[發(fā)明專利]基于人工智能的地下電纜故障預(yù)警方法和預(yù)警系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011166762.0
• 申請(qǐng)日: 2020-10-27
• 公開（公告）號(hào): CN112215197A
• 公開（公告）日: 2021-01-12
• 發(fā)明（設(shè)計(jì)）人: 馬浩;印琪民;王嘉寅;鮑俊;周泉;管穎;張淯淏
• 申請(qǐng)（專利權(quán)）人: 華能國際電力股份有限公司上海石洞口第一電廠
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08;G16Y10/25
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 劉愛珍

本發(fā)明公開了一種基于人工智能的地下電纜故障預(yù)警方法，由監(jiān)控預(yù)警主站向電纜參數(shù)檢測(cè)單元發(fā)送詢問信號(hào)；電纜參數(shù)檢測(cè)單元接收到詢問信號(hào)后，啟動(dòng)電纜參數(shù)采集，并向監(jiān)控預(yù)警主站發(fā)送檢測(cè)值；監(jiān)控預(yù)警主站接收到檢測(cè)值后，運(yùn)行基于卷積神經(jīng)網(wǎng)絡(luò)的人工智能的預(yù)警算法，判斷地下電纜的狀態(tài)，并對(duì)電纜故障進(jìn)行預(yù)警。本發(fā)明公開了一種基于人工智能的地下電纜故障預(yù)警系統(tǒng)。本發(fā)明的基于人工智能的地下電纜故障預(yù)警方法，基于卷積神經(jīng)網(wǎng)絡(luò)的人工智能的預(yù)警算法對(duì)電纜故障進(jìn)行預(yù)警，極大地提高了預(yù)測(cè)的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及地下電纜監(jiān)測(cè)領(lǐng)域，尤其涉及基于人工智能的地下電纜故障預(yù)警方法和預(yù)警系統(tǒng)。

背景技術(shù)

在火力發(fā)電廠廠區(qū)內(nèi)，動(dòng)力電纜大部分敷設(shè)于地下。由于電纜高電壓、高電流及高溫運(yùn)行，容易發(fā)生過流、絕緣老化、擊穿等故障，嚴(yán)重時(shí)可引發(fā)火災(zāi)。因此，對(duì)地下電纜的的溫度、電流等參數(shù)進(jìn)行監(jiān)測(cè)、分析、處理，及時(shí)預(yù)警故障，對(duì)保障電纜及電廠的安全可靠運(yùn)行具有重要的意義。

溫度和電流等參數(shù)是電纜運(yùn)行的主要監(jiān)測(cè)參數(shù)；溫度過高、電流過載是故障預(yù)警的關(guān)鍵判據(jù)。但是電纜發(fā)生故障是一個(gè)復(fù)雜的非線性過程，由多個(gè)因素共同作用形成；并且電纜溫度受電流、環(huán)境溫度等影響，往往無法直接根據(jù)溫度、電流判斷故障類型和預(yù)警。現(xiàn)有故障預(yù)警方法采用溫度或者電流超過閾值就報(bào)警的方式，不能解決電流和溫度相互影響的問題，準(zhǔn)確性往往不高。

其次，由于電纜的地下敷設(shè)環(huán)境惡劣，有線監(jiān)測(cè)方式安裝困難；而現(xiàn)有的無線監(jiān)測(cè)方法，其采用的無線通訊技術(shù)，例如ZIGBEE、藍(lán)牙等，普遍存在功耗大、發(fā)送距離短、穿透能力差等問題，無法適應(yīng)火力發(fā)電廠廠區(qū)內(nèi)地下電纜深埋、范圍廣的特點(diǎn)，以及在地上集中監(jiān)測(cè)、故障預(yù)警的需要。

發(fā)明內(nèi)容

為了解決上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于人工智能的地下電纜故障預(yù)警方法和預(yù)警系統(tǒng)。

本發(fā)明所要解決的技術(shù)問題通過以下技術(shù)方案予以實(shí)現(xiàn)：

一種基于人工智能的地下電纜故障預(yù)警方法，其特征在于，包括如下步驟：

S1、監(jiān)控預(yù)警主站向電纜參數(shù)檢測(cè)單元發(fā)送詢問信號(hào)；

S2、電纜參數(shù)檢測(cè)單元接收到詢問信號(hào)后，啟動(dòng)電纜參數(shù)采集，并向監(jiān)控預(yù)警主站發(fā)送檢測(cè)值；

S3、監(jiān)控預(yù)警主站接收到檢測(cè)值后，運(yùn)行基于卷積神經(jīng)網(wǎng)絡(luò)的人工智能的預(yù)警算法，判斷地下電纜的狀態(tài)，并對(duì)電纜故障進(jìn)行預(yù)警。

進(jìn)一步的，所述卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的輸入層、隱含層、全連接層、和輸出層；所述隱含層由多個(gè)卷積層與池化層交叉堆疊而成；

所述步驟S3中，基于卷積神經(jīng)網(wǎng)絡(luò)的人工智能的預(yù)警算法包括以下步驟：

S31、輸入層輸入檢測(cè)值的原始數(shù)據(jù)并傳輸給隱含層；

S32、隱含層通過卷積層與池化層對(duì)原始數(shù)據(jù)進(jìn)行逐層特征提取，完成低層次特征到高層次特征的變換，實(shí)現(xiàn)特征學(xué)習(xí)；

S33、全連接層將卷積層與池化層傳遞后最終得到的特征向量連接在一起形成一維向量；

S34、輸出層通過分類器對(duì)一維向量數(shù)據(jù)進(jìn)行分類并完成診斷；

其中，步驟S32中，卷積層與池化層對(duì)原始數(shù)據(jù)進(jìn)行逐層特征提取時(shí)，每層特征提取的方法如下：

S321、卷積層對(duì)輸入該層的原始數(shù)據(jù)與卷積核進(jìn)行卷積運(yùn)算，實(shí)現(xiàn)特征向量提取；

S322、池化層對(duì)卷積層提取的特征向量進(jìn)行降維。

進(jìn)一步的，所述隱含層和全連接層之間還具有Concat層；