[发明专利]基于时空网络增强深度学习的电缆健康状态智能预警方法

说明书

本发明是基于时空网络增强深度学习的电缆健康状态智能预警方法，包括以下步骤：1）通过智能数据采集系统采集电缆的多种电缆监测数据；2）将（t‑n,t）时间段内的高维电缆监测数据输入LSTM预测模型，通过输入控制、遗忘控制和输出控制，分别控制信息的丢弃、更新、输出，然后输出（t,t+m）时间段内的预测值；3）利用PCA主成分分析降维的思想，把多特征量转化为少数几个主特征成分，将主成分结构封装成模型；4）对新样本的主成分特征进行基于CNN卷积神经网络分类预测，通过卷积提取特征、池化降维、归一化求概率；5）依据概率值获得最终的电缆健康状态分类；本发明了实现电缆运行状态的预测，并根据预测结果进行预警提示。

技术领域

本发明涉及电缆运行健康状态监测技术领域，具体是基于时空网络增强深度学习的电缆健康状态智能预警方法。

背景技术

随着隧道电缆数量逐年大幅度攀升，电缆服役时间、隧道环境、工况参数等多因素耦合作用下，电缆的服役安全问题日益突出，准确高效地预警电缆健康状态，实现预知性检修，成为保障电缆服役安全的重要手段，这一点已经成为广泛共识。

目前电缆健康状态的预警主要包括两种方式：1）通过设置一个或者多个阈值的实现多级预警，设置具有普适性的阈值难度非常大，导致报警难、误报多；2）传统的机器学习预测方法无法在较长时间跨度上对特征进行关联存储，在参数优化过程中面临着梯度消失的局限性。

发明内容

本发明的目的就是为了解决上述目前电缆健康状态预警技术存在的问题，提供基于时空网络增强深度学习的电缆健康状态智能预警方法，能够对电缆潜在的运行故障进行预警，优化预警准确性。

本发明的具体方案是：基于时空网络增强深度学习的电缆健康状态智能预警方法，采用智能预警系统进行预警，所述智能预警系统包括依次连接的数据采集系统、智能分析服务器、故障预警服务器，所述智能分析服务器还连接有数据存储服务器，所述智能预警包括以下步骤：

1）通过智能数据采集系统采集电缆的多种电缆监测数据；

2）将（t-n,t）时间段内的高维电缆监测数据输入LSTM预测模型，通过输入控制、遗忘控制和输出控制，分别控制信息的丢弃、更新、输出，然后输出（t, t+m）时间段内的预测值；

3）利用PCA主成分分析降维的思想，把多特征量转化为少数几个主特征成分，将主成分结构封装成模型；

4）对新样本的主成分特征进行基于CNN卷积神经网络分类预测，通过卷积提取特征、池化降维、归一化求概率；

5）依据概率值获得最终的电缆健康状态分类。

本发明所述步骤1）中多种电缆监测数据包括局放、温度、负荷、环流等具有明显的时间关联特征以及高维特征的参数。

本发明所述电缆监测数据根据设定的采集周期进行周期性采集并上传至智能分析服务器。

本发明也可以通过智能分析服务器周期性下发数据获取请求获取缓存于数据采集集群的电缆监测数据。

本发明所述步骤5）中健康状态分类为健康模式、亚健康模式、预警模式及告警模式。

本发明所述数据的采集包括相互关联的每一个测点与前后几个不同测点的数据，还包括A、B、C三相电缆上同一位置相互关联的测点数据。

本发明所述LSTM时间序列预测包括LSTM物联网时间序列预测模型，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，能够很好的对长期、短期、甚至弱时间依赖性的物联网时序数据进行预测。

本发明所述PCA主成分分析是是一种使用最广泛的数据降维算法，将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的，能够有效简化数据结构。