CN112162182A - 一种基于神经网络的气体介电强度预测方法 - Google Patents

一种基于神经网络的气体介电强度预测方法 Download PDF

Info

Publication number
CN112162182A
CN112162182A CN202011037420.9A CN202011037420A CN112162182A CN 112162182 A CN112162182 A CN 112162182A CN 202011037420 A CN202011037420 A CN 202011037420A CN 112162182 A CN112162182 A CN 112162182A
Authority
CN
China
Prior art keywords
gas
electrical parameters
neural network
dielectric strength
data
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
CN202011037420.9A
Other languages
English (en)
Inventor
林林
陈庆国
聂洪岩
王新宇
程嵩
贾宗凯
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202011037420.9A priority Critical patent/CN112162182A/zh
Publication of CN112162182A publication Critical patent/CN112162182A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01R31/12—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
    • 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
    • G01R31/1263—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1281—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases
    • 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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于神经网络的气体介电强度预测方法，操作简单，实施效果好，能满足新型绝缘气体的介电强度初步预测。其包括如下步骤：步骤1，基于密度泛函理论计算气体分子电气参数；根据气体击穿中电子崩发展特点，提取影响电子崩发展的电气参数，获得数据集。步骤2，验证气体分子电气参数计算准确性；与实验数据对比，验证密度泛函理论计算电气参数的准确性；步骤3，将计算得到的气体分子电气参数及气体相对介电强度实验值作为数据集，进行神经网络建模训练；步骤4，通过预测的数据与试验的数据对比分析预测准确度及可行性。步骤5，根据电气参数计算数据和完成训练的神经网络对气体的介电强度进行预测。

Description

一种基于神经网络的气体介电强度预测方法
技术领域
本发明涉及电气绝缘介质强度预测，具体为基于神经网络的气体介电强度预测方法。
背景技术
气体绝缘具有绝缘强度高、自恢复性强等优点，以气体绝缘为媒质的气体绝缘设备使用寿命长、运行安全性高、配置灵活、维修简单、受外界环境因素影响小，是特高压电网的重要组成部分。在气体绝缘中SF6气体因其良好的绝缘及灭弧特性被广泛应用。然而，SF6是一种强温室效应气体，会造成严重的温室效应。研究表明：截止2018年，大气中的SF6浓度已达9ppt，由SF6导致的温升为0.004℃，其对于环境造成的影响已经不容忽视。目前，绿色环保型绝缘气体的寻找已成为热点问题。
气体绝缘有严格的限制条件。其中，绝缘强度是重要的电气性能特性。目前，气体绝缘强度通常通过实验的方法获得。因此，实现气体绝缘强度的预测对SF6可替代气体的寻找具有重要意义。
神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。神经网络具有自适应、自组织、自学习的能力。神经网络的特点使其在数据预测方向展现出较高的优越性，带动了数据预测的发展。
发明内容
本申请的目的是提出一种基于神经网络的气体介电强度预测方法，以解决需通过实验测得气体绝缘强度，不利于SF6可替代气体寻找的问题。该方法基于神经网络，同时结合密度泛函理论，操作简单方便。
本申请提出一种基于密度泛函理论与神经网络的气体介电强度预测方法，所述方法包括以下步骤：
步骤一、基于密度泛函理论计算气体分子电气参数；
随着量子力学的发展，可近似求解薛定谔方程，从而获得气体分子外的电子分布。进一步获得气体分子的电气参数。因此，本申请基于密度泛函理论对气体的电气参数进行计算，计算采用GAUSSIAN软件，鉴于M62Xdef2TZVP基组对于除锕系和最后一个周期外的所有元素均有定义，可避免多个基组混用。故选定为计算基组。选取计算电气参数为电离能、亲和能及极化率。
步骤二、验证气体分子电气参数计算准确性；
选取电离能和亲和能实验值已知的气体，采用线性回归方法验证计算结果的准确性。线性回归的公式如下：
y＝a0+a1x；
式中，y表示微观电参数实验值；x表示计算值；a0、a1为未知参数。
以微观电参数的实验值为纵坐标、微观电参数计算值为横坐标绘制线性回归曲线，验证微观电参数计算的准确性。
步骤三、将计算得到的气体分子电气参数及气体相对介电强度实验值作为数据集，进行神经网络建模训练；
将计算得到的气体分子电气参数及气体相对介电强度实验值作为数据集，进行建模训练，训练采用广义神经网络GRNN。
步骤四、通过预测的数据与试验的数据对比分析预测准确度及可行性。
经训练得到预测数据，将预测数据与试验数据进行对比。
步骤五、根据电气参数计算数据和完成训练的神经网络对气体的介电强度进行预测。
选取气体并基于密度泛函理论计算气体的电气参数，通过完成训练的神经网络进行介电强度预测。
附图说明
图1为气体介电强度预测流程图；
图2为电离能计算值与实验值对比图；
图3为亲和能计算值与实验值对比图；
图4为极化率计算值与实验值对比图；
图5为训练集的预测结果图；
图6为训练集和两种气体的相对介电强度预测结果图；
具体实施方式
本发明对气体介电强度的具体预测流程如图1所示。现结合附图和实例对本申请的技术方案进行进一步的说明：
步骤一，基于密度泛函理论计算气体分子电气参数；
选取分子，在GaussView中建立分子模型，提交至Gaussian软件进行分子优化和能量计算。计算中采用M62Xdef2TZVP基组，分子电离能、亲和能的计算公式如下：
x1＝E+(M)-E(M)；
x2＝E(M)-E-(M)；
式中，E+(M)、E(M)、E-(M)分别为阳离子、中性粒子及阴离子在能量最低构型下对应的能量值。
将中性粒子在最低能量下的构型进行保存，采用关键词polar对分子极化率x3进行计算。
步骤二、验证气体分子电气参数计算准确性；
为确保电气参数计算的准确性，选取电气参数已知的气体，分别进行分子电离能、极化率和亲和能的计算。以电气参数的实验值为纵坐标、电气参数计算值为横坐标绘制线性回归曲线，采用的线性回归曲线如下：
y＝a0+a1x；
式中，y表示电气参数实验值；x表示电气参数计算值；a0、a1为未知参数。
分析得到电离能、亲和能和极化率的计算准确性对比结果分别如图2、图3及图4所示。分析得到电离能、极化率的理论值与实验值的相关系数R2分可达0.95以上。计算中亲和能的计算准确度较低，鉴于亲和能计算值一定程度上能反应亲和能的实验值，故将该计算结果用于气体介电强度预测。
步骤三、神经网络的建模训练；
选取30种介电强度已知的气体，重复步骤一计算各气体的电气参数，将计算得到的气体分子电气参数及气体相对介电强度(相对于SF6)实验值作为训练样本，进行建模训练。
广义回归神经网络GRNN是建立在非参数估计的基础上的一种非线性回归的径向基神经网络，具有网络结构自适应确定、输出与初始权值无关等优良特性,能够逼近任意连续的非线性函数,可以处理系统内在的难以解析的规律。
本申请采用广义回归神经网络GRNN进行数据训练，为取得比较好的预测效果，将数值换算为[0,1]区间的值，然后对网络输出作反变换。镜像基函数扩展系数为0.01。
步骤四、通过预测的数据与试验的数据对比分析预测准确度及可行性。
经训练得到训练样本的预测数据与试验数据的对比结果如图5所示。
步骤五、根据电气参数计算数据和完成训练的神经网络对气体的介电强度进行预测。
利用完成训练的神经网络进行预测，选择两种气体作为预测样本，对应的介电强度的预测结果如图6所示。由预测结果和实际数据比较可知,网络的预测值存在一定误差,这是因为网络模型的建立是以大量样本资料为基础的,本例中训练样本容量较小,所以预测精度不是很高。考虑到这些因素,这里的预测结果还是可以接受的。
以上所述，仅是本发明较佳实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围的。

Claims (6)

1.一种基于神经网络的气体介电强度预测方法，其特征在于包括：
基于密度泛函理论计算气体分子电气参数；
验证气体分子电气参数计算准确性；
将计算得到的气体分子电气参数及气体相对介电强度实验值作为数据集，进行神经网络建模训练；
通过预测的数据与试验的数据对比分析预测准确度及可行性；
根据电气参数计算数据和完成训练的神经网络对气体的介电强度进行预测。
2.根据权利要求1所述的方法，其特征在于，计算的分子电气参数包括分子电离能、极化率和亲和能。
3.根据权利要求1所述的方法，其特征在于，以电气参数实验值为纵坐标，以电气参数计算值为横坐标绘制线性回归曲线，验证气体电气参数计算的准确性。
4.根据权利要求1所述的方法，其特征在于，采用广义回归神经网络GRNN进行建模训练。
5.根据权利要求4所述的方法，其特征在于，为取得比较好的预测效果，将数值换算为[0, 1] 区间的值，然后对网络输出作反变换。
6.根据权利要求4所述的方法，其特征在于，设定径向基函数的扩展系数为0.01。
CN202011037420.9A 2020-09-28 2020-09-28 一种基于神经网络的气体介电强度预测方法 Pending CN112162182A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011037420.9A CN112162182A (zh) 2020-09-28 2020-09-28 一种基于神经网络的气体介电强度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011037420.9A CN112162182A (zh) 2020-09-28 2020-09-28 一种基于神经网络的气体介电强度预测方法

Publications (1)

Publication Number Publication Date
CN112162182A true CN112162182A (zh) 2021-01-01

Family

ID=73861758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011037420.9A Pending CN112162182A (zh) 2020-09-28 2020-09-28 一种基于神经网络的气体介电强度预测方法

Country Status (1)

Country Link
CN (1) CN112162182A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113707229A (zh) * 2021-08-13 2021-11-26 湖北工业大学 一种基于电子定域化函数的六氟化硫缓冲气体挑选方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102981108A (zh) * 2012-11-29 2013-03-20 重庆大学 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法
CN107944210A (zh) * 2017-11-16 2018-04-20 云南电网有限责任公司电力科学研究院 一种高绝缘气体的筛选方法
CN207318592U (zh) * 2017-08-17 2018-05-04 哈尔滨理工大学 一种基于巴申定律气压可调的固体绝缘材料高场强电阻率测试系统
CN108226650A (zh) * 2017-12-18 2018-06-29 河南师范大学 一种宽带介电常数测量装置
CN207908584U (zh) * 2017-12-18 2018-09-25 河南师范大学 基于共面波导传输线的微流体介电特性检测装置
CN109173319A (zh) * 2018-09-06 2019-01-11 华北电力大学 一种环保型绝缘气体筛选方法及提高直流输电管道绝缘性的方法
CN109461475A (zh) * 2018-10-26 2019-03-12 中国科学技术大学 一种基于人工神经网络的分子属性预测方法
CN109557257A (zh) * 2018-11-23 2019-04-02 华北电力大学 一种六氟化硫替代气体选择方法
CN109752685A (zh) * 2019-03-12 2019-05-14 中国电力科学研究院有限公司 一种配网互感器绝缘性能的评估方法、系统
CN110222863A (zh) * 2019-04-09 2019-09-10 广东电网有限责任公司 一种绝缘介质介电强度预测方法、装置和设备
CN110794269A (zh) * 2019-11-07 2020-02-14 云南电网有限责任公司电力科学研究院 一种绿色绝缘气体绝缘强度计算方法
CN110796386A (zh) * 2019-11-07 2020-02-14 云南电网有限责任公司电力科学研究院 一种绿色绝缘气体的筛选方法
CN110807247A (zh) * 2019-10-09 2020-02-18 平高集团有限公司 一种基于环保的sf6替代介质选取方法
CN111222219A (zh) * 2019-11-18 2020-06-02 广东电网有限责任公司 一种环保型绝缘替代气体性能评估方法、装置和设备
CN111308279A (zh) * 2019-11-28 2020-06-19 西安理工大学 一种基于气体分解产物的高压电气设备绝缘强度计算方法
CN111710375A (zh) * 2020-05-13 2020-09-25 中国科学院计算机网络信息中心 一种分子性质预测方法及系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102981108A (zh) * 2012-11-29 2013-03-20 重庆大学 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法
CN207318592U (zh) * 2017-08-17 2018-05-04 哈尔滨理工大学 一种基于巴申定律气压可调的固体绝缘材料高场强电阻率测试系统
CN107944210A (zh) * 2017-11-16 2018-04-20 云南电网有限责任公司电力科学研究院 一种高绝缘气体的筛选方法
CN108226650A (zh) * 2017-12-18 2018-06-29 河南师范大学 一种宽带介电常数测量装置
CN207908584U (zh) * 2017-12-18 2018-09-25 河南师范大学 基于共面波导传输线的微流体介电特性检测装置
CN109173319A (zh) * 2018-09-06 2019-01-11 华北电力大学 一种环保型绝缘气体筛选方法及提高直流输电管道绝缘性的方法
CN109461475A (zh) * 2018-10-26 2019-03-12 中国科学技术大学 一种基于人工神经网络的分子属性预测方法
CN109557257A (zh) * 2018-11-23 2019-04-02 华北电力大学 一种六氟化硫替代气体选择方法
CN109752685A (zh) * 2019-03-12 2019-05-14 中国电力科学研究院有限公司 一种配网互感器绝缘性能的评估方法、系统
CN110222863A (zh) * 2019-04-09 2019-09-10 广东电网有限责任公司 一种绝缘介质介电强度预测方法、装置和设备
CN110807247A (zh) * 2019-10-09 2020-02-18 平高集团有限公司 一种基于环保的sf6替代介质选取方法
CN110794269A (zh) * 2019-11-07 2020-02-14 云南电网有限责任公司电力科学研究院 一种绿色绝缘气体绝缘强度计算方法
CN110796386A (zh) * 2019-11-07 2020-02-14 云南电网有限责任公司电力科学研究院 一种绿色绝缘气体的筛选方法
CN111222219A (zh) * 2019-11-18 2020-06-02 广东电网有限责任公司 一种环保型绝缘替代气体性能评估方法、装置和设备
CN111308279A (zh) * 2019-11-28 2020-06-19 西安理工大学 一种基于气体分解产物的高压电气设备绝缘强度计算方法
CN111710375A (zh) * 2020-05-13 2020-09-25 中国科学院计算机网络信息中心 一种分子性质预测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIN LIN等: "Study on the Decomposition Mechanism of the HFO1234zeE/N2 Gas Mixture", 《 IEEE TRANSACTIONS ON PLASMA SCIENCE》 *
李兴文等: "基于密度泛函理论的SF6替代气体筛选方法的研究综述", 《高电压技术》 *
林林等: "基于密度泛函理论的SF6潜在可替代性气体介电性能分析", 《电工技术学报》 *
陈庆国等: "基于密度泛函理论的SF6潜在替代气体筛选", 《高电压技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113707229A (zh) * 2021-08-13 2021-11-26 湖北工业大学 一种基于电子定域化函数的六氟化硫缓冲气体挑选方法
CN113707229B (zh) * 2021-08-13 2023-06-09 湖北工业大学 一种基于电子定域化函数的六氟化硫缓冲气体挑选方法

Similar Documents

Publication Publication Date Title
CN107862114A (zh) 基于三比值特征量的小波pso‑svm变压器故障诊断方法
Chen et al. Impact of smart metering data aggregation on distribution system state estimation
Wang et al. Novel grey model for the prediction of trend of dissolved gases in oil-filled power apparatus
Illias et al. Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms
CN110350515B (zh) 一种适用于故障电流分析的柔性直流电网建模方法
CN110687393A (zh) 一种基于vmd-svd-fcm的阀短路保护故障定位方法
CN111652479A (zh) 一种针对电力系统动态安全评估的数据驱动方法
CN112162182A (zh) 一种基于神经网络的气体介电强度预测方法
Rajamani et al. Cross-correlation aided wavelet network for classification of dynamic insulation failures in transformer winding during impulse test
Qiu et al. A method for breakdown voltage prediction of short air gaps with atypical electrodes
CN112288147A (zh) 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法
CN112147473A (zh) 一种高绝缘强度气体的筛选方法
CN116070302A (zh) 一种电缆绝缘状态的预测方法及装置
WO2024016623A1 (zh) 一种基于ssa-svm的gis故障模式识别方法
CN116662802A (zh) 基于北方苍鹰算法优化svm的gis设备pd类型判定方法及系统
CN115856616A (zh) 220kv及以上变压器有载分接开关故障诊断方法
Jalil et al. Development of nottingham arc model for DC series arc modeling in photovoltaic panels
Sui et al. Transformer oil temperature prediction based on long and short-term memory networks
Dasgupta et al. Estimation of electric stress in a vacuum interrupter using multiple linear regression
CN114974447A (zh) 变压器绝缘油纸热老化机理的分子动力学模拟方法及系统
Qiu et al. Air insulation prediction theory and applications
CN113657015A (zh) 一种基于多层静电势参数的sf6替代气体挑选方法
Gao et al. Rapid security situation prediction of smart grid based on Markov Chain
CN112446430A (zh) 一种直流输电系统故障识别方法
Pylarinos et al. Discharges classification using genetic algorithms and feature selection algorithms on time and frequency domain data extracted from leakage current measurements

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: 20210101

RJ01 Rejection of invention patent application after publication