CN113077045A - 一种基于bp神经网络的真空电弧电压预测方法 - Google Patents
一种基于bp神经网络的真空电弧电压预测方法 Download PDFInfo
- Publication number
- CN113077045A CN113077045A CN202110326538.1A CN202110326538A CN113077045A CN 113077045 A CN113077045 A CN 113077045A CN 202110326538 A CN202110326538 A CN 202110326538A CN 113077045 A CN113077045 A CN 113077045A
- Authority
- CN
- China
- Prior art keywords
- arc voltage
- neural network
- method based
- prediction method
- arc
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01H—ELECTRIC SWITCHES; RELAYS; SELECTORS; EMERGENCY PROTECTIVE DEVICES
- H01H33/00—High-tension or heavy-current switches with arc-extinguishing or arc-preventing means
- H01H33/60—Switches wherein the means for extinguishing or preventing the arc do not include separate means for obtaining or increasing flow of arc-extinguishing fluid
- H01H33/66—Vacuum switches
- H01H33/664—Contacts; Arc-extinguishing means, e.g. arcing rings
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于BP神经网络的真空电弧电压预测方法,针对很难通过仿真获取电弧电压关于时间的波形的问题,在电流分别为5kA,10kA,15kA,20kA,25kA,机构运动平均速度分别为1m/s,1.5m/s,2m/s,燃弧时间分别为3ms,5ms下进行大量实验,获取机构运动行程曲线和对应电弧电压波形,通过BP神经网络建立机构行程曲线(作为输入),电流等级作为输入和电弧电压作为输出之间的预测神经网络结构,从而通过仿真得到的机构行程曲线获取需要预测的电弧电压与时间的关系波形。本发明能够在误差允许范围内获得接近实验电压的预测波形。
Description
技术领域
本发明涉及一种真空电弧电压预测方法,特别涉及一种基于BP神经网络的真空电弧电压预测方法。
背景技术
真空断路器是一种在配电网中应用十分广泛的开关电器,对于断路器来说,如何快速可靠的熄灭电弧是最需要考虑的,因此研究电弧对断路器来说是非常有必要的。电弧电压是电弧的一个非常重要的特征,电弧在燃烧发展过程中的形态变化都可以通过外在的电弧电压表现出来。在实际研究过程中,实验会受到实验室条件等一系列因素的限制,因此在现有研究中,很难得到这种情况下的电弧电压。现有的仿真软件无法实现对电弧电压这个量的仿真模拟。
在现有技术中,通常会通过理论的方法粗略的估计电弧电压的大概范围,即将近极压降看作常数,弧柱区看作电阻,用近极压降加上弧柱的电阻率与弧柱长度的乘积。这种方法中近极压降的估计和弧柱区电阻率的估计会存在较大误差,并且无法相对精确得到具体时刻的电弧电压的值。
在现有技术中,在无法通过实验获得电弧电压的时候,通常采用的是理论的方法粗略的估计电弧电压的大概范围,即将近极压降看作常数,弧柱区看作电阻,用近极压降加上弧柱的电阻率与弧柱长度的乘积的方法。种方法中近极压降的估计和弧柱区电阻率的估计会存在较大误差,并且无法相对精确得到具体时刻的电弧电压的值。
发明内容
本发明为了解决上述问题,提供了一种利用BP神经网络来预测真空断路器电弧电压的方法。本方法采用BP神经网络的方法进行预测,从而得到在一定精确度下的各个时刻的电弧电压的值。
本发明采用的技术方案如下:
(1)在电流等级分别为5kA,10kA,15kA,20kA,25kA下;机构平均运动速度分别为1m/s,1.5m/s,2m/s;燃弧时间分别为3s,5s下利用同一灭弧室进行大量实验,将实验数据中的电流等级,燃弧时间,机构行程曲线和电弧电压波形详细记录。
(2)将行程曲线和电弧电压波形进行离散化,做到数值的一一对应,即同一次实验的行程曲线的行程值和电压值按照同一时间一一对应。
(3)先给定BP神经网络的隐层神经元层数为3及每层神经元个数为8,三层的激活函数分别为‘purelin’,‘logsig’,‘purelin’函数,输出层的激活函数为
‘purelin’,后根据学习结果进行调整,特征学习不够,增大层数和个数,出现不符合大多数实验结果的个别特征,减小层数和个数。
(4)选取其中的一次实验结果作为测试集,其它结果作为学习集,将学习集实验数据输入进行学习,构建神经网络,将测试集输入构建好的网络查看结果,并通过按照上述方法对网络结构进行调整,最终确定一个层数和个数一定的网络,用于后续预测。
(5)通过仿真获取未进行实验的机构行程曲线,确定要预测的电流等级,就可以直接利用学习好的网络预测得到电弧电压波形。
运用本发明的电弧电压预测方法,可以在保证一定精确度的情况下可以得到对应时刻的电弧电压值。在现有的技术中近极压降是根据之前的实验进行人为推测的,近极压降会随着材料的变化而变化,而变化的值是无法精确预测的,并且在起弧过程中近极压降并不是一个常数,因此用现有的方法无法推测。弧柱区的电阻率是一个不可测的量,只能根据之前的实验结果和假定的近极压降来进行推测。
与之相比,利用BP神经网络来进行预测的方法不会将电弧人为分为近极区和弧柱区,将电弧电压作为一个统一的整体来进行预测和处理。第一,在神经网络建立的过程中,学习集包括了整个电弧燃烧的过程中的电弧电压,因此在进行预测的过程中也可以得到整个过程的电弧电压,不会存在起弧和熄弧过程中电弧电压无法估计的问题。第二,由于运用BP神经网络进行预测是一个纯数学的过程,可以通过寻找最优学习参数来将精确度控制在想要的范围之内。
附图说明
图1本发明应用例的流程图
图2本发明应用例的预测结果图
具体实施方式
为了使本发明的目的,技术方案,及优点更加清楚明白,以下结合附图和实例对本发明进行深入详细的说明。本实例仅用于解释该发明。
如图1所示,本发明所描述的一种基于BP神经网络的真空电弧电压预测方法,流程图如图1所示,具体包括以下内容:
该方法是利用BP神经网络来对真空电弧电压进行预测。BP神经网络主要由输入神经元,隐层神经元和输出神经元来构成。根据这一特性来对真空电弧电压进行分析。
例如需要得到电流为50kA,机构运动速度为2.5m/s,燃弧时间3ms条件下的真空电弧电压,实验室不具备这样的条件,就可以根据本文的方法进行预测。需首先需要进行大量的实验,实验条件设定为电流分别为5kA,10kA,15kA,20kA,25kA;机构运动速度分别设置为1m/s,1.5m/s,2m/s;燃弧时间设置为3ms。如果机构运动速度能够达到2.5m/s,那么就直接设置为2.5m/s,总之尽可能的满足需要的条件,满足不了的用可以达到的条件进行替换。每种情况至少进行10次实验,为神经网络学习提供足够数据支撑。
之后确定BP神经网络的输入输出。真空电弧电压受电极开距,机构运动速度,开断电流等级,触头直径等等有关。由于电弧电压是一个随时间变化的量,因此输入最好也有至少一个变量随时间变化,以便神经网络能更好的寻找输入输出之间的规律,得到更好的预测结果。因此本方法选用可以量化的开断电流等级和随时间变化的机构运动曲线作为输入,电弧电压进行输出。
真空电弧电压是一个随时间变化的量,而BP神经网络的输入和输出都是离散的点。因此必须对自变量和因变量进行离散化即将机构行程曲线和电弧电压曲线离散为按时刻对应的点。将变量进行离散后,在学习过程中学习本身不会再将电弧电压看作一个连续的随时间变化的量,因此必须建立某一个输入和输出的一一对应关系,防止在同一个电弧电压波形离散过程中出现同一输入对应不同输出的现象。机构的运动曲线随时间是单调增长的,因此并且运动曲线可以同时反应电极开距和运动速度两个量,因此将其作为主要输入。而由于需要预测不同电流等级下的电弧电压,因此也必须将电流等级作为输入。
从离散好的实验数据中选取一次实验结果作为测试接,其它都作为学习集,之后将设置BP神经网络的隐层神经元层数为3层,隐层神经元个数为8,进行神经网络的学习,初步构建一个网络,通过测试集查看预测结果,并根据结果对网络结构进行调整,,特征学习不够,增大层数和个数,出现不符合大多数实验结果的个别特征,减小层数和个数。并最终确定一个效果最好的网络结构。
之后再进行此变量的电弧电压预测时可直接应用此网络结构,通过仿真得到想要预测的条件下的机构行程曲线,并进行离散化,将其结合想要的电流等级作为测试集输入建立好的网络结构即可得到想要预测的电弧电压波形。
由以上描述得到本发明,即建立一个输入为机构运动曲线,电流等级输出为电弧电压的对应关系,从而利用BP神经网络来对电弧电压进行预测。
应用例:
本例为预测两台真空断路器并联,机构运动速度为3ms3mm,电流等级为20kA实验条件下的真空电弧电压。学习集与测试集的区别为两台断路器的开断时间间隔不同。
首先将两台断路器的机构运动曲线按照高速相机拍摄的时间间隔进行离散化,并用差值的方法得到对应时刻的电弧电压。两台断路器的电流设置为先断开断路器开断时刻两台断路器流过的电流值。将总共20次实验的结果离散化后作为学习集,将时间间隔不同的另外一次实验的结果离散后作为测试集。
按照图1所示的过程进行神经网络预测,比较结果如图2所示。从比较结果可以看出预测结果在电压发展趋势和电弧电压大小上与实验结果吻合程度较好,在两台断路器的开断时刻上也预测的较为准确,达到了预期的效果。由此说明此种电弧电压预测方法合理有效。
Claims (6)
1.一种基于BP神经网络的真空电弧电压预测方法,其特征在于,包括以下步骤:
(1)在各种电流等级,机构平均运动速度,燃弧时间下利用同一灭弧室进行大量实验,将实验数据中的电流等级,燃弧时间,机构行程曲线和电弧电压波形详细记录;
(2)将行程曲线和电弧电压波形进行离散化,做到数值的一一对应,即同一次实验的行程曲线的行程值和电压值按照同一时间一一对应;
(3)先给定BP神经网络的隐层神经元层数为3及每层神经元个数为8,三层的激活函数,输出层的激活函数为‘purelin’,后根据学习结果进行调整,特征学习不够,增大层数和个数,出现不符合大多数实验结果的个别特征,减小层数和个数;
(4)选取其中的一次实验结果作为测试集,其它结果作为学习集,将学习集实验数据输入进行学习,构建神经网络,将测试集输入构建好的网络查看结果,并通过按照上述方法对网络结构进行调整,最终确定一个层数和个数一定的网络,用于后续预测;
(5)通过仿真获取未进行实验的机构行程曲线,确定要预测的电流等级,就可以直接利用学习好的网络预测得到电弧电压波形。
2.根据权利要求1所述的一种基于BP神经网络的真空电弧电压预测方法,其特征在于,其特征在于,三层的激活函数分别为‘purelin’,‘logsig’,‘purelin’函数。
3.根据权利要求1所述的一种基于BP神经网络的真空电弧电压预测方法,其特征在于,其特征在于,电流等级分别为5kA,10kA,15kA,20kA,25kA。
4.根据权利要求1所述的一种基于BP神经网络的真空电弧电压预测方法,其特征在于,其特征在于,机构平均运动速度分别为1m/s,1.5m/s,2m/s。
5.根据权利要求1所述的一种基于BP神经网络的真空电弧电压预测方法,其特征在于,其特征在于,燃弧时间分别为3s,5s。
6.根据权利要求1所述的一种基于BP神经网络的真空电弧电压预测方法,其特征在于,其特征在于,建立作为输入的行程曲线与作为输出的电弧电压的关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326538.1A CN113077045B (zh) | 2021-03-26 | 2021-03-26 | 一种基于bp神经网络的真空电弧电压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326538.1A CN113077045B (zh) | 2021-03-26 | 2021-03-26 | 一种基于bp神经网络的真空电弧电压预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077045A true CN113077045A (zh) | 2021-07-06 |
CN113077045B CN113077045B (zh) | 2023-04-07 |
Family
ID=76610507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110326538.1A Active CN113077045B (zh) | 2021-03-26 | 2021-03-26 | 一种基于bp神经网络的真空电弧电压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077045B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719171A (zh) * | 2005-06-23 | 2006-01-11 | 西安理工大学 | 电弧炉控制系统的智能优化控制方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN108061832A (zh) * | 2017-12-04 | 2018-05-22 | 辽宁工程技术大学 | 基于神经网络黑箱模型的串联型故障电弧仿真方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN108663619A (zh) * | 2017-03-27 | 2018-10-16 | 宁德时代新能源科技股份有限公司 | 确定电池工作电压曲线的方法、装置和设备 |
CN111969914A (zh) * | 2020-07-21 | 2020-11-20 | 北方工业大学 | 永磁同步电机无差拍电流预测控制方法及设备、存储介质 |
-
2021
- 2021-03-26 CN CN202110326538.1A patent/CN113077045B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719171A (zh) * | 2005-06-23 | 2006-01-11 | 西安理工大学 | 电弧炉控制系统的智能优化控制方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN108663619A (zh) * | 2017-03-27 | 2018-10-16 | 宁德时代新能源科技股份有限公司 | 确定电池工作电压曲线的方法、装置和设备 |
CN108061832A (zh) * | 2017-12-04 | 2018-05-22 | 辽宁工程技术大学 | 基于神经网络黑箱模型的串联型故障电弧仿真方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN111969914A (zh) * | 2020-07-21 | 2020-11-20 | 北方工业大学 | 永磁同步电机无差拍电流预测控制方法及设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
QI BEN-SHENG: "Research on Fault Diagnosis of High-voltage Circuit Breaker Based on the Improved BP neural network", 《IEEE》 * |
胡家元,曹顺安: "基于灰色理论及BP神经网络的变压器油击穿电压预测方法", 《计算机与应用化学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113077045B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qu et al. | Series arc fault detection of indoor power distribution system based on LVQ-NN and PSO-SVM | |
Qian et al. | An electro-diffusion model for computing membrane potentials and ionic concentrations in branching dendrites, spines and axons | |
Schavemaker et al. | The arc model blockset | |
Perez et al. | Role of charge diffusion in finite-amplitude electroconvection | |
CN1179372A (zh) | 控制电阻焊机焊接条件的方法 | |
Gençoğlu et al. | Investigation of pollution flashover on high voltage insulators using artificial neural network | |
CN107680835B (zh) | 一种基于神经网络的断路器弧触头烧蚀状态评估方法 | |
CN109061462A (zh) | 一种高压断路器触头烧蚀故障评估方法 | |
CN113077045B (zh) | 一种基于bp神经网络的真空电弧电压预测方法 | |
CN109164382A (zh) | 一种高压断路器触头电侵蚀故障诊断方法 | |
Lu et al. | Fracmemristor chaotic oscillator with multistable and antimonotonicity properties | |
CN107194043A (zh) | 一种断路器高频电弧建模方法 | |
Vinayaka et al. | Review on characteristic modeling of electric arc furnace and its effects | |
Breden et al. | 2.1. High-fidelity numerical modeling of spark plug erosion | |
Korogod et al. | Spatial heterogeneity of passive electrical transfer properties of neuronal dendrites due to their metrical asymmetry | |
Bo et al. | The application of neural network soft sensor technology to an advanced control system of distillation operation | |
Jonckheere et al. | Electrical arc transfer in a multi-contact interface | |
Amin | Variable sampling interval control charts | |
KR20110021402A (ko) | 인공신경망을 이용한 트랙킹 검출장치 및 검출방법 | |
Rathore et al. | A Compact Model for the Variable Switching Dynamics of HfO 2 Memristors | |
Abe et al. | Intermittency of earthquake cycles in a model of a three-degree-of-freedom spring-block system | |
CN109214101B (zh) | 一种基于逻辑判断的高压开关电弧仿真方法 | |
Velichko et al. | The non-capacitor model of leaky integrate-and-fire VO2 neuron with the thermal mechanism of the membrane potential | |
CN105717476A (zh) | 一种数字式电能表的测试方法及系统 | |
Sargazi et al. | Simulation of electrical arc stochastic behaviour in CO 2 circuit breaker and its advantages in comparison with conventional electrical arc black box models |
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 |