[发明专利]基于温差长短时记忆网络学习的电缆接头故障预测方法

权利要求书

1.一种基于温差长短时记忆网络学习的电缆接头故障预测方法，其特征在于：首先，采集电缆中间接头附件多个位置点的温度，并计算这些位置点温度与环境温度的温差值；其次，将时间序列的多个位置点温差值作为模型输入，建立基于长短时记忆网络的故障预测模型；然后，构建数据集对模型进行训练，并采用多元宇宙优化算法对模型的关键参数进行优化；最后，采集多条电力电缆中间接头多个位置点的时间序列温差值，采用建立的模型对中间接头故障进行预测。

2.根据权利要求1所述的基于温差长短时记忆网络学习的电缆接头故障预测方法，其特征在于：

在中间接头的两端安置采集点A1和B1，并在对称两端分别安置采集点A2、A3、A4和B2、B3、B4，采集点之间间隔50CM,将这些位置点温度与环境温度的温差值作为接头温度变化的依据，设采集的环境温度为t₀，8个位置采集的温度值为t₁～t₈，则8个位置的温差值为：

T_i＝|t_i-t₀|,i∈[1,8]。

3.根据权利要求2所述的基于温差长短时记忆网络学习的电缆接头故障预测方法，其特征在于：

所述长短时记忆网络的故障预测模型包括：数据输入、深度网络、输出预测、参数优化4个部分：

数据输入：将8个位置的温差值时间序列作为模型的输入，x_t＝{T₁,T₂,…,T₈}，采用z-score对时间序列数据进行标准化，然后将时间序列数据X进行分割，X＝{X₁,X₂,…,X_L}，分割为L个窗口数据作为模型输入；

深度网络：网络层采用LSTM搭建深度学习网络，采用单层的LSTM网络搭建模型，输入的数据首先经输入嵌入层作为LSTM的输入，每一层LSTM的输出作为下一层LSTM的输入，将所有LSTM的输出P＝{P₁,P₂,…,P_L}，经全连接层映射成一个一维的数据；

输出预测：将全连接层映射成的一维数据，通过Softmax函数激活输出，预测未来12小时内是否故障发生；

参数优化：在构建接头故障预测模型中，将分割窗口长度L、LSTM隐层数量S采用多元宇宙优化算法进行参数优选，将模型输出与理论输出的均方根误差RMSE作为模型训练的损失函数。

4.根据权利要求3所述的基于温差长短时记忆网络学习的电缆接头故障预测方法，其特征在于，具体包括以下步骤：

步骤S1：采集电缆中间接头周边8个位置点温差时间序列数据构建数据集，采用z-score对时间序列数据进行标准化，70％作为训练数据，30％作为测试数据；

步骤S2：基于LSTM构建故障预测模型，并对模型参数进行初始化，其中的分割窗口长度L、LSTM网络的隐层数量，S作为待优化参数：

步骤S3：初始化多元宇宙优化算法，初始化L和S，以及最大迭代次数和宇宙位置；

步骤S4：基于L和S参数进行模型训练和预测，将模型输出与理论输出的均方根误差RMSE作为模型训练的适应度值，也就是宇宙膨胀率；

步骤S5：宇宙膨胀率计算，根据宇宙膨胀率排列宇宙并通过轮盘赌机制选择一个白洞；

步骤S6：更新虫洞存在概率W_EP和旅行距离率T_DR，以便在获得的全局最佳范围内进行更精确的局部搜索；

步骤S7：计算当前宇宙膨胀率：若宇宙膨胀率优于当前宇宙膨胀率，则更新当前宇宙膨胀率，否则保持当前宇宙；

步骤S8：执行宇宙的个体位置更新，寻找最优个体；

步骤S9：终止条件判定：若满足最大迭代次数，则输出对应L、S参数值，否则迭代次数加1，返回执行步骤S4；

步骤S10：基于最优L和S参数建立故障预测模型，并采用测试数据集进行验证；

步骤S11：现场实时采集8个位置点温差时间序列数据通过建立的故障预测模型进行电缆中间接头故障预测。