CN110135019A - 一种电力电缆损耗及线芯温度预测方法 - Google Patents
一种电力电缆损耗及线芯温度预测方法 Download PDFInfo
- Publication number
- CN110135019A CN110135019A CN201910346446.2A CN201910346446A CN110135019A CN 110135019 A CN110135019 A CN 110135019A CN 201910346446 A CN201910346446 A CN 201910346446A CN 110135019 A CN110135019 A CN 110135019A
- Authority
- CN
- China
- Prior art keywords
- cable
- core
- loss
- subharmonic
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 239000004020 conductor Substances 0.000 claims abstract description 32
- 239000000463 material Substances 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000002474 experimental method Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000035772 mutation Effects 0.000 claims description 13
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 9
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 6
- 229910052802 copper Inorganic materials 0.000 claims description 6
- 239000010949 copper Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 239000011717 all-trans-retinol Substances 0.000 claims description 3
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 claims description 3
- 230000005672 electromagnetic field Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims 1
- 229920003020 cross-linked polyethylene Polymers 0.000 claims 1
- 239000004703 cross-linked polyethylene Substances 0.000 claims 1
- 239000004744 fabric Substances 0.000 claims 1
- 238000009413 insulation Methods 0.000 claims 1
- 238000005316 response function Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 101150008942 J gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000012237 artificial material Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电力电缆损耗及线芯温度预测方法，包括：S1：通过实验获取电缆中基波、谐波、电流值、电缆损耗值、导体温度数据；S2：根据S1所获取的数据调整仿真结构材料的物理参数；获取的仿真数据；S3：选取训练样本；S4：根据训练样本中构建一个Elman神经网络；S5：对Elman神经网络用遗传算法先进行一次优化，然后使用BP算法进行二次优化方法训练；S6：计算电缆的损耗和线芯的温度；本发明采用遗传算法和Elman结合算法对网络进行训练，训练效果优于单独使用BP算法对网络进行训练；使用训练好的网络对电缆损耗和导体温度进行计算，前者产生的误差小于后者；本发明可减小电缆损耗和线芯温度的预测的准确性所受外部环境因素影响。
Description
技术领域
本发明涉及电缆参数预测方法领域，更具体地，涉及一种电力电缆损耗及线芯温度预测方法。
背景技术
随着电力系统中的非线性负载逐渐增加，导致线路中存在大量超标的谐波电流和电压，使得输电线路的电能质量严重下降。当电力谐波畸变严重时，线路的负荷会急剧增加、损耗增大，导致电缆及其附件的运行温度过高，绝缘层老化问题突出；尤其以谐波电流作用而导致的过热问题需要引起电力行业的重视。
因此目前需要一种基于谐波电流含量和电缆导体有效截面积，进行较为准确的计算出电缆损耗和导体温度的方法。
由于电缆的导体温度不能直接测量，且电缆受外部运行环境，如埋深处的地温和土壤热阻系数等多因素影响，因而电缆损耗和导体温度的计算是电缆状态检测的重要手段。电缆的损耗大都基于等效电路计算，温升计算大都基于电缆的热路模型，常用的方法是分别计算电缆本体和电缆外部环境两部分的暂态响应，然后进行叠加，但该方法计算的准确性仍然受外部环境因素影响；在运用这种方法计算过程中，热路的暂态模型比较难确定。
发明内容
本发明为克服上述现有技术所述的电缆损耗和线芯温度的预测的准确性受外部环境因素影响的缺陷，提供一种电力电缆损耗及线芯温度预测方法。
所述方法包括以下步骤：
S1：通过实验获取正常运行状态下电缆中的基波、谐波、电流值、电缆损耗值、导体温度数据；用于有限元仿真做材料物理参数调整；
S2：通过有限元软件，建立电缆的2D模型，利用有限元软件ANSYS复原实验，根据S1所获取的数据调整仿真结构材料的物理参数；然后仿真多组不同截面积电缆，获取的仿真数据；包括：电流值、电流频率、线芯截面积、电缆损耗值、导体温度；
S3：选取训练样本：训练样本包括环境温度、电缆芯数，以及S2中所得的仿真数据：导体温度、电缆损耗值、线芯截面积，基波、3次谐波、5次谐波、7次谐波、9次谐波、11次谐波和13次谐波的电流值；
S4：将训练样本中的电缆芯数、线芯截面积、基波、3次谐波、5次谐波、7次谐波、9次谐波、11次谐波和13次谐波的电流值、环境温度做为输入，导体温度、电缆损耗值做为输出，构建一个含输入层、隐含层、承接层和输出层的四层的Elman神经网络；
S5：对Elman神经网络用遗传算法先进行一次优化训练，然后使用BP算法进行二次优化训练；
S6：将实时采集到的电缆导体电流(需先进行傅里叶分解，将不同频率的电流分离出来)和电缆的环境温度输入到S5中训练好的网络，即可计算出电缆的损耗和线芯的温度。
优选地，步骤2中所用有限元仿真获得数据具体操作步骤如下：
根据敷设于空间域中的电缆及附件(如电缆头、固定支架等)的几何尺寸，在有限元仿真软件ANSYS中分别建立电缆及其终端的几何模型；在软件中输入材料的电气参数和热参数；电缆材料包括：铜导体、内外半导电屏蔽、交联聚乙烯绝缘、铜屏蔽、外护套(铠装层)；鉴于电缆实际运行中同时存在电压和电流，使用电-热耦合法求出电缆在电压和电流同时作用下的温度场分布。
优选地，ANSYS软件电-热耦合法求解温度场分布的具体步骤如下：
S2.1：根据S1实验中电缆的几何尺寸建立电缆的2D模型。
S2.2：将电缆的2D模型导入有限元软件的电磁场和温度场，赋予电缆各结构材料电磁参数、边界条件、材料的热学参数、环境温度等，并设置和实验时相同的导通电流，求解获得电磁损耗和导体温度。
S2.3：将仿真结果与实验结果进行对比，根据有限元软件的电-热耦合法的计算形式，调整材料的电磁参数和热参数，以使得仿真结果与电缆实际运行情况下各参数的误差小于10％。
S2.4：将调整好的材料参数赋予新建立的电缆模型中，模型为几款不同线芯截面积的电缆，使用上述S2.1-S2.2的方式，得到多组不同电流组合的电缆损耗值和导体温度数据。
优选地，S4包括以下步骤：
S4.1：遗传算法参数设置：设置种群规模为e，进化次数为g次，交叉概率为h，变异概率为d；其中，种群规模为一个数集，Elman神经网络中的输入和输出为该数集中的数组；此外，进化次数、交叉概率、变异概率为变异操作做准备，若未设置进化次数，交叉概率，变异概率，则交叉、变异操作步骤的循环次数、交叉概率、变异概率不确定，故需设置交叉概率和变异概率。
S4.2：建立适应度函数，用来训练Elman神经网络，并把预测输出和期望输出之间的误差绝对值和作为个体适应度值；
S4.3：选择操作，基于适应度比例的选择策略，每个个体i的选择概率：
式中，N为种群个体数目，Fi、Fj为个体i、j的适应度；
S4.4：交叉操作，将第k个染色体ak和将第l个染色体al在j位交叉操作；
S4.5：变异操作，选取第i个个体的第j个基因aij进行变异；
S4.6：判断算法是否满足误差精度或达到最大迭代次数，如果是，退出遗传算法，否则，返回继续迭代；将遗传算法得到的权值和阈值作为初值，继续使用BP算法进行二次优化；若训练结果优于遗传算法训练结果，则输出BP训练的网络，否则，输出遗传算法训练的网络。
优选地，S4.2中适应度函数的表达式为：
式中，K为系数，C为隐藏层层数，n为输出结点数，yij为期望输出，oij为预测输出。
优选地，S4.4中交叉操作的表达式为：
其中，akj为第k个染色体的第j个基因，b为[0,1]间的随机数；alj为第l个个体的第j个基因，akj、alj为同一个个体内部两个不同的基因；
优选地，S4.5中变异操作的表达式为：
注：该公式使用前需先随机选择基因aij的上或下界值a；
式中，a为aij的上或下界，r为随机数，且取值区间[0,1]，g为当前迭代次数，Gmax为最大进化次数。
与现有技术相比，本发明技术方案的有益效果是：先用实验修正仿真材料物理参数，使得仿真结果更接近于真实结果；并且使用仿真可以获得大量数据，比搭建实验平台做实验更节省时间；大量的数据可以保证神经网络的训练效果。
神经网络可以基于电缆导体电流和环境温度，无需考虑电缆本身的物理参数，即可准确地计算电缆损耗和导体温度，计算方便快捷。
本发明采用遗传算法和Elman结合算法对网络进行训练，训练效果优于单独使用BP算法对网络进行训练；使用训练好的网络对电缆损耗和导体温度进行计算，前者产生的误差小于后者。
本发明可减小电缆损耗和线芯温度的预测的准确性所受外部环境因素影响
附图说明
图1为本实施例所述电力电缆损耗及线芯温度预测方法流程图。
图2为本实施例神经网络算法部分流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
本实施例提供一种电力电缆损耗及线芯温度预测方法，如图1所示，所述方法包括以下步骤：
S1：通过实验获取正常运行状态下电缆中的基波、谐波、电流值、电缆损耗值、导体温度数据；用于有限元仿真做材料物理参数调整；
S2：通过有限元软件，建立电缆的2D模型，利用有限元软件ANSYS复原实验，根据S1所获取的数据调整仿真结构材料的物理参数；然后仿真多组不同截面积电缆，获取的仿真数据；包括：电流值、电流频率、线芯截面积、电缆损耗值、导体温度；
S3：选取训练样本：训练样本包括环境温度、电缆芯数，以及S2中所得的仿真数据：导体温度、电缆损耗值、线芯截面积，基波、3次谐波、5次谐波、7次谐波、9次谐波、11次谐波和13次谐波的电流值；
S4：将训练样本中的电缆芯数、线芯截面积、基波、3次谐波、5次谐波、7次谐波、9次谐波、11次谐波和13次谐波的电流值、环境温度做为输入，导体温度、电缆损耗值做为输出，构建一个含输入层、隐含层、承接层和输出层的四层的Elman神经网络；
S5：对Elman神经网络用遗传算法先进行一次优化训练，然后使用BP算法进行二次优化训练；
S6：将实时采集到的电缆导体电流(需先进行傅里叶分解，将不同频率的电流分离出来)和电缆的环境温度输入到S5中训练好的网络，即可计算出电缆的损耗和线芯的温度。
S2中，所用有限元仿真获得数据具体操作步骤如下：
根据敷设于空间域中的电缆及附件的几何尺寸，在有限元仿真软件ANSYS中分别建立电缆及其终端的几何模型；在软件中输入材料的电气参数和热参数；电缆材料包括：铜导体、内外半导电屏蔽、交联聚乙烯绝缘、铜屏蔽、外护套(铠装层)；鉴于电缆实际运行中同时存在电压和电流，使用电-热耦合法求出电缆在电压和电流同时作用下的温度场分布。
ANSYS软件电-热耦合法求解温度场分布的具体步骤如下：
S2.1：根据S1实验中电缆的几何尺寸建立电缆的2D模型。
S2.2：将几何模型导入有限元的电磁场和温度场，赋予几何结构材料电磁参数、边界条件、材料的热学参数、环境温度等，并设置和实验时相同的导通电流，求解获得电磁损耗和导体温度。
S2.3：将仿真结果与实验结果进行对比，根据有限元软件的电-热耦合法的计算形式，调整材料的电磁参数和热参数，以使得仿真结果尽可能接近于电缆实际运行情况，误差越小越好，一般情况误差范围需小于10％。
S2.4：将调整好的材料参数赋予新建立的电缆模型中，模型为几款不同线芯截面积的电缆，使用上述S2.1-S2.2的方式，得到多组不同电流组合的电缆损耗值和导体温度数据。
S4包括以下步骤：
S4.1：遗传算法参数设置：设置种群规模为e(20以下)，进化次数为g(30-100)次，交叉概率为h(0.5以下),变异概率为d(0.5以下)；其中，种群规模为一个数集，Elman神经网络中的输入和输出为该数集中的数组；
S4.2：建立适应度函数，用来训练Elman神经网络，并把预测输出和期望输出之间的误差绝对值和作为个体适应度值；
S4.3：选择操作，基于适应度比例的选择策略，每个个体i的选择概率：
式中，N为种群个体数目，Fi、Fj分别为个体i、j的适应度；
S4.4：交叉操作，将第k个染色体ak和将第l个染色体al在j位交叉操作；
S4.5：变异操作，选取第i个个体的第j个基因aij进行变异；
S4.6：判断算法是否满足误差精度或达到最大迭代次数，如果是，退出遗传算法，否则，返回继续迭代；将遗传算法得到的权值和阈值作为初值，继续使用BP算法进行二次优化；若训练结果优于遗传算法训练结果，则输出BP训练的网络，否则，输出遗传算法训练的网络。
S4.2中适应度函数的表达式为：
式中，K为系数，C为隐藏层层数，n为输出结点数，yij为期望输出，oij为预测输出。
S4.4中交叉操作的表达式为：
其中，akj为第k个染色体的第j个基因，b为[0,1]间的随机数；alj为第l个个体的第j个基因，akj、alj为同一个个体内部两个不同的基因；
S4.5中变异操作的表达式为：
该公式使用前需先随机选择基因aij的上或下界值a；
式中，a为aij的上或下界，r为随机数，且取值区间[0,1]，g为当前迭代次数，Gmax为最大进化次数。
其中，上界值和下界值的取值，例如存在一个6*6数组，上界为前面3行，下界为后面3行，那么其上界值和下界值为3。如果数组为3*3数组类，则随机把上界分为前面1或2行，则上界值为1或2，下界同理。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种电力电缆损耗及线芯温度预测方法，其特征值在于，所述方法包括以下步骤：
S1：通过实验获取正常运行状态下电缆中的基波、谐波、电流值、电缆损耗值、导体温度数据；
S2：通过有限元软件，建立电缆的2D模型，利用有限元软件ANSYS复原实验，根据S1所获取的数据调整仿真结构材料的物理参数；然后仿真多组不同截面积电缆，获取仿真数据；
S3：选取训练样本：训练样本包括环境温度、电缆芯数，以及S2中所得的仿真数据；
S4：根据训练样本，构建一个Elman神经网络；
S5：对Elman神经网络用遗传算法先进行一次优化训练，然后使用BP算法进行二次优化训练；
S6：将实时采集到的电缆导体电流和电缆的环境温度输入到S5中训练好的网络，即可计算出电缆的损耗和线芯的温度。
2.根据权利要求1所述的电力电缆损耗及线芯温度预测方法，其特征值在于，S2所获取的仿真数据包括：基波、3次谐波、5次谐波、7次谐波、9次谐波、11次谐波和13次谐波的电流值，电流频率、线芯截面积、电缆损耗值、导体温度。
3.根据权利要求1所述的电力电缆损耗及线芯温度预测方法，其特征值在于，步骤S2中利用有限元仿真获得数据具体操作步骤如下：
根据敷设于空间域中的电缆及电缆附件的几何尺寸，分别建立电缆及其终端的几何模型；并输入材料的电气参数和热参数；电缆材料包括：铜导体、内外半导电屏蔽、交联聚乙烯绝缘、铜屏蔽、外护套；再使用电-热耦合法求出电缆在电压和电流同时作用下的温度场分布。
4.根据权利要求3所述的电力电缆损耗及线芯温度预测方法，其特征在于，电-热耦合法求解温度场分布的具体步骤如下：
S2.1：根据S1实验中电缆的几何尺寸建立电缆的2D模型；
S2.2：将电缆的2D模型导入有限元软件的电磁场和温度场，赋予电缆的各结构材料的电磁参数、边界条件、材料的热学参数、环境温度，并设置和实验时相同的导通电流，求解获得电磁损耗和导体温度；
S2.3：将仿真结果与实验结果进行对比，根据有限元软件的电-热耦合法的计算形式，调整材料的电磁参数和热参数，以使得仿真结果与电缆实际运行情况下各参数的误差小于10％；
S2.4：将调整好的材料参数赋予新建立的电缆模型中，模型为几款不同线芯截面积的电缆，使用上述S2.1-S2.2的方式，得到多组不同电流组合的电缆损耗值和导体温度数据。
5.根据权利要求2-4任一项所述的电力电缆损耗及线芯温度预测方法，其特征值在于，S4的具体操作为：将训练样本中的电缆芯数、线芯截面积、基波、3次谐波、5次谐波、7次谐波、9次谐波、11次谐波和13次谐波的电流值、环境温度做为输入，导体温度、电缆损耗值做为输出，构建一个Elman神经网络。
6.根据权利要求5所述的电力电缆损耗及线芯温度预测方法，其特征值在于，Elman神经网络的构建包括以下步骤：
S4.1：遗传算法参数设置：设置种群规模为e，进化次数为g次，交叉概率为h，变异概率为d；其中，种群规模为一个数集，Elman神经网络中的输入和输出为该数集中的数组；
S4.2：建立适应度函数，用来训练Elman神经网络，并把预测输出和期望输出之间的误差绝对值和作为个体适应度值；
S4.3：选择操作，基于适应度比例的选择策略，每个个体i的选择概率：
式中，N为种群个体数目，Fi、Fj分别为个体i、j的适应度；
S4.4：交叉操作，将第k个染色体ak和将第l个染色体al在j位交叉操作；
S4.5：变异操作，选取第i个个体的第j个基因aij进行变异；
S4.6：判断算法是否满足误差精度或达到最大迭代次数，如果是，退出遗传算法，否则，返回继续迭代；将遗传算法得到的权值和阈值作为初值，继续使用BP算法进行二次优化；若训练结果优于遗传算法训练结果，则输出BP训练的网络，否则，输出遗传算法训练的网络。
7.根据权利要求6所述的电力电缆损耗及线芯温度预测方法，其特征值在于，S4.2中适应度函数的表达式为：
式中，K为系数，C为隐藏层层数，n为输出结点数，yij为期望输出，oij为预测输出。
8.根据权利要求6所述的电力电缆损耗及线芯温度预测方法，其特征值在于，S4.4中交叉操作的表达式为：
其中，akj为第k个染色体的第j个基因，b为[0,1]间的随机数；alj为第l个个体的第j个基因，akj、alj为同一个个体内部两个不同的基因。
9.根据权利要求6所述的电力电缆损耗及线芯温度预测方法，其特征值在于，S4.5中变异操作的过程为：先随机选择基因aij的上界值a；再按如下公式进行变异操作：
式中，r为随机数，且取值区间[0,1]，g为当前迭代次数，Gmax为最大进化次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910346446.2A CN110135019A (zh) | 2019-04-26 | 2019-04-26 | 一种电力电缆损耗及线芯温度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910346446.2A CN110135019A (zh) | 2019-04-26 | 2019-04-26 | 一种电力电缆损耗及线芯温度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110135019A true CN110135019A (zh) | 2019-08-16 |
Family
ID=67575205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910346446.2A Pending CN110135019A (zh) | 2019-04-26 | 2019-04-26 | 一种电力电缆损耗及线芯温度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110135019A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107315860A (zh) * | 2017-06-07 | 2017-11-03 | 国网湖北省电力公司武汉供电公司 | 多根交联聚乙烯绝缘电缆共沟时温度场有限元计算方法 |
| CN111079077A (zh) * | 2019-11-08 | 2020-04-28 | 国网宁夏电力有限公司电力科学研究院 | 一种电能损耗的计算方法及系统 |
| CN112036067A (zh) * | 2020-09-03 | 2020-12-04 | 国网上海市电力公司 | 一种沟槽电缆稳态温升预测方法 |
| CN112199803A (zh) * | 2020-09-01 | 2021-01-08 | 华南理工大学 | 一种基于文化基因算法的电缆群回路布置的优化方法 |
| CN112541292A (zh) * | 2020-12-22 | 2021-03-23 | 苏州光格科技股份有限公司 | 一种基于分布式光纤测温原理的海底电缆埋深估计算法 |
| CN112668169A (zh) * | 2020-12-21 | 2021-04-16 | 广东电网有限责任公司电力科学研究院 | 基于深度学习的gis导体温度实时估算方法、装置及设备 |
| CN113128080A (zh) * | 2019-12-31 | 2021-07-16 | 安波福电气系统有限公司 | 用于预测线束温度的方法和设备 |
| CN113486573A (zh) * | 2021-06-18 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 电缆线芯温度预测方法 |
| CN114046903A (zh) * | 2021-11-05 | 2022-02-15 | 上海海能信息科技股份有限公司 | 一种高压电缆缆芯的实时温度预测方法及系统 |
| CN115577643A (zh) * | 2022-11-23 | 2023-01-06 | 广东电网有限责任公司中山供电局 | 一种电缆终端头的温度预测方法及装置 |
| CN115796396A (zh) * | 2023-01-16 | 2023-03-14 | 江苏新恒基特种装备股份有限公司 | 一种通过相关参数对锻材损耗预测的方法及系统 |
| CN116704733A (zh) * | 2023-08-02 | 2023-09-05 | 江苏国嘉导体技术科技有限公司 | 铝合金电缆的老化预警方法和系统 |
| CN116861694A (zh) * | 2023-07-24 | 2023-10-10 | 四川威鹏电缆制造股份有限公司 | 一种基于人工智能的电缆温度预测方法 |
| CN117571265A (zh) * | 2023-11-27 | 2024-02-20 | 宁夏大学 | 基于长短期记忆算法的多芯光纤弯曲损耗预测系统与方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169157A (zh) * | 2017-04-07 | 2017-09-15 | 上海电气集团股份有限公司 | 一种结构传热分析有限元建模方法 |
| CN109000825A (zh) * | 2018-05-28 | 2018-12-14 | 河海大学 | 一种含谐波电流的电缆及其终端线芯温度计算方法 |
| CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
| CN109635390A (zh) * | 2018-11-29 | 2019-04-16 | 广东电网有限责任公司 | 一种中压电缆导体温度计算方法 |
-
2019
- 2019-04-26 CN CN201910346446.2A patent/CN110135019A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169157A (zh) * | 2017-04-07 | 2017-09-15 | 上海电气集团股份有限公司 | 一种结构传热分析有限元建模方法 |
| CN109000825A (zh) * | 2018-05-28 | 2018-12-14 | 河海大学 | 一种含谐波电流的电缆及其终端线芯温度计算方法 |
| CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
| CN109635390A (zh) * | 2018-11-29 | 2019-04-16 | 广东电网有限责任公司 | 一种中压电缆导体温度计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 占良浩: "基于BP神经网络计算电力电缆线芯温度的研究", 《科技资讯》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107315860A (zh) * | 2017-06-07 | 2017-11-03 | 国网湖北省电力公司武汉供电公司 | 多根交联聚乙烯绝缘电缆共沟时温度场有限元计算方法 |
| CN111079077A (zh) * | 2019-11-08 | 2020-04-28 | 国网宁夏电力有限公司电力科学研究院 | 一种电能损耗的计算方法及系统 |
| CN113128080A (zh) * | 2019-12-31 | 2021-07-16 | 安波福电气系统有限公司 | 用于预测线束温度的方法和设备 |
| CN112199803A (zh) * | 2020-09-01 | 2021-01-08 | 华南理工大学 | 一种基于文化基因算法的电缆群回路布置的优化方法 |
| CN112036067A (zh) * | 2020-09-03 | 2020-12-04 | 国网上海市电力公司 | 一种沟槽电缆稳态温升预测方法 |
| CN112668169A (zh) * | 2020-12-21 | 2021-04-16 | 广东电网有限责任公司电力科学研究院 | 基于深度学习的gis导体温度实时估算方法、装置及设备 |
| CN112541292B (zh) * | 2020-12-22 | 2023-12-12 | 苏州光格科技股份有限公司 | 一种基于分布式光纤测温原理的海底电缆埋深估计算法 |
| CN112541292A (zh) * | 2020-12-22 | 2021-03-23 | 苏州光格科技股份有限公司 | 一种基于分布式光纤测温原理的海底电缆埋深估计算法 |
| CN113486573A (zh) * | 2021-06-18 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 电缆线芯温度预测方法 |
| CN114046903A (zh) * | 2021-11-05 | 2022-02-15 | 上海海能信息科技股份有限公司 | 一种高压电缆缆芯的实时温度预测方法及系统 |
| CN115577643A (zh) * | 2022-11-23 | 2023-01-06 | 广东电网有限责任公司中山供电局 | 一种电缆终端头的温度预测方法及装置 |
| CN115796396A (zh) * | 2023-01-16 | 2023-03-14 | 江苏新恒基特种装备股份有限公司 | 一种通过相关参数对锻材损耗预测的方法及系统 |
| CN116861694A (zh) * | 2023-07-24 | 2023-10-10 | 四川威鹏电缆制造股份有限公司 | 一种基于人工智能的电缆温度预测方法 |
| CN116704733A (zh) * | 2023-08-02 | 2023-09-05 | 江苏国嘉导体技术科技有限公司 | 铝合金电缆的老化预警方法和系统 |
| CN116704733B (zh) * | 2023-08-02 | 2023-10-27 | 江苏国嘉导体技术科技有限公司 | 铝合金电缆的老化预警方法及系统 |
| CN117571265A (zh) * | 2023-11-27 | 2024-02-20 | 宁夏大学 | 基于长短期记忆算法的多芯光纤弯曲损耗预测系统与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135019A (zh) | 一种电力电缆损耗及线芯温度预测方法 | |
| Ahmadi et al. | Optimal PMU placement for power system observability using binary particle swarm optimization and considering measurement redundancy | |
| Rao et al. | Optimal network reconfiguration of large-scale distribution system using harmony search algorithm | |
| CN110083908B (zh) | 基于有限元分析的电缆缆芯温度预测方法 | |
| Bagci et al. | A fast stroud-based collocation method for statistically characterizing EMI/EMC phenomena on complex platforms | |
| CN108647438B (zh) | 一种土壤等效电阻模型建模方法 | |
| Patel et al. | Accurate impedance calculation for underground and submarine power cables using MoM-SO and a multilayer ground model | |
| Manfredi et al. | Numerical calculation of polynomial chaos coefficients for stochastic per-unit-length parameters of circular conductors | |
| Chai et al. | Direct matrix solution of linear complexity for surface integral-equation-based impedance extraction of complicated 3-D structures | |
| CN103323688A (zh) | 一种电力系统的谐波状态估计方法及设备 | |
| CN106777659A (zh) | 一种不依赖表皮温度的多回电缆暂态温升获取方法 | |
| CN113962171A (zh) | 一种有损地面上输电线路的高频耦合方法 | |
| CN115482893A (zh) | 一种基于深度学习和结构变量的电磁超材料设计方法 | |
| CN104573219B (zh) | 一种直流输电线路电场强度及无线电干扰计算的方法 | |
| Doufene et al. | Shape and electric performance improvement of an insulator string using particles swarm algorithm | |
| Gonos et al. | Variation of soil resistivity and ground resistance during the year | |
| CN106934096B (zh) | 一种基于架空导线表面温度求解钢芯温度的方法 | |
| CN117034854A (zh) | 一种变压器电场时域仿真方法和系统 | |
| CN114595616B (zh) | 不规则线缆排布的异常点提取方法、提取装置 | |
| Lima et al. | Modelling of non‐uniform lines using rational approximation and mode revealing transformation | |
| Fei et al. | Crosstalk variations caused by uncertainties in three-conductor transmission lines | |
| Asadpourahmadchali et al. | Hybrid continuous circuit‐trapezoidal integration method analysis of multi‐cross structure of grounding system | |
| Siddiqui et al. | Study of resonance-cone propagation in truncated hyperbolic metamaterial grids using transmission-line matrix simulations | |
| Muot et al. | A combined FDTD/TLM time domain method to solve efficiently electromagnetic problems | |
| Lu et al. | Calculation of Capacitance Matrix of Non-uniform Multi-conductor Transmission Lines based on S-parameters |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |