本發(fā)明涉及配電電纜網(wǎng)狀態(tài)感知，尤其涉及一種電纜通道狀態(tài)感知方法、系統(tǒng)、存儲介質(zhì)及設(shè)備。

背景技術(shù)：

1、隨著城市化進(jìn)程的加速，電力電纜作為城市電力輸送的“血管”，其安全性與可靠性直接關(guān)系到城市的正常運(yùn)轉(zhuǎn)和居民生活的質(zhì)量，然而，由于電力電纜普遍采用地下敷設(shè)方式，其運(yùn)行環(huán)境復(fù)雜多變且難以直接觀測，導(dǎo)致電纜故障的發(fā)現(xiàn)與維修面臨巨大挑戰(zhàn)，地下電纜通道內(nèi)電纜密集度高、排列復(fù)雜，加之供電距離長、通道環(huán)境惡劣(如存在有毒有害氣體、高溫高濕、積水等)，這些因素極大地增加了電纜運(yùn)行的風(fēng)險(xiǎn)。

2、傳統(tǒng)的電纜巡檢方式主要依賴于人工巡檢，但這種方法效率低下，不僅耗時(shí)耗力，還容易受到巡檢人員經(jīng)驗(yàn)、體力及環(huán)境因素的限制，難以全面、準(zhǔn)確地掌握電纜通道的實(shí)際狀況，更重要的是，在惡劣的通道環(huán)境下進(jìn)行人工巡檢，巡檢人員的人身安全也面臨嚴(yán)重威脅，因此，隨著智能電網(wǎng)的發(fā)展，對電纜通道運(yùn)維管理提出了更高要求，亟需一種高效、智能、安全的巡檢方式。

3、近年來，電纜通道風(fēng)險(xiǎn)演化及數(shù)字運(yùn)維技術(shù)成為研究熱點(diǎn)，該技術(shù)旨在通過綜合考慮電纜本體因素(如護(hù)層電流、線芯電流、中間接頭溫度等)、通道環(huán)境因素(如溫度、濕度、氣體濃度等)以及外力破壞等多種因素，建立電纜通道風(fēng)險(xiǎn)評估模型及仿真系統(tǒng)，以實(shí)現(xiàn)電纜通道運(yùn)行風(fēng)險(xiǎn)的準(zhǔn)確識別、評估及定位，這種技術(shù)不僅能夠提高巡檢效率，降低運(yùn)維成本，還能有效預(yù)防電纜故障，保障電網(wǎng)的安全穩(wěn)定運(yùn)行。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對上述問題，提出了一種電纜通道狀態(tài)感知方法。

2、一種電纜通道狀態(tài)感知方法，所述方法包括下列步驟：

3、實(shí)時(shí)采集電纜通道運(yùn)行狀態(tài)的若干個(gè)特征參數(shù)；

4、對所述若干個(gè)特征參數(shù)進(jìn)行降維處理，獲取融合特征向量；

5、構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，確定對應(yīng)的偏微分方程和損失函數(shù)；

6、根據(jù)所述融合特征向量對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述對應(yīng)的損失函數(shù)滿足閾值條件；

7、基于訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型確定待檢測電纜通道的運(yùn)行狀態(tài)。

8、上述方案中，所述實(shí)時(shí)采集電纜通道運(yùn)行狀態(tài)的若干個(gè)特征參數(shù)，具體包括：

9、獲取電纜通道不同敷設(shè)方式下的16種特征參數(shù)：電纜護(hù)層電流、電纜線芯電流、電纜中間接頭溫度、電纜局放電流、電纜載流量、接地電流、振動信息、環(huán)境溫度、濕度、一氧化碳濃度、硫化氫濃度、氧氣濃度、水位、煙霧濃度、振動參數(shù)、外破參數(shù)；

10、根據(jù)所述16種特征參數(shù)構(gòu)建一個(gè)向量序列：

11、x＝{x1,x2,…,xn}m×n

12、其中，n取16，表示樣本數(shù)量，m表示向量維數(shù)，xi表示第i個(gè)特征參數(shù)。

13、上述方案中，所述對所述若干個(gè)特征參數(shù)進(jìn)行降維處理，獲取融合特征向量，具體包括：

14、對所述特征參數(shù)進(jìn)行去中心化并獲取協(xié)方差矩陣：

15、

16、其中，a表示m×m維對稱方陣，x表示向量序列，xt表示向量序列的轉(zhuǎn)置矩陣；

17、對方陣a做特征分解：

18、a＝q∑q-1

19、其中，矩陣q包含的向量是方陣a的特征向量，∑表示m×m維對角方陣，對角線上的值即為特征根λi，其中，i＝1,2,…m；

20、預(yù)設(shè)λ1≥λ2≥…≥λm，選擇前k個(gè)特征根所在的特征向量ai構(gòu)成投影矩陣：

21、w＝[a1,a2,…,ak]

22、其中，ai表示m維列向量；

23、選擇前k個(gè)特征根確定貢獻(xiàn)系數(shù)kt；

24、根據(jù)由k個(gè)特征向量確定特征空間，并將原始數(shù)據(jù)投影到所述特征空間，獲得合并特征的樣本：

25、y＝wtx

26、其中，y表示融合后的特征向量，wt表示投影矩陣的轉(zhuǎn)置矩陣，x表示向量序列。

27、上述方案中，所述構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，確定對應(yīng)的偏微分方程和損失函數(shù)，具體包括：

28、

29、其中，和ω分別表示邊界與空間域，u(y,t)表示空間變量y(y1,y2,…,yk)在域ω和時(shí)間變量t在時(shí)間域中的解，i(y)和b(y,t)分別表示初始條件和邊界條件，n表示關(guān)于空間變量的偏微分算子，λ表示和物理信息相關(guān)的系數(shù)；

30、損失函數(shù)由初始條件、邊界條件和控制方程的殘差構(gòu)成：

31、l(θ)＝ωili(θ)+ωblb(θ)+ωrlr(θ)

32、其中，ωi，ωb，ωr分別表示初始條件、邊界條件和控制方程損失函數(shù)的權(quán)重。

33、上述方案中，所述始條件、邊界條件和控制方程的損失函數(shù)為：

34、

35、其中，θ表示神經(jīng)網(wǎng)絡(luò)模型中的所有參數(shù)，y和t表示輸入量，uθ表示神經(jīng)網(wǎng)絡(luò)模型在參數(shù)為θ下的輸出值，li(θ)表示初始條件的損失函數(shù)、lb(θ)邊界條件的損失函數(shù)，lr(θ)控制方程的損失函數(shù)。

36、上述方案中，所述根據(jù)所述融合特征向量對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述對應(yīng)的損失函數(shù)滿足閾值條件，具體包括：

37、利用coral遷移學(xué)習(xí)算法對所述特征參數(shù)進(jìn)行映射，獲取coral函數(shù)源域與目標(biāo)域特征的協(xié)方差距離：

38、

39、其中，cs和ct分別表示源域與目標(biāo)域的協(xié)方差矩陣，d表示神經(jīng)網(wǎng)絡(luò)輸出個(gè)數(shù)；

40、當(dāng)所述協(xié)方差距離處于預(yù)設(shè)范圍內(nèi)時(shí)，則該神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成。

41、上述方案中，所述獲基于訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型確定待檢測電纜通道的運(yùn)行狀態(tài)，具體包括：

42、將待檢測電纜通道的數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，確定電纜通道的運(yùn)行狀態(tài)，所述電纜通道的運(yùn)行狀態(tài)包括正常狀態(tài)、預(yù)警狀態(tài)和報(bào)警狀態(tài)。

43、本技術(shù)還提出了一種電纜通道狀態(tài)感知系統(tǒng)，所述系統(tǒng)包括：融合特征向量獲取單元、神經(jīng)網(wǎng)絡(luò)模型構(gòu)建單元、神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練單元和電纜通道狀態(tài)感知單元；

44、所述融合特征向量獲取單元，用于實(shí)時(shí)采集電纜通道運(yùn)行狀態(tài)的若干個(gè)特征參數(shù)；對所述若干個(gè)特征參數(shù)進(jìn)行降維處理，獲取融合特征向量；

45、所述神經(jīng)網(wǎng)絡(luò)模型構(gòu)建單元，用于確定對應(yīng)的偏微分方程和損失函數(shù)；

46、所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練單元，用于基于所述融合特征向量對所述構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述對應(yīng)的損失函數(shù)滿足閾值條件；

47、所述電纜通道狀態(tài)感知單元，用于基于訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型確定待檢測電纜通道的運(yùn)行狀態(tài)。

48、本技術(shù)還提出了一種可讀存儲介質(zhì)，存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如下步驟：實(shí)時(shí)采集電纜通道運(yùn)行狀態(tài)的若干個(gè)特征參數(shù)；

49、對所述若干個(gè)特征參數(shù)進(jìn)行降維處理，獲取融合特征向量；

50、構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，確定對應(yīng)的偏微分方程和損失函數(shù)；

51、根據(jù)所述融合特征向量對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述對應(yīng)的損失函數(shù)滿足閾值條件；

52、基于訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型確定待檢測電纜通道的運(yùn)行狀態(tài)。

53、本技術(shù)還提出了一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行如下步驟：

54、實(shí)時(shí)采集電纜通道運(yùn)行狀態(tài)的若干個(gè)特征參數(shù)；

55、對所述若干個(gè)特征參數(shù)進(jìn)行降維處理，獲取融合特征向量；

56、構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，確定對應(yīng)的偏微分方程和損失函數(shù)；

57、根據(jù)所述融合特征向量對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述對應(yīng)的損失函數(shù)滿足閾值條件；

58、基于訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型確定待檢測電纜通道的運(yùn)行狀態(tài)。

59、采用本發(fā)明實(shí)施例，具有如下有益效果：先實(shí)時(shí)采集電纜通道運(yùn)行狀態(tài)的若干個(gè)特征參數(shù)；對所述若干個(gè)特征參數(shù)進(jìn)行降維處理，獲取融合特征向量；構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，確定對應(yīng)的偏微分方程和損失函數(shù)；根據(jù)所述融合特征向量對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述對應(yīng)的損失函數(shù)滿足閾值條件；基于訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型確定待檢測電纜通道的運(yùn)行狀態(tài)。本發(fā)明通過結(jié)合實(shí)時(shí)數(shù)據(jù)采集、數(shù)據(jù)降維與融合、神經(jīng)網(wǎng)絡(luò)模型構(gòu)建與訓(xùn)練的技術(shù)手段，實(shí)現(xiàn)了對電纜通道運(yùn)行狀態(tài)的高效、準(zhǔn)確感知，為電纜系統(tǒng)的安全穩(wěn)定運(yùn)行提供了有力保障，這種方法結(jié)合了深度學(xué)習(xí)模型，能夠?qū)⒏嗑S的信息進(jìn)行考慮，從而更精準(zhǔn)智能的確認(rèn)和識別電纜系統(tǒng)狀態(tài)。