(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111473398.7 (22)申请日 2021.11.30 (71)申请人 南昌大学 地址 330000 江西省南昌市红谷滩新区学 府大道999号 (72)发明人 朱自伟　曾庆煜　谢青　周梦垚　 王梦宇　屠沁琳　徐松龄　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 代理人 王焕巧 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/08(2020.01) (54)发明名称 结合EEMD-LS TM及孤立森林算法的电力电缆 接头温度异常预警方法 (57)摘要 本发明提出一种结合EEMD ‑LSTM及孤 立森林 算法的电力电缆接头温度 异常预警方法， 针对中 低压配电网的温度热点电力电缆接头， 进行温度 异常预警； 根据接头历史温度监测数据， 建立 EEMD‑LSTM的温度预测模型； 使用EEMD将原始温 度数据序列分解为多个量级更小的子序列， 提取 接头温度变化趋势信息； 通过LS TM对各子序列进 行预测， 并将子序列的预测结果进行重构， 输出 接头温度未来时刻温度预测值； 采用孤立森 林算 法对由EEMD ‑LSTM预测得到的温度 指标进行 温度 异常检测； 建立多个子检测分类器， 以接头表面 温度、 线芯温度、 相对温差两两组合， 得到三组分 类器； 最后实现接头温度预警。 本发明所提方法 能够及时预判接头潜在异常温度， 对温度过高、 温升过快的电缆接 头进行温度预警。 权利要求书3页 说明书6页 附图3页 CN 114169237 A 2022.03.11 CN 114169237 A 1.一种结合EEMD ‑LSTM及孤立森林算法的电力电缆接头温度异常预警方法， 其特征在 于， 包括如下步骤： 步骤1， 针对某区域10kV配网电缆沟内的电缆线路， 基于相应的在线监测系 统， 监测标 签接头的温度信息， 包括接 头表面温度、 线芯温度、 内外相对温差， 获得初始温度 序列； 步骤2， 采用集成经验模态分解EEMD对初始温度序列进行分解， 逐级分解出多个子序 列， 处理接头初始温度非平稳序列； 步骤3， 建立LSTM网络单元， 优化LSTM网络单元参数， 使用LSTM网络单元对分解得到 的 各子序列进行 预测， 将子序列预测结果重构， 输出 未来时刻接 头温度值； 步骤4， 从接头监测实时温度 数据和预测数据中提取其温度指标数据集， 利用哈尔小波 变换对原 始数据集进行 特征变换， 提取温度变化趋势信息， 得到温度检测样本； 步骤5， 设定 接头各温度指标对应的注意 值和预警值； 步骤6， 采用孤立森林算法对温度异常进行检测， 将检测样本划分为训练集和测试集， 对训练集进行异常标记， 建立接头表面温度 ‑线芯温度、 表面温度 ‑相对温差、 线芯温度 ‑相 对温差的检测子分类 器； 步骤7， 依据 步骤3、 4、 5、 6， 将 建立的检测模型对测试集进行温度异常检测， 实现接头温 度预警。 2.根据权利要求1所述的一种结合EEMD ‑LSTM及孤立森林算法的电力电缆接头温度异 常预警方法,其特 征在于， 步骤2所述的集成经验 模态分解， 具体表述 为： 采用EEMD处理接头温度序列的过程， 具体如下表示： (1)设置幅值 为k、 分解重复次数为M的零均值高斯白噪声， 且该噪声服从正态分布； (2)将该高斯白噪声n(t)加入到电缆接 头温度初始序列x(t)中， 进行第m次E MD分解； 1)寻找添加噪声后的序列中所有的局部极小点和极大点， 并使用3次样条插值函数拟 合求得其上包络线序列u(t)和下包络线序列v(t)， 并取其均值， 得到均值序列m(t)＝(u(t) +v(t))/2； 2)添加噪声后的序列减去均值序列， 得到中间序列h(t)＝x(t) ‑m(t)； 3)判断h(t)是否满足本征模函数IMF,若满足， 则将其定义为IMF1， 否则将其视为新的x (t)重复步骤1) ‑2)； 以此类 推， 完成第m次E MD分解； 4)计算残余分量r(t)＝x(t) ‑h(t)； 对残余分量重复步骤1) ‑3)， 做同样的 “剥离”， 满足 分解终止条件时停止； (3)将M次E MD分解得到的IMF进行集 合平均， 用来抵消 加入的白噪声带来的幅值影响。 3.根据权利要求1所述的一种结合EEMD ‑LSTM及孤立森林算法的电力电缆接头温度异 常预警方法， 步骤3所述的LSTM网络单 元的建立， 表述 为： 使用LSTM网络单元对步骤2中分解后的子序列进行预测； 优化LSTM 网络单元参数； LSTM 网络结构参数中， 输出层单步预测节点为1， 窗口长度为24； 三步预测节点数为3， 窗口长度 为72； 输入 窗口长度为用来进行接头温度预测的历史序列长度； 使用单LSTM层控制计算成 本在合理的范围之内， 同时满足网络性能需求， 隐藏层数目为1； 在每次训练时， 在确定输 入、 输出层长度后， 使用粒子群算法寻找隐藏层神经元维数cell_num、 网络学习速率因子c 和批次尺寸Sbatch； 使用LSTM网络单元对分解得到的各子序列进行预测， 将子序列预测结果 重构， 输出 未来时刻接 头温度值。权　利　要　求　书 1/3 页 2 CN 114169237 A 24.根据权利要求1所述的一种结合EEMD ‑LSTM及孤立森林算法的电力电缆接头温度异 常预警方法， 其特征在于， 步骤4所述的用哈尔小波变换对原始数据集进行特征变换， 提取 温度变化趋势信息， 得到温度检测样本， 具体过程 为： 将监测样本里的温度指标， 接头线 芯温度Tjc、 表面温度 Tbc、 内外温差ΔTc的数据进行提 取， 得到各自的一维矩阵； Tjc＝[Tjc1 Tjc2…Tjci…Tjcn] Tbc＝[Tbc1 Tbc2…Tbci…Tbcn] ΔTc＝[Tc1 Tc2…Tci…Tcn] (1)计算相邻数据的平均值Ajc、 Abc、 Ac； (2)计算原数据与均值的差值； 计算平均值， 部分信息被丢失， 矩阵大小为原来的一半； 为存储丢失部分细节信息， 用相邻数据对的前一个数据减去计算得到的平均值， 得到差值 Djc、 Dbc、 Dc； 当温度采集周期很短时， 这部分差值 可以视作温升速 率； 存储计算 得到的均值与 差值， 得到变换后的新矩阵， 作为接 头温度的特 征向量， 表示 为： Hjc＝[Ajc1 Ajc2…Ajci…Ajc(n+1)/2 Djc1 Djc2…Djci…Djc(n+1)/2] Hbc＝[Abc1 Abc2…Abci…Abc(n+1)/2 Dbc1 Dbc2…Dbci…Dbc(n+1)/2] Hc＝[Ac1 Ac2…Aci…Ac(n+1)/2 Dc1 Dc2…Dci…Dc(n+1)/2] 结合原始数据， 最终得到的检测向量组为： Xjc＝[Tjc Hjc]T Xbc＝[Tbc Hbc]T Xc＝[ΔTc Hc]T 5.根据权利要求1所述的一种结合EEMD ‑LSTM及孤立森林算法的电力电缆接头温度异 常预警方法,其特征在于， 步骤6所述的采用孤立森林算法对温度异常进行检测， 具体表述 为： 孤立森林算法设置为标准参数： 样本大小Numsub为256； 树的深度HeightLimit为8； 孤立 森林树的数量Numtree为100； 最大特征数为1； 对指标阈值设定完成后， 选择不同分类模型； 将变换后的完整样本， 以及接头线芯温度、 接头表面温度、 内外相对温差两两组合后得到的 样本， 进行异常检测 测试。 6.根据权利要求1所述的一种结合EEMD ‑LSTM及孤立森林算法的电力电缆接头温度异 常预警方法,其特征在于， 步骤7所述的将建立的检测模型对测试集进行温度异常检测， 实 现接头温度预警， 包括： 由ROC曲线对检测性能评判， 曲线以误报率FPR为横坐标， 以检出率TPR作为纵坐标； 其 中， TPR和FPR的计算公式如下： TPR＝TP/(TP+FN) FPR＝FP/(FP+TN) TP表示真阳性， 即实际接头温度为异常而检测结果为异常， FN表示假阴性， 即实际接头 温度为异常而检测结果为正常， FP表示假阳性， 即实际接头温度为正常而检测结果为异常， TN表示真阴性， 即实际接 头温度为 正常而检测结果 为正常； ROC曲线下方的面积称为AUC， 在对比不同的分类模型时， 比较每个模型的AUC， 作为模 型优劣的指标；权　利　要　求　书 2/3 页 3 CN 114169237 A 3