CN112668169B - 基于深度学习的gis导体温度实时估算方法、装置及设备 - Google Patents
基于深度学习的gis导体温度实时估算方法、装置及设备 Download PDFInfo
- Publication number
- CN112668169B CN112668169B CN202011521356.1A CN202011521356A CN112668169B CN 112668169 B CN112668169 B CN 112668169B CN 202011521356 A CN202011521356 A CN 202011521356A CN 112668169 B CN112668169 B CN 112668169B
- Authority
- CN
- China
- Prior art keywords
- gis
- data
- conductor temperature
- model
- 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
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及一种基于深度学习的GIS导体温度实时估算方法、装置及设备,通过GIS仿真模型根据影响GIS设备导体温度的参数变量采集到训练数据,对训练数据经过归一化处理后得到样本数据,采用样本数据进行深度学习训练,得到GIS导体温度估算模型,对GIS导体温度估算模型进行校准测试,得到温度估算神经网络模型,该温度估算神经网络模型能够根据参数变量得出GIS导体温度估算值,得到的GIS导体温度估算值的准确度高,从而便于对GIS内部是否发生过热故障进行实时监测和预警,及时发现故障,解决了现有对GIS内部导体测量的温度数据不准确,且无法实时测量的技术问题。
Description
技术领域
本发明涉及GIS温度技术领域,尤其涉及一种基于深度学习的GIS导体温度实时估算方法、装置及设备。
背景技术
六氟化硫气体绝缘金属全封闭开关配电设备(GAS—INSTULATED SWITCHGEAR简称GIS)是一种成套集中的电气设备,采用金属外壳,将断路器、隔离开关、接地刀闸、避雷器、电压互感器、母线、电缆终端、进出线套管等独立设备集中封装。GIS可靠性高,但因为全封闭结构导致对内部导体状态难以判断,随着操作次数的增多,GIS触头系统会出现触指接触不均匀、偏离轴心等现象,导致触头接触不良,进而导致开关发热严重,引起GIS设备内部和外壳温度分布发生变化,可能导致过热击穿外壳,损害GIS设备。
目前,对现场常用的判断GIS内部导体接触状态的措施主要有两种,分别是定期测量回路电阻和使用红外成像仪对GIS外壳及固定监测点定期进行巡视测温。采用定期测量回路电阻需要对GIS外壳停电测量,对电网运行影响较大。采用红外成像仪对GIS外壳无法实时测量,不能直接反映GIS内部导体温度。
现有技术中,对GIS的测温方法众多,但是均无法在不停电的情况下完成GIS触头温度的监测。因此需要提出一种GIS内部导体温度实时估算的方法,现有存在通过实验测量环境温度、外壳温度和触头温度,利用最小二乘拟合或神经网络拟合环境温度、外壳温度和触头温度的关系,但是未考虑风速、光照等复杂环境因素,且通过实验获得拟合样本,数据量有限,准确度较低,且无法实现实时在线计算。
发明内容
本发明实施例提供了一种基于深度学习的GIS导体温度实时估算方法、装置及设备,用于解决现有对GIS内部导体测量的温度数据不准确,且无法实时测量的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于深度学习的GIS导体温度实时估算方法,包括以下步骤:
S10.获取影响GIS设备导体温度的参数变量;
S20.建立GIS仿真模型,在所述GIS仿真模型中改变所述参数变量的变量,获得N组GIS导体温度数据以及与GIS导体温度数据对应位置的GIS外壳温度数据,将N组的GIS导体温度数据以及对应的GIS外壳温度数据和参数变量记为N组训练数据;
S30.对N组的所述训练数据中温度数据进行归一化处理,得到归一化后N组的样本数据;
S40.对N组的所述样本数据进行深度学习建立GIS导体温度估算模型;
S50.对所述GIS导体温度估算模型进行校准测试,直至所述GIS导体温度估算模型输出的GIS导体温度估算值与实测值之间的误差总和小于设定值,得到温度估算神经网络模型;
S60.获取实时监测GIS设备得到的参数变量和GIS外壳温度数据输入所述温度估算神经网络模型中,所述温度估算神经网络模型输出实时GIS导体温度估算值;
其中,所述参数变量包括GIS外壳直径、GIS受到的环境温度、GIS受到的风速、GIS受到的光照强度和GIS内部SF6的气体压力。
优选地,在步骤S20中,获得N组训练数据的步骤包括:
采用三维软件按照GIS设备实物模型1:1建立GIS几何模型;
采用Ansys Workbench仿真软件对所述GIS几何模型建立气流体域,得到含有流体域的GIS几何模型;
采用Meshing网格剖分对含有流体域的GIS几何模型的稳态温度场与气流场进行网格剖分,得到GIS仿真模型;
在所述GIS仿真模型设置GIS的材料、热源以及根据不同参数变量,通过AnsysWorkbench仿真软件得到N组的训练数据。
优选地,在步骤S30中,对N组的所述训练数据中温度数据归一化处理后的数值映射在[-1,1]区间。
优选地,在步骤S40中,对N组的所述样本数据进行深度学习建立GIS导体温度估算模型的步骤包括:
将N组所述样本数据分为训练样本和验证样本;
在神经网络模型中采用所述训练样本进行深度学习训练,得到GIS导体温度估算模型;
采用所述验证样本对所述GIS导体温度估算模型进行验证,确定GIS导体温度估算模型的网路结构和网络参数。
优选地,在步骤S40中,在神经网络模型中采用所述训练样本进行深度学习训练过程中包括:所述训练样本中的参数变量作为神经网络模型的输入,所述训练样本中的GIS导体温度数据作为输出,对神经网络模型进行训练,直至神经网络模型的损失函数得到均方误差达到10-2,停止对神经网络模型的训练,得到GIS导体温度估算模型。
优选地,将K%的N组所述样本数据作为训练样本,将(100-K)%的N组所述样本数据作为验证样本。
优选地,在步骤S50中,对所述GIS导体温度估算模型进行校准测试的步骤包括:
获取GIS设备导体温度的实测值以及与所述导体温度的实测值对应的参数变量和GIS外壳温度数据,并记为测量数据;
将参数变量和GIS外壳温度数据输入所述GIS导体温度估算模型,得到GIS导体温度估算值;
若实测值与其对应的GIS导体温度估算值之间的误差总和小于设定值,则该GIS导体温度估算模型为温度估算神经网络模型;
若实测值与其对应的GIS导体温度估算值之间的误差总和不小于设定值,将L%的所述测量数据作为训练样本对GIS导体温度估算模型进行训练,将(100-L)%的所述测量数据作为测试数据对训练后的GIS导体温度估算模型进行测试,直至测试训练后的GIS导体温度估算模型输出的GIS导体温度估算值与实测值之间的误差总和小于设定值,则将训练后的GIS导体温度估算模型作为温度估算神经网络模型。
本发明还提供一种基于深度学习的GIS导体温度实时估算装置,包括变量获取模块、数据获取模块、数据处理模块、模型建立模块、模型校准模块和结果输出模块;
所述变量获取模块,用于获取影响GIS设备导体温度的参数变量;
所述数据获取模块,用于建立GIS仿真模型,在所述GIS仿真模型中改变所述参数变量的变量,获得N组GIS导体温度数据以及与GIS导体温度数据对应位置的GIS外壳温度数据,将N组的GIS导体温度数据以及对应的GIS外壳温度数据和参数变量记为N组训练数据;
所述数据处理模块,用于对N组的所述训练数据中温度数据进行归一化处理,得到归一化后N组的样本数据;
所述模型建立模块,用于对N组的所述样本数据进行深度学习建立GIS导体温度估算模型;
所述模型校准模块,用于对所述GIS导体温度估算模型进行校准测试,直至所述GIS导体温度估算模型输出的GIS导体温度估算值与实测值之间的误差总和小于设定值,得到温度估算神经网络模型;
所述结果输出模块,用于获取实时监测GIS设备得到的参数变量和GIS外壳温度数据输入所述温度估算神经网络模型中,所述温度估算神经网络模型输出实时GIS导体温度估算值;
其中,所述参数变量包括GIS外壳直径、GIS受到的环境温度、GIS受到的风速、GIS受到的光照强度和GIS内部SF6的气体压力。
本发明还提供一种计算机可读存储介质,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述所述的基于深度学习的GIS导体温度实时估算方法。
本发明还提供一种终端设备,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述所述的基于深度学习的GIS导体温度实时估算方法。
从以上技术方案可以看出,本发明实施例具有以下优点:该基于深度学习的GIS导体温度实时估算方法、装置及设备通过GIS仿真模型根据影响GIS设备导体温度的参数变量采集到训练数据,对训练数据经过归一化处理后得到样本数据,采用样本数据进行深度学习训练,得到GIS导体温度估算模型,对GIS导体温度估算模型进行校准测试,得到温度估算神经网络模型,该温度估算神经网络模型能够根据参数变量得出GIS导体温度估算值,从而便于对GIS内部是否发生过热故障进行实时监测和预警,及时发现故障,解决了现有对GIS内部导体测量的温度数据不准确,且无法实时测量的技术问题。
该基于深度学习的GIS导体温度实时估算方法能够不依赖于改造GIS设备本体结构、加装内部温度传感器,而是根据监测得到GIS外壳温度得出GIS内部导体的温度输出,降低了GIS结构改造带来的安全风险;还考虑了环境温度、风速、光照等环境因素对GIS外壳温度的影响,能够准确地对GIS导体温度进行估算。
该基于深度学习的GIS导体温度实时估算方法采用仿真得到的训练数据作为神经网络模型训练样本,采用实验数据作为GIS导体温度估算模型测试校准的样本,使得得到的温度估算神经网络模型输出结果的准确度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法的步骤流程图。
图2为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法获得训练数据的步骤流程图。
图3为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法的GIS几何模型图。
图4a为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法GIS仿真模型的GIS导体温度分布图。
图4b为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法GIS仿真模型的GIS外壳温度分布图。
图5为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法GIS导体温度估算模型输出结果的示意图。
图6为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法GIS导体温度估算模型训练的示意图。
图7为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法校准模型的示意图。
图8为本发明实施例所述的基于深度学习的GIS导体温度实时估算装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本申请实施例提供了一种基于深度学习的GIS导体温度实时估算方法、装置及设备,利用仿真模型获取不同参数变量变动下的GIS导体温度和GIS外壳温度数据,作为训练数据进行深度学习训练,然后通过实验的测量数据进行校准测试,将实时监测的GIS外壳温度及参数输入温度估算神经网络模型中,得到实时监测的GIS导体温度估算值,解决了现有对GIS内部导体测量的温度数据不准确,且无法实时测量的技术问题。
实施例一:
图1为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法的步骤流程图。
如图1所示,本发明实施例提供了一种基于深度学习的GIS导体温度实时估算方法,包括以下步骤:
S10.获取影响GIS设备导体温度的参数变量;
S20.建立GIS仿真模型,在GIS仿真模型中改变参数变量的变量,获得N组GIS导体温度数据以及与GIS导体温度数据对应位置的GIS外壳温度数据,将N组的GIS导体温度数据以及对应的GIS外壳温度数据和参数变量记为N组训练数据;
S30.对N组的训练数据中温度数据进行归一化处理,得到归一化后N组的样本数据;
S40.对N组的样本数据进行深度学习建立GIS导体温度估算模型;
S50.对GIS导体温度估算模型进行校准测试,直至GIS导体温度估算模型输出的GIS导体温度估算值与实测值之间的误差总和小于设定值,得到温度估算神经网络模型;
S60.获取实时监测GIS设备得到的参数变量和GIS外壳温度数据输入温度估算神经网络模型中,温度估算神经网络模型输出实时GIS导体温度估算值;
其中,参数变量包括GIS外壳直径、GIS受到的环境温度、GIS受到的风速、GIS受到的光照强度和GIS内部SF6的气体压力。
在本发明实施例的步骤S10中,主要是确定对计算GIS导体温度有重大影响的参数变量。
需要说明的是,参数变量主要有GIS设备外壳温升、GIS设备外壳直径、GIS设备内部SF6气体压力、GIS设备受到的环境温度、GIS设备受到的风速、GIS设备收到的光照强度。
在本发明实施例的步骤S20中,主要是根据建立的GIS仿真模型得到训练数据,为建立GIS导体温度估算模型提供数据。
需要说明的是,通过GIS仿真模型利用有限元仿真平台对不同尺寸的GIS进行光-电磁-温度场-流场仿真,改变环境温度t0、风速v、光照强度c、SF6气体压力F,通过施加不同边界条件迭代计算得到上述参数变量变动下各关键点GIS导体温度数据T和对应位置的外壳温度(t1~t8)数据。将得到一个GIS导体温度数据以及其对应的GIS外壳温度数据和参数变量作为一组训练数据,将通过改变参数变量得到多个GIS导体温度数据,那么对应的可以得到多组训练数据。在本实施例中,N的数值一般选取为100,N也可以取其他的数值,确保得到的GIS导体温度估算模型输出结果的准确率。
在本发明实施例的步骤S30中,主要是对所有的训练数据进行归一化处理,将训练数据的数值映射在[-1,1]区间,便于在神经网络中进行训练,建立GIS导体温度估算模型。
在本发明实施例的步骤S40中,主要是通过深度学习建立GIS导体温度估算模型。
需要说明的是,采用样本数据在神经网络模型中训练和验证,建立GIS导体温度估算模型。
在本发明实施例的步骤S50中,主要是建立的GIS导体温度估算模型进行校准验证,确保得到GIS导体温度估算模型输出结果的准确性。
在本发明实施例的步骤S60中,主要是将步骤S10至步骤S50得到的温度估算神经网络模型应用在监测GIS设备温度设备中,使得监测GIS设备温度设备能够实时得到GIS导体温度。
本发明提供的一种基于深度学习的GIS导体温度实时估算方法通过GIS仿真模型根据影响GIS设备导体温度的参数变量采集到训练数据,对训练数据经过归一化处理后得到样本数据,采用样本数据进行深度学习训练,得到GIS导体温度估算模型,对GIS导体温度估算模型进行校准测试,得到温度估算神经网络模型,该温度估算神经网络模型能够根据参数变量得出GIS导体温度估算值,从而便于对GIS内部是否发生过热故障进行实时监测和预警,及时发现故障,解决了现有对GIS内部导体测量的温度数据不准确,且无法实时测量的技术问题。
需要说明的是,该基于深度学习的GIS导体温度实时估算方法能够不依赖于改造GIS设备本体结构、加装内部温度传感器,而是根据监测得到GIS外壳温度得出GIS内部导体的温度输出,降低了GIS结构改造带来的安全风险;还考虑了环境温度、风速、光照等环境因素对GIS外壳温度的影响,能够准确地对GIS导体温度进行估算。
该基于深度学习的GIS导体温度实时估算方法采用仿真得到的训练数据作为神经网络模型训练样本,采用实验数据作为GIS导体温度估算模型测试校准的样本,使得得到的温度估算神经网络模型输出结果的准确度高。
图2为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法获得训练数据的步骤流程图。
为了提高深度学习分析得到训练数据的精准度,需要提高数据分析样本的数量,通过GIS仿真模型利用有限元仿真平台对不同尺寸的GIS设备进行光-电磁-温度场-流场仿真,改变外壳直径d、环境温度t0、风速v、光照强度c、SF6气体压力F,得到参数变量变动下GIS导体温度T和对应位置的GIS外壳温度(t1~t8)数据。如图2所示,在本发明的一个实施例中,在步骤S20中,获得N组训练数据的步骤包括:
S21.采用三维软件按照GIS设备实物模型1:1建立GIS几何模型;
S22.采用Ansys Workbench仿真软件对GIS几何模型建立气流体域,得到含有流体域的GIS几何模型;
S23.采用Meshing网格剖分对含有流体域的GIS几何模型的稳态温度场与气流场进行网格剖分,得到GIS仿真模型;
S24.在GIS仿真模型设置GIS的材料、热源以及根据不同参数变量,通过AnsysWorkbench仿真软件得到N组的训练数据。
图3为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法的GIS几何模型图,图4a为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法GIS仿真模型的GIS导体温度分布图,图4b为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法GIS仿真模型的GIS外壳温度分布图。
在本发明实施例的步骤S21中,采用三维CAD软件按照GIS设备实物模型1:1建立的GIS几何模型(也称单相GIS三维温升仿真计算模型),为了方便计算,需对GIS几何模型进行适当地简化,保留电流的导通路径部分与外壳等主要部件,去掉与温升关联较小或无关的器件,如图3所示,触头接触处采用厚度为n(例如3mm)的薄层来等效,并赋予相应的电导率与热导率,由此可得与触头等效的接触电阻。
在本发明实施例的步骤S22中,将GIS几何模型导入Ansys Workbench仿真软件中,在GIS几何模型中建立一个连通的气流体域,得到含有流体域的GIS几何模型,该含有流体域的GIS几何模型模拟自然对流散热。
在本发明实施例的步骤S23中,将含有流体域的GIS几何模型在自动化网格剖分工具—Meshing网格剖分平台进行稳态温度场与气流场的网格剖分,得到GIS仿真模型。
在本发明实施例的步骤S24中,在GIS仿真模型中设置各个部件材料属性,对GIS添加热源,即电流I(例如2000A),设置参数变量,该GIS仿真模型在流体计算收敛之后即可得到GIS导体温度和GIS外壳温度的温度分布特性,如图4a和图4b所示。
需要说明的是,设置的参数变量包括:GIS内部气体压力设置为SF6气体压力F(例如0.2MPa),GIS外部气体压力设置为大气压力1.013×105Pa,在外部空气流体域边界上加一个速度入口和速度出口,速度设置为环境风速v(例如2m/s),整个计算域外表面的温度设置为环境温度t0(例如298K),太阳辐射光照强度设置为c(例如1200W/m2)。改变GIS仿真模型中的GIS外壳直径,得到不同尺寸下GIS导体温度T和对应位置的GIS外壳温度(t1~t8)数据。改变参数变量,如环境温度t0、风速v、光照强度c、SF6气体压力F,得到上述参数变量变动下GIS导体温度T和对应位置的GIS外壳温度(t1~t8)数据,可以得到多组的训练数据。
图5为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法GIS导体温度估算模型输出结果的示意图,图6为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法GIS导体温度估算模型训练的示意图。
如图5所示,在本发明的一个实施例中,在步骤S40中,对N组的样本数据进行深度学习建立GIS导体温度估算模型的步骤包括:
将N组样本数据分为训练样本和验证样本;
在神经网络模型中采用训练样本进行深度学习训练,得到GIS导体温度估算模型;
采用验证样本对GIS导体温度估算模型进行验证,确定GIS导体温度估算模型的网路结构和网络参数。
如图6所示,在步骤S40中,在神经网络模型中采用训练样本进行深度学习训练过程中包括:训练样本中的参数变量作为神经网络模型的输入,训练样本中的GIS导体温度数据作为输出,对神经网络模型进行训练,直至神经网络模型的损失函数得到均方误差达到10-2,停止对神经网络模型的训练,得到GIS导体温度估算模型。其中,将K%的N组样本数据作为训练样本,将(100-K)%的N组样本数据作为验证样本。
需要说明的是,在神经网络模型中,主要是将参数变量作为神经网络模型的输入,GIS导体温度作为神经网络模型的输出进行训练,在训练过程中选用输出结果的均方误差作为神经网络模型的损失函数,神经网络模型的隐层神经元的传输函数选用为‘tansig’,神经网络模型的输出层的传输函数选用为‘purelin’。在本实施例中,80%的N组样本数据作为训练样本,20%的N组样本数据作为验证样本。
图7为本发明实施例所述的基于深度学习的GIS导体温度实时估算方法校准模型的示意图。
如图7所示,在本发明的一个实施例中,在步骤S50中,对GIS导体温度估算模型进行校准测试的步骤包括:
获取GIS设备导体温度的实测值以及与导体温度的实测值对应的参数变量和GIS外壳温度数据,并记为测量数据;
将参数变量和GIS外壳温度数据输入GIS导体温度估算模型,得到GIS导体温度估算值;
若实测值与其对应的GIS导体温度估算值之间的误差总和小于设定值,则该GIS导体温度估算模型为温度估算神经网络模型;
若实测值与其对应的GIS导体温度估算值之间的误差不小于设定值,将L%的测量数据作为训练样本对GIS导体温度估算模型进行训练,将(100-L)%的测量数据作为测试数据对训练后的GIS导体温度估算模型进行测试,直至测试训练后的GIS导体温度估算模型输出的GIS导体温度估算值与实测值之间的误差总和小于设定值,则将训练后的GIS导体温度估算模型作为温度估算神经网络模型。
需要说明的是,由于训练数据为仿真数据,为验证GIS导体温度估算模型输出GIS温度估计值的准确度,GIS导体温度估算模型测试时使用实验数据。通过实验测量获取若干组GIS导体温度数据以及对应的GIS外壳温度和参数变量,输入至训练好的GIS导体温度估算模型中,若GIS导体温度估算模型输出的GIS温度估计值与实测值误差总和小于设定值(例如10-2),即表明该GIS导体温度估算模型可以直接作为温度估算神经网络模型使用,该温度估算神经网络模型输出的GIS温度估算值被认可。若GIS导体温度估算模型输出的GIS温度估计值与实测值误差总和大于设定值,则将已有测量数据的L%(例如K为50)加入训练样本继续对GIS导体温度估算模型进行训练,并用剩余(100-L)%数据作为测试数据,测试训练后的GIS导体温度估算模型,直至最后一次训练后的GIS导体温度估算模型输出的GIS温度估计值与实测值误差总和小于设定值,则表明该训练后的GIS导体温度估算模型完成校准,并将训练后的GIS导体温度估算模型保存作为温度估算神经网络模型,从而提高温度估算神经网络模型输出的GIS导体温度估算值的准确度。
实施例二:
图8为本发明实施例所述的基于深度学习的GIS导体温度实时估算装置的框架图。
如图8所示,本发明实施例还提供一种基于深度学习的GIS导体温度实时估算装置,包括变量获取模块10、数据获取模块20、数据处理模块30、模型建立模块40、模型校准模块50和结果输出模块60;
变量获取模块10,用于获取影响GIS设备导体温度的参数变量;
数据获取模块20,用于建立GIS仿真模型,在GIS仿真模型中改变参数变量的变量,获得N组GIS导体温度数据以及与GIS导体温度数据对应位置的GIS外壳温度数据,将N组的GIS导体温度数据以及对应的GIS外壳温度数据和参数变量记为N组训练数据;
数据处理模块30,用于对N组的训练数据中温度数据进行归一化处理,得到归一化后N组的样本数据;
模型建立模块40,用于对N组的样本数据进行深度学习建立GIS导体温度估算模型;
模型校准模块50,用于对GIS导体温度估算模型进行校准测试,直至GIS导体温度估算模型输出的GIS导体温度估算值与实测值之间的误差总和小于设定值,得到温度估算神经网络模型;
结果输出模块60,用于获取实时监测GIS设备得到的参数变量和GIS外壳温度数据输入温度估算神经网络模型中,温度估算神经网络模型输出实时GIS导体温度估算值;
其中,参数变量包括GIS外壳直径、GIS受到的环境温度、GIS受到的风速、GIS受到的光照强度和GIS内部SF6的气体压力。
需要说明的是,实施例二装置中的模块对应于实施例一方法中的步骤,实施例一方法中的步骤已在实施例一中详细阐述了,在此实施例二中不再对装置中的模块内容进行详细阐述。
实施例三:
本发明实施例提供了一种计算机可读存储介质,计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述的基于深度学习的GIS导体温度实时估算方法。
实施例四:
本发明实施例提供了一种终端设备,包括处理器以及存储器;
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的基于深度学习的GIS导体温度实时估算方法。
需要说明的是,处理器用于根据所程序代码中的指令执行上述的一种基于深度学习的GIS导体温度实时估算方法实施例中的步骤。或者,处理器执行计算机程序时实现上述各系统/装置实施例中各模块/单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的GIS导体温度实时估算方法,其特征在于,包括以下步骤:
S10.获取影响GIS设备导体温度的参数变量;
S20.建立GIS仿真模型,在所述GIS仿真模型中改变所述参数变量的变量,获得N组GIS导体温度数据以及与GIS导体温度数据对应位置的GIS外壳温度数据,将N组的GIS导体温度数据以及对应的GIS外壳温度数据和参数变量记为N组训练数据;
S30.对N组的所述训练数据中温度数据进行归一化处理,得到归一化后N组的样本数据;
S40.对N组的所述样本数据进行深度学习建立GIS导体温度估算模型;
S50.对所述GIS导体温度估算模型进行校准测试,直至所述GIS导体温度估算模型输出的GIS导体温度估算值与实测值之间的误差总和小于设定值,得到温度估算神经网络模型;
S60.获取实时监测GIS设备得到的参数变量和GIS外壳温度数据输入所述温度估算神经网络模型中,所述温度估算神经网络模型输出实时GIS导体温度估算值;
其中,所述参数变量包括GIS外壳直径、GIS受到的环境温度、GIS受到的风速、GIS受到的光照强度和GIS内部SF6的气体压力;
在步骤S20中,通过所述GIS仿真模型利用有限元仿真平台对不同尺寸的GIS设备进行光-电磁-温度场-流场仿真,改变环境温度、风速、光照强度和SF6气体压力这些参数变量以及通过施加不同边界条件迭代计算得到GIS导体温度数据和对应位置的外壳温度数据;将得到一个GIS导体温度数据以及其对应的GIS外壳温度数据和参数变量作为一组训练数据,将通过改变参数变量得到多个GIS导体温度数据,则对应的得到N组训练数据。
2.根据权利要求1所述的基于深度学习的GIS导体温度实时估算方法,其特征在于,在步骤S20中,获得N组训练数据的步骤包括:
采用三维软件按照GIS设备实物模型1:1建立GIS几何模型;
采用Ansys Workbench仿真软件对所述GIS几何模型建立气流体域,得到含有流体域的GIS几何模型;
采用Meshing网格剖分对含有流体域的GIS几何模型的稳态温度场与气流场进行网格剖分,得到GIS仿真模型;
在所述GIS仿真模型设置GIS的材料、热源以及根据不同参数变量,通过AnsysWorkbench仿真软件得到N组的训练数据。
3.根据权利要求1所述的基于深度学习的GIS导体温度实时估算方法,其特征在于,在步骤S30中,对N组的所述训练数据中温度数据归一化处理后的数值映射在[-1,1]区间。
4.根据权利要求1所述的基于深度学习的GIS导体温度实时估算方法,其特征在于,在步骤S40中,对N组的所述样本数据进行深度学习建立GIS导体温度估算模型的步骤包括:
将N组所述样本数据分为训练样本和验证样本;
在神经网络模型中采用所述训练样本进行深度学习训练,得到GIS导体温度估算模型;
采用所述验证样本对所述GIS导体温度估算模型进行验证,确定GIS导体温度估算模型的网路结构和网络参数。
5.根据权利要求4所述的基于深度学习的GIS导体温度实时估算方法,其特征在于,在步骤S40中,在神经网络模型中采用所述训练样本进行深度学习训练过程中包括:所述训练样本中的参数变量作为神经网络模型的输入,所述训练样本中的GIS导体温度数据作为输出,对神经网络模型进行训练,直至神经网络模型的损失函数得到均方误差达到10-2,停止对神经网络模型的训练,得到GIS导体温度估算模型。
6.根据权利要求4所述的基于深度学习的GIS导体温度实时估算方法,其特征在于,将K%的N组所述样本数据作为训练样本,将(100-K)%的N组所述样本数据作为验证样本。
7.根据权利要求1所述的基于深度学习的GIS导体温度实时估算方法,其特征在于,在步骤S50中,对所述GIS导体温度估算模型进行校准测试的步骤包括:
获取GIS设备导体温度的实测值以及与所述导体温度的实测值对应的参数变量和GIS外壳温度数据,并记为测量数据;
将参数变量和GIS外壳温度数据输入所述GIS导体温度估算模型,得到GIS导体温度估算值;
若实测值与其对应的GIS导体温度估算值之间的误差总和小于设定值,则该GIS导体温度估算模型为温度估算神经网络模型;
若实测值与其对应的GIS导体温度估算值之间的误差总和不小于设定值,将L%的所述测量数据作为训练样本对GIS导体温度估算模型进行训练,将(100-L)%的所述测量数据作为测试数据对训练后的GIS导体温度估算模型进行测试,直至测试训练后的GIS导体温度估算模型输出的GIS导体温度估算值与实测值之间的误差总和小于设定值,则将训练后的GIS导体温度估算模型作为温度估算神经网络模型。
8.一种基于深度学习的GIS导体温度实时估算装置,其特征在于,包括变量获取模块、数据获取模块、数据处理模块、模型建立模块、模型校准模块和结果输出模块;
所述变量获取模块,用于获取影响GIS设备导体温度的参数变量;
所述数据获取模块,用于建立GIS仿真模型,在所述GIS仿真模型中改变所述参数变量的变量,获得N组GIS导体温度数据以及与GIS导体温度数据对应位置的GIS外壳温度数据,将N组的GIS导体温度数据以及对应的GIS外壳温度数据和参数变量记为N组训练数据;
所述数据处理模块,用于对N组的所述训练数据中温度数据进行归一化处理,得到归一化后N组的样本数据;
所述模型建立模块,用于对N组的所述样本数据进行深度学习建立GIS导体温度估算模型;
所述模型校准模块,用于对所述GIS导体温度估算模型进行校准测试,直至所述GIS导体温度估算模型输出的GIS导体温度估算值与实测值之间的误差总和小于设定值,得到温度估算神经网络模型;
所述结果输出模块,用于获取实时监测GIS设备得到的参数变量和GIS外壳温度数据输入所述温度估算神经网络模型中,所述温度估算神经网络模型输出实时GIS导体温度估算值;
其中,所述参数变量包括GIS外壳直径、GIS受到的环境温度、GIS受到的风速、GIS受到的光照强度和GIS内部SF6的气体压力;
所述数据获取模块通过所述GIS仿真模型利用有限元仿真平台对不同尺寸的GIS设备进行光-电磁-温度场-流场仿真,改变环境温度、风速、光照强度和SF6气体压力这些参数变量以及通过施加不同边界条件迭代计算得到GIS导体温度数据和对应位置的外壳温度数据;将得到一个GIS导体温度数据以及其对应的GIS外壳温度数据和参数变量作为一组训练数据,将通过改变参数变量得到多个GIS导体温度数据,则对应的得到N组训练数据。
9.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行如权利要求1-7任意一项所述的基于深度学习的GIS导体温度实时估算方法。
10.一种终端设备,其特征在于,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1-7任意一项所述的基于深度学习的GIS导体温度实时估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521356.1A CN112668169B (zh) | 2020-12-21 | 2020-12-21 | 基于深度学习的gis导体温度实时估算方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521356.1A CN112668169B (zh) | 2020-12-21 | 2020-12-21 | 基于深度学习的gis导体温度实时估算方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668169A CN112668169A (zh) | 2021-04-16 |
CN112668169B true CN112668169B (zh) | 2022-05-03 |
Family
ID=75407043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011521356.1A Active CN112668169B (zh) | 2020-12-21 | 2020-12-21 | 基于深度学习的gis导体温度实时估算方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668169B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218537B (zh) * | 2021-05-25 | 2024-04-05 | 中国南方电网有限责任公司超高压输电公司广州局 | 温度异常检测模型的训练方法、装置、设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122007A (zh) * | 2014-07-03 | 2014-10-29 | 国家电网公司 | 基于光纤光栅温度传感器的gis设备触头温度监测系统 |
CN104299034B (zh) * | 2014-09-29 | 2018-07-20 | 华南理工大学 | 基于bp神经网络的三芯电缆导体暂态温度计算方法 |
CN106228033B (zh) * | 2016-09-22 | 2019-01-25 | 河海大学 | 基于rbf神经网络的三芯电缆导体温度实时计算方法 |
US10604814B2 (en) * | 2017-09-27 | 2020-03-31 | International Business Machines Coporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
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 |
CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
-
2020
- 2020-12-21 CN CN202011521356.1A patent/CN112668169B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112668169A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108593260B (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN110794706B (zh) | 开关柜的测温方法、装置、计算机设备和存储介质 | |
Dashti et al. | Fault section estimation in power distribution network using impedance‐based fault distance calculation and frequency spectrum analysis | |
CN105092050A (zh) | 一种gis内部导体过热故障的检测方法及装置 | |
CN107561397B (zh) | Gis触头系统的电接触状态检测方法和系统 | |
CN104217061A (zh) | 低压配电柜的温度场仿真设计方法 | |
CN103808426B (zh) | 电缆线芯温度的间接测量方法 | |
CN112668169B (zh) | 基于深度学习的gis导体温度实时估算方法、装置及设备 | |
CN110543717A (zh) | 一种gis设备温升特性仿真模型的构建方法及装置 | |
CN111121971B (zh) | 一种通过高压开关柜表面温度变化判断故障类型的方法 | |
CN111143979B (zh) | 存储器、盆式绝缘子热力学模型构建方法、装置和设备 | |
CN111157906B (zh) | Soc精度测试方法、装置及系统 | |
CN110781589B (zh) | 检测气体绝缘金属封闭输电线路搭接处过热故障的方法 | |
CN112507513A (zh) | 高压开关柜非介入测温诊断的热仿真分析方法、电子设备、存储介质 | |
CN112580232A (zh) | 一种中压开关柜内多关键接触点的接触电阻在线监测方法 | |
CN108280277A (zh) | 一种传输线随温度变化的损耗算法 | |
CN116738784A (zh) | 电缆附件老化过程压力分析方法、装置、存储介质及设备 | |
Xu et al. | Improved method for extracting resistive leakage current of surge protectors | |
CN113033889B (zh) | 高压输电线路故障预测方法、装置及终端设备 | |
CN105116303B (zh) | 一种估算50%放电电压试验所需试验次数的方法 | |
CN111859802A (zh) | 一种架空导线稳态温度计算方法、系统以及设备 | |
CN113739926B (zh) | 列车电器柜温升故障的检测方法、装置及终端设备 | |
Bashkirov et al. | Comparative analysis of software products for virtual simulation of electrical circuits | |
CN112578275B (zh) | 一种高海拔环境下的低压断路器热性能检测方法及系统 | |
CN115618747B (zh) | 一种电缆热点状态的评价方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |