一种基于多源数据的自适应概率神经网络高压电缆状态评估方法与流程

本发明涉及高压电缆维护的，尤其涉及一种基于多源数据的自适应概率神经网络高压电缆状态评估方法。

背景技术：

1、高压电缆作为电力系统的关键组成部分，其状态的可靠性直接影响到整个电力网络的稳定性和安全性。这些电缆通常埋设在地下或水下，使得它们的检测和维护变得尤为复杂和困难。在传统的电缆状态评估方法中，如电气测试、视觉检查、热像技术等，通常是间断性的，并且无法提供实时数据，这些方法往往依赖于专业人员的经验和判断，可能受到主观因素的影响，而且在早期故障预测方面效果有限。

2、随着物联网和大数据技术的发展，我们现在可以从多个来源实时收集关于高压电缆的数据，包括温度、电流、湿度和环境因素等。多源数据的综合分析能够提供一个关于电缆状态更全面和精确的视图，从而有助于从预防性维护转向预测性维护。在此背景下，概率神经网络在处理不确定性和非线性问题方面显示出巨大潜力，特别适合于复杂系统状态的评估，这种网络可以基于历史和实时数据学习电缆故障的模式，并且与传统算法相比，在数据驱动的决策支持系统中显示出更高的灵活性和准确性。

3、考虑到电缆运行环境和状态的多变性，传统的算法在在处理动态变化、异常数据和非平稳性数据方面表现存在不足，一种自适应的评估方法显得尤为重要。这种方法能够根据实时数据自动调整评估模型，以适应新的数据和条件，自适应方法可以实时调整评估参数，减少误报和漏报，提高电缆故障预测的可靠性。近年来，人工智能和机器学习在电力行业的应用越来越广泛，研究表明结合多源数据和先进算法可以显著提高电力设备的状态评估精度。

4、综上所述，基于多源数据的自适应概率神经网络(adaptive probabilisticneural network,apnn)对于高压电缆状态的评估不仅是一种创新，也是对现有技术的重要补充和提升，这种方法在提高电缆监测的准确性和效率方面具有重大的实用价值和广阔的应用前景。为此，提出一种基于多源数据的自适应概率神经网络高压电缆状态评估方法很有必要。

技术实现思路

1、有鉴于此，有必要提供基于多源数据的自适应概率神经网络高压电缆状态评估方法，提高了对电缆故障早期诊断的敏感性，而且能够在复杂和多变的运行环境下保持高水平的预测准确性，解决了目前存在的现有的传统高压电缆状态评估算法中网络在面对变化的数据特征时学习和适应能力不足、评估的准确性和效率有待进一步提升等相关问题。

2、本发明提供一种基于多源数据的自适应概率神经网络高压电缆状态评估方法，包括以下步骤：

3、步骤s1：选择电缆状态评估指标，建立评估指标集与状态等级划分，搭建多源数据的传感器网络布局与数据收集机制，采集与高压电缆状态评估相关的多源数据；

4、步骤s2：对采集到的高压电缆多源数据进行数据预处理，进行异常值检测与缺失值处理，对相关数据进行标准化，得到预处理后的样本数据；

5、步骤s3：构建apnn自适应概率神经网络，划分预处理后的样本数据作为训练集和测试集，使用历史数据和已知的电缆故障案例来训练神经网络，训练过程中apnn根据实时数据流自动更新其参数以适应新的数据模式和变化趋势；

6、步骤s4：利用训练好的apnn网络对高压电缆状态进行评估，输出相关状态分类的评估值。

7、进一步的，所述步骤s1中建立的评估指标集划分为静态基础指标和动态可变指标，其中静态基础指标包括设备基本信息：电压等级、运行年限、历史故障率、负荷类型；动态指标包括运检状态信息、运行状态信息、隧道环境信息，其中运检状态信息包括绝缘电阻、偏心率、局部放电、介质损耗；运行状态信息包括电缆温度、温升速率、电缆负载、循环电流、机械应力；隧道环境信息包括环境湿度、环境温度、氧气浓度、甲烷浓度、一氧化碳浓度、硫化氢浓度、氯气浓度、水位信息；所述建立的状态等级进行划分，具体将评估等级划分为健康、注意、异常、故障、严重故障五个等级。

8、进一步的，所述步骤s1中采集与高压电缆状态评估相关的多源数据具体包括：在电缆关键节点部署多种类型的传感器，包括热电偶、电压和电流传感器、绝缘监测设备、以及环境监测设备，实施高频率采样策略以捕获电缆状态的即时变化，采用数据融合技术确保从不同来源收集的数据在时间和空间上的一致性。

9、进一步的，所述步骤s2中对采集到的高压电缆多源数据进行数据预处理，具体包括：

10、s21.应用插值方法来估计缺失值完成缺失数据的处理，使用四分位距方法检测异常值；

11、s22.使用z-分数标准化对数据进行标准化，以消除影响因素属性之间差异性：

12、

13、其中，μ是平均值，σ是标准差，所述影响因素包括温度、负荷。

14、进一步的，所述步骤s3具体包括：

15、s31.构建适用于高压电缆状态评估的apnn自适应概率神经网络；

16、s32.将预处理后样本数据分别划分为训练集和测试集，确保充分的训练样本用于apnn模型的学习，使用独立的测试集评估模型的性能，通过反向传播算法和梯度下降等技术对网络进行训练以最小化预测误差，梯度下降过程中的学习率进行动态调整，以提高收敛速度并避免陷入局部极小值；引入交叉验证方法，对apnn模型进行多次训练和评估，以验证其在不同数据子集上的泛化能力，确保模型对多样化数据的适应性；；

17、s33.实时监控网络输入，对电缆状态输入数据的高频率采样，确保模型能够及时感知电缆状态的变化，当检测到动态指标显著变化时，触发自适应调整机制，网络根据实时数据自动调整其参数，以适应新的数据分布和特征，实现网络的在线学习，以持续适应电缆状态的动态变化，在不中断评估和状态预测的同时，适应电缆状态的演化。

18、进一步的，所述apnn自适应概率神经网络的网络架构由输入层、模式层、汇总层、输出层构成，apnn的自适应性是通过动态调整模式层中的参数来实现的，网络在接收新数据时会更新这些参数，以便更好地反映当前数据的特性。

19、进一步的，所述模式层中的参数包括第i个训练样本的均值向量mi和标准差σi。

20、采取上述技术方案带来的有益效果：

21、本发明与现有技术相比，选择合理、全面的电缆状态评估指标，构建评估指标集与状态等级划分，搭建多源数据的传感器网络布局与数据收集机制，采集与高压电缆状态评估相关的多源数据，构建出一个全面、科学的高压电缆状态评估指标集合，使得电缆状态评估更具综合性，能够准确反映电缆的实际运行状况，为后续的状态评估提供了更为丰富和全面的信息基础，有助于及时发现潜在问题，提高电缆系统的可靠性；本发明利用自适应概率神经网络对高压电缆的状态进行智能评估，结合了概率理论和神经网络的优点，相较于现有技术能够高效处理和分析大量的电缆相关数据，使网络在面对变化的数据特征时能够更快速、更准确地学习和适应变化的数据特征，从而提高评估的准确性和效率；本发明在实际应用中，引入自适应性机制，使得网络能够实时接收新的监测数据，并自动调整其结构和参数以适应新的数据特性，相比于传统的电缆状态评估方法，自适应机制的加入不仅提高了对电缆故障早期诊断的敏感性，而且能够在复杂和多变的运行环境下保持高水平的预测准确性，为电缆系统的智能监测和管理提供了前所未有的灵活性和效能。