基于多尺度Patch与卷积交互的电缆温度预测模型

doi:10.11772/j.issn.1001-9081.2025010122

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (1): 314-321.DOI: 10.11772/j.issn.1001-9081.2025010122

基于多尺度Patch与卷积交互的电缆温度预测模型

王婷婷¹, 李廷顺¹(), 谭文², 吕博¹, 陈翼轩¹

^1.华北电力大学控制与计算机工程学院，北京 102206
^2.北方工业大学电气与控制工程学院，北京 100144

收稿日期:2025-02-07 修回日期:2025-03-27 接受日期:2025-03-28 发布日期:2026-01-10 出版日期:2026-01-10
通讯作者: 李廷顺
作者简介:王婷婷（2000—），女，河北邯郸人，硕士研究生，主要研究方向：电缆温度数据挖掘、深度学习
谭文（1968—），男，江西九江人，教授，博士，主要研究方向：线性自抗扰控制和自动化
吕博（1998—），男，黑龙江齐齐哈尔人，硕士研究生，主要研究方向：计算机视觉、数据增强
陈翼轩（2000—），男，北京人，硕士研究生，主要研究方向：自然语言处理。
基金资助:
国家自然科学基金资助项目(61573138)

Cable temperature prediction model based on multi-scale patch and convolution interaction

Tingting WANG¹, Tingshun LI¹(), Wen TAN², Bo LYU¹, Yixuan CHEN¹

^1.School of Control and Computer Engineering，North China Electric Power University，Beijing 102206，China
^2.School of Electrical and Control Engineering，North China University of Technology，Beijing 100144，China

Received:2025-02-07 Revised:2025-03-27 Accepted:2025-03-28 Online:2026-01-10 Published:2026-01-10
Contact: Tingshun LI
About author:WANG Tingting， born in 2000， M. S. candidate. Her research interests include cable temperature data mining， deep learning.
TAN Wen， born in 1968， Ph. D.， professor. His research interests include linear active disturbance rejection control and automation.
LYU Bo， born in 1998， M. S. candidate. His research interests include computer vision， data augmentation.
CHEN Yixuan， born in 2000， M. S. candidate. His research interests include natural language processing.
Supported by:
National Natural Science Foundation of China(61573138)

摘要/Abstract

摘要：

高压电缆长期过热可能导致绝缘热击穿，进而影响电网的稳定性。然而，当前研究主要集中在传统预测模型上，忽略了温度数据的复杂性和动态特征。为了解决此问题，提出一种基于多尺度Patch与卷积交互的电缆温度预测模型（MSP-CI）。首先，采用通道重组采样方法降低输入维度，并构建多尺度Patch分支结构，以实现复杂时间序列的解耦；其次，结合序列分解与卷积交互策略，分别提取粗粒度Patch的宏观信息与细粒度Patch的微观信息；最后，构建注意力融合模块，以动态平衡宏观与微观信息的权重，并得到最终的预测结果。在真实高压电缆温度数据集上的实验结果表明， MSP-CI相较于TimeMixer、PatchTST （Patch Time Series Transformer）和MSGNet（Multi-Scale inter-series Graph Network）等基线模型，在均方误差（MSE）上下降了7.02%~34.87%，在平均绝对误差（MAE）上下降了5.15%~32.04%。可见， MSP-CI能有效提升电缆温度预测的准确率，为电力调度运行提供依据。

关键词: 高压电缆, 温度预测, 多尺度, patch, 卷积交互

Abstract:

Prolonged overheating of high-voltage cables may lead to insulation thermal breakdown， consequently affecting the stability of the power grid. However， the existing research primarily focuses on traditional prediction models， and ignores the complexity and dynamic characteristics of temperature data. To address this limitation， a cable temperature prediction model based on Multi-Scale Patch and Convolution Interaction （MSP-CI） was proposed. Firstly， the input dimension was reduced using a channel resampling method， and a multi-scale patch branch structure was constructed， so as to decouple the complex time series. Then， macroscopic information from coarse-grained patches and microscopic information from fine-grained patches were extracted， respectively， through the combination of sequence decomposition and convolution interaction strategies. Finally， an attention fusion module was constructed to balance the weights of macroscopic and microscopic information dynamically and obtain the final prediction results. Experimental results on real high-voltage cable temperature datasets demonstrate that compared to the baseline models such as TimeMixer， PatchTST （Patch Time Series Transformer）， and MSGNet （Multi-Scale inter-series Graph Network）， MSP-CI achieves a reduction of 7.02% to 34.87% in Mean Squared Error （MSE）， and a reduction of 5.15% to 32.04% in Mean Absolute Error （MAE）. It can be seen that MSP-CI enhances cable temperature prediction accuracy effectively， providing a reliable basis for power dispatching operations.

Key words: high-voltage cable, temperature prediction, multi-scale, patch, convolutional interaction

中图分类号:

TM18

王婷婷, 李廷顺, 谭文, 吕博, 陈翼轩. 基于多尺度Patch与卷积交互的电缆温度预测模型[J]. 计算机应用, 2026, 46(1): 314-321.

Tingting WANG, Tingshun LI, Wen TAN, Bo LYU, Yixuan CHEN. Cable temperature prediction model based on multi-scale patch and convolution interaction[J]. Journal of Computer Applications, 2026, 46(1): 314-321.

图/表 13

图1 高压电缆光纤测温检测装置

Fig. 1 High-voltage cable fiber optic temperature measurement device

图2 模型架构与预测流程

Fig. 2 Model architecture and prediction flow

图3 部分测点的温度曲线

Fig. 3 Temperature curves of some measuring points

图4 ?、ρ、ψ和η结构

Fig. 4 Structure of ?、ρ、ψ and η

图5 深度可分离卷积的结构

Fig. 5 Structure of depthwise separable convolution

表1 实验超参数设置

Tab. 1 Experimental hyperparameter setting

参数	HVCT1	HVCT2
batch_size	32	32
lr	0.001	0.001
r_steps	103	286
epoch	10	10
e_layers	2	2
M	4	2

图6 HVCT1预测结果随重组步长的变化

Fig. 6 Prediction results on HVCT1 varying with r_steps

图7 HVCT2预测结果随重组步长变化

Fig. 7 Prediction results on HVCT2 varying with r_steps

表2 实验结果对比

Tab. 2 Comparison of experimental results

数据集	预测长度	本文模型		PatchTST		TimeMixer		MSGNet		xPatch		iTransformer		DLinear		Autoformer		MICN		STHD
数据集	预测长度	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE
HVCT1	48	0.220	0.339	0.240	0.350	0.259	0.354	0.249	0.352	0.243	0.353	0.283	0.364	0.282	0.371	0.337	0.395	0.284	0.364	0.299	0.394
	96	0.274	0.370	0.301	0.389	0.277	0.372	0.281	0.380	0.299	0.385	0.308	0.381	0.289	0.376	0.362	0.412	0.302	0.385	0.321	0.400
	192	0.293	0.381	0.349	0.408	0.328	0.400	0.339	0.405	0.345	0.419	0.330	0.395	0.335	0.400	0.384	0.432	0.334	0.405	0.335	0.435
	平均	0.262	0.363	0.297	0.382	0.288	0.375	0.290	0.379	0.296	0.386	0.307	0.380	0.302	0.382	0.361	0.413	0.307	0.385	0.318	0.410
HVCT2	48	0.485	0.632	0.503	0.674	0.518	0.704	0.515	0.712	0.512	0.699	0.546	0.774	0.509	0.698	0.637	0.994	0.620	0.688	0.807	0.914
	96	0.512	0.673	0.544	0.737	0.537	0.721	0.545	0.739	0.547	0.740	0.575	0.896	0.553	0.753	0.677	1.385	0.644	0.718	0.861	0.972
	192	0.536	0.696	0.568	0.744	0.575	0.819	0.57	0.828	0.573	0.750	0.584	0.998	0.583	0.803	0.806	1.787	0.672	0.748	0.990	1.229
	平均	0.511	0.667	0.538	0.718	0.543	0.748	0.543	0.760	0.544	0.730	0.568	0.889	0.548	0.751	0.707	1.389	0.645	0.718	0.886	1.038

表3 消融实验结果

Tab. 3 Ablation study results

模型	MSE	MAE
w/o MSP	0.255	0.354
w/o AF	0.261	0.352
Model-1	0.295	0.374
Model-2	0.304	0.401
Model-3	0.241	0.350
本文模型	0.237	0.342

图8 不同回溯窗口L的预测结果

Fig. 8 Prediction results for different lookback windows L

表4 多尺度Patch的组合结果

Tab. 4 Multi-scale patch combination results

M	$p 1, p 2, …, p M$	MSE	MAE
1	｛16｝	0.267	0.363
1	｛32｝	0.288	0.373
2	｛16，8｝	0.263	0.356
2	｛32，16｝	0.277	0.367
3	｛16，8，4｝	0.257	0.357
3	｛32，16，8｝	0.255	0.354
4	｛32，16，8，4｝	0.251	0.355
4	｛64，32，16，8｝	0.237	0.343
5	｛64，32，16，8，4｝	0.264	0.360
5	｛128，64，32，16，8｝	0.245	0.355

表4 多尺度Patch的组合结果

Tab. 4 Multi-scale patch combination results

M	$p 1, p 2, …, p M$	MSE	MAE
1	｛16｝	0.267	0.363
1	｛32｝	0.288	0.373
2	｛16，8｝	0.263	0.356
2	｛32，16｝	0.277	0.367
3	｛16，8，4｝	0.257	0.357
3	｛32，16，8｝	0.255	0.354
4	｛32，16，8，4｝	0.251	0.355
4	｛64，32，16，8｝	0.237	0.343
5	｛64，32，16，8，4｝	0.264	0.360
5	｛128，64，32，16，8｝	0.245	0.355

图9 不同模型的可视化结果

Fig. 9 Visualized results of different models

参考文献 23

[1]	吴春芳，陈云，黄韬，等.电力电缆状态感知与检测技术研究综述［J］.高压电器， 2024， 60（10）： 86-103.
	WU C F， CHEN Y， HUANG T， et al. Overview of condition sensing and detection technology for power cables ［J］. High Voltage Apparatus， 2024， 60（10）： 86-103.
[2]	孙俊峰，李志斌.基于LSTM的滚动预测算法的电缆缆芯温度的研究［J］.电子测量技术， 2021， 44（21）： 84-88.
	SUN J F， LI Z B. Research on cable core temperature based on rolling prediction algorithm of LSTM ［J］. Electronic Measurement Technology， 2021， 44（21）： 84-88.
[3]	田洪亮，刘洋，韩文花，等.基于支持向量机的配电设备温度监测数据预测［J］.电网与清洁能源， 2018， 34（1）： 65-71.
	TIAN H L， LIU Y， HAN W H， et al. Research on the prediction of temperature monitoring data of distribution equipment based on SVM ［J］. Power System and Clean Energy， 2018， 34（1）： 65-71.
[4]	ZHOU H， WANG J， LIU K， et al. Temperature prediction study of cable joint conductor based on the PSO algorithms of BP neural network ［C］// Proceedings of the 2015 IEEE International Magnetics Conference. Piscataway： IEEE， 2015： 1-1.
[5]	LI Z， LI Z， LI Z， et al. Application of GA-LSTM model in cable joint temperature prediction ［C］// Proceedings of the 7th International Forum on Electrical Engineering and Automation. Piscataway： IEEE， 2020： 71-75.
[6]	XU Z， ZHANG Y， XUE F， et al. Short-term temperature forecasting of cable joint based on temporal convolutional neural network ［J］. IEEE Access， 2024， 12： 132543-132551.
[7]	SHABANI M A， ABDI A， MENG L， et al. Scaleformer： iterative multi-scale refining Transformers for time series forecasting ［EB/OL］. ［2024-11-05］. .
[8]	WANG H， PENG J， HUANG F， et al. MICN： multi-scale local and global context modeling for long-term series forecasting ［EB/OL］. ［2024-10-05］. .
[9]	CHEN P， ZHANG Y， CHENG Y， et al. Pathformer： multi-scale transformers with adaptive pathways for time series forecasting ［EB/OL］. ［2024-11-15］. .
[10]	WANG S， WU H， SHI X， et al. TimeMixer： decomposable multiscale mixing for time series forecasting ［EB/OL］. ［2024-11-15］. .
[11]	NIE Y， NGUYEN N H， SINTHONG P， et al. A time series is worth 64 words： long-term forecasting with Transformers ［EB/OL］. ［2024-12-15］. .
[12]	STITSYUK A， CHOI J. xPatch： Dual-stream time series forecasting with exponential seasonal-trend decomposition ［C］// Proceedings of the 39th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2025： 20601-20609.
[13]	GONG Z， TANG Y， LIANG J. PatchMixer： a patch-mixing architecture for long-term time series forecasting ［EB/OL］. ［2024-08-15］. .
[14]	闫剑锋，刘香莲，武北松，等.瑞利散射辅助的分布式光纤测温系统［J］.传感技术学报， 2024， 37（2）： 360-364.
	YAN J F， LIU X L， WU B S， et al. Distributed optical fiber temperature measurement system assisted by Rayleigh scattering ［J］. Chinese Journal of Sensors and Actuators， 2024， 37（2）： 360-364.
[15]	王翔，陈志祥，毛国君.融合局部和全局相关性的多变量时间序列预测方法［J］.计算机应用， 2025， 45（9）： 2806-2816.
	WANG X， CHEN Z X， MAO G J. Multivariate time series prediction method combining local and global correlation ［J］. Journal of Computer Applications， 2025， 45（9）： 2806-2816.
[16]	LIU M， ZENG A， CHEN M， et al. SCINet： time series modeling and forecasting with sample convolution and interaction ［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 5816-5828.
[17]	王慧斌，胡展傲，胡节，等.基于分段注意力机制的时间序列预测模型［J/OL］.计算机应用， 2024： 1-9.
	WANG H B， HU Z A， HU J， et al. Time series forecasting model based on segmented attention mechanism ［J］. Journal of Computer Applications， 2024： 1-9.
[18]	CAI W， LIANG Y， LIU X， et al. MSGNet： learning multi-scale inter-series correlations for multivariate time series forecasting ［C］// Proceedings of the 38th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 11141-11149.
[19]	WU H， XU J， WANG J， et al. Autoformer： decomposition Transformers with auto-correlation for long-term series forecasting ［C］// Proceedings of the 35th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2021： 22419-22430.
[20]	ZENG A， CHEN M， ZHANG L， et al. Are Transformers effective for time series forecasting？［C］// Proceedings of the 37th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2023： 11121-11128.
[21]	LIU Y， HU T， ZHANG H， et al. iTransformer： inverted Transformers are effective for time series forecasting ［EB/OL］. ［2024-12-15］. .
[22]	ZHOU X， WANG W， BUNTINE W， et al. Scalable Transformer for high dimensional multivariate time series forecasting ［C］// Proceedings of the 33rd ACM International Conference on Information and Knowledge Management. New York： ACM， 2024： 3515-3526.
[23]	ZHOU H， ZHANG S， PENG J， et al. Informer： beyond efficient Transformer for long sequence time-series forecasting ［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2021： 11106-11115.

基于多尺度Patch与卷积交互的电缆温度预测模型

Cable temperature prediction model based on multi-scale patch and convolution interaction

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 23

相关文章 15

编辑推荐

Metrics

[1]	麦超云, 张洪燚, 秦传波, 曾军英, 王栋. 基于多尺度与空间频率特征的嗜铬细胞瘤图像分割网络[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 280-288.
[2]	郭伟, 王曼婷, 曲海成. 基于多尺度感知的多维空间融合水下图像增强算法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 224-232.
[3]	马英杰, 覃晶滢, 赵耿, 肖靖. 面向物联网图像的深度压缩感知网络及其混沌加密保护方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 144-151.
[4]	梁一鸣, 范菁, 柴汶泽. 基于双向交叉注意力的多尺度特征融合情感分类[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2773-2782.
[5]	颜承志, 陈颖, 钟凯, 高寒. 基于多尺度网络与轴向注意力的3D目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2537-2545.
[6]	陈亮, 王璇, 雷坤. 复杂场景下跨层多尺度特征融合的安全帽佩戴检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2333-2341.
[7]	陈丹阳, 张长伦. 多尺度去相关的图卷积网络模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2180-2187.
[8]	王向, 崔倩倩, 张晓明, 王建超, 王震洲, 宋佳霖. 改进ConvNeXt的无线胶囊内镜图像分类模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 2016-2024.
[9]	陈盈涛, 方康康, 张金敖, 梁浩然, 郭焕斌, 邱兆文. 基于多尺度空间特征的冠状动脉CT血管造影图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 2007-2015.
[10]	周天彤, 郑妍琪, 魏韬, 戴亚康, 邹凌. 融合变分图自编码器与局部-全局图网络的认知负荷脑电识别模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1849-1857.
[11]	郭诗月, 党建武, 王阳萍, 雍玖. 结合注意力机制和多尺度特征融合的三维手部姿态估计[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1293-1299.
[12]	令狐鑫瑶, 陈燕, 张鹏程, 刘祎, 桂志国, 赵伟, 董展豪. 基于多尺度引导滤波的宫颈细胞核图像分割[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1333-1339.
[13]	姜坤元, 李小霞, 王利, 曹耀丹, 张晓强, 丁楠, 周颖玥. 引入解耦残差自注意力的边界交叉监督语义分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1120-1129.
[14]	袁宝华, 陈佳璐, 王欢. 融合多尺度语义和双分支并行的医学图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 988-995.
[15]	张众维, 王俊, 刘树东, 王志恒. 多尺度特征融合与加权框融合的遥感图像目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 633-639.