
11、对所述气体类型数据进行数值化特征赋值处理，且对所述浓度数据进行标准化处理。
12、作为其中一种优选方案，所述电缆绝缘层老化故障预测模型的配置，具体包括：
13、构建机器学习模型，配置所述机器学习模型的初始化参数，将训练集输入到所述机器学习模型中训练，利用损失函数对模型参数进行调整得到训练好电缆绝缘层老化故障预测模型。
14、作为其中一种优选方案，所述机器学习模型包括xgboost模型，所述电缆绝缘层老化故障预测模型的配置，具体包括：
15、构建所述xgboost模型中的叶子节点数目和每个叶子节点的初始化权重向量，其中所述xgboost模型的叶子节点数目根据所述pid气体检测装置可检测的voc气体类型数量和对应气体浓度值范围进行设置，使得所述叶子节点数量和需要识别的特征数量相匹配。
16、作为其中一种优选方案，所述电缆绝缘层老化故障预测模型的配置，具体还包括：
17、配置所述xgboost模型的每个叶子节点的目标函数，并根据输入对应叶子节点的相关特征数据计算实际数值，并根据设定的目标函数对得到的实际数值进行打分，对所有的叶子节点的打分数据进行加权求和得到完整xgboost模型的对应预测类型的打分数据，将所述打分数据作为对应电缆老化故障预测结果，以实现所述电缆绝缘层老化故障预测模型的配置。
18、作为其中一种优选方案，所述电缆绝缘层老化故障预测模型的配置，具体还包括：
19、所述xgboost模型在机器学习训练中调整的模型参数包括：最大迭代次数、最大深度、学习率、最大步长和正则化项，根据所述损失函数的收敛情况调整所述xgboost模型的模型参数，当所述损失函数收敛后，固化上述调整好的模型参数，并用测试集测试xgboost模型训练结果。
20、作为其中一种优选方案，所述电缆绝缘层老化故障预测模型的配置，具体还包括：
21、将测试集输入到训练好的所述xgboost模型中，分别获取训练好的所述xgboost模型输出结果的真正例tp、假正例fp、真反例tn和假反例fn的个数，并根据上述输出结果计算所述xgboost模型的准确率和召回率，分别设置所述xgboost模型的准确率阈值和召回率阈值，若计算得到的准确率和召回率高于预设的对应阈值，则判定当前所述xgboost模型的训练结果测试成功。
22、作为其中一种优选方案，所述电缆绝缘层老化故障预测模型的配置，具体还包括：
23、将测试集输入到训练好的所述xgboost模型中，得到电缆老化故障和老化等级的预测值，将所述预测值和真实标记的老化故障和等级进行均方误差计算，根据计算得到的均方误差对所述xgboost模型的预测稳定性进行判断。
24、本专利技术另一实施例提供了一种电缆故障确定系统，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的电缆故障确定方法。
25、相比于现有技术，本专利技术实施例的有益效果在于以下所述中的至少一点：首先基于pid气体检测装置采集电缆绝缘层的待测气体；然后根据酚试剂检测方法对所述待测气体中的醛类气体进行检测，用于判断电缆绝缘层是否发生故障；接着在判断出电缆绝缘层未发生故障时，对所述待测气体进行处理，得到气体类型数据和浓度数据；再接着对所述气体类型数据和所述浓度数据进行特征转换，将转换后的数据输入预先配置好的电缆绝缘层老化故障预测模型中进行处理，其中，所述电缆绝缘层老化故障预测模型被配置为根据损失函数进行训练；最后根据所述电缆绝缘层老化故障预测模型的处理结果，预测并确定电缆的老化故障和老化严重程度。整个过程不仅能够判断电缆是否发生故障，而且可以对电缆的老化故障和老化严重程度进行精确预测，从而完善了整个电缆故障监测的流程，推动了电缆监测的智能化进程。
本文档来自技高网...【技术保护点】
1.一种电缆故障确定方法，其特征在于，包括：
2.如权利要求1所述的电缆故障确定方法，其特征在于，所述根据酚试剂检测方法对所述待测气体中的醛类气体进行检测，用于判断电缆绝缘层是否发生故障，具体包括：
3.如权利要求1所述的电缆故障确定方法，其特征在于，所述对所述气体类型数据和所述浓度数据进行特征转换，具体包括：
4.如权利要求1所述的电缆故障确定方法，其特征在于，所述电缆绝缘层老化故障预测模型的配置，具体包括：
5.如权利要求4所述的电缆故障确定方法，其特征在于，所述机器学习模型包括XGBoost模型，所述电缆绝缘层老化故障预测模型的配置，具体包括：
6.如权利要求5所述的电缆故障确定方法，其特征在于，所述电缆绝缘层老化故障预测模型的配置，具体还包括：
7.如权利要求6所述的电缆故障确定方法，其特征在于，所述电缆绝缘层老化故障预测模型的配置，具体还包括：
8.如权利要求7所述的电缆故障确定方法，其特征在于，所述电缆绝缘层老化故障预测模型的配置，具体还包括：
9.如权利要求8所述的电缆故
10.一种电缆故障确定系统，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的电缆故障确定方法。
...【技术特征摘要】
1.一种电缆故障确定方法，其特征在于，包括：
2.如权利要求1所述的电缆故障确定方法，其特征在于，所述根据酚试剂检测方法对所述待测气体中的醛类气体进行检测，用于判断电缆绝缘层是否发生故障，具体包括：
3.如权利要求1所述的电缆故障确定方法，其特征在于，所述对所述气体类型数据和所述浓度数据进行特征转换，具体包括：
4.如权利要求1所述的电缆故障确定方法，其特征在于，所述电缆绝缘层老化故障预测模型的配置，具体包括：
5.如权利要求4所述的电缆故障确定方法，其特征在于，所述机器学习模型包括xgboost模型，所述电缆绝缘层老化故障预测模型的配置，具体包括：
6.如权利要求5所述的电缆...
【专利技术属性】
技术研发人员：姚广元，洪晓东，毛炜，赵明，娄雨风，池俊锋，姜艺楠，王旭，蒋琛，张开成，
申请(专利权)人：国网浙江省电力有限公司杭州供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。