CN111551593A - 一种基于rbf-nn的绝缘子融冰含水率监测方法 - Google Patents

一种基于rbf-nn的绝缘子融冰含水率监测方法 Download PDF

Info

Publication number
CN111551593A
CN111551593A CN202010326807.XA CN202010326807A CN111551593A CN 111551593 A CN111551593 A CN 111551593A CN 202010326807 A CN202010326807 A CN 202010326807A CN 111551593 A CN111551593 A CN 111551593A
Authority
CN
China
Prior art keywords
insulator
rbf
water content
sensor
neural network
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
Application number
CN202010326807.XA
Other languages
English (en)
Inventor
朱永灿
胡杰
黄新波
周睿文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN202010326807.XA priority Critical patent/CN111551593A/zh
Publication of CN111551593A publication Critical patent/CN111551593A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
    • G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1245—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of line insulators or spacers, e.g. ceramic overhead line cap insulators; of insulators in HV bushings
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Electrochemistry (AREA)
  • Ceramic Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种基于RBF‑NN的绝缘子融冰含水率监测方法，利用一种基于RBF‑NN的绝缘子融冰含水率监测装置，步骤包括：步骤1)采集监测数据作为输入向量；步骤2)建立RBF神经网络模型；步骤3)对样本输入数据归一化处理；步骤4)设置RBF神经网络模型的学习算法；步骤5)设置RBF神经网络模型的训练算法；步骤6)微处理器将步骤1)实时监测到的数据输入至训练好的模型中即可得到含水率；最后利用通讯模块将监测结果无线发送到远程监控中心，实现输电线路绝缘子融冰状况的远程监测。本发明的方法，过程简单，结果准确可靠。

Description

一种基于RBF-NN的绝缘子融冰含水率监测方法
技术领域
本发明属于输电线路状态监测与诊断技术领域，涉及一种基于RBF-NN的绝缘子融冰含水率监测方法。
背景技术
在电力系统中，输电线路作为电力传输的重要环节，其安全运行是保证电能输送能力的重要因素。绝缘子冰闪是电力系统发生频次比较高的一种电气事故，在覆冰区的电力事故中占比很高。其一般分为覆冰期闪络与融冰期闪络，在覆冰生长及稳定阶段，由于覆冰绝缘子的电气绝缘强度仍比较高，发生冰闪的概率不高；而随着气温回升，在太阳辐射、风、漏电流等因素的综合作用下，覆冰表面的冰最先融化，从而形成一层水膜(雾凇表面的融水会被多孔结构吸收而形成冰水混合的海绵冰)，冰层中的导电离子析出，绝缘子的绝缘性能急剧下降，因此绝缘子冰闪多发生在气温回升后的覆冰自然融化阶段。
覆冰的融冰阶段严重威胁电力系统安全稳定运行，虽然直流融冰技术已经被成熟用于解决覆冰问题，但是对绝缘子冰闪问题却不能见效，因此对于融冰含水率的测量方法研究具有重要的理论意义和应用价值。就输电线路绝缘子融冰含水率监测技术而言，目前暂时没有较为有效方法，其他行业工程实例中对土壤或粮食含水率的监测方法有蒸馏法、射频法和微波法，然而上述方法在实际应用过程中存在着测量不够精准、运行成本高、不能直接反映绝缘子真实融冰状态等问题。
因此，开展基于RBF神经网络的绝缘子融冰含水率监测技术及系统研究，有助于电力部门及时全面掌握输电线路覆冰融冰状况，为快速准确的实施除冰工作及闪络预警提供准确的现场信息指导。
发明内容
本发明的目的是提供一种基于RBF-NN的绝缘子融冰含水率监测方法，解决了现有技术中绝缘子融冰含水率监测，存在不够精准、运行成本高、不能直接反映绝缘子真实融冰状态的问题。
本发明所采用的技术方案是，一种基于RBF-NN的绝缘子融冰含水率监测方法，利用基于RBF-NN的绝缘子融冰含水率监测装置，按照以下步骤实施：
步骤1)采集监测数据作为输入向量，
利用温湿度传感器、拉力传感器、绝缘子融冰监测传感器实时采集数据，将监测到的数据作为输入变量x存入微处理器的FPGA外挂的SRAM中；
步骤2)建立RBF神经网络模型，
在微处理器中建立训练好的模型，RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：
Figure BDA0002463519350000021
式(1)中，x为n维输入向量，ki为第i个隐节点中心；||x-ki||为欧氏范数；wki为隐节点输出的连接权重；θk为第k个输出节点的阀值；g(·)通常取为高斯函数，g(·)的表达式为：
Figure BDA0002463519350000031
σ为感知变量，决定该基函数中心点的宽度；
步骤3)对样本输入数据归一化处理，
为了提高RBF神经网络模型的学习速度，在训练前对步骤1)中SRAM得到的样本数据进行归一化处理，处理公式为：
Figure BDA0002463519350000032
最后再对RBF神经网络模型的预测结果反归一化处理，恢复出样本数据真实预测值，样本数据真实预测值的表达式是：
x＝x'(xmax-xmin)+xmin， (2)
式(2)中，x为样本数据真实预测值，x'为归一化后样本数值，xmin表示样本数据的最小值，xmax表示样本数据的最大值；
步骤4)设置RBF神经网络模型的学习算法，
RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心ki；有导师学习是当ki确定后，采用最小二乘法训练由隐层至输出层之间的权值；
步骤5)设置RBF神经网络模型的训练算法，
RBF神经网络模型的训练算法是，首先DSP选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始，每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间的误差平方和，当误差平方和未达到设置的误差指标或达到最多神经元个数时，重新进行训练，直到当误差平方和达到设置的误差指标或达到最多神经元个数时，模型训练完成，误差精度达标；
步骤6)微处理器将步骤1)实时监测到的数据输入至训练好的模型中即可得到含水率；最后利用通讯模块将监测结果无线发送到远程监控中心，实现输电线路绝缘子融冰状况的远程监测。
本发明的有益效果是，包括以下方面：
1)本发明利用绝缘子覆冰融化成的水与空气的介电常数差异，直接通过叉指式电容传感器测量绝缘子上下表面电容值的变化得出绝缘子表面覆冰层的融化程度和发展趋势，测得的含水率可直接用于融冰的相关计算，同时，可全面反映各项天气及湿污等条件下的绝缘子覆冰融冰情况，避免传统间接测量方法的不足。
2)其中的绝缘子为零挂形式，运行环境与真实绝缘子完全一致，零挂绝缘子融冰形式与真实绝缘子表面融冰特性基本一致。且第二片绝缘子直径较大，以此来观测大小直径绝缘子嵌套的绝缘子覆冰融化情况。采用的零挂绝缘子微小电容测量方法，测量速度快、装置功耗低、安装非常简便，且不破坏输电线路塔线体系的绝缘状况，非常适合绝缘子表面融冰情况的测量。
3)湿污在绝缘子伞裙上积聚同样会改变绝缘子表面的介电常数，会对测量结果造成影响。通过在零挂绝缘子上布置拉力传感器，根据绝缘子重力变化并利用电容值的变化趋势，排除湿污层对绝缘子融冰测量的影响。
4)双核处理器更高效的完成信息采集、处理、数据分析及传输等重要步骤，保证了监测装置实时安全运行，实现输电线路融冰情况的在线监测。
5)在DSP中建立了一个基于RBF神经网络的含水率测量模型，给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法，结构更简单、学习速率更快。
附图说明
图1是本发明方法依赖的装置整体架构框图；
图2为本发明方法依赖的装置中的零挂绝缘子17示意图；
图3为图2中的伞裙上表面的上极板传感器15结构示意图；
图4为图2中的伞裙下表面的下极板传感器16结构示意图；
图5为本发明方法采用的RBF神经网络结构。
图中，1.供电单元，2.采集单元，3.逻辑控制单元，4.传感器单元，5.设备壳体，6.信号调理电路，7.Σ-Δ电容数字转换器模块，8.光电隔离电路，9.绝缘子融冰监测传感器，10.拉力传感器，11.温湿度传感器，12.微处理器，13.通讯模块，14.看门狗，15.上极板传感器，16.下极板传感器，17.零挂绝缘子。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于空气和水的介电常数差异，借鉴了微小电容测量技术，设计出一种基于RBF神经网络(RBF-NN)的输电线路绝缘子融冰含水率在线监测装置，以下简称监测装置。
参照图1，本发明装置的整体结构是，主要包括供电单元1、采集单元2、逻辑控制单元3和传感器单元4，供电单元1、采集单元2、逻辑控制单元3均安装在设备壳体5内，该设备壳体5直接固定在铁塔横担上；传感器单元4安装在零挂绝缘子17伞裙的上下表面；
供电单元1采用就地取能方式，即导线互感取能模块与蓄电池共同组成，根据各单元需要提供的电压等级给各单元进行针对性的供电；
采集单元2包括信号调理电路6和Σ-Δ电容数字转换器模块7、光电隔离电路8、以及RS485总线；
传感器单元4包括绝缘子融冰监测传感器9(包括布置在零挂绝缘子17上下表面的所有上极板传感器15及下极板传感器16)、拉力传感器10、温湿度传感器11(型号为AHT15)；其中，绝缘子融冰监测传感器9是整个系统的核心部件，上、下叉指电容极板的引线分别通过屏蔽线各自接入信号调理电路6，信号调理电路6处理后再接入Σ-Δ电容数字转换器模块7中(Capacitance to Digital Converter,简称CDC，型号为AD7746)；
逻辑控制单元3包括双核结构的微处理器12、FSMC总线、(远程无线)通讯模块13、SRAM(存储单元)、RTC和看门狗14；其中，微处理器12采用FPGA+DSP的双核结构，DSP与FPGA之间通过FSMC总线互联，其中的FPGA选用EP4CE10F17I7芯片，负责采集各路传感器信号；其中的DSP选用DSP28335芯片，将实时监测到的数据输入至模型中即可得到含水率。FPGA通过控制AD芯片，将采集到的数据存入外挂的SRAM中，通过与FPGA通信可读取FPGA外挂SRAM中的数据。
绝缘子融冰监测传感器9中的所有上极板传感器15与信号调理电路6连接，将输出的上极板信号接入信号调理电路6中；绝缘子融冰监测传感器9中的所有下极板传感器16与信号调理电路6连接，将输出的下极板信号接入信号调理电路6中；信号调理电路6通过Σ-Δ电容数字转换器模块7与微处理器12信号连接；拉力传感器10通过光电隔离电路8与微处理器12信号连接；温湿度传感器11通过RS485总线与微处理器12信号连接；微处理器12中的DSP与FPGA分别连接有外挂的SRAM；(远程无线)通讯模块13、RTC和看门狗14均与微处理器12中的DSP信号连接。
当温湿度传感器11监测到温湿度数值满足现场覆冰条件，拉力传感器10同样也监测到绝缘子重力增大，并且绝缘子融冰监测传感器9测量值初次增大并趋于平稳时，可以判定为覆冰开始。当拉力传感器10监测数据趋于稳定时，温湿度传感器11监测到温度上升至0度以上，并且绝缘子融冰监测传感器9测量到的含水率由稳定值开始再次增加时，证明绝缘子伞裙上的融冰现象开始出现。最后DSP利用通讯模块13将监测结果无线发送到远程监控中心，实现输电线路绝缘子融冰状况的远程监测。
参照图2，绝缘子融冰监测传感器9为零挂形式，运行环境与真实绝缘子完全一致，但并不承担支撑导线的功能。
绝缘子融冰监测传感器9所依附的零挂绝缘子17的结构是，零挂绝缘子17上端与拉力传感器10下端连接，拉力传感器10上端勾挂在铁塔横担上，零挂绝缘子17从上往下包括四片绝缘子伞裙，且从上往下的第二片绝缘子伞裙直径明显大于其他三个绝缘子伞裙，以此来观测大小直径绝缘子嵌套的绝缘子覆冰融化情况。这样，采用零挂绝缘子17微小电容测量方法，测量速度快、装置功耗低、安装非常简便，且不破坏输电线路塔线体系的绝缘状况，非常适合绝缘子表面融冰情况的实时监测。
绝缘子融冰监测传感器9包括设置在四个绝缘子伞裙上表面的总共4个上极板传感器15及下表面的总共8个下极板传感器16，所有12个上下极板传感器16合称绝缘子融冰监测传感器9并且同时工作，确保能够监测到绝缘子可能覆冰的所有区域。当零挂绝缘子17上存在覆冰时，会导致绝缘子融冰传感器表面的介电材料由空气改变为冰，覆冰开始慢慢消融形成水膜时，介电材料由冰改变为水，进而能够通过电容变化值判断绝缘子融冰状况；再综合零挂绝缘子17上安装的温湿度传感器11及拉力传感器10监测到的情况，就可以滤除绝缘子湿污等因素对绝缘子融冰测量的影响，并可以对绝缘子的冰闪的发生可能性进行综合判断。
参照图3，零挂绝缘子17的伞裙上表面附着的上极板传感器15的结构是，以能够弯曲的柔性电路板为基体，在基体上布置有雪花式的多组触手，外圆导体靠近伞裙边缘侧，外圆导体的叉指电容引线A(触手一)向内，内圆导体靠近棒芯，内圆导体的叉指电容引线B(触手二)向外，相邻雪花导体之间设置有绝缘介质，避免相互产生边缘效应，图3实施例显示的内外圆各设置八组触手，相邻的触手之间相互间隔45°。
为了和原复合绝缘子表面液滴特性基本一致，在上极板传感器15的上表面电容极板附着好之后，表面需涂抹防污闪涂料。上极板传感器15的各路信号通过引线经信号调理电路6对输入信号处理后，再传输至Σ-Δ电容数字转换器模块7中。
参照图4，由于大部分闪络都由冰柱桥接了绝缘子表面，甚至未桥接时就大大降低了闪络电压，因此除上表面的上极板传感器15外，还设计了针对形成冰柱的绝缘子下表面的下极板传感器16。为更好的监测到上述情况，绝缘子串的第二片采用了大直径绝缘子。零挂绝缘子17的伞裙下表面附着的下极板传感器16结构是，以能够弯曲的柔性电路板作为基体，基体板材选用绝缘性好、耐低温且介电常数较低的PE材料，PE材料基体上布置有叉指导体，极板有效监测伞侧弧长8cm及高3cm，叉指导体的宽度及相邻间距均为0.5cm；叉指电容引线接入端CIN1(+)、激励源EXC1将直接与被测电容的引脚相连，叉指极板垂直黏附于绝缘子下表面作为辅助判定，因此更容易监测到绝缘子是否桥接，提升了单一上表面监测方式的容错率，更高效的监测融冰的各项情况。
本发明装置的工作过程是：在双核结构的微处理器12中建立训练好的模型，将绝缘子融冰监测传感器9实时监测到的数据输入至训练好的模型中即可得到含水率，并通过(远程无线)通讯模块13将监测结果发送到监控中心，实现输电线路绝缘子融冰情况的远程监测功能。
本发明方法，依赖于上述的装置，按照以下步骤实施：
步骤1)采集监测数据作为输入向量，
首先连接好基于RBF-NN的绝缘子融冰含水率监测装置，利用温湿度传感器11、拉力传感器10、绝缘子融冰监测传感器9实时采集数据，将监测到的数据作为输入变量x存入微处理器12的FPGA外挂的SRAM中；
步骤2)建立RBF神经网络模型，
参照图5，在双核结构的微处理器12中建立训练好的模型，RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：
Figure BDA0002463519350000091
式(1)中，x为n维输入向量，ki为第i个隐节点中心；||x-ki||为欧氏范数；wki为隐节点输出的连接权重；θk为第k个输出节点的阀值；g(·)通常取为高斯函数，g(·)的表达式为：
Figure BDA0002463519350000092
σ为感知变量，决定该基函数中心点的宽度；
步骤3)对样本输入数据归一化处理，
为了提高RBF神经网络模型的学习速度，在训练前对步骤1)中SRAM得到的样本数据进行归一化处理，处理公式为：
Figure BDA0002463519350000101
最后再对RBF神经网络模型的预测结果反归一化处理，恢复出样本数据真实预测值，样本数据真实预测值的表达式是：
x＝x'(xmax-xmin)+xmin， (2)
式(2)中，x为样本数据真实预测值，x'为归一化后样本数值，xmin表示样本数据的最小值，xmax表示样本数据的最大值；
步骤4)设置RBF神经网络模型的学习算法，
RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心ki；有导师学习是当ki确定后，采用最小二乘法训练由隐层至输出层之间的权值；
步骤5)设置RBF神经网络模型的训练算法，
RBF神经网络模型的训练算法是，首先DSP选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始，每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间的误差平方和，当误差平方和未达到设置的误差指标或达到最多神经元个数时，重新进行训练，直到当误差平方和达到设置的误差指标或达到最多神经元个数时，模型训练完成，误差精度达标；
步骤6)微处理器12将步骤1)实时监测到的数据输入至训练好的模型中即可得到含水率，其准确度高、泛化能力强、稳定性良好；最后利用通讯模块13将监测结果无线发送到远程监控中心，实现输电线路绝缘子融冰状况的远程监测。

Claims (6)

1.一种基于RBF-NN的绝缘子融冰含水率监测方法，利用一种基于RBF-NN的绝缘子融冰含水率监测装置，其特征在于，按照以下步骤实施：
步骤1)采集监测数据作为输入向量，
利用温湿度传感器、拉力传感器、绝缘子融冰监测传感器实时采集数据，将监测到的数据作为输入变量x存入微处理器的FPGA外挂的SRAM中；
步骤2)建立RBF神经网络模型，
在微处理器中建立训练好的模型，RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：
Figure FDA0002463519340000011
式(1)中，x为n维输入向量，ki为第i个隐节点中心；||x-ki||为欧氏范数；wki为隐节点输出的连接权重；θk为第k个输出节点的阀值；g(·)通常取为高斯函数，g(·)的表达式为：
Figure FDA0002463519340000012
σ为感知变量，决定该基函数中心点的宽度；
步骤3)对样本输入数据归一化处理，
为了提高RBF神经网络模型的学习速度，在训练前对步骤1)中SRAM得到的样本数据进行归一化处理，处理公式为：
Figure FDA0002463519340000013
最后再对RBF神经网络模型的预测结果反归一化处理，恢复出样本数据真实预测值，样本数据真实预测值的表达式是：
x＝x'(xmax-xmin)+xmin， (2)
式(2)中，x为样本数据真实预测值，x'为归一化后样本数值，xmin表示样本数据的最小值，xmax表示样本数据的最大值；
步骤4)设置RBF神经网络模型的学习算法，
RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心ki；有导师学习是当ki确定后，采用最小二乘法训练由隐层至输出层之间的权值；
步骤5)设置RBF神经网络模型的训练算法，
RBF神经网络模型的训练算法是，首先DSP选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始，每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间的误差平方和，当误差平方和未达到设置的误差指标或达到最多神经元个数时，重新进行训练，直到当误差平方和达到设置的误差指标或达到最多神经元个数时，模型训练完成，误差精度达标；
步骤6)微处理器将步骤1)实时监测到的数据输入至训练好的模型中即可得到含水率；最后利用通讯模块将监测结果无线发送到远程监控中心，实现输电线路绝缘子融冰状况的远程监测。
2.根据权利要求1所述的基于RBF-NN的绝缘子融冰含水率监测方法，其特征在于：所述的基于RBF-NN的绝缘子融冰含水率监测装置的结构是，包括供电单元(1)、采集单元(2)、逻辑控制单元(3)和传感器单元(4)，供电单元(1)、采集单元(2)、逻辑控制单元(3)均安装在设备壳体(5)内，该设备壳体(5)直接固定在铁塔横担上；传感器单元(4)安装在零挂绝缘子(17)伞裙的上下表面；
采集单元(2)包括信号调理电路(6)和Σ-Δ电容数字转换器模块(7)、光电隔离电路(8)；
传感器单元(4)包括绝缘子融冰监测传感器(9)、拉力传感器(10)、温湿度传感器(11)，其中，绝缘子融冰监测传感器(9)包括布置在零挂绝缘子(17)上下表面的所有上极板传感器(15)及下极板传感器(16)；
逻辑控制单元(3)包括微处理器(12)、通讯模块(13)、SRAM、RTC和看门狗(14)，其中，微处理器(12)采用FPGA+DSP的双核结构；DSP与FPGA之间通过FSMC总线互联，微处理器(12)中的DSP与FPGA分别连接有外挂的SRAM；通讯模块(13)、RTC和看门狗(14)均与微处理器(12)中的DSP信号连接；
所有上极板传感器(15)与信号调理电路(6)连接；所有下极板传感器(16)与信号调理电路(6)连接；信号调理电路(6)通过Σ-Δ电容数字转换器模块(7)与微处理器(12)信号连接；拉力传感器(10)通过光电隔离电路(8)与微处理器(12)信号连接；温湿度传感器(11)通过RS485总线与微处理器(12)信号连接。
3.根据权利要求2所述的基于RBF-NN的绝缘子融冰含水率监测方法，其特征在于：所述的绝缘子融冰监测传感器(9)所依附的零挂绝缘子(17)的结构是，零挂绝缘子(17)上端与拉力传感器(10)下端连接，拉力传感器(10)上端勾挂在铁塔横担上，零挂绝缘子(17)从上往下包括四片绝缘子伞裙，且从上往下的第二片绝缘子伞裙直径大于其他三个绝缘子伞裙。
4.根据权利要求3所述的基于RBF-NN的绝缘子融冰含水率监测方法，其特征在于：所述的零挂绝缘子(17)的伞裙上表面附着的上极板传感器(15)的结构是，以柔性电路板为基体，在基体上布置有雪花式的多组触手，外圆导体靠近伞裙边缘侧，外圆导体的叉指电容引线A向内；内圆导体靠近棒芯，内圆导体的叉指电容引线B向外，相邻雪花导体之间设置有绝缘介质。
5.根据权利要求4所述的基于RBF-NN的绝缘子融冰含水率监测方法，其特征在于：所述的内外圆各设置八组触手，相邻的触手之间相互间隔45°。
6.根据权利要求3所述的基于RBF-NN的绝缘子融冰含水率监测方法，其特征在于：所述的零挂绝缘子(17)的伞裙下表面附着的下极板传感器(16)结构是，以柔性电路板作为基体，基体上布置有叉指导体，极板有效监测伞侧弧长8cm及高3cm，叉指导体的宽度及相邻间距均为0.5cm；叉指电容引线接入端CIN1(+)、激励源EXC1将直接与被测电容的引脚相连。
CN202010326807.XA 2020-04-23 2020-04-23 一种基于rbf-nn的绝缘子融冰含水率监测方法 Pending CN111551593A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010326807.XA CN111551593A (zh) 2020-04-23 2020-04-23 一种基于rbf-nn的绝缘子融冰含水率监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010326807.XA CN111551593A (zh) 2020-04-23 2020-04-23 一种基于rbf-nn的绝缘子融冰含水率监测方法

Publications (1)

Publication Number Publication Date
CN111551593A true CN111551593A (zh) 2020-08-18

Family

ID=72002454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010326807.XA Pending CN111551593A (zh) 2020-04-23 2020-04-23 一种基于rbf-nn的绝缘子融冰含水率监测方法

Country Status (1)

Country Link
CN (1) CN111551593A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112394266A (zh) * 2020-11-23 2021-02-23 国家电网有限公司 一种基于神经网络的输电线路绝缘子污秽等级判定方法
CN113553772A (zh) * 2021-08-09 2021-10-26 贵州电网有限责任公司 一种基于深度混合建模的覆冰拉力预测方法
CN118052822A (zh) * 2024-04-16 2024-05-17 湖南防灾科技有限公司 一种具有融冰观测功能的箱式直流融冰装置及观测方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5485747A (en) * 1993-08-23 1996-01-23 Vaisala Oy Method of measurement of relative humidity, in particular in radiosondes, and humidity detectors that make use of the method
JP2004028617A (ja) * 2002-06-21 2004-01-29 Nippon Computer Laboratory:Kk 降雨および降雪センサー
CN101614602A (zh) * 2009-08-03 2009-12-30 电子科技大学 输电线路监测方法及装置
CN202394362U (zh) * 2011-12-01 2012-08-22 西安工程大学 输电线路融冰在线监测系统
CN103381603A (zh) * 2013-06-29 2013-11-06 湖南大学 高压输电线路除冰巡线机器人的自主越障规划方法
CN103840988A (zh) * 2014-03-17 2014-06-04 湖州师范学院 一种基于rbf神经网络的网络流量测量方法
CN106404055A (zh) * 2016-08-29 2017-02-15 孟玲 一种输电网塔杆的监控系统
CN106597391A (zh) * 2016-11-25 2017-04-26 中国电子科技集团公司第三十八研究所 一种相控阵天线阵面变形全天候监测方法
CN108038300A (zh) * 2017-12-07 2018-05-15 长春理工大学 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN108616102A (zh) * 2018-05-18 2018-10-02 云南电网有限责任公司电力科学研究院 一种铁塔除湿融冰装置及其控制方法
CN109284859A (zh) * 2018-08-24 2019-01-29 华北电力大学 一种输电线路覆冰预测方法
CN109449819A (zh) * 2018-10-31 2019-03-08 国家电网有限公司 一种绝缘子表面在线监测装置
CN109799272A (zh) * 2019-01-28 2019-05-24 西安工程大学 一种基于电容效应的复合绝缘子覆冰生长监测系统
CN110098793A (zh) * 2019-04-28 2019-08-06 西安工程大学 基于发热碳纤维的光伏电池板自融冰装置及控制方法
CN110146008A (zh) * 2019-05-16 2019-08-20 西安工程大学 基于叉指电容传感器的覆冰参量和状态的监测方法
CN110188397A (zh) * 2019-05-06 2019-08-30 南瑞集团有限公司 一种架空输电线路覆冰预测模型和方法
CN110909453A (zh) * 2019-11-01 2020-03-24 中国地质大学（武汉） 一种基于eemd的输电线路覆冰等级预测方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5485747A (en) * 1993-08-23 1996-01-23 Vaisala Oy Method of measurement of relative humidity, in particular in radiosondes, and humidity detectors that make use of the method
JP2004028617A (ja) * 2002-06-21 2004-01-29 Nippon Computer Laboratory:Kk 降雨および降雪センサー
CN101614602A (zh) * 2009-08-03 2009-12-30 电子科技大学 输电线路监测方法及装置
CN202394362U (zh) * 2011-12-01 2012-08-22 西安工程大学 输电线路融冰在线监测系统
CN103381603A (zh) * 2013-06-29 2013-11-06 湖南大学 高压输电线路除冰巡线机器人的自主越障规划方法
CN103840988A (zh) * 2014-03-17 2014-06-04 湖州师范学院 一种基于rbf神经网络的网络流量测量方法
CN106404055A (zh) * 2016-08-29 2017-02-15 孟玲 一种输电网塔杆的监控系统
CN106597391A (zh) * 2016-11-25 2017-04-26 中国电子科技集团公司第三十八研究所 一种相控阵天线阵面变形全天候监测方法
CN108038300A (zh) * 2017-12-07 2018-05-15 长春理工大学 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN108616102A (zh) * 2018-05-18 2018-10-02 云南电网有限责任公司电力科学研究院 一种铁塔除湿融冰装置及其控制方法
CN109284859A (zh) * 2018-08-24 2019-01-29 华北电力大学 一种输电线路覆冰预测方法
CN109449819A (zh) * 2018-10-31 2019-03-08 国家电网有限公司 一种绝缘子表面在线监测装置
CN109799272A (zh) * 2019-01-28 2019-05-24 西安工程大学 一种基于电容效应的复合绝缘子覆冰生长监测系统
CN110098793A (zh) * 2019-04-28 2019-08-06 西安工程大学 基于发热碳纤维的光伏电池板自融冰装置及控制方法
CN110188397A (zh) * 2019-05-06 2019-08-30 南瑞集团有限公司 一种架空输电线路覆冰预测模型和方法
CN110146008A (zh) * 2019-05-16 2019-08-20 西安工程大学 基于叉指电容传感器的覆冰参量和状态的监测方法
CN110909453A (zh) * 2019-11-01 2020-03-24 中国地质大学（武汉） 一种基于eemd的输电线路覆冰等级预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘锐等: "输电线路覆冰的突出影响因素分析以及RBF覆冰预测", 电气电力, vol. 32, no. 5, pages 72 - 75 *
吴琼等: "基于RBF神经网络的输电线路覆冰短期预测研究", 贵州电力技术, vol. 19, no. 11, pages 57 - 60 *
焦晗等: "基于PSO-RBF的输电线路覆冰预测研究", 电工电气, vol. 2019, no. 6, pages 33 - 100 *
石岩等: "基于RBF网络的覆冰绝缘子闪络电压预测模型", 高电压技术, vol. 35, no. 3, pages 591 - 596 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112394266A (zh) * 2020-11-23 2021-02-23 国家电网有限公司 一种基于神经网络的输电线路绝缘子污秽等级判定方法
CN113553772A (zh) * 2021-08-09 2021-10-26 贵州电网有限责任公司 一种基于深度混合建模的覆冰拉力预测方法
CN118052822A (zh) * 2024-04-16 2024-05-17 湖南防灾科技有限公司 一种具有融冰观测功能的箱式直流融冰装置及观测方法

Similar Documents

Publication Publication Date Title
CN111551593A (zh) 一种基于rbf-nn的绝缘子融冰含水率监测方法
CN109459669B (zh) 10kV配电网单相接地故障区段定位方法
CN201886114U (zh) 一种变电站绝缘子泄漏电流监测终端
WO2019015311A1 (zh) 一种基于振动信号支持向量机的gil故障在线监测系统
CN110132350B (zh) 悬浮式架空输电线路在线监测系统及方法
CN104422480A (zh) 一种输电线路在线监测电路及智能绝缘子吊环
CN107103184A (zh) 一种高压电缆接头温度预测方法
CN110146008B (zh) 基于叉指电容传感器的覆冰参量和状态的监测方法
CN110619182A (zh) 一种基于wams大数据的输电线路参数辨识及输电网建模方法
CN103674291A (zh) 全绝缘母线的温度监测系统
CN115143916A (zh) 一种输电线路覆冰状态监测方法、设备及介质
CN108548568A (zh) 一种具有受力监测的输电杆塔在线监测系统
CN114137358B (zh) 一种基于图卷积神经网络的输电线路故障诊断方法
CN209512923U (zh) 一种可视化移动式覆冰在线监测设备、系统及输电塔
CN113791324A (zh) 一种污秽绝缘子闪络风险预警系统及方法
CN207636665U (zh) 一种泄露电流采集装置
CN203414072U (zh) 输电线路弧垂监测系统
CN116127858B (zh) 基于改进沙猫算法优化的gis设备温升预测方法及系统
CN105353236A (zh) 盘式绝缘子状态在线远程检测方法及装置
CN113138324A (zh) 一种基于谐波谐振监测量的绝缘子闪络预警系统及方法
CN105137265A (zh) 绝缘子泄露电流预测方法
CN113433167B (zh) 基于红外热图的电力电缆终端设备的状态监测方法及系统
CN115377999A (zh) 一种基于宽频测量数据的次同步振荡辨识的方法
CN210572579U (zh) 一种污秽绝缘子在线监测装置
CN107742886B (zh) 一种热电联合系统负荷峰值同时系数的预测方法

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