[发明专利]一种基于异质数据综合分析的电缆检修预警方法及系统

权利要求书

1.一种基于异质数据综合分析的电缆检修预警方法，其特征在于，所述方法包括：

对包含异质数据的电力电缆数据进行处理，获取标准化且带标识的电力电缆数据，包括：利用均值填充法对包含异质数据的电力电缆数据进行填充；对填充后的电力电缆数据进行连续化处理，使用整数替换法将离散型的电力电缆数据转换为连续型的电力电缆数据；对所述连续型的电力电缆数据进行归一化处理，获取归一化处理后的电力电缆数据；对所述归一化处理后的电力电缆数据进行自标注处理，将电力电缆的检修数据信息与归一化处理后的电力电缆数据进行关联，获取标准化且带标识的电力电缆数据；其中，所述电力电缆数据包括：电缆属性与状态数据、通道环境数据和电缆状态评价数据；

利用所述标准化且带标识的电力电缆数据采用卷积神经网络进行监督学习，将检修决策知识内化为卷积网络中的参数，获取训练好的卷积神经网络模型，包括：采用卷积神经网络进行监督学习，在输入层输入所述标准化且带标识的电力电缆数据，对所述标准化且带标识的电力电缆数据进行第一预设次数阈值的卷积、PReLU激活和池化处理，将经过卷积、PReLU激活和池化处理的电力电缆数据进行第二预设次数阈值的全连接处理，并将处理结果利用Softmax分类器输出，将检修决策知识内化为卷积网络中的参数，获取训练好的卷积神经网络模型；利用Adam算法优化采用卷积神经网络进行监督学习中各处理过程之间的链接权重参数；

利用所述训练好的卷积神经网络模型对实时采集的电力电缆数据进行分析与挖掘，获取输出层的概率信息，根据所述概率信息对电力电缆的运行状态进行评价，并根据评价结果向管理人员推送检修预警信息。

2.根据权利要求1所述的方法，其特征在于，所述对所述连续型的电力电缆数据进行归一化处理，包括：

x_new＝(x-x_min)/(x_max-x_min)，

其中，x_new为归一化处理后的当前属性的值；x_min为当前属性的最小值；x_max为当前属性的最大值；x为当前属性的值。

3.根据权利要求1所述的方法，其特征在于，所述检修预警信息的推送方式包括：系统内部消息、短信和电话。

4.一种基于异质数据综合分析的电缆检修预警系统，其特征在于，所述系统包括：

数据处理单元，用于对包含异质数据的电力电缆数据进行处理，获取标准化且带标识的电力电缆数据，包括：利用均值填充法对包含异质数据的电力电缆数据进行填充；对填充后的电力电缆数据进行连续化处理，使用整数替换法将离散型的电力电缆数据转换为连续型的电力电缆数据；对所述连续型的电力电缆数据进行归一化处理，获取归一化处理后的电力电缆数据；对所述归一化处理后的电力电缆数据进行自标注处理，将电力电缆的检修数据信息与归一化处理后的电力电缆数据进行关联，获取标准化且带标识的电力电缆数据；其中，所述电力电缆数据包括：电缆属性与状态数据、通道环境数据和电缆状态评价数据；

模型获取单元，用于利用所述标准化且带标识的电力电缆数据采用卷积神经网络进行监督学习，将检修决策知识内化为卷积网络中的参数，获取训练好的卷积神经网络模型，包括：采用卷积神经网络进行监督学习，在输入层输入所述标准化且带标识的电力电缆数据，对所述标准化且带标识的电力电缆数据进行第一预设次数阈值的卷积、PReLU激活和池化处理，将经过卷积、PReLU激活和池化处理的电力电缆数据进行第二预设次数阈值的全连接处理，并将处理结果利用Softmax分类器输出，将检修决策知识内化为卷积网络中的参数，获取训练好的卷积神经网络模型；利用Adam算法优化采用卷积神经网络进行监督学习中各处理过程之间的链接权重参数；

检修预警单元，用于利用所述训练好的卷积神经网络模型对实时采集的电力电缆数据进行分析与挖掘，获取输出层的概率信息，根据所述概率信息对电力电缆的运行状态进行评价，并根据评价结果向管理人员推送检修预警信息。

5.根据权利要求4所述的系统，其特征在于，所述对所述连续型的电力电缆数据进行归一化处理，包括：

x_new＝(x-x_min)/(x_max-x_min)，

其中，x_new为归一化处理后的当前属性的值；x_min为当前属性的最小值；x_max为当前属性的最大值；x为当前属性的值。

6.根据权利要求4所述的系统，其特征在于，所述检修预警信息的推送方式包括：系统内部消息、短信和电话。