[发明专利]一种电缆终端头的温度预测方法及装置

说明书

本发明公开了一种电缆终端头的温度预测方法及装置，其方法包括：获取待测电缆终端头的基础数据和电缆数据库的训练样本，所述训练样本包括电缆历史温度数据及对应的样本类别标签，从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据，通过模拟退火算法，根据所述电缆历史温度数据及对应的样本类别标签，建立长短期记忆网络模型，将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型，计算得到所述待测电缆终端头的温度预测结果数据。有利于解决现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题，提高了电缆终端头内部温度的预测准确性。

技术领域

本发明涉及电缆终端头温度的技术领域，尤其涉及一种电缆终端头的温度预测方法及装置。

背景技术

目前，三芯电缆由于其占地面积小、适用范围广、敷设环境要求较低等优点，被广泛应用于城市供电系统中。三芯电缆是由电缆本体及其终端组成，电缆终端头作用是装配到电缆线路的首末端，用以完成与其他电气设备连接的装置。由于电缆终端结构复杂，是由多层介质组合叠加而成，在不同介质的分界面积聚的空间电荷引起电场强度过高使电缆终端成为电缆的薄弱环节，容易发生过热等故障，造成绝缘劣化，甚至引起火灾、爆炸等问题，危害电力系统供电可靠性和人身安全。

长短期记忆神经网络（Long Short ShortTery，LSTM）是基于循环神经网络改进（Recurrent Neural Networks，RNN）的一种人工智能算法，是一种有效的非线性循环神经网络，可以兼顾数据的时序性和非线性关系，充分反映输入时间序列数据中的长期历史过程，对于时序性数据有较好的学习和预测能力，适用于三芯电缆终端头内部温度预测研究。

因此，为了提高电缆终端头内部温度的预测准确性，解决目前存在的现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题，亟需构建一种电缆终端头的温度预测方法。

发明内容

本发明提供了一种电缆终端头的温度预测方法及装置，解决了目前存在的现有的电缆终端头温度预测方法因采用遗传算法导致在参数优化时存在收敛较慢和易陷入局部最优等缺陷的技术问题。

第一方面，本发明提供了一种电缆终端头的温度预测方法，包括：

获取待测电缆终端头的基础数据和电缆数据库的训练样本；所述训练样本包括电缆历史温度数据及对应的样本类别标签；

从所述基础数据中提取得到所述待测电缆终端头对应电缆的实际温度数据；

通过模拟退火算法，根据所述电缆历史温度数据及对应的样本类别标签，建立长短期记忆网络模型；

将所述待测电缆终端头对应电缆的实际温度数据输入所述长短期记忆网络模型，计算得到所述待测电缆终端头的温度预测结果数据。

可选地，获取待测电缆终端头的基础数据和电缆数据库的训练样本，包括：

获取待测电缆终端头的初始基础数据和电缆数据库的初始训练样本；

对所述初始基础数据和述初始训练样本进行标准化处理，得到所述待测电缆终端头的基础数据和所述电缆数据库的训练样本。

可选地，通过模拟退火算法，根据所述电缆历史温度数据及对应的样本类别标签，建立长短期记忆网络模型，包括：

根据所述电缆历史温度数据及对应的样本类别标签，建立长短期记忆网络初步模型；

基于所述电缆历史温度数据及对应的样本类别标签，通过所述模拟退火算法，对所述长短期记忆网络初步模型进行训练，得到训练后的长短期记忆网络初步模型；

基于所述电缆历史温度数据及对应的样本类别标签，验证所述训练后的长短期记忆网络初步模型，得到所述长短期记忆网络模型。

可选地，基于所述电缆历史温度数据及对应的样本类别标签，通过所述模拟退火算法，对所述长短期记忆网络初步模型进行训练，得到训练后的长短期记忆网络初步模型，包括：