CN112307655B - 基于温度检测的复合绝缘子污秽风险等级评估方法及系统 - Google Patents
基于温度检测的复合绝缘子污秽风险等级评估方法及系统 Download PDFInfo
- Publication number
- CN112307655B CN112307655B CN202011132828.4A CN202011132828A CN112307655B CN 112307655 B CN112307655 B CN 112307655B CN 202011132828 A CN202011132828 A CN 202011132828A CN 112307655 B CN112307655 B CN 112307655B
- Authority
- CN
- China
- Prior art keywords
- pollution
- composite insulator
- temperature rise
- different
- 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.)
- Active
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 124
- 239000002131 composite material Substances 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 178
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000008878 coupling Effects 0.000 claims description 19
- 238000010168 coupling process Methods 0.000 claims description 19
- 238000005859 coupling reaction Methods 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 11
- 238000011109 contamination Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005681 electric displacement field Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920002379 silicone rubber Polymers 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- 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
- G01R31/1272—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 cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Abstract
本发明公开了一种基于温度检测的复合绝缘子污秽风险等级评估方法，包括获取待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速；将待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速输入训练好的神经网络，获得复合绝缘子的污秽风险等级。同时公开了相应的系统。本发明采样神经网络，仅需将容易获取的温升分布、所处环境的相对湿度和空气风速作为输入，即可获得污秽风险等级，操作简单，对工作人员无特定技术要求，成本较低，且便于大面积推广。
Description
技术领域
本发明涉及一种基于温度检测的复合绝缘子污秽风险等级评估方法及系统，属于多物理场的有限元计算领域。
背景技术
硅橡胶复合绝缘子以其抗污闪性能好、质量轻、易于维护等优点在电力系统中得到了广泛的应用。在电力产业的发展历程中复合绝缘子起着至关重要的作用，但是它们大多都安装在室外，很容易受到恶劣天气的影响。雨水和大气灰尘等因素会在短时间内使绝缘子的表面积累大量污秽，污秽受潮以后，使复合绝缘子表面电导率下降，这大大降低了复合绝缘子的绝缘性能，引起复合绝缘子异常温升，由于污秽分布程度不同导致了绝缘子表面温度分布不均，从而使绝缘子的表面发生放电现象，这就是污闪现象。污闪很容易引起大范围的停电事故，对人们的工作生活造成巨大影响。
现有的污秽红外检测技术是有效的防止绝缘子出现污闪现象的技术手段之一。通过在线监测绝缘子表面泄漏电流、局部放电脉冲的变化量，建立湿度、温度、负荷、局放、泄漏电流、电压和绝缘子表面污秽之间相互影响的数学模型，并通过无线方式进行远程数据传输，提供污秽变化的趋势，从而进行风险等级评估。但是该方法操作比较复杂，对工作人员有一定的技术要求，成本较高，不能大面积的推广。
发明内容
本发明提供了一种基于温度检测的复合绝缘子污秽风险等级评估方法及系统，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
基于温度检测的复合绝缘子污秽风险等级评估方法，包括，
获取待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速；
将待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速输入训练好的神经网络，获得复合绝缘子的污秽风险等级。
用以训练和检测神经网络的样本获取过程如下：
通过电磁场-温度场耦合计算，获取复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布；
根据复合绝缘子材料特性和所有温升分布，将温升分布进行污秽风险等级划分，将划分的污秽风险等级、相应的温升分布、所处环境的相对湿度和空气风速作为样本。
通过电磁场-温度场耦合计算，获取复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布；具体过程如下：
根据复合绝缘子表面无污秽的二维轴对称模型，采用有限元法进行电磁场-温度场耦合计算，获得表面无污秽时的温度分布曲线；
根据复合绝缘子表面存在污秽的二维轴对称模型，改变复合绝缘子污秽电导率、污秽厚度、所处环境相对湿度和空气风速，采用有限元法进行电磁场-温度场耦合计算，分别获得污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线；
分别将污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线与表面无污秽时的温度分布曲线进行比对，获得复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布。
将温升分布进行污秽风险等级划分，具体划分为，复合绝缘子正常工作的安全温升范围以及需更换复合绝缘子的危险温升范围。
基于温度检测的复合绝缘子污秽风险等级评估系统，包括，
输入获取模块：获取待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速；
神经网络模块：将待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速输入训练好的神经网络，获得复合绝缘子的污秽风险等级。
还包括训练和检测神经网络样本获取模块，包括，
温升分布计算模块：通过电磁场-温度场耦合计算，获取复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布；
样本构建模块：根据复合绝缘子材料特性和所有温升分布，将温升分布进行污秽风险等级划分，将划分的污秽风险等级、相应的温升分布、所处环境的相对湿度和空气风速作为样本。
温升分布计算模块包括，
无污秽温度分布模块：根据复合绝缘子表面无污秽的二维轴对称模型，采用有限元法进行电磁场-温度场耦合计算，获得表面无污秽时的温度分布曲线；
有污秽温度分布模块：根据复合绝缘子表面存在污秽的二维轴对称模型，改变复合绝缘子污秽电导率、污秽厚度、所处环境相对湿度和空气风速，采用有限元法进行电磁场-温度场耦合计算，分别获得污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线；
比对模块：分别将污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线与表面无污秽时的温度分布曲线进行比对，获得复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布。
将温升分布进行污秽风险等级划分，具体划分为，复合绝缘子正常工作的安全温升范围以及需更换复合绝缘子的危险温升范围。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行基于温度检测的复合绝缘子污秽风险等级评估方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行基于温度检测的复合绝缘子污秽风险等级评估方法的指令。
本发明所达到的有益效果：1、本发明采样神经网络，仅需将容易获取的温升分布、所处环境的相对湿度和空气风速作为输入，即可获得污秽风险等级，操作简单，对工作人员无特定技术要求，成本较低，且便于大面积推广；2、本发明通过电磁场-温度场耦合计算，只需更改复合绝缘子表面污秽电导率、污秽厚度等参数，就可以得到复合绝缘子在不同情况下对应不同的温升分布，不仅所得的数据更加全面，并且不需要过多的消耗人力、物力，大大的降低了成本；3、本发明综合考虑绝缘材料特性以及复合绝缘子温升分布，污秽风险等级的划分会更加精准，也更加切合实际条件；4、本发明采用神经网络，有很强非线性拟合能力，可映射任意的复杂的非线性关系，而且学习规则简单，便于计算机实现，同时具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力；运用神经网络对大量的温升分布数据以及对应的污秽风险等级进行处理，可以充分发挥数据的价值，在温升分布与污秽风险等级之间建立非线性关系，拟合效果高，对数据库中没有的数据可以进行合理的预测，扩大了可处理的数据范围。
附图说明
图1为本发明方法的流程图；
图2为复合绝缘子表面无污秽的二维轴对称模型示意图；
图3为图2复合绝缘子高压端处放大示意图；
图4为图2复合绝缘子低压端处放大示意图；
图5为复合绝缘子在表面无污秽时复合绝缘子高压端处放大的温度分布图；
图6为复合绝缘子的最大温度随污秽电导率变化分布曲线；
图7为复合绝缘子的最大温度随污秽厚度变化分布曲线；
图8为有污秽复合绝缘子的最大温度随环境相对湿度变化分布曲线；
图9为有污秽复合绝缘子的最大温度随空气风速变化分布曲线。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，基于温度检测的复合绝缘子污秽风险等级评估方法，包括以下步骤：
步骤1，获取待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速,。
步骤2，将待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速输入训练好的神经网络，获得复合绝缘子的污秽风险等级。
神经网络为预先训练好的网络，其训练和检测用的样本获取过程如下：
21)通过电磁场-温度场耦合计算，获取复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布。
具体过程如下：
201)根据建立的复合绝缘子表面无污秽的二维轴对称模型，见图2～4，采用有限元法进行电磁场-温度场耦合计算，获得表面无污秽时的温度分布曲线，见图5。
通过对电磁场控制方程(1)～(3)和温度场控制方程(4)进行有限元数值计算，得到由焦耳热引起的温升分布，再由湍流场控制方程(5)进行求解，得到空气风速影响下的温升分布。
其中，是电流密度，Qj,v是自由电荷，σ是介电常数，/>是电场，/>是电位移场，V是电势。
其中，Q是热源(或散热器)，ρ是密度，Cp为恒压热容，是温度变化，/>是模型部分在物质框架内运动时由平移运动子节点定义的速度场，k′是导热系数。
其中，k为湍流动能，μt为湍流涡粘系数，μ为动力粘度，Gk为速度梯度引起的湍流动能项，Gb为浮力引起的湍流动能项，ε为湍流动能的耗散率，YM为可压缩湍流脉动扩散项，σk为k对应的普朗特数，σs为ε对应的普朗特数，Cs1、Cs2、Cs3为一定实验条件下的经验常数，Sk、Ss为用户定义源项。
202)根据建立的复合绝缘子表面存在污秽的二维轴对称模型，改变复合绝缘子污秽电导率、污秽厚度、所处环境相对湿度和空气风速，采用有限元法进行电磁场-温度场耦合计算，分别获得污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线。
在复合绝缘子表面无污秽二维模型中，伞裙和金具的表面添加一层污秽层，改变模型中绝缘子表面污秽的电导率，通过有限元计算公式(1)～(5)，求解得到污秽电导率不同时的最大温度分布曲线，见图6。
同理，改变模型中绝缘子表面污秽的厚度，求解得到污秽厚度不同时的最大温度分布曲线，见图7；改变模型中环境相对湿度，求解得到所处环境相对湿度不同时的最大温度分布曲线，见图8；改变模型中空气风速，求解得到空气风速不同时的最大温度分布曲线，见图9。
203)分别将污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线与表面无污秽时的温度分布曲线进行比对，获得复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布。
22)根据复合绝缘子材料特性(一般为材料适用温升范围)和所有温升分布，将温升分布进行污秽风险等级划分，具体划分为：复合绝缘子正常工作的安全温升范围以及需更换复合绝缘子的危险温升范围，将划分的污秽风险等级、相应的温升分布、所处环境的相对湿度和空气风速作为样本。
以深圳地区交流500kV核惠线为例：
首先建立复合绝缘子表面无污秽的二维轴对称模型，得到表面无污秽时的温度分布曲线，如图5所示；分别将复合绝缘子在不同的污秽电导率、污秽厚度、环境相对湿度、空气风速，进行无限元数值计算，获得最大温度分布曲线，如图6-9所示；将最大温度分布曲线与表面无污秽时的温度分布曲线进行比对，获得温升分布；再根据以上数据计算出的温升分布和材料适用温升范围，进行污秽风险等级划分，构建样本，对神经网络进行训练。
2016年3月15日，深圳地区交流500kV核惠线多支绝缘子出现严重发热。最大温升温度超过11℃，发热绝缘子于2013年3月投入，累计运行时间3a，核惠线近海，线路区域年均气温超24℃，年平均湿度超75％，属典型高温高湿环境。将环境相对湿度、空气风速和复合绝缘子的温升分布作为神经网络的输入，输出该复合绝缘子所处污秽风险等级。
上述方法采样神经网络，采用神经网络，有很强非线性拟合能力，可映射任意的复杂的非线性关系，而且学习规则简单，便于计算机实现，同时具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力；运用神经网络对大量的温升分布数据以及对应的污秽风险等级进行处理，可以充分发挥数据的价值，在温升分布与污秽风险等级之间建立非线性关系，拟合效果高，对数据库中没有的数据可以进行合理的预测，扩大了可处理的数据范围。该方法仅需将容易获取的温升分布、所处环境的相对湿度和空气风速作为输入，即可获得污秽风险等级，操作简单，对工作人员无特定技术要求，成本较低，且便于大面积推广。
上述方法采通过电磁场-温度场耦合计算，只需更改复合绝缘子表面污秽电导率、污秽厚度等参数，就可以得到复合绝缘子在不同情况下对应不同的温升分布，不仅所得的数据更加全面，并且不需要过多的消耗人力、物力，大大的降低了成本。上述方法采综合考虑绝缘材料特性以及复合绝缘子温升分布，污秽风险等级的划分会更加精准，也更加切合实际条件。
基于温度检测的复合绝缘子污秽风险等级评估系统，包括，
输入获取模块：获取待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速。
神经网络模块：将待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速输入训练好的神经网络，获得复合绝缘子的污秽风险等级。
训练和检测神经网络样本获取模块包括，
温升分布计算模块：通过电磁场-温度场耦合计算，获取复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布。
温升分布计算模块包括，
无污秽温度分布模块：根据复合绝缘子表面无污秽的二维轴对称模型，采用有限元法进行电磁场-温度场耦合计算，获得表面无污秽时的温度分布曲线；
有污秽温度分布模块：根据复合绝缘子表面存在污秽的二维轴对称模型，改变复合绝缘子污秽电导率、污秽厚度、所处环境相对湿度和空气风速，采用有限元法进行电磁场-温度场耦合计算，分别获得污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线。
比对模块：分别将污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线与表面无污秽时的温度分布曲线进行比对，获得复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布。
样本构建模块：根据复合绝缘子材料特性和所有温升分布，将温升分布进行污秽风险等级划分，具体划分为：复合绝缘子正常工作的安全温升范围以及需更换复合绝缘子的危险温升范围，将划分的污秽风险等级、相应的温升分布、所处环境的相对湿度和空气风速作为样本。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行基于温度检测的复合绝缘子污秽风险等级评估方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行基于温度检测的复合绝缘子污秽风险等级评估方法的指令。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (6)
1.基于温度检测的复合绝缘子污秽风险等级评估方法，其特征在于：包括，
获取待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速；
将待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速输入训练好的神经网络，获得复合绝缘子的污秽风险等级；其中，
用以训练和检测神经网络的样本获取过程如下：
根据复合绝缘子表面无污秽的二维轴对称模型，采用有限元法进行电磁场-温度场耦合计算，获得表面无污秽时的温度分布曲线；
根据复合绝缘子表面存在污秽的二维轴对称模型，改变复合绝缘子污秽电导率、污秽厚度、所处环境相对湿度和空气风速，采用有限元法进行电磁场-温度场耦合计算，分别获得污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线；
分别将污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线与表面无污秽时的温度分布曲线进行比对，获得复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布；
根据复合绝缘子材料特性和所有温升分布，将温升分布进行污秽风险等级划分，将划分的污秽风险等级、相应的温升分布、所处环境的相对湿度和空气风速作为样本。
2.根据权利要求1所述的基于温度检测的复合绝缘子污秽风险等级评估方法，其特征在于：将温升分布进行污秽风险等级划分，具体划分为，复合绝缘子正常工作的安全温升范围以及需更换复合绝缘子的危险温升范围。
3.基于温度检测的复合绝缘子污秽风险等级评估系统，其特征在于：包括，
输入获取模块：获取待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速；
神经网络模块：将待评估复合绝缘子的温升分布、所处环境的相对湿度和空气风速输入训练好的神经网络，获得复合绝缘子的污秽风险等级；
训练和检测神经网络样本获取模块，包括，
无污秽温度分布模块：根据复合绝缘子表面无污秽的二维轴对称模型，采用有限元法进行电磁场-温度场耦合计算，获得表面无污秽时的温度分布曲线；
有污秽温度分布模块：根据复合绝缘子表面存在污秽的二维轴对称模型，改变复合绝缘子污秽电导率、污秽厚度、所处环境相对湿度和空气风速，采用有限元法进行电磁场-温度场耦合计算，分别获得污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线；
比对模块：分别将污秽电导率不同时的最大温度分布曲线、污秽厚度不同时的最大温度分布曲线、所处环境相对湿度不同时的最大温度分布曲线、空气风速不同时的最大温度分布曲线与表面无污秽时的温度分布曲线进行比对，获得复合绝缘子在不同污秽电导率的温升分布、不同污秽厚度的温升分布、不同所处环境相对湿度的温升分布、不同空气风速的温升分布；
样本构建模块：根据复合绝缘子材料特性和所有温升分布，将温升分布进行污秽风险等级划分，将划分的污秽风险等级、相应的温升分布、所处环境的相对湿度和空气风速作为样本。
4.根据权利要求3所述的基于温度检测的复合绝缘子污秽风险等级评估系统，其特征在于：将温升分布进行污秽风险等级划分，具体划分为，复合绝缘子正常工作的安全温升范围以及需更换复合绝缘子的危险温升范围。
5.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至2所述的方法中的任一方法。
6.一种计算设备，其特征在于：包括，
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至2所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011132828.4A CN112307655B (zh) | 2020-10-21 | 2020-10-21 | 基于温度检测的复合绝缘子污秽风险等级评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011132828.4A CN112307655B (zh) | 2020-10-21 | 2020-10-21 | 基于温度检测的复合绝缘子污秽风险等级评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112307655A CN112307655A (zh) | 2021-02-02 |
| CN112307655B true CN112307655B (zh) | 2023-12-05 |
Family
ID=74326868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011132828.4A Active CN112307655B (zh) | 2020-10-21 | 2020-10-21 | 基于温度检测的复合绝缘子污秽风险等级评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112307655B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076673A (zh) * | 2021-04-08 | 2021-07-06 | 江苏省送变电有限公司 | 基于神经网络的湿污复合绝缘子温升风险等级评估方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102809568A (zh) * | 2012-08-28 | 2012-12-05 | 广东电网公司佛山供电局 | 绝缘子污秽分布监测方法和系统 |
| CN103823165A (zh) * | 2014-02-26 | 2014-05-28 | 国家电网公司 | 一种基于泄漏电流的绝缘子污闪预警方法及其系统 |
| CN104266634A (zh) * | 2014-09-26 | 2015-01-07 | 西安工程大学 | 输电线路绝缘子等值灰密在线监测系统及监测方法 |
| CN104616060A (zh) * | 2014-12-23 | 2015-05-13 | 南京工程学院 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
| CN106897487A (zh) * | 2017-01-13 | 2017-06-27 | 华中科技大学 | 一种高温超导磁体非线性分析的建模方法 |
| CN108169243A (zh) * | 2017-12-25 | 2018-06-15 | 国网宁夏电力有限公司固原供电公司 | 基于bp遗传网络的避雷器污秽度采集单元标定方法 |
| CN108872819A (zh) * | 2018-07-29 | 2018-11-23 | 湖南湖大华龙电气与信息技术有限公司 | 基于红外热像和可见光的绝缘子检测无人机及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9384560B2 (en) * | 2014-10-27 | 2016-07-05 | King Fahd University Of Petroleum And Minerals | Contamination level estimation method for high voltage insulators |
-
2020
- 2020-10-21 CN CN202011132828.4A patent/CN112307655B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102809568A (zh) * | 2012-08-28 | 2012-12-05 | 广东电网公司佛山供电局 | 绝缘子污秽分布监测方法和系统 |
| CN103823165A (zh) * | 2014-02-26 | 2014-05-28 | 国家电网公司 | 一种基于泄漏电流的绝缘子污闪预警方法及其系统 |
| CN104266634A (zh) * | 2014-09-26 | 2015-01-07 | 西安工程大学 | 输电线路绝缘子等值灰密在线监测系统及监测方法 |
| CN104616060A (zh) * | 2014-12-23 | 2015-05-13 | 南京工程学院 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
| CN106897487A (zh) * | 2017-01-13 | 2017-06-27 | 华中科技大学 | 一种高温超导磁体非线性分析的建模方法 |
| CN108169243A (zh) * | 2017-12-25 | 2018-06-15 | 国网宁夏电力有限公司固原供电公司 | 基于bp遗传网络的避雷器污秽度采集单元标定方法 |
| CN108872819A (zh) * | 2018-07-29 | 2018-11-23 | 湖南湖大华龙电气与信息技术有限公司 | 基于红外热像和可见光的绝缘子检测无人机及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于BP神经网络和模糊逻辑的绝缘子污秽等级预测;王健;杨志超;葛乐;杨成顺;张成龙;顾云峰;;南京工程学院学报(自然科学版)(04);第17-22页 * |
| 高压输电线路绝缘子劣化检测方法研究;于洋;中国优秀硕士学位论文全文数据库（电子期刊）(第01期期);第1-76页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112307655A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104573355A (zh) | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 | |
| Qiao et al. | Application of grey theory in pollution prediction on insulator surface in power systems | |
| CN112307655B (zh) | 基于温度检测的复合绝缘子污秽风险等级评估方法及系统 | |
| CN108376194A (zh) | 基于大气环境参数的绝缘子积污预测方法 | |
| CN115902700A (zh) | 输电线路绝缘子的污闪预警方法、装置、设备及介质 | |
| Yin et al. | A novel method for visualizing the pollution distribution of insulators | |
| CN113076673A (zh) | 基于神经网络的湿污复合绝缘子温升风险等级评估方法 | |
| Kang et al. | Prediction of the potential induced degradation of photovoltaic modules based on the leakage current flowing through glass laminated with ethylene-vinly acetate | |
| CN114034997A (zh) | 一种基于多参量的绝缘子劣化程度预测方法及系统 | |
| Li et al. | Short-term prediction of the output power of PV system based on improved grey prediction model | |
| Lei et al. | Comprehensive prediction method for failure rate of transmission line based on multi‐dimensional cloud model | |
| CN108287174B (zh) | 基于变温下热寿命损耗的母线槽寿命预测方法 | |
| CN116756505A (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
| Liu et al. | FSR‐SSL: A fault sample rebalancing framework based on semi‐supervised learning for PV fault diagnosis | |
| CN110610254B (zh) | 一种设备表面污秽度多维度监控系统和预测评价方法 | |
| Yi et al. | Influence of aerosols on the ion‐flow field under high‐voltage direct current transmission lines | |
| Jiafeng et al. | Transformer Fault Prediction Method Based on Multiple Linear Regression | |
| Liu et al. | Grounding grids fault diagnosis based on PCA-BP neural network | |
| Salem et al. | Flashover Voltage Prediction on Polluted Cup-Pin the Insulators Under Polluted Conditions | |
| Zhang et al. | A Method for Anti-electric Theft Based on User Electricity Load Forecasting and Historical Load Data | |
| Tingjun et al. | Reliability Evaluation Model of Power Communication Network Considering the Importance of Transmission Service | |
| Zhang et al. | Asymptotic domain adaptive detection for abnormal targets in transmission lines under complex weather conditions | |
| Cheng et al. | Excess Emission Sources Identification via Sparse Monitoring Networks | |
| Fang et al. | Analysis and Prediction of Air Quality based on LSTM Neural Network——Take Beijing Temple of Heaven as an Example | |
| Yang | Mechanical Reliability Analysis and Optimization Design Method Based on Evidence Theory |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 211102 No. 280 Heyan Road, Nanjing, Jiangsu Applicant after: JIANGSU POWER TRANSMISSION AND DISTRIBUTION Co.,Ltd. Address before: No.58-5, Suyuan Avenue, Nanjing, Jiangsu, 211102 Applicant before: JIANGSU POWER TRANSMISSION AND DISTRIBUTION Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |