电力电缆寿命估计的方法及系统

摘要

本发明公开了一种电力电缆寿命估计的方法及系统，该方法包括：获取电缆待测样本在N个类型环境下对应的N个电缆训练样本的相关信息；根据出厂设计年限t和真实服役时间treal计算得到相对服役时间t*；对每个所述电缆训练样本依据预设绝缘状态指标进行检测，对获取到的检测数据进行预处理，得到预处理后的检测数据li；建立电缆寿命估计的神经网络模型，并训练所述神经网络模型得到电缆寿命估计模型；利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计，得到所述电缆待测样本的寿命估计结果，实现了对电缆待测样本进行将绝缘状态指标和所处的环境情况作为依据的离线寿命估计，达到了提高电力电缆的寿命估计结果的实用性，从而提高电网安全性的目的。

说明书

技术领域

本发明涉及电力电缆技术领域，特别是涉及一种电力电缆寿命估 计的方法及系统。

背景技术

随着电网建设的持续发展，电力电缆作为输送电能的重要设备， 其在实际使用过程中，通常会因绝缘老化引发事故而给电网带来安全 隐患。因此，需要对在役电缆进行寿命估计，为线路维护及运行策略 的制订提供依据。

目前，通常采用温松弛电流法、差示扫描热量法及经验公式法等 方法来估计电力电缆的寿命并得到寿命估计结果，并且，上述电力电 缆寿命估计方法多为基于电力电缆在线检测的寿命估计。然而，这样 的估计方法可能会使参与寿命估计的电力电缆产生记忆效应，而该记 忆效应会在电力电缆运行过程中使其承受过电压，使得电力电缆在参 与寿命估计后的使用过程中极易受到损伤，导致该电力电缆的实际寿 命小于上述寿命估计结果，此时，如果仍以上述寿命估计结果为依据 来进行线路维护和制定运行策略，比如依据上述寿命估计结果推导出 电力电缆能支撑到九月，进而做好九月对该电力电缆进行维护或更换 的安排与准备，但是由于该电力电缆的实际寿命小于上述寿命估计结 果，使得该电力电缆在不到九月就不能进行正常的传输工作，导致突 然断电影响用户正常的生活，甚至发生漏电等危险情况，显然，上述 寿命估计结果已不再适应于当下的电力电缆，降低了上述寿命估计结 果的实用性，从而降低了电网的安全性。

发明内容

有鉴于此，本发明提供了一种电力电缆寿命估计的方法及系统， 以达到提高电力电缆的寿命估计结果的实用性，从而提高电网安全性 的目的。

为解决上述技术问题，本发明提供一种电力电缆寿命估计的方 法，包括：

获取电缆待测样本在N个类型环境下对应的N个电缆训练样本的 相关信息；

其中，所述电缆训练样本的相关信息至少包括：所述电缆待测样 本的出厂设计年限t，真实服役时间t_real和每个所述电缆训练样本相对 应的环境参数w_i，i＝1,2,3,…,N，所述环境参数w_i＝[w_i1,w_i2,w_i3,…,w_im]^T， m为所述环境参数中所包含的参数个数；

根据出厂设计年限t和真实服役时间t_real计算得到相对服役时间t_*， 其中，t_*＝t_real/t；

对每个所述电缆训练样本依据预设绝缘状态指标进行检测，对获 取到的检测数据进行预处理，得到预处理后的检测数据l_i；其中，所 述预处理后的检测数据l_i＝[l_i1,l_i2,l_i3,…,l_in]^T，n为所述预设绝缘状态指标 所包含的指标个数；

建立电缆寿命估计的神经网络模型，并以N个所述电缆训练样本 所对应的环境参数w_i和预处理后的检测数据l_i为输入，N个所述电缆训 练样本所属的所述电缆待测样本的相对服役时间t_*为输出，训练所述 神经网络模型得到电缆寿命估计模型；

利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估计， 得到所述电缆待测样本的寿命估计结果。

优选的，建立电缆寿命估计的神经网络模型，并以N个所述电缆 训练样本所对应的环境参数w_i和预处理后的检测数据l_i为输入，N个所 述电缆训练样本所属的所述电缆待测样本的相对服役时间t_*为输出， 训练所述神经网络模型得到电缆寿命估计模型，包括：

以N个所述电缆训练样本所对应的环境参数w_i和预处理后的检 测数据l_i为样本输入x_i，N个所述电缆训练样本所属的所述电缆待测 样本的相对服役时间t_*为样本输出y_i，建立训练样本集合其中，所述训练样本集合中，样本输入x_i与样本输出y_i一一对 应；

设定所述神经网络模型中的神经元数量第j个神经元和输入 节点之间的内权权重列向量ω_j和第j个神经元的偏置值列向量b_j；其 中，$j=\mathrm{1,2,3},...,\bar{N};$

依据所述神经元数量第j个神经元和输入节点之间的内权权 重列向量ω_j和第j个神经元的偏置值列向量b_j计算得到神经元矩阵 H；其中，G(·)为Sigmodal函数，i＝1,2,…,N；

依据所述神经元矩阵H计算得到所述神经网络模型中第j个神经 元和输出节点之间的外权权重列向量

其中H⁺＝(H^TH)^-1H^T为所述神经元矩阵H的 Moore-Penrose广义逆，Y＝[y₁,y₂,…,y_N]^T为所述训练样本集合中 的样本输出；

依据所述神经元矩阵H和所述外权权重列向量得到电缆寿命估 计模型F(·)；其中，$F\left(z\right)=\underset{i=1}{\overset{\bar{N}}{\Sigma }}\widehat{{\beta }_i}G({\omega }_i^{T}z+b_i).$

优选的，利用所述电缆寿命估计模型对所述电缆待测样本进行寿 命估计，得到所述电缆待测样本的寿命估计结果，包括：

将所述电缆待测样本的环境参数列向量w和所述预处理后的检测 数据l构成的列向量z输入所述电缆寿命估计模型得到所述电缆待测样本的相对服役时间

其中，w＝[w₁,w₂,…,w_N],l＝[l₁,l₂,…,l_N]，所述电缆待测样本的相对服 役时间$\widehat{t_{*}}=F\left(z\right)=\underset{i=1}{\overset{\bar{N}}{\Sigma }}{\hat{\beta }}_{i}G({\omega }_i^{T}z+b_i),z=\underset{i=1}{\overset{N}{\Sigma }}{z}_i,z_i=\underset{i=1}{\overset{N}{\Sigma }}{[{w_i}^T,{l^T}_i]}^T;$

依据所述电缆待测样本的相对服役时间和所述设计年限t得到 所述电缆待测样本的寿命估计结果t_last；其中，所述电缆待测样本的寿 命估计结果$t_{\mathrm{last}}=t-{\hat{t}}_{*}*t.$

优选的，所述环境参数包括：地表日平均温度，土壤平均湿度， 土壤酸碱性，地表日最高温度，地表日最低问题，路面压力和土壤砂 质。

优选的，所述预设绝缘状态指标包括：

绝缘厚度，微孔杂质，热延伸率，永久延伸率，断裂延伸率和抗 张强度。

优选的，所述对获取到的检测数据进行预处理，包括：

去除所述检测数据中的坏数据点，其中，所述坏数据点至少包括： 因漏记造成的空缺数据点，与其它检测数据相比偏差较大明显记录错 误的数据点。

一种电力电缆寿命估计的系统，应用于上述所述的电力电缆寿命 估计方法，该系统包括：

获取单元，用于获取电缆待测样本在N个类型环境下对应的N个 电缆训练样本的相关信息；

其中，所述电缆训练样本的相关信息至少包括：所述电缆待测样 本的出厂设计年限t_i，真实服役时间和每个所述电缆训练样本相对 应的环境参数w_i，i＝1,2,3,…,N，所述环境参数w_i＝[w_i1,w_i2,w_i3,…,w_im]^T， m为所述环境参数中所包含的参数个数；

计算单元，用于根据出厂设计年限t_i和真实服役时间t_real计算得到 相对服役时间t_*，其中，t_*＝t_real/t；

检测单元，用于对每个所述电缆训练样本依据预设绝缘状态指标 进行检测，对获取到的检测数据进行预处理，得到预处理后的检测数 据l_i；其中，所述预处理后的检测数据l_i＝[l_i1,l_i2,l_i3,…,l_in]^T，n为所述预 设绝缘状态指标所包含的指标个数；

建模单元，用于建立电缆寿命估计的神经网络模型，并以N个所 述电缆训练样本所对应的环境参数w_i和预处理后的检测数据l_i为输 入，N个所述电缆训练样本所属的所述电缆待测样本的相对服役时间 t_*为输出，训练所述神经网络模型得到电缆寿命估计模型；寿命估计 单元，用于利用所述电缆寿命估计模型对所述电缆待测样本进行寿命 估计，得到所述电缆待测样本的寿命估计结果。

8、如权利要求7所述的系统，其特征在于，所述建模单元包括：

集合构建模块，用于以N个所述电缆训练样本所对应的环境参数 w_i和预处理后的检测数据l_i为样本输入x_i，N个所述电缆训练样本所 属的所述电缆待测样本的相对服役时间t_*为样本输出y_i，建立训练 样本集合其中，所述训练样本集合中，样本输入x_i与 样本输出y_i一一对应；

参数设定模块，用于设定所述神经网络模型中的神经元数量第j个神经元和输入节点之间的内权权重列向量ω_j和第j个神经元的 偏置值列向量b_j；其中，

神经元矩阵构建模块，用于依据所述神经元数量第j个神经 元和输入节点之间的内权权重列向量ω_j和第j个神经元的偏置值列向 量b_j计算得到神经元矩阵H；其中，G(·)为Sigmodal 函数，i＝1,2,…,N；

外权权重构建模块，用于依据所述神经元矩阵H计算得到所述神 经网络模型中第j个神经元和输出节点之间的外权权重列向量

其中H⁺＝(H^TH)^-1H^T为所述神经元矩阵H的 Moore-Penrose广义逆，Y＝[y₁,y₂,…,y_N]^T为所述训练样本集合中 的样本输出；

建模模块，用于依据所述神经元矩阵H和所述外权权重列向量得到电缆寿命估计模型F(·)；其中，

优选的，所述寿命估计单元包括：

第一估计模块，用于将所述电缆待测样本的环境参数列向量w和 所述预处理后的检测数据l构成的列向量z输入所述电缆寿命估计模 型得到所述电缆待测样本的相对服役时间

其中，w＝[w₁,w₂,…,w_N],l＝[l₁,l₂,…,l_N]，所述电缆待测样本的相对服 役时间$\widehat{t_{*}}=F\left(z\right)=\underset{j=1}{\overset{\bar{N}}{\Sigma }}{\hat{\beta }}_{j}G({\omega }_j^{T}z+b_j),z=\underset{i=1}{\overset{N}{\Sigma }}{z}_i,z_i=\underset{i=1}{\overset{N}{\Sigma }}{[{w_i}^T,{l^T}_i]}^T;$

第二估计模块，用于依据所述电缆待测样本的相对服役时间和 所述设计年限t得到所述电缆待测样本的寿命估计结果t_last；其中，所 述电缆待测样本的寿命估计结果

优选的，所述检测单元包括：

预处理模块，用于去除所述检测数据中的坏数据点，其中，所述 坏数据点至少包括：因漏记造成的空缺数据点，与其它检测数据相比 偏差较大明显记录错误的数据点。

相较现有技术，本发明的有益效果为：

以上本发明提供的一种电力电缆寿命估计的方法及系统，该方法 依据获取到的电缆待测样本在N个类型环境下对应的N个电缆训练样 本的相关信息计算得到相对服役时间，并对每个所述电缆训练样本依 据预设绝缘状态指标进行检测，对获取到的检测数据进行预处理，得 到预处理后的检测数据；然后，建立电缆寿命估计的神经网络模型， 并以上述相关信息中的N个所述电缆训练样本所对应的环境参数和上 述预处理后的检测数据为输入，N个所述电缆训练样本所属的所述电 缆待测样本的相对服役时间为输出，训练所述神经网络模型得到电缆 寿命估计模型；利用所述电缆寿命估计模型对所述电缆待测样本进行 寿命估计，得到所述电缆待测样本的寿命估计结果。本发明通过上述 方式实现了对电缆待测样本进行将绝缘状态指标和所处的环境情况作 为依据的离线寿命估计，相较现有技术中的在线检测方法，本发明不 会使电缆产生记忆效应，达到了提高电力电缆的寿命估计结果的实用 性，从而提高电网安全性的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通 技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附 图获得其他的附图。

图1为本发明实施例一提供的电力电缆寿命估计的方法的流程 图；

图2为本发明实施例三提供的其执行步骤S103具体过程的方法 流程图；

图3为本发明实施例四提供的其执行步骤S104具体过程的方法 流程图；

图4为本发明实施例五提供的电力电缆寿命估计的系统的结构框 图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方 案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部 分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普 通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。

本发明的核心是提供一种电力电缆寿命估计的方法及系统，以达 到提高电力电缆的寿命估计结果的实用性，从而提高电网安全性的目 的。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图 和具体实施方式对本发明作进一步的详细说明。

实施例一

请参考图1，图1为本发明实施例一提供的电力电缆寿命估计的 方法的流程图，该方法具体包括：

步骤S100、获取电缆待测样本在N个类型环境下对应的N个电 缆训练样本的相关信息；

其中，所述电缆训练样本的相关信息至少包括：所述电缆待测样 本的出厂设计年限t，真实服役时间t_real和每个所述电缆训练样本相对 应的环境参数w_i，i＝1,2,3,…,N，所述环境参数w_i＝[w_i1,w_i2,w_i3,…,w_im]^T， m为所述环境参数中所包含的参数个数；

优选的，所述环境参数包括：地表日平均温度，土壤平均湿度， 土壤酸碱性，地表日最高温度，地表日最低问题，路面压力和土壤砂 质。其中，本发明实施例一所提供的电力电缆寿命估计的方法主要针 对埋地电缆，由于大多数埋地电缆都有金属巷道包裹，因而上述七个 环境参数中地表日平均温度、土壤平均湿度、土壤酸碱性较为重要， 当然，上述七个环境参数仅仅只是从保证实际的寿命估计结果的实用 性的角度优选的七个环境参数，并不局限于这七个，其它的只要是能 够保证实际的寿命估计结果的实用性的环境参数也是可以采用的；

这里需要特别说明的是，本发明实施例一所提供的电力电缆寿命 估计的方法主要是用于估计当前被广泛使用的XLPE(交联聚乙烯) 电力电缆的寿命的，结合上文，也就是主要是用于埋地的XLPE电力 电缆，当然，也并不是就仅仅局限于XLPE电力电缆，本发明其它实 施例也是如此；

其中，由于XLPE电力电缆所处环境的不同，需要考虑温度、湿 度、土壤酸碱性、路面压力等因素对电缆老化的影响，进行样本采集 时需要采集不同环境下的样本，其中，环境类型是由上述七个环境参 数决定的，所以，上述N个类型环境中的每一个类型环境都对应着N 个电缆训练样本中的一个，也就是从电缆待测样本所处的N个类型环 境中分别截取一个电缆训练样本，当然也可以分别截取不止一个电缆 训练样本，这样全方面截取电缆训练样本有利于使寿命估计结果更精 确；

还需要特别说明的是，也是本发明实施例一所公开的电力电缆寿 命估计的方法的重点所在，一方面，在现实工程中，单根电缆长度有 限，线路中本身就存在线缆接头。此外，电缆接头处往往会预留5-8m 的线缆长度，不会让整根线缆处于绷紧的状态，因而，从电缆待测样 本上截取电缆训练样本是不会影响正常的输电工作；另一方面，因为 是从电缆待测样本上截取电缆训练样本，也就意味着用来进行寿命估 计的该电缆训练样本是脱离工作状态的，即是基于离线检测的寿命估 计，这相较于现有技术中基于在线检测的寿命估计的方法，比如，常 用的温松弛电流法、差示扫描热量法、经验公式法、二维韦伯尔分布 法等，本发明实施例一提供的电力电缆寿命估计的方法不会使接收寿 命估计的电缆产生记忆效应，也就避免了该接收寿命估计的电缆再次 使用时极易受到损伤的问题，进而提高了电力电缆的寿命估计结果的 实用性；

步骤S101、根据出厂设计年限t和真实服役时间t_real计算得到相对 服役时间t_*，其中，t_*＝t_real/t；

步骤S102、对每个所述电缆训练样本依据预设绝缘状态指标进行 检测，对获取到的检测数据进行预处理，得到预处理后的检测数据l_i； 其中，所述预处理后的检测数据l_i＝[l_i1,l_i2,l_i3,…，l_in]^T，n为所述预设绝缘 状态指标所包含的指标个数；其中，为了保证对每个所述电缆训练样 本依据预设绝缘状态指标进行检测获取到的检测数据的准确性，或者 为了避免某次误操作使得所述检测数据影响最后的寿命估计结果，可 以对每个所述电缆训练样本依据预设绝缘状态指标进行检测的实验重 复操作不少于三次，取平均值进行记录即可；

这里需要说明的是，图1所示的方法流程图中优选采用了先执行 步骤101再执行步骤102，但本实施例对步骤101与步骤102之间的 执行顺序并不作限定，只要完成上述两个步骤所需要执行内容即可；

优选的，所述预设绝缘状态指标包括：

绝缘厚度，微孔杂质，热延伸率，永久延伸率，断裂延伸率和抗 张强度。

优选的，所述对获取到的检测数据进行预处理，包括：

去除所述检测数据中的坏数据点，其中，所述坏数据点至少包括： 因漏记造成的空缺数据点，与其它检测数据相比偏差较大明显记录错 误的数据点。

其中，为了保证精准的寿命估计结果，所述预设绝缘状态指标优 选的包括上述六个指标，但并不局限于这六个，只要是能保证最后的 额寿命估计结果的准确性的绝缘状态指标都可以采用；

这里需要特别说明的是，也是本发明实施例一所公开的电力电缆 寿命估计的方法的另一重点所在，相较于现有技术中基于单一绝缘状 态指标的电缆寿命估计方法，本实施例综合考虑了多种绝缘状态指标， 并且还有对获取到的检测数据进行预处理去掉所述检测数据中的坏数 据点的环节，显然，避免了因单一绝缘状态指标测量误差导致寿命估 计结果不精准的问题，进而提供了寿命估计结果的实用性；

步骤S103、建立电缆寿命估计的神经网络模型，并以N个所述 电缆训练样本所对应的环境参数w_i和预处理后的检测数据l_i为输入，N 个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t_*为输 出，训练所述神经网络模型得到电缆寿命估计模型；

步骤S104、利用所述电缆寿命估计模型对所述电缆待测样本进行 寿命估计，得到所述电缆待测样本的寿命估计结果。

综上，相对于现有的基于在线检测的电力电缆寿命估计方法，本 实施例一所提供的基于离线检测的电力电缆寿命估计的方法不会使电 缆产生记忆效应，且综合考虑多种绝缘状态指标，保证了寿命估计结 果的精准性，提高了电力电缆的寿命估计结果的实用性，从而提高电 网安全性的目的。

实施例二

基于上述实施例一所公开的电力电缆寿命估计的方法，为了方便 本领域技术人员更好地理解本发明所提供的技术方案，本实施例二针 对实际应用中的步骤S100和步骤S102进行如下举例说明：

步骤S1000、以杭州市某地区110kV XLPE电力电缆为例，对需 要进行寿命估计的XLPE电力电缆缆线所处环境的上述七个环境参数 进行调研，即地表日最高温度、地表日最低温度、地表日平均温度、 土壤平均湿度、土壤酸碱性、路面压力以及土壤沙质，也即所述环境 参数中所包含的参数个数m＝7。其中，所述XLPE电力电缆缆线即 为待测电缆样本。根据以上调研得到的环境参数对该XLPE电力电缆 缆线所处环境的类型进行聚类划分，并在不同类型环境中每隔1000 米均匀的截取2米的训练电缆样本，从而得到N个训练电缆样本，当 然，这时，该训练样本所对应的环境参数也是已知的；

查阅上述训练电缆样本的出厂设计年限t与真实服役时间t_real，联 同训练电缆样本对应的环境参数w_i制表记录，其中，i＝1,2,3,…,N比如， 两栏表格，一栏为属性名称，另一栏为数值。

步骤S1020、对上述均匀采集的训练电缆样本分别进行绝缘厚度、 微孔杂质、热延伸率、永久延伸率、断裂延伸率以及抗张强度六个的 检测实验，即所述预设绝缘状态指标所包含的指标个数n＝6。每个实 验重复操作不少于三次，取平均值进行记录。对训练电缆样本的检测 数据进行去除坏数据点预处理，并将第i个电缆样本的预处理后的检测 数据记为l_i＝[l_i1,l_i2,…,l_i6]^T。

步骤S1010、根据出厂设计年限t与真实服役时间t_real计算其相对 服役时间t_*，其中，t_*＝t_real/t。

本实施例二在实施例一的基础上，对步骤S100和步骤S102在实 际运用中的具体操作过程进行了说明，有利于本领域技术人员更好地 理解本发明所提供的技术方案。

实施例三

基于上述实施例一与实施例二所公开的电力电缆寿命估计的方 法，步骤S103、建立电缆寿命估计的神经网络模型，并以N个所述 电缆训练样本所对应的环境参数w_i和预处理后的检测数据l_i为输入，N 个所述电缆训练样本所属的所述电缆待测样本的相对服役时间t_*为输 出，训练所述神经网络模型得到电缆寿命估计模型的具体过程如图2 所示，包括：

步骤S200、以N个所述电缆训练样本所对应的环境参数w_i和预 处理后的检测数据l_i为样本输入x_i，N个所述电缆训练样本所属的所 述电缆待测样本的相对服役时间t_*为样本输出y_i，建立训练样本集 合其中，所述训练样本集合中，样本输入x_i与样本输 出y_i一一对应；

其中，需要说明的是，本实施例优选的是采用ELM(Extreme  Learning Machine，极端学习机)算法训练所述神经网络模型；

步骤S201、设定所述神经网络模型中的神经元数量第j个神 经元和输入节点之间的内权权重列向量ω_j和第j个神经元的偏置值列 向量b_j；其中，$j=\mathrm{1,2,3},...,\bar{N};$

其中，通常当所述神经元数量的取值超过300后，所述神经网 络模型就趋于稳定，因此，本实施例对所述神经元数量的选取范围 优选的为300～500之间，但也并不是就局限于这个范围，具体的数值 也可由本领域技术人员具体调节后决定；

其中，对于第j个神经元和输入节点之间的内权权重列向量ω_j和 第j个神经元的偏置值列向量b_j的设定，本实施例优选的采用服从0-1 高斯分布来随机选定所述内权权重列向量ω_j和所述偏置值列向量b_j；

步骤S202、依据所述神经元数量第j个神经元和输入节点之 间的内权权重列向量ω_j和第j个神经元的偏置值列向量b_j计算得到神 经元矩阵H；其中，G(·)为Sigmodal函数， $j=\mathrm{1,2},...,\bar{N},$i＝1,2,…,N；

其中，G(·)为所述神经网络模型的激活函数，本实施例优选地采 用Sigmodal函数，其表达式为其中，此表达式中的ξ是 该Sigmodal函数的自变量参数；

步骤S203、依据所述神经元矩阵H计算得到所述神经网络模型中 第j个神经元和输出节点之间的外权权重列向量

其中H⁺＝(H^TH)^-1H^T为所述神经元矩阵H的 Moore-Penrose广义逆，Y＝[y₁,y₂,…,y_N]^T为所述训练样本集合中 的样本输出；

其中，Moore-Penrose广义逆即为穆尔-彭罗斯广义逆；

步骤S204、依据所述神经元矩阵H和所述外权权重列向量得到 电缆寿命估计模型F(·)；其中，

基于上述各实施例，本实施例三所公开的方法为电力电缆寿命估 计提供了建立并训练所述电缆寿命估计模型的方法，有利于本领域技 术人员更好的理解本发明的技术方案。

实施例四

基于上述各实施例所公开的电力电缆寿命估计的方法，步骤 S104、利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估 计，得到所述电缆待测样本的寿命估计结果的具体过程如图3所示， 包括：

步骤S300、将所述电缆待测样本的环境参数列向量w和所述预处 理后的检测数据l构成的列向量z输入所述电缆寿命估计模型 得到所述电缆待测样本的相对服役时间

其中，w＝[w₁,w₂,…,w_N],l＝[l₁,l₂,…,l_N]，所述电缆待测样本的相对服 役时间$\widehat{t_{*}}=F\left(z\right)=\underset{i=1}{\overset{\bar{N}}{\Sigma }}{\hat{\beta }}_{i}G({\omega }_i^{T}z+b_i),z=\underset{i=1}{\overset{N}{\Sigma }}{z}_i,z_i=\underset{i=1}{\overset{N}{\Sigma }}{[{w_i}^T,{l^T}_i]}^T;$

步骤S301、依据所述电缆待测样本的相对服役时间和所述设计 年限t得到所述电缆待测样本的寿命估计结果t_last；其中，所述电缆待 测样本的寿命估计结果

基于上述各实施例，本实施例四所公开的方法为电力电缆寿命估 计提供了利用所述电缆寿命估计模型对所述电缆待测样本进行寿命估 计，得到所述电缆待测样本的寿命估计结果的具体过程，有利于本领 域技术人员更好的理解本发明的技术方案。

实施例五

基于上述各实施例所公开的电力电缆寿命估计的方法，本实施例 五提供了一种电力电缆寿命估计的系统，应用于上述任意一个实施例 所述的方法，请参考图4，图4为本发明实施例五提供的电力电缆寿 命估计的系统的结构框图，该系统包括：

获取单元400，用于获取电缆待测样本在N个类型环境下对应的 N个电缆训练样本的相关信息；

其中，所述电缆训练样本的相关信息至少包括：所述电缆待测样 本的出厂设计年限t_i，真实服役时间和每个所述电缆训练样本相对 应的环境参数w_i，i＝1,2,3,…,N，所述环境参数w_i＝[w_i1,w_i2,w_i3,…,w_im]^T， m为所述环境参数中所包含的参数个数；

计算单元401，用于根据出厂设计年限t_i和真实服役时间t_real计算 得到相对服役时间t_*，其中，t_*＝t_real/t；

检测单元402，用于对每个所述电缆训练样本依据预设绝缘状态 指标进行检测，对获取到的检测数据进行预处理，得到预处理后的检 测数据l_i；其中，所述预处理后的检测数据l_i＝[l_i1,l_i2,l_i3,…,l_in]^T，n为所 述预设绝缘状态指标所包含的指标个数；

建模单元403，用于建立电缆寿命估计的神经网络模型，并以N 个所述电缆训练样本所对应的环境参数w_i和预处理后的检测数据l_i为 输入，N个所述电缆训练样本所属的所述电缆待测样本的相对服役时 间t_*为输出，训练所述神经网络模型得到电缆寿命估计模型；

寿命估计单元404，用于利用所述电缆寿命估计模型对所述电缆 待测样本进行寿命估计，得到所述电缆待测样本的寿命估计结果。

优选的，所述检测单元402包括：

预处理模块4020，用于去除所述标检测数据中的坏数据点，其中， 所述坏数据点至少包括：因漏记造成的空缺数据点，与其它检测数据 相比偏差较大明显记录错误的数据点。

优选的，所述建模单元403包括：

集合构建模块4030，用于以N个所述电缆训练样本所对应的环境 参数w_i和预处理后的检测数据l_i为样本输入x_i，N个所述电缆训练样 本所属的所述电缆待测样本的相对服役时间t_*为样本输出y_i，建立 训练样本集合其中，所述训练样本集合中，样本输 入x_i与样本输出y_i一一对应；

参数设定模块4031，用于设定所述神经网络模型中的神经元数量 第j个神经元和输入节点之间的内权权重列向量ω_j和第j个神经元 的偏置值列向量b_j；其中，

神经元矩阵构建模块4032，用于依据所述神经元数量第j个 神经元和输入节点之间的内权权重列向量ω_j和第j个神经元的偏置值 列向量b_j计算得到神经元矩阵H；其中，G(·)为 Sigmodal函数，i＝1,2,…,N；

外权权重构建模块4033，用于依据所述神经元矩阵H计算得到所 述神经网络模型中第j个神经元和输出节点之间的外权权重列向量

其中H⁺＝(H^TH)^-1H^T为所述神经元矩阵H的 Moore-Penrose广义逆，Y＝[y₁,y₂,…,y_N]^T为所述训练样本集合中 的样本输出；

建模模块4034，用于依据所述神经元矩阵H和所述外权权重列向 量得到电缆寿命估计模型F(·)；其中，

优选的，所述寿命估计单元404包括：

第一估计模块4040，用于将所述电缆待测样本的环境参数列向量 w和所述预处理后的检测数据l构成的列向量z输入所述电缆寿命估计 模型得到所述电缆待测样本的相对服役时间

其中，w＝[w₁,w₂,…,w_N],l＝[l₁,l₂,…,l_N]，所述电缆待测样本的相对服 役时间$\widehat{t_{*}}=F\left(z\right)=\underset{j=1}{\overset{\bar{N}}{\Sigma }}{\hat{\beta }}_{j}G({\omega }_j^{T}z+b_j),z=\underset{i=1}{\overset{N}{\Sigma }}{z}_i,z_i=\underset{i=1}{\overset{N}{\Sigma }}{[{w_i}^T,{l^T}_i]}^T;$

第二估计模块4041，用于依据所述电缆待测样本的相对服役时间 和所述设计年限t得到所述电缆待测样本的寿命估计结果t_last；其中， 所述电缆待测样本的寿命估计结果

以上本实施例所公开的电力电缆寿命估计的系统，实现了对电缆 待测样本进行将绝缘状态指标和所处的环境情况作为依据的离线寿命 估计，相较现有技术中的在线检测方法，本发明不会使电缆产生记忆 效应，达到了提高电力电缆的寿命估计结果的实用性，从而提高电网 安全性的目的。

以上对本发明所提供的电力电缆寿命估计的方法及系统进行了 详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了 阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思 想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发 明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和 修饰也落入本发明权利要求的保护范围内。