CN111610406A - 一种基于深度学习的接地网腐蚀预测方法 - Google Patents

一种基于深度学习的接地网腐蚀预测方法 Download PDF

Info

Publication number
CN111610406A
CN111610406A CN202010330265.3A CN202010330265A CN111610406A CN 111610406 A CN111610406 A CN 111610406A CN 202010330265 A CN202010330265 A CN 202010330265A CN 111610406 A CN111610406 A CN 111610406A
Authority
CN
China
Prior art keywords
deep learning
corrosion
grounding grid
soil
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
Application number
CN202010330265.3A
Other languages
English (en)
Inventor
李文彬
王勇
冯砚厅
徐雪霞
王庆
敬尚前
陈二松
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010330265.3A priority Critical patent/CN111610406A/zh
Publication of CN111610406A publication Critical patent/CN111610406A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
    • 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
    • G06N3/045—Combinations of 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Environmental Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明涉及一种基于深度学习的接地网腐蚀预测方法，包括以下步骤：土壤样本点获取；接地网腐蚀样本点的获取；深度学习网络的构建；构建土壤样本的深度学习模型；构建接地网腐蚀的深度学习模型；模型验证；基于深度学习模型通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。本发明可直接通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。

Description

一种基于深度学习的接地网腐蚀预测方法
技术领域
本发明涉及电力系统领域，具体涉及一种基于深度学习的接地网腐蚀预测方法。
背景技术
变电站接地网在整个电力系统中起着极为关键作用，其设计是一项具有挑战性的任务。在不超过变电站设备的正常运行极限条件下能够将大电流及时地分散在地下，同时确保变电站工作区域内相关工作人员及周边人员的人身安全。当前，随着电力系统的工作容量增加以及电压等级的逐渐提升，不可避免地发生故障电流的概率也随之增加；如果这些故障电流没有及时消除，将会带来很大的安全隐患。我国幅员辽阔，各种温湿度、各种土壤条件均存在。由此带来的问题就是不同区域之间的接地网腐蚀情况数据无法简单的套用。
中国专利CN104777402A一种接地网腐蚀专题诊断及预防方法，提出了对接地网水质信息、相对湿度信息和接地网材质并进行数据处理，但未提出明确的数据处理方法。中国专利CN 10571925A变电站Q235镀锌钢接地网的腐蚀率预测方法，采用神经网络对接地网的腐蚀率进行预测。
传统的预测方法所考虑的温度、湿度等参数多为某一瞬间的样本点，而土壤的各个参数每天都在发生变化。因此有必要采用更智能的模型对接地网的腐蚀进行预测。
发明内容
本发明的目的在于提供一种智能的模型对接地网的腐蚀进行预测的基于深度学习的接地网腐蚀预测方法。
本发明的技术方案：
一种基于深度学习的接地网腐蚀预测方法，包括以下步骤：土壤样本点获取；接地网腐蚀样本点的获取；深度学习网络的构建；构建土壤样本的深度学习模型；构建接地网腐蚀的深度学习模型；模型验证；基于深度学习模型通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。
进一步的，所述土壤样本获取：在实验场所进行土壤样本获取，以天为单位根据当地的天气预报记录实验场地的温度、湿度、大气压和降水量，在此基础上观测土壤的温度、湿度、电阻率和pH值，获得土壤样本点。
进一步的，接地网腐蚀样本点的获取：采用加速腐蚀实验进行腐蚀样本点的获取；选择钢板，平均分成若干等份；分别埋入土壤中，若干等份土壤湿度设定值均不同；将埋好的钢板分别放入可控温度箱中，设置不同的温度和处理时间；观测不同试验条件下的接地网腐蚀程度，获得接地网腐蚀样本点。
进一步的，所述若干等份土壤湿度设定为10%、20%、30%、40%、60%或80%。
进一步的，所述温度箱的温度设定为-20℃、-10℃、0℃、10℃、20℃、30℃、40℃、50℃或60℃；所述温度箱的处理时间设定为1440h、2880h、5760h、8760h。
进一步的，所述钢板为Q235钢板，每份钢板长200mm、宽150mm、厚5mm。
进一步的，所述深度学习网络的构建：构建一个五层的深度学习网络，第一层采用稀疏自动编码器，第二、三层采用通用自动编码器，第四层采用降噪自动编码器，第五层采用支持向量机。
进一步的，构建土壤样本的深度学习模型：以实验场地的温度、湿度、大气压和降水量为输入数据，被测土壤的温度、湿度、电阻率和pH值为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，构建接地网腐蚀的深度学习模型：以加速腐蚀实验中土壤的温度、湿度、电阻率和pH值为输入数据，接地网的腐蚀程度为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，模型验证：将土壤样本的深度学习模型和接地网腐蚀的深度学习模型相结合，以某变电站所在地气象站观测得到的每天温度、湿度、大气压和降雨量为输入数据，依据土壤样本的深度学习模型，得到被测土壤每天的温度、湿度、电阻率和pH值；再将被测土壤每天的温度、湿度、电阻率和pH值代入接地网腐蚀的深度学习模型，预测得到接地网每天的腐蚀量；进而通过线性累加的方法得到变电站接地网实际运行一年的腐蚀量，开挖观测实际变电站接地网腐蚀情况，验证深度学习模型。
本发明的有益效果：
现有的技术都是从某一瞬间土壤的状态出发进行腐蚀状态的预测。而在实际过程中，每天的天气都是变化的，进而导致土壤的状态也是不断变化的。本发明可直接通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。
具体实施方式
下面将对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例1
一种基于深度学习的接地网腐蚀预测方法，包括以下步骤：土壤样本点获取；接地网腐蚀样本点的获取；深度学习网络的构建；构建土壤样本的深度学习模型；构建接地网腐蚀的深度学习模型；模型验证；基于深度学习模型通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。
进一步的，所述土壤样本获取：在河北石家庄地区某220v变电站进行土壤样本获取，以天为单位根据当地的天气预报记录实验场地的温度、湿度、大气压和降水量，在此基础上观测土壤的温度、湿度、电阻率和pH值，获得土壤样本点。
进一步的，接地网腐蚀样本点的获取：采用加速腐蚀实验进行腐蚀样本点的获取；选择钢板，平均分成6份；分别埋入土壤中，6份土壤湿度设定值均不同；将埋好的钢板分别放入可控温度箱中，设置不同的温度和处理时间；观测不同试验条件下的接地网腐蚀程度，获得接地网腐蚀样本点。
一份土壤湿度设定为10%，温度箱温度设定为-20℃，温度箱处理时间设定为1440h；
一份土壤湿度设定为20%，温度箱温度设定为-10℃，温度箱处理时间设定为1440h；
一份土壤湿度设定为30%，温度箱温度设定为0℃，温度箱处理时间设定为2880h；
一份土壤湿度设定为40%，温度箱温度设定为10℃，温度箱处理时间设定为5760h；
一份土壤湿度设定为60%，温度箱温度设定为20℃，温度箱处理时间设定为5760h；
一份土壤湿度设定为40%，温度箱温度设定为10℃，温度箱处理时间设定为8760h；
进一步的，所述温度箱处理时间设定为1440h、2880h、5760h、8760h。
进一步的，所述钢板为Q235钢板，每份钢板长200mm、宽150mm、厚5mm。
进一步的， 深度学习网络的构建：构建一个五层的深度学习网络，第一层采用稀疏自动编码器，第二、三层采用通用自动编码器，第四层采用降噪自动编码器，第五层采用支持向量机。
进一步的，构建土壤样本的深度学习模型：以实验场地的温度、湿度、大气压和降水量为输入数据，被测土壤的温度、湿度、电阻率和pH值为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，构建接地网腐蚀的深度学习模型：以加速腐蚀实验中土壤的温度、湿度、电阻率和pH值为输入数据，接地网的腐蚀程度为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，模型验证：将土壤样本的深度学习模型和接地网腐蚀的深度学习模型相结合，以石家庄地区气象站观测得到的每天温度、湿度、大气压和降雨量为输入数据，依据土壤样本的深度学习模型，得到被测土壤每天的温度、湿度、电阻率和pH值；再将被测土壤每天的温度、湿度、电阻率和pH值代入接地网腐蚀的深度学习模型，预测得到接地网每天的腐蚀量；进而通过线性累加的方法得到变电站接地网实际运行一年的腐蚀量，开挖观测实际变电站接地网腐蚀情况，验证深度学习模型，经验证预测误差为2.5%。
实施例2
一种基于深度学习的接地网腐蚀预测方法，包括以下步骤：土壤样本点获取；接地网腐蚀样本点的获取；深度学习网络的构建；构建土壤样本的深度学习模型；构建接地网腐蚀的深度学习模型；模型验证；基于深度学习模型通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。
进一步的，所述土壤样本获取：在河北保定地区某220v变电站进行土壤样本获取，以天为单位根据当地的天气预报记录实验场地的温度、湿度、大气压和降水量，在此基础上观测土壤的温度、湿度、电阻率和pH值，获得土壤样本点。
进一步的，接地网腐蚀样本点的获取：采用加速腐蚀实验进行腐蚀样本点的获取；选择钢板，平均分成8份；分别埋入土壤中，8份土壤湿度设定值均不同；将埋好的钢板分别放入可控温度箱中，设置不同的温度和处理时间；观测不同试验条件下的接地网腐蚀程度，获得接地网腐蚀样本点。
一份土壤湿度设定为10%，温度箱温度设定为-20℃，温度箱处理时间设定为1440h；
一份土壤湿度设定为20%，温度箱温度设定为-10℃，温度箱处理时间设定为1440h；
一份土壤湿度设定为30%，温度箱温度设定为0℃，温度箱处理时间设定为2880h；
一份土壤湿度设定为40%，温度箱温度设定为10℃，温度箱处理时间设定为5760h；
一份土壤湿度设定为60%，温度箱温度设定为20℃，温度箱处理时间设定为5760h；
一份土壤湿度设定为80%，温度箱温度设定为30℃，温度箱处理时间设定为8760h；
一份土壤湿度设定为80%，温度箱温度设定为40℃，温度箱处理时间设定为8760h；
一份土壤湿度设定为80%，温度箱温度设定为50℃，温度箱处理时间设定为8760h；
进一步的，所述钢板为Q235钢板，每份钢板长200mm、宽150mm、厚5mm。
进一步的， 深度学习网络的构建：构建一个五层的深度学习网络，第一层采用稀疏自动编码器，第二、三层采用通用自动编码器，第四层采用降噪自动编码器，第五层采用支持向量机。
进一步的，构建土壤样本的深度学习模型：以实验场地的温度、湿度、大气压和降水量为输入数据，被测土壤的温度、湿度、电阻率和pH值为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，构建接地网腐蚀的深度学习模型：以加速腐蚀实验中土壤的温度、湿度、电阻率和pH值为输入数据，接地网的腐蚀程度为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，模型验证：将土壤样本的深度学习模型和接地网腐蚀的深度学习模型相结合，以保定地区气象站观测得到的每天温度、湿度、大气压和降雨量为输入数据，依据土壤样本的深度学习模型，得到被测土壤每天的温度、湿度、电阻率和pH值；再将被测土壤每天的温度、湿度、电阻率和pH值代入接地网腐蚀的深度学习模型，预测得到接地网每天的腐蚀量；进而通过线性累加的方法得到变电站接地网实际运行一年的腐蚀量，开挖观测实际变电站接地网腐蚀情况，验证深度学习模型，经验证预测误差为2%。
实施例3
一种基于深度学习的接地网腐蚀预测方法，包括以下步骤：土壤样本点获取；接地网腐蚀样本点的获取；深度学习网络的构建；构建土壤样本的深度学习模型；构建接地网腐蚀的深度学习模型；模型验证；基于深度学习模型通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。
进一步的，所述土壤样本获取：在海南海口地区某220v变电站进行土壤样本获取，以天为单位根据当地的天气预报记录实验场地的温度、湿度、大气压和降水量，在此基础上观测土壤的温度、湿度、电阻率和pH值，获得土壤样本点。
进一步的，接地网腐蚀样本点的获取：采用加速腐蚀实验进行腐蚀样本点的获取；选择钢板，平均分成9份；分别埋入土壤中，9份土壤湿度设定值均不同；将埋好的钢板分别放入可控温度箱中，设置不同的温度和处理时间；观测不同试验条件下的接地网腐蚀程度，获得接地网腐蚀样本点。
一份土壤湿度设定为10%，温度箱温度设定为-20℃，温度箱处理时间设定为1440h；
一份土壤湿度设定为20%，温度箱温度设定为-10℃，温度箱处理时间设定为1440h；
一份土壤湿度设定为30%，温度箱温度设定为0℃，温度箱处理时间设定为2880h；
一份土壤湿度设定为40%，温度箱温度设定为10℃，温度箱处理时间设定为5760h；
一份土壤湿度设定为60%，温度箱温度设定为20℃，温度箱处理时间设定为5760h；
一份土壤湿度设定为80%，温度箱温度设定为30℃，温度箱处理时间设定为8760h；
一份土壤湿度设定为80%，温度箱温度设定为40℃，温度箱处理时间设定为8760h；
一份土壤湿度设定为80%，温度箱温度设定为50℃，温度箱处理时间设定为8760h；
一份土壤湿度设定为40%，温度箱温度设定为60℃，温度箱处理时间设定为1440h；
进一步的，所述钢板为Q235钢板，每份钢板长200mm、宽150mm、厚5mm。
进一步的， 深度学习网络的构建：构建一个五层的深度学习网络，第一层采用稀疏自动编码器，第二、三层采用通用自动编码器，第四层采用降噪自动编码器，第五层采用支持向量机。
进一步的，构建土壤样本的深度学习模型：以实验场地的温度、湿度、大气压和降水量为输入数据，被测土壤的温度、湿度、电阻率和pH值为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，构建接地网腐蚀的深度学习模型：以加速腐蚀实验中土壤的温度、湿度、电阻率和pH值为输入数据，接地网的腐蚀程度为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，模型验证：将土壤样本的深度学习模型和接地网腐蚀的深度学习模型相结合，以海口地区气象站观测得到的每天温度、湿度、大气压和降雨量为输入数据，依据土壤样本的深度学习模型，得到被测土壤每天的温度、湿度、电阻率和pH值；再将被测土壤每天的温度、湿度、电阻率和pH值代入接地网腐蚀的深度学习模型，预测得到接地网每天的腐蚀量；进而通过线性累加的方法得到变电站接地网实际运行一年的腐蚀量，开挖观测实际变电站接地网腐蚀情况，验证深度学习模型，经验证预测误差为1.5%。
实施例4
一种基于深度学习的接地网腐蚀预测方法，包括以下步骤：土壤样本点获取；接地网腐蚀样本点的获取；深度学习网络的构建；构建土壤样本的深度学习模型；构建接地网腐蚀的深度学习模型；模型验证；基于深度学习模型通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。
进一步的，所述土壤样本获取：在河北石家庄地区某220v变电站进行土壤样本获取，以天为单位根据当地的天气预报记录实验场地的温度、湿度、大气压和降水量，在此基础上观测土壤的温度、湿度、电阻率和pH值，获得土壤样本点。
进一步的，接地网腐蚀样本点的获取：采用加速腐蚀实验进行腐蚀样本点的获取；选择钢板，平均分成4份；分别埋入土壤中，4份土壤湿度设定值均不同；将埋好的钢板分别放入可控温度箱中，设置不同的温度和处理时间；观测不同试验条件下的接地网腐蚀程度，获得接地网腐蚀样本点。
一份土壤湿度设定为10%，温度箱温度设定为-20℃，温度箱处理时间设定为1440h；
一份土壤湿度设定为20%，温度箱温度设定为-10℃，温度箱处理时间设定为1440h；
一份土壤湿度设定为30%，温度箱温度设定为0℃，温度箱处理时间设定为2880h；
一份土壤湿度设定为60%，温度箱温度设定为20℃，温度箱处理时间设定为5760h；
进一步的，所述温度箱处理时间设定为1440h、2880h、5760h、8760h。
进一步的，所述钢板为Q235钢板，每份钢板长200mm、宽150mm、厚5mm。
进一步的， 深度学习网络的构建：构建一个五层的深度学习网络，第一层采用稀疏自动编码器，第二、三层采用通用自动编码器，第四层采用降噪自动编码器，第五层采用支持向量机。
进一步的，构建土壤样本的深度学习模型：以实验场地的温度、湿度、大气压和降水量为输入数据，被测土壤的温度、湿度、电阻率和pH值为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，构建接地网腐蚀的深度学习模型：以加速腐蚀实验中土壤的温度、湿度、电阻率和pH值为输入数据，接地网的腐蚀程度为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，模型验证：将土壤样本的深度学习模型和接地网腐蚀的深度学习模型相结合，以石家庄地区气象站观测得到的每天温度、湿度、大气压和降雨量为输入数据，依据土壤样本的深度学习模型，得到被测土壤每天的温度、湿度、电阻率和pH值；再将被测土壤每天的温度、湿度、电阻率和pH值代入接地网腐蚀的深度学习模型，预测得到接地网每天的腐蚀量；进而通过线性累加的方法得到变电站接地网实际运行一年的腐蚀量，开挖观测实际变电站接地网腐蚀情况，验证深度学习模型，经验证预测误差为3.5%。
实施例5
一种基于深度学习的接地网腐蚀预测方法，包括以下步骤：土壤样本点获取；接地网腐蚀样本点的获取；深度学习网络的构建；构建土壤样本的深度学习模型；构建接地网腐蚀的深度学习模型；模型验证；基于深度学习模型通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。
进一步的，所述土壤样本获取：在河北石家庄地区某220v变电站进行土壤样本获取，以天为单位根据当地的天气预报记录实验场地的温度、湿度、大气压和降水量，在此基础上观测土壤的温度、湿度、电阻率和pH值，获得土壤样本点。
进一步的，接地网腐蚀样本点的获取：采用加速腐蚀实验进行腐蚀样本点的获取；选择钢板，平均分成2份；分别埋入土壤中，2份土壤湿度设定值均不同；将埋好的钢板分别放入可控温度箱中，设置不同的温度和处理时间；观测不同试验条件下的接地网腐蚀程度，获得接地网腐蚀样本点。
一份土壤湿度设定为30%，温度箱温度设定为0℃，温度箱处理时间设定为2880h；
一份土壤湿度设定为60%，温度箱温度设定为20℃，温度箱处理时间设定为5760h；
进一步的，所述温度箱处理时间设定为1440h、2880h、5760h、8760h。
进一步的，所述钢板为Q235钢板，每份钢板长200mm、宽150mm、厚5mm。
进一步的， 深度学习网络的构建：构建一个五层的深度学习网络，第一层采用稀疏自动编码器，第二、三层采用通用自动编码器，第四层采用降噪自动编码器，第五层采用支持向量机。
进一步的，构建土壤样本的深度学习模型：以实验场地的温度、湿度、大气压和降水量为输入数据，被测土壤的温度、湿度、电阻率和pH值为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，构建接地网腐蚀的深度学习模型：以加速腐蚀实验中土壤的温度、湿度、电阻率和pH值为输入数据，接地网的腐蚀程度为输出数据，采用无监督训练的方法，进行深度学习。
进一步的，模型验证：将土壤样本的深度学习模型和接地网腐蚀的深度学习模型相结合，以石家庄地区气象站观测得到的每天温度、湿度、大气压和降雨量为输入数据，依据土壤样本的深度学习模型，得到被测土壤每天的温度、湿度、电阻率和pH值；再将被测土壤每天的温度、湿度、电阻率和pH值代入接地网腐蚀的深度学习模型，预测得到接地网每天的腐蚀量；进而通过线性累加的方法得到变电站接地网实际运行一年的腐蚀量，开挖观测实际变电站接地网腐蚀情况，验证深度学习模型，经验证预测误差为6.5%。

Claims (10)

1.一种基于深度学习的接地网腐蚀预测方法，其特征在于，包括以下步骤：土壤样本点获取；接地网腐蚀样本点的获取；深度学习网络的构建；构建土壤样本的深度学习模型；构建接地网腐蚀的深度学习模型；模型验证；基于深度学习模型通过当地气象站的气象数据对变电站实际运行接地网腐蚀情况进行实时估计。
2.根据权利要求1所述的一种基于深度学习的接地网腐蚀预测方法，其特征在于，所述土壤样本获取：在实验场所进行土壤样本获取，以天为单位根据当地的天气预报记录实验场地的温度、湿度、大气压和降水量，在此基础上观测土壤的温度、湿度、电阻率和pH值，获得土壤样本点。
3.根据权利要求1所述的一种基于深度学习的接地网腐蚀预测方法，其特征在于，所述接地网腐蚀样本点的获取：采用加速腐蚀实验进行腐蚀样本点的获取；选择钢板，平均分成若干等份；分别埋入土壤中，若干等份土壤湿度设定值均不同；将埋好的钢板分别放入可控温度箱中，设置不同的温度和处理时间；观测不同试验条件下的接地网腐蚀程度，获得接地网腐蚀样本点。
4.根据权利要求3所述的一种基于深度学习的接地网腐蚀预测方法，其特征在于，所述若干等份土壤湿度设定为10%、20%、30%、40%、60%或80%。
5.根据权利要求3所述的一种基于深度学习的接地网腐蚀预测方法，其特征在于，所述温度箱的温度设定为-20℃、-10℃、0℃、10℃、20℃、30℃、40℃、50℃或60℃；所述温度箱的处理时间设定为1440h、2880h、5760h、8760h。
6.根据权利要求3所述的一种基于深度学习的接地网腐蚀预测方法，其特征在于，所述钢板为Q235钢板，每份钢板长200mm、宽150mm、厚5mm。
7.根据权利要求1所述的一种基于深度学习的接地网腐蚀预测方法，其特征在于，所述深度学习网络的构建：构建一个五层的深度学习网络，第一层采用稀疏自动编码器，第二、三层采用通用自动编码器，第四层采用降噪自动编码器，第五层采用支持向量机。
8.根据权利要求1所述的一种基于深度学习的接地网腐蚀预测方法，其特征在于，所述构建土壤样本的深度学习模型：以实验场地的温度、湿度、大气压和降水量为输入数据，被测土壤的温度、湿度、电阻率和pH值为输出数据，采用无监督训练的方法，进行深度学习。
9.根据权利要求1所述的一种基于深度学习的接地网腐蚀预测方法，其特征在于，所述构建接地网腐蚀的深度学习模型：以加速腐蚀实验中土壤的温度、湿度、电阻率和pH值为输入数据，接地网的腐蚀程度为输出数据，采用无监督训练的方法，进行深度学习。
10.根据权利要求1所述的一种基于深度学习的接地网腐蚀预测方法，其特征在于，所述模型验证：将土壤样本的深度学习模型和接地网腐蚀的深度学习模型相结合，以某变电站所在地气象站观测得到的每天温度、湿度、大气压和降雨量为输入数据，依据土壤样本的深度学习模型，得到被测土壤每天的温度、湿度、电阻率和pH值；再将被测土壤每天的温度、湿度、电阻率和pH值代入接地网腐蚀的深度学习模型，预测得到接地网每天的腐蚀量；进而通过线性累加的方法得到变电站接地网实际运行一年的腐蚀量，开挖观测实际变电站接地网腐蚀情况，验证深度学习模型。
CN202010330265.3A 2020-04-24 2020-04-24 一种基于深度学习的接地网腐蚀预测方法 Pending CN111610406A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010330265.3A CN111610406A (zh) 2020-04-24 2020-04-24 一种基于深度学习的接地网腐蚀预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010330265.3A CN111610406A (zh) 2020-04-24 2020-04-24 一种基于深度学习的接地网腐蚀预测方法

Publications (1)

Publication Number Publication Date
CN111610406A true CN111610406A (zh) 2020-09-01

Family

ID=72204672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010330265.3A Pending CN111610406A (zh) 2020-04-24 2020-04-24 一种基于深度学习的接地网腐蚀预测方法

Country Status (1)

Country Link
CN (1) CN111610406A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598163A (zh) * 2020-12-08 2021-04-02 国网河北省电力有限公司电力科学研究院 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型
CN118169374A (zh) * 2024-04-15 2024-06-11 深圳大学 深远海混凝土智能化实时监测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136539A (zh) * 2013-03-08 2013-06-05 西安科技大学 接地网腐蚀速率等级预测方法
CN103164619A (zh) * 2013-03-06 2013-06-19 陕西电力科学研究院 基于最佳鉴别准则的变电站接地网腐蚀率模式识别方法
CN104299032A (zh) * 2014-08-25 2015-01-21 国家电网公司 一种预测变电站接地网土壤腐蚀速率的方法
US20150347922A1 (en) * 2014-05-30 2015-12-03 International Business Machines Corporation Multi-model blending
CN105243435A (zh) * 2015-09-15 2016-01-13 中国科学院南京土壤研究所 一种基于深度学习元胞自动机模型的土壤含水量预测方法
CN105719025A (zh) * 2016-01-26 2016-06-29 华北电力大学（保定） 变电站q235镀锌钢接地网的腐蚀率预测方法
CN106529062A (zh) * 2016-11-20 2017-03-22 重庆交通大学 一种基于深度学习的桥梁结构健康诊断方法
CN207196095U (zh) * 2017-09-15 2018-04-06 北京为韵科技有限公司 一种用于管道腐蚀及泄漏监测的分布式光纤传感系统
US20180215585A1 (en) * 2015-07-31 2018-08-02 Inventio Ag Concepts for detecting a deterioration state of a load bearing capacity in a suspension member arrangement for an elevator
CN108805355A (zh) * 2018-06-09 2018-11-13 贵州电网有限责任公司 一种基于最小二乘支持向量机的接地网腐蚀预测方法
CN109142679A (zh) * 2018-08-13 2019-01-04 中国科学院东北地理与农业生态研究所 基于人工神经网络克里金插值的森林土壤养分的空间预测方法
CN109507535A (zh) * 2018-12-10 2019-03-22 国网河南省电力公司电力科学研究院 变电站接地网运行阶段及运行寿命预测方法及装置
CN110084367A (zh) * 2019-04-19 2019-08-02 安徽农业大学 一种基于lstm深度学习模型的土壤墒情预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164619A (zh) * 2013-03-06 2013-06-19 陕西电力科学研究院 基于最佳鉴别准则的变电站接地网腐蚀率模式识别方法
CN103136539A (zh) * 2013-03-08 2013-06-05 西安科技大学 接地网腐蚀速率等级预测方法
US20150347922A1 (en) * 2014-05-30 2015-12-03 International Business Machines Corporation Multi-model blending
CN104299032A (zh) * 2014-08-25 2015-01-21 国家电网公司 一种预测变电站接地网土壤腐蚀速率的方法
US20180215585A1 (en) * 2015-07-31 2018-08-02 Inventio Ag Concepts for detecting a deterioration state of a load bearing capacity in a suspension member arrangement for an elevator
CN105243435A (zh) * 2015-09-15 2016-01-13 中国科学院南京土壤研究所 一种基于深度学习元胞自动机模型的土壤含水量预测方法
CN105719025A (zh) * 2016-01-26 2016-06-29 华北电力大学（保定） 变电站q235镀锌钢接地网的腐蚀率预测方法
CN106529062A (zh) * 2016-11-20 2017-03-22 重庆交通大学 一种基于深度学习的桥梁结构健康诊断方法
CN207196095U (zh) * 2017-09-15 2018-04-06 北京为韵科技有限公司 一种用于管道腐蚀及泄漏监测的分布式光纤传感系统
CN108805355A (zh) * 2018-06-09 2018-11-13 贵州电网有限责任公司 一种基于最小二乘支持向量机的接地网腐蚀预测方法
CN109142679A (zh) * 2018-08-13 2019-01-04 中国科学院东北地理与农业生态研究所 基于人工神经网络克里金插值的森林土壤养分的空间预测方法
CN109507535A (zh) * 2018-12-10 2019-03-22 国网河南省电力公司电力科学研究院 变电站接地网运行阶段及运行寿命预测方法及装置
CN110084367A (zh) * 2019-04-19 2019-08-02 安徽农业大学 一种基于lstm深度学习模型的土壤墒情预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JEAN KYLE ALVAREZ: "Application of deep learning image-to-image transformation networks to GPR radargrams for sub-surface imaging in infrastructure monitoring", 《2018 13TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 *
刘文惠: "接地网材料腐蚀分类的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王海霞: "基于卷积神经网络的接地网腐蚀程度分类方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598163A (zh) * 2020-12-08 2021-04-02 国网河北省电力有限公司电力科学研究院 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型
CN112598163B (zh) * 2020-12-08 2022-11-22 国网河北省电力有限公司电力科学研究院 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型
CN118169374A (zh) * 2024-04-15 2024-06-11 深圳大学 深远海混凝土智能化实时监测方法及系统

Similar Documents

Publication Publication Date Title
Espinoza et al. Multi-phase assessment and adaptation of power systems resilience to natural hazards
CN107169645B (zh) 一种计及暴雨灾害影响的输电线路故障概率在线评估方法
CN101893674B (zh) 一种区域电网污闪指数预测方法
CN103207340B (zh) 一种输电线路雷电绕击跳闸在线预警方法
Wu et al. The characteristics of regional heavy precipitation events over eastern monsoon China during 1960–2013
Yang et al. Failure probability estimation of overhead transmission lines considering the spatial and temporal variation in severe weather
CN111210102B (zh) 一种极端灾害条件下电网故障建模方法
CN111610406A (zh) 一种基于深度学习的接地网腐蚀预测方法
Dumas et al. Extreme weather and climate vulnerabilities of the electric grid: A summary of environmental sensitivity quantification methods
CN105279612A (zh) 一种基于泊松分布的输电线路跳闸风险评估方法
CN105160425A (zh) 基于气象和地形因子的输变电设备覆冰灾害监测和预报方法
CN108629520B (zh) 一种微气象环境下的高压输电线路运行状态评估方法
CN111612315A (zh) 一种新型电网灾害性大风预警方法
CN105095668B (zh) 基于亚洲极涡因子的电网覆冰长期预报方法
Chen et al. Short-term prediction for transmission lines icing based on bp neural network
CN105699849A (zh) 一种基于量子行为粒子群优化算法的电压暂降估计方法
CN105809574A (zh) 一种结合地形参数判定线路走廊云地闪高危区段的方法
CN115186858A (zh) 基于不同影响类型的变电站洪水淹没风险预警方法及系统
CN105931408B (zh) 架空输电线路的山火密度的预测方法
CN111209535B (zh) 一种电力设备相继故障风险识别方法及系统
CN117477558A (zh) 一种基于电网负荷的预测方法及其系统
Heckenbergerova et al. Identification of critical aging segments and hotspots of power transmission lines
CN116205342A (zh) 基于精细化预测的电力气象预警方法
CN111146779B (zh) 一种电力设备相继故障的大电网柔性安全控制方法及系统
Zhu et al. The analysis of the concrete gravity dam’s foundation uplift pressure under the function of typhoon

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

Application publication date: 20200901

RJ01 Rejection of invention patent application after publication