本發明涉及電力設備狀態評估領域，尤其涉及一種基于健康因子的電纜剩余壽命評估方法、裝置、終端設備及存儲介質。

背景技術：

1、電纜作為電力傳輸不可或缺的關鍵媒介，其運行的可靠性與安全性直接關乎整個電力系統的穩定運行與效能。電纜在電力系統中承擔著輸送電能的關鍵任務，一旦電纜出現故障，將直接影響電能的正常供應，給生產和生活帶來嚴重影響。隨著電纜使用年限的增加，其性能會逐漸下降，這主要是由于電纜在長期使用過程中，會受到電、熱、機械力、環境等多種因素的影響，導致絕緣層老化、導體電阻增加、機械強度降低等問題。這些問題會進一步影響電纜的傳輸效率和安全性，甚至引發故障，電纜故障導致電力供應中斷，給生產生活帶來巨大損失。因此，如果能夠預測電纜剩余壽命至關重要，可提前規劃維護，延緩老化，提升可靠性，避免意外停電，而如何預測電纜剩余壽命是一個亟須解決的問題。

技術實現思路

1、本發明實施例提供一種基于健康因子的電纜剩余壽命評估方法、裝置、終端設備及存儲介質，能夠對電纜剩余壽命進行評估。

2、本發明一實施例提供一種基于健康因子的電纜剩余壽命評估方法，包括：獲取待評估電纜的健康因子；

3、將各所述健康因子輸入至預設的時間卷積神經網絡模型，以使所述時間卷積神經網絡模型，根據各所述健康因子確定待評估電纜的剩余壽命；

4、其中，所述時間卷積神經網絡模型的訓練包括：

5、獲取電纜樣本在采購階段、建設階段、運行階段以及維修階段的各數據項；

6、對各數據項進行歸一化處理并進行主成分分析，提取用于表征電纜樣本健康狀態的健康因子；

7、以各電纜樣本的健康因子以及實際剩余壽命為輸入，以各電纜樣本的預測剩余壽命為輸出，對時間卷積神經網絡模型進行迭代訓練，直至所述時間卷積神經網絡模型收斂。

8、進一步的，獲取電纜樣本在采購階段、建設階段、運行階段以及維修階段的各數據項，包括：

9、獲取電纜樣本的電纜銘牌參數、出廠試驗報告以及到貨抽檢試驗報告，得到電纜樣本在采購階段的各數據項；

10、獲取電纜樣本的運輸安裝記錄以及交接驗收報告，得到電纜樣本在建設階段的各數據項；

11、獲取電纜樣本在運行過程中的電纜監測數據、運行地點的環境數據以及運行過程中的巡檢記錄，得到電纜樣本在運行階段的各數據項；

12、獲取電纜樣本的檢修項目以及零件更換情況，得到電纜樣本在維修階段的各數據項。

13、進一步的，所述對各數據項進行歸一化處理，包括：

14、對各數據項按是否為數值型數據進行一次分類，得到數值型數據以及非數值型數據；

15、對于每一非數值型數據通過獨熱編碼進行歸一化處理；

16、對于各數值型數據，根據數值與電纜健康狀態之間的變量關系進行二次分類，得到正相關數值數據、負相關數值數據以及倒u型數值數據；其中，正相關數值數據為與電纜健康狀態呈正相關的數值型數據，所述負相關數值數據為與電纜健康狀態呈負相關的數值型數據，所述倒u型數值數據為與電纜健康狀態呈倒u型關系的數值型數據；

17、對于正相關數值數據通過以下公式進行歸一化處理：

18、

19、對于負相關數值數據通過以下公式進行歸一化處理：

20、

21、對于倒u型數值數據通過以下公式進行歸一化處理：

22、

23、其中，x為數值型數據的實際數值；xmin為正常狀態下預設的最小值；xmax為正常狀態下預設的最大值；m和n為預設的邊界參數。

24、進一步的，所述時間卷積神經網絡模型，包括：若干層tcn層、注意力機制層、池化層以及全連接層；每一tcn層，包括：擴張因果卷積層、權重歸一化層、激活函數層以及隨機失活層；

25、所述擴張因果卷積層，用于對輸入數據進行卷積處理，繼而將卷積處理后的數據傳輸至權重歸一化層；其中，當擴張因果卷積層為第一層級的tcn層內的擴張因果卷積層時，輸入數據為各電纜樣本的健康因子；當擴張因果卷積層不為第一層級的tcn層內的擴張因果卷積層時，輸入數據為上一層級的tcn層內隨機失活層的輸出；

26、所述權重歸一化層，用于卷積處理后的數據進行權重歸一化處理，得到權重歸一化處理后的數據，并將權重歸一化處理后的數據傳輸至激活函數層；

27、所述激活函數層，用于對權重歸一化處理后的數據進行非線性變換，得到非線性變換后的數據，并將非線性變換后的數據輸入至隨機失活層；

28、所述隨機失活層，用于對線性變換后的數據進行隨機的節點屏蔽操作，將節點屏蔽操作的數據輸入至注意力機制層，或下一層級的tcn層內的擴張因果卷積層；其中，當所述隨機失活層為最后一層級的tcn層內的隨機失活層時，所述隨機失活層將節點屏蔽操作的數據輸入至所述注意力機制層，當所述隨機失活層不為最后一層級的tcn層內的隨機失活層時，所述隨機失活層將節點屏蔽操作的數據輸入至下一層級的tcn層內的擴張因果卷積層；

29、所述注意力機制層，用于根據最后一層級的隨機失活層的輸出以及每一電纜樣本的健康因子，進行注意力加權處理，將注意力處理后的序列輸出至池化層；

30、所述池化層用于注意力處理后的序列進行池化處理，并將池化處理后的數據傳輸至全連接層，以使全連接層輸出電纜樣本的預測剩余壽命。

31、進一步的，在所述時間卷積神經網絡模型訓練完之后，還包括：

32、根據電纜樣本的實際剩余壽命以及對應的預測剩余壽命，計算相對誤差以及均方根誤差；

33、在確定所述相對誤差或所述均方根誤差不在對應的預設范圍內時，對時間卷積神經網絡模型的結構或參數進行調整。

34、在上述方法項實施例的基礎上，本發明對應提供了裝置項實施例；

35、本發明一實施例提供了一種基于健康因子的電纜剩余壽命評估裝置，數據獲取模塊、剩余壽命預測模塊以及模型訓練模塊；

36、所述數據獲取模塊，用于獲取待評估電纜的健康因子；

37、所述剩余壽命預測模塊，用于將各所述健康因子輸入至預設的時間卷積神經網絡模型，以使所述時間卷積神經網絡模型，根據各所述健康因子，確定待評估電纜的剩余壽命；

38、所述模型訓練模塊，用于獲取電纜樣本在采購階段、建設階段、運行階段以及維修階段的各數據項；對各數據項進行歸一化處理并進行主成分分析，提取用于表征電纜樣本健康狀態的健康因子；以各電纜樣本的健康因子以及實際剩余壽命為輸入，以各電纜樣本的預測剩余壽命為輸出，對時間卷積神經網絡模型進行迭代訓練，直至所述時間卷積神經網絡模型收斂。

39、進一步的，模型訓練模塊，對各數據項進行歸一化處理，包括：

40、對各數據項按是否為數值型數據進行一次分類，得到數值型數據以及非數值型數據；

41、對于每一非數值型數據通過獨熱編碼進行歸一化處理；

42、對于各數值型數據，根據數值與電纜健康狀態之間的變量關系進行二次分類，得到正相關數值數據、負相關數值數據以及倒u型數值數據；其中，正相關數值數據為與電纜健康狀態呈正相關的數值型數據，所述負相關數值數據為與電纜健康狀態呈負相關的數值型數據，所述倒u型數值數據為與電纜健康狀態呈倒u型關系的數值型數據；

43、對于正相關數值數據通過以下公式進行歸一化處理：

44、

45、對于負相關數值數據通過以下公式進行歸一化處理：

46、

47、對于倒u型數值數據通過以下公式進行歸一化處理：

48、

49、其中，x為數值型數據的實際數值；xmin為正常狀態下預設的最小值；xmax為正常狀態下預設的最大值；m和n為預設的邊界參數。

50、進一步的，所述時間卷積神經網絡模型，包括：若干層tcn層、注意力機制層、池化層以及全連接層；每一tcn層，包括：擴張因果卷積層、權重歸一化層、激活函數層以及隨機失活層；

51、所述擴張因果卷積層，用于對輸入數據進行卷積處理，繼而將卷積處理后的數據傳輸至權重歸一化層；其中，當擴張因果卷積層為第一層級的tcn層內的擴張因果卷積層時，輸入數據為各電纜樣本的健康因子；當擴張因果卷積層不為第一層級的tcn層內的擴張因果卷積層時，輸入數據為上一層級的tcn層內隨機失活層的輸出；

52、所述權重歸一化層，用于卷積處理后的數據進行權重歸一化處理，得到權重歸一化處理后的數據，并將權重歸一化處理后的數據傳輸至激活函數層；

53、所述激活函數層，用于對權重歸一化處理后的數據進行非線性變換，得到非線性變換后的數據。并將非線性變換后的數據輸入至隨機失活層；

54、所述隨機失活層，用于對線性變換后的數據進行隨機的節點屏蔽操作，將節點屏蔽操作的數據輸入至注意力機制層，或下一層級的tcn層內的擴張因果卷積層；其中，當所述隨機失活層為最后一層級的tcn層內的隨機失活層時，所述隨機失活層將節點屏蔽操作的數據輸入至所述注意力機制層，當所述隨機失活層不為最后一層級的tcn層內的隨機失活層時，所述隨機失活層將節點屏蔽操作的數據輸入至下一層級的tcn層內的擴張因果卷積層；

55、所述注意力機制層，用于根據最后一層級的隨機失活層的輸出以及每一電纜樣本的健康因子，進行注意力加權處理，將注意力處理后的序列輸出至池化層；

56、所述池化層用于注意力處理后的序列進行池化處理，并將池化處理后的數據傳輸至全連接層，以使全連接層輸出電纜樣本的預測剩余壽命。

57、在上述方法項實施例的基礎上，本發明提供了另一實施例；

58、本發明另一實施例提供了一種終端設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器執行所述計算機程序時實現如本發明任意一項方法項實施例所述的電纜剩余壽命評估方法。

59、在上述方法項實施例的基礎上，本發明提供了另一實施例：

60、本發明另一實施例提供了一種存儲介質，所述存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述存儲介質所在設備執行如本發明任意一項方法項實施例所述的電纜剩余壽命評估方法。

61、通過實施本發明的實施例具有如下有益效果：

62、本發明實施例提供了一種基于健康因子的電纜剩余壽命評估方法、裝置、終端設備及存儲介質，所述方法提取待評估電纜的健康因子，將待評估電纜的健康因子輸入到訓練好的時間卷積神經網絡模型中，由時間卷積神經網絡模型根據健康因子預測出待評估電纜的剩余壽命。而在訓練時間卷積神經網絡模型的過程中對電纜樣本在采購階段、建設階段、運行階段以及維修階段的各數據項進行采集，緊接著通過歸一化處理以及進行主成分分析法，提取用于表征電纜樣本健康狀態的主要數據，即可得到健康因子，最后以各電纜樣本的健康因子以及實際剩余壽命為輸入，以各電纜樣本的預測剩余壽命為輸出，對時間卷積神經網絡模型進行迭代訓練，訓練完成之后的時間卷積神經網絡模型即可學習到健康因子與電纜剩余壽命之間的映射關系，后續即通過時間卷積神經網絡模型預測出待評估電纜的剩余壽命。