【技术实现步骤摘要】
本专利技术涉及线缆，特别是涉及基于人工智能的电力线缆发热状态监测与故障预测方法。
技术介绍
1、在电力线缆的发热状态监测与故障预测任务中，高维传感器数据的实时处理和有效特征提取是实现精准监测和预测的关键。电力线缆运行时产生的大量传感数据具有多维性和动态性，包括温度、负载电流、环境湿度等复杂信息，这些数据之间往往存在高度相关性和冗余性，给故障识别和状态评估带来了挑战。同时，在实际应用中，传感器可能因环境或设备问题导致部分数据缺失，这要求监测和预测模型具有较高的鲁棒性，能够在不完整数据条件下准确捕捉关键信息。此外，电力系统运行环境复杂，数据特征分布会随时间和工况发生变化，现有技术在应对动态环境下实时调整特征重要性和优化故障预测精度方面存在显著不足。
2、现有技术中，申请号为的中国专利技术专利公开了公开号为cn118735141a的中国专利技术专利提出一种基于机器学习的电缆运维策略优化方法，属于电缆运维
，具体包括：设定目标区域和巡检周期并获取所有电缆的巡检数据；将所述巡检周期划分为n个运检周期，选取任一电缆并获取该电缆在任一运检周期内出现故障的次数并计算得出电缆的参考值j'；选取任一电缆并计算相邻故障时间间隔，确定任一电缆出现故障的次数大于等于所述的参考值的运检周期数量并标定为参考数量；计算得出任一电缆的运检评分；根据所述检测数据对所述该电缆的运检评分进行修正，并将运检评分大于等于预设风险阈值的电缆作为需要进行运检的目标电缆。公开号为cn118708924a的中国专利技术专利提出一种机器人电缆电气性能测试方法、装置
3、上述技术方案存在以下问题：1.在电力线缆发热状态监测与故障预测任务中，现有特征提取技术未能有效解决特征间的冗余和耦合问题，导致电力线缆发热状态监测与故障预测模型在特征缺失或冗余特征存在的情况下难以保持电力线缆数据结构的完整性。2.在电力线缆发热状态监测与故障预测任务中，现有模型缺乏实时调整特征权重的能力，导致电力线缆发热状态监测与故障预测模型在电力线缆数据分布变化时表现不稳定。3.在电力线缆发热状态监测与故障预测任务中，当前自编码器方法通常仅关注重建误差优化，忽视了电力线缆数据压缩过程中信息增益的最大化问题，容易造成电力线缆数据表示中重要信息的丢失。
技术实现思路
1、本专利技术所要解决的技术问题在于克服上述现有技术的缺点，提供基于人工智能的电力线缆发热状态监测与故障预测方法。
2、解决上述技术问题所采用的技术方案是：基于人工智能的电力线缆发热状态监测与故障预测方法，包括以下步骤：
3、s1，采集在运行状态下的电力线缆数据，对采集到的电力线缆数据进行标注，标注的类别包括：正常、预警、故障；
4、s2，状态监测与故障预测模型的训练框架为元学习与迁移学习融合框架；
5、s3，采用基于特征动态影响的神经网络，神经网络的隐藏层采用多尺度特征融合与高阶特征交互策略进行动态计算；
6、s4，采用基于特征路径解耦的自编码器，通过自编码器学习电力线缆数据的压缩表示，并采用特征路径解耦机制优化特征间的独立性，特征路径解耦机制通过正则化损失函数，强化特征间的独立性，确保即使部分特征缺失，模型仍然能够捕捉电力线缆数据的主要结构。
7、进一步的，所述的s1中的电力线缆数据包括电缆的实时电流值ra、电缆的温度值da、环境温度ca、环境湿度fa、电缆的电压值ga、风速va、太阳辐射强度ma、电缆的历史负载记录ba、绝缘材料的老化程度na、电缆接头的连接状态ka。
8、进一步的，所述的s2中的融合框架的训练过程包括预训练阶段和微调阶段；
9、预训练阶段将电力线缆数据样本输入到迁移学习和元学习的特征提取模块，其中，以批次为训练单元的电力线缆数据样本输入到迁移学习特征提取模块，以任务为训练单元的电力线缆数据样本输入到元学习特征提取模块；
10、微调阶段，以批次和任务作为基本单元对目标域电力线缆数据的训练集进行划分，目标域电力线缆数据的训练集为目标域电力线缆数据中具有标签的电力线缆数据集合，分别使用元学习和迁移学习的预训练的状态监测与故障预测模型对目标域电力线缆数据进行分类，将两个状态监测与故障预测模型分类结果的得分融合后作为融合框架的最终分类结果。
11、进一步的，所述的元学习采用模型弱关联元学习策略，模型弱关联元学习策略的学习目标是通过参数优化算法，快速学习并适应新任务所需的最优参数，包括内循环和外循环两层循环模式；
12、所述的内循环使用基础学习器提取特定任务的特征，基础学习器为神经网络模型；所述的外循环使用元学习策略，通过梯度下降更新基础学习器的初始化参数。
13、进一步的，所述的s3中基于特征动态影响的神经网络算法的训练流程包括以下步骤：
14、s301、初始化神经网络的结构与参数，以适应不同电力线缆数据集的分布特性，表示为：
15、，
16、式中，为神经网络第层的权重参数，为均值为、方差为的正态分布初始化，为神经网络参数初始化的均值，为神经网络参数初始化的方差，为与输入维度对齐的正交扰动矩阵，确保神经网络初始参数对输入特征具有高敏感度；
17、为了对神经网络进行稀疏化优化，在初始化时根据输入电力线缆数据的复杂性估计神经网络的剪枝阈值，表示为：
18、，
19、式中，为神经网络的剪枝阈值，为神经网络的剪枝调节系数，为输入电力线缆数据的特征方差，为方差函数，为输入到神经网络的电力线缆数据特征；
20、s302、对于输入到神经网络的电力线缆数据，采用特征冗余抑制的方法，通过基于特征相关性权重参数的动态调节，削弱冗余特征的影响，相关性权重参数的计算方式表示为：
21、，
22、式中，为第个与第个特征的相关性系数，为特征和的协方差，为输入到神经网络的第个特征，为输本文档来自技高网...
【技术保护点】
1.基于人工智能的电力线缆发热状态监测与故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的电力线缆发热状态监测与故障预测方法，其特征在于：所述的S1中的电力线缆数据包括电缆的实时电流值Ra、电缆的温度值Da、环境温度Ca、环境湿度Fa、电缆的电压值Ga、风速Va、太阳辐射强度Ma、电缆的历史负载记录Ba、绝缘材料的老化程度Na、电缆接头的连接状态Ka。
3.根据权利要求1所述的基于人工智能的电力线缆发热状态监测与故障预测方法，其特征在于：所述的S2中的融合框架的训练过程包括预训练阶段和微调阶段；
4.根据权利要求3所述的基于人工智能的电力线缆发热状态监测与故障预测方法，其特征在于：所述的元学习采用模型弱关联元学习策略，模型弱关联元学习策略的学习目标是通过参数优化算法，快速学习并适应新任务所需的最优参数，包括内循环和外循环两层循环模式；
5.根据权利要求1所述的基于人工智能的电力线缆发热状态监测与故障预测方法，其特征在于，所述的S3中基于特征动态影响的神经网络算法的训练流程包括以下步骤：
6.
...【技术特征摘要】
1.基于人工智能的电力线缆发热状态监测与故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的电力线缆发热状态监测与故障预测方法，其特征在于：所述的s1中的电力线缆数据包括电缆的实时电流值ra、电缆的温度值da、环境温度ca、环境湿度fa、电缆的电压值ga、风速va、太阳辐射强度ma、电缆的历史负载记录ba、绝缘材料的老化程度na、电缆接头的连接状态ka。
3.根据权利要求1所述的基于人工智能的电力线缆发热状态监测与故障预测方法，其特征在于：所述的s2中的融合框架的训练过程包括预训练阶段和微调阶段；
4....
【专利技术属性】
技术研发人员：邵建英，邱慧敏，刘小莉，邱家生，
申请(专利权)人：赣州市金电电子设备有限公司，
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。