CN113255203B - 基于anfis的电气线路老化程度在线辨识系统及方法 - Google Patents

基于anfis的电气线路老化程度在线辨识系统及方法 Download PDF

Info

Publication number
CN113255203B
CN113255203B CN202010925125.0A CN202010925125A CN113255203B CN 113255203 B CN113255203 B CN 113255203B CN 202010925125 A CN202010925125 A CN 202010925125A CN 113255203 B CN113255203 B CN 113255203B
Authority
CN
China
Prior art keywords
aging degree
line
aging
insulation resistance
unit
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
Application number
CN202010925125.0A
Other languages
English (en)
Other versions
CN113255203A (zh
Inventor
陈忠泽
章琪朗
李月华
刘鹏
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.)
Zhuji Guangya Electronic Technology Co ltd
Original Assignee
Zhuji Guangya Electronic Technology 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 Zhuji Guangya Electronic Technology Co ltd filed Critical Zhuji Guangya Electronic Technology Co ltd
Priority to CN202010925125.0A priority Critical patent/CN113255203B/zh
Publication of CN113255203A publication Critical patent/CN113255203A/zh
Application granted granted Critical
Publication of CN113255203B publication Critical patent/CN113255203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G01R31/003—Environmental or reliability tests
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/16—Cables, cable trees or wire harnesses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Fuzzy Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Testing Relating To Insulation (AREA)
  • Measurement Of Resistance Or Impedance (AREA)

Abstract

基于ANFIS的电气线路老化程度在线辨识系统及方法，该系统包括线路老化程度影响因子信号采集单元、线路老化程度计算单元、计算单元的模型参数学习单元和警报控制单元。线路老化程度计算单元包括信号接收模块、参数修正模块和老化程度计算模块，计算单元的模型参数学习单元包括回报函数计算网络模块、动作评价子网络模块和贪婪动作决策子网络模块。线路老化程度影响因子信号采集单元、线路老化程度计算单元和警报控制单元依次连接；计算单元的模型参数学习单元输入与线路老化程度计算单元输出连接，输出与线路老化程度计算单元输入连接。通过采用ANFIS泛化电气线路各参数关系并在线实时计算老化程度，提高了计算的准确性和效率，保障了电气线路的安全性。

Description

基于ANFIS的电气线路老化程度在线辨识系统及方法
技术领域
本发明涉及电力线路自动检测技术领域，特别是一种基于ANFIS的电气线路老化程度在线辨识系统及方法。
背景技术
随着我国经济的发展和社会的进步，居民和工业用电的需求越来越大，对电网可靠性的要求也越来越强，用电设备的运行应用情况也越来越复杂，且大部分的电力线路的线缆布置于地下或房间相对比较隐蔽的地方，使得其运行中发生的缺陷和老化等不易被发现和测量，而线缆老化使得电线的绝缘层失去绝缘及保护，可能导致电流泄露甚至是线路短路引起火灾。
现有的判断电气线路的线缆老化或依靠人工观察判断，或使用兆欧表等普通仪表进行人工离线检测，或通过电力线路的实时温度进行检测，或通过破坏性试验等方法对绝缘老化问题进行评估，例如中国专利CN107942226A公开的一种线路板老化检验箱、中国专利CN110806525A公开了一种隐蔽工程电力线路老化检测系统等。然而上述现有的方法检测结果存在较大主观误差以及需要相关评估人员具备一定的专业知识等问题，或存在对试验仪器设备要求较高、操作耗时费力以及电气线路老化隐患不能及时发现预警等问题。因此，如何实现电气线路老化程度在线检测和实时提醒是现阶段亟需解决的的问题。
基于自适应神经网络的模糊推理系统(Adaptive Network-based FuzzyInference System，ANFIS)将神经网络与模糊推理有机的结合起来，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，既发挥了神经网络与模糊推理的优点，又弥补了各自的不足，具有很好的自调整、自适应、自组织、自学习能力。
发明内容
本发明的目的是克服现有技术的上述不足而提供一种基于ANFIS的电气线路老化程度在线辨识系统及方法。
本发明的技术方案是：基于ANFIS的电气线路老化程度在线辨识系统，包括线路老化程度影响因子信号采集单元、线路老化程度计算单元、计算单元的模型参数学习单元和警报控制单元。
所述线路老化程度影响因子信号采集单元包括剩余电流传感器、负荷电压传感器、温度传感器和湿度传感器，用于实时采集电气线路的剩余电流、负荷电压、环境温度和环境湿度。
所述线路老化程度计算单元包括信号接收模块、参数修正模块和老化程度计算模块；信号接收模块用于接收线路老化程度影响因子信号采集单元中各传感器采集的电气线路的剩余电流、负荷电压、环境温度和环境湿度信息并输入至老化程序计算模块；参数修正模块用于接收计算单元的模型参数学习单元发送的模型修改参数并输入至老化程度计算模块；老化程度计算模块接收信号接收模块输出数据和计算单元的模型参数学习单元的输出数据，采用经离线或在线训练得到的用以泛化表达温度、湿度和绝缘电阻与25℃名义绝缘电阻之间的非线性映射关系的神经模糊网络ANFIS，计算得到线路的老化程度并作为该线路老化程度计算单元的输出。
所述计算单元的模型参数学习单元包括回报函数计算网络模块、动作评价子网络模块和贪婪动作决策子网络模块，回报函数计算网络模块的输出端与动作评价子网络模块的第一输入端连接，动作评价子网络模块的输出端与贪婪动作决策子网络模块的输入端连接，贪婪动作决策子网络模块的输出端与动作评价子网络模块的第二输入端连接。
所述警报控制单元包括警报控制器和警报器，警报控制器接收线路老化程度计算单元输出的线路老化程度，所述警报器与警报控制器电连接。
本发明进一步的技术方案是：所述线路老化程度计算单元输出的老化程度值作为状态，状态通过回报函数计算网络模块得到即时奖励，状态、行为和即时奖励通过动作评价子网络模块完成信度值的计算；贪婪动作决策子网络模块基于该信度值产生行为，即对线路老化程度计算单元的电力电缆老化计算网络参数进行修正；所述动作评价子网络模块的权向量为W，在每个时间步k，动作评价子网络模块输入电力电缆的老化程度Xk,相应地，该线路老化程度计算单元的实际输出Q(Xk,a,W)并生成行为ak，然后依据下一时刻的线路老化程度计算单元输出的老化程度值即状态Xk+1得到即时奖励rk，再根据公式：Q(Xk,ak)＝(1-αk)Q(Xk,ak,Wk)+αk[rk+γmaxbQ(Xk+1,b,Wk)]更新二元组(Xk,ak)的Q值，其中γ是未来奖励的重要性，γ取值范围是封闭区间[0,1]，b表示下一状态使得Q值最大的行为；然后利用误差信号e＝Q(Xk,ak)-Q(Xk,ak,Wk)更新网络的权重Wk为Wk+1，使网络的实际输出逼近更新后的理想输出Q(Xk,ak)，重复误差信号e的迭代计算过程至误差信号达到允许范围，k的取值范围为大于1的自然数。
本发明再进一步的技术方案是：根据电力电缆的种类和应用场所不同，所述警报控制器中存储与电力电缆对应的老化程度阈值。
本发明的另一的技术方案是：应用于前述基于ANFIS的电气线路老化程度在线辨识系统的辨识方法，包括如下步骤，
A、测试得到不同老化时间下电力电缆在不同温度、不同湿度下的泄漏电流以及绝缘电阻数据，得到不同老化时间的交联聚乙烯电缆的绝缘电阻随温度和湿度变化的趋势和规律。
B、采用神经网络模糊系统表达电力电缆的温度、湿度、绝缘电阻与25℃时的名义绝缘电阻的映射关系。
C、用自适应神经网络模糊系统泛化函数泛化电力电缆的温度、湿度、绝缘电阻与25℃时的名义绝缘电阻的映射关系。
D、线路老化程度影响因子信号采集单元实时采集电气线路的剩余电流、负荷电压、环境温度和环境湿度线路，并将其输送至线路老化程度计算单元，采用线路老化程度计算单元中的自适应神经网络模糊系统泛化功能在线计算电力电缆的实时名义绝缘电阻，并依据该实时名义绝缘电阻的大小及变化与电力电缆老化之间的关系计算电力电缆的老化程度，并发送至经警报控制单元，警报控制单元根据老化程度发出警示信息。
E、计算单元的模型参数学习单元收集新的通过试验或生产实践获得的关于剩余电流、负荷电压、环境温度和环境湿度与电缆名义绝缘电阻之间映射关系的数据作为新的样本，对自适应神经网络模糊系统ANFIS的参数用强化学习函数进行在线修正。
本发明进一步的技术方案是：所述自适应神经网络模糊系统泛化函数是一个由若干条映射输入和输出变量的模糊规则表达的非线性函数，所述输入变量分别为温度、湿度和绝缘电阻，每个输入变量有三个模糊集，分别用广义钟形隶属函数表征，一个输出变量为名义绝缘电阻，输出变量的模糊集则为常数型；
所述强化学习函数是一个由多个神经元构成的深度Q学习神经网络，该神经网络有状态和动作两个输入变量和一个输出变量，状态变量经过两级神经元全连接层与动作变量经过单级神经元全连接层累加后再依次经过单级神经元全连接层和单级单神经元全连接层后输出。
本发明与现有技术相比具有如下特点：
(1)本发明采用信号感知和传输处理技术实现对电力线路的老化状况进行在线实时检测，即综合线路剩余电流、负荷电流、环境温度、湿度等物理量的瞬时量值和变化趋势，及其与电力电缆绝缘性能的内在联系，建立自适应神经网络模糊推理系统ANFIS，依据线路及环境的状态在线自适应计算线路的老化程度，并实时修正线路老化的参数值，提高了电气线路老化计算的准确性和计算效率。
(2)本发明能够对在电气线路老化的实时在线监测结果的基础上，及时预警因电气线路老化而导致的线路老化隐患，提高了电气线路的稳定性和安全性。
以下结合附图和具体实施方式对本发明的详细结构作进一步描述。
附图说明
图1为本发明的在线辨识系统结构示意图；
图2为本发明的在线辨识方法流程图；
图3为本发明的由实时运行环境温度、湿度下的电缆绝缘电阻计算电缆在标准测试温度25℃时的名义绝缘电阻的系统Simulink模型；
图4为本发明的泛化自适应神经网络模糊系统MapAgingFIS训练误差的变化过程；
图5为本发明的线路老化程度与绝缘电阻值变化的关系曲线；
图6为本发明的深度Q学习神经网络结构图；
图7为本发明的计算单元的模型参数学习单元一个学习周期内老化计算的修正过程。
具体实施方式
实施例一，如图1所示，一种基于ANFIS的电气线路老化程度在线辨识系统，包括线路老化程度影响因子信号采集单元1、线路老化程度计算单元2、计算单元的模型参数学习单元3和警报控制单元4。
所述线路老化程度影响因子信号采集单元1包括剩余电流传感器、负荷电压传感器、温度传感器和湿度传感器，利用该剩余电流传感器、负荷电压传感器、温度传感器和湿度传感器实时采集电气线路的剩余电流、负荷电压、环境温度和环境湿度。
电气线路老化评价指标包括力学、物理、电学等三方面的性能指标。为实现对电气线路老化寿命的在线评价，主要采用电气线路材料的电学性能指标即电气线路的绝缘电阻及其变化趋势进行评价。例如常用的交联聚乙稀电缆、丁苯橡胶电缆绝缘老化实验均表明，绝缘电阻虽然并不完全随着老化时间的延长而显著降低，老化的初、中期绝缘电阻值有波动，但总的趋势是下降的，尤其是在老化进行一段时间后，下降比较明显，因而能够利用电气线路的电缆绝缘电阻值在老化过程中的变化特性，对电气线路的绝缘失效情况进行在线评估和预测。通常绝缘电阻通过传感器获得的测试电压与剩余电流之比(R＝U/I)即可得到，但考虑到电气线路的绝缘电阻还受环境温度、湿度等因素的影响，故线路老化程度影响因子信号采集单元还包括温度传感器和湿度传感器的测量值以对绝缘电阻进行校正。
所述线路老化程度计算单元2包括信号接收模块、参数修正模块和老化程度计算模块。信号接收模块用于接收线路老化程度影响因子信号采集单元中各传感器采集的电气线路的剩余电流、负荷电压、环境温度和环境湿度信息并输入至老化程序计算模块；参数修正模块用于接收计算单元的模型参数学习单元发送的模型修改参数并输入至老化程度计算模块；老化程度计算模块接收信号接收模块输出数据和计算单元的模型参数学习单元的输出数据，采用经离线或在线训练得到的用以泛化表达温度、湿度和绝缘电阻与25℃名义绝缘电阻之间的非线性映射关系的神经模糊网络ANFIS，计算得到线路的老化程度并作为该线路老化程度计算单元的输出。
根据国标《GB/T3048.5-2007》规定，电力电缆和设备的标准绝缘电阻在温度25℃和空气相对湿度不大于80％时测试得到。通过将不同温度和湿度下测得的电力电缆绝缘电阻相对于标准绝缘电阻进行非线性的映射，得到表征电力电缆的温度、湿度和绝缘电阻与该电力电缆在标准温度和湿度时的名义绝缘电阻之间的映射关系。
线路的老化程度根据采用的电力电缆的不同种类和应用的场所不同而不同，也就是说判断线路是否老化的绝缘电阻的具体阻值大小根据种类和场所不同而不尽不同。
所述计算单元的模型参数学习单元3包括回报函数计算网络模块、动作评价子网络模块和贪婪动作决策子网络模块，回报函数计算网络模块的输出端与动作评价子网络模块的第一输入端连接，动作评价子网络模块的输出端与贪婪动作决策子网络模块的输入端连接，贪婪动作决策子网络模块的输出端与动作评价子网络模块的第二输入端连接。
具体地，线路老化程度计算单元2输出的老化程度值作为状态X，状态X通过回报函数计算网络模块得到即时奖励r，奖惩必须能够实际体现对行为作用效果如老化程度计算准确度的评价，它直接影响信度的累积；状态X、行为a和即时奖励r通过动作评价子网络模块完成信度值Q的计算；贪婪动作决策子网络模块基于该信度值Q产生行为a，即对线路老化程度计算单元2的电力电缆老化计算网络参数进行修正。这样，从整个学习回路而言，其输入为状态X和行为a，输出为Q(X,a,W)，其中W为动作评价子网络模块的权向量，那么在每个时间步k，动作评价子网络模块输入电力电缆的老化程度Xk,相应地，该线路老化程度计算单元2的实际输出Q(Xk,a,W)并产生行为ak；然后依据下一时刻的线路老化程度计算单元2输出的老化程度值即状态Xk+1给出即时奖励rk，再根据公式Q(Xk,ak)＝(1-αk)Q(Xk,ak,Wk)+αk[rk+γmaxbQ(Xk+1,b,Wk)]更新二元组(Xk,ak)的Q值，其中γ是未来奖励的重要性，γ的取值范围为封闭区间[0,1]，为0时意味着只考虑短期奖励，为1时意味着更重视长期奖励，b表示下一状态使得Q值最大的行为，然后利用误差信号e＝Q(Xk,ak)-Q(Xk,ak,Wk)更新网络的权重Wk为Wk+1，使网络的实际输出逼近更新后的理想输出Q(Xk,ak)，重复误差信号e的迭代计算过程直至误差信号达到允许范围，该允许范围根据电力电缆的应用对象及背景酌情而定，其中k为大于1的自然数。
所述警报控制单元4包括警报控制器和警报器，警报控制器接收线路老化程度计算单元输出的线路老化程度，所述警报器与警报控制器电连接。根据电力电缆的种类和应用场所不同，警报控制器中存储与电力电缆对应的老化程度阈值，若线路老化程度计算单元输出的线路的老化程度参数大于警报控制器中的老化程度阈值，则警报控制器控制警报器发出警报或通过网络反馈至电网用户端以进行警示。
前述基于ANFIS的电气线路老化程度在线辨识系统的辨识方法，如图2所示，包括如下步骤，本实施例中选择某电力网络中常用的交联聚乙烯电缆为例，进行电力电缆老化程度的辨识。
A、测试得到不同老化时间下交联聚乙烯电缆在不同温度、不同湿度下的泄漏电流以及绝缘电阻数据，得到不同老化时间的交联聚乙烯电缆的绝缘电阻随温度和湿度变化的趋势和规律。如下表1和表2分别为180℃老化温度下不同老化时间的交联聚乙烯电缆的绝缘电阻随温度和湿度变化的数据。
表1 180℃下不同老化时间的交联聚乙烯电缆的绝缘电阻随温度变化的数据
Figure GDA0003588397010000091
表2 180℃下不同老化时间的交联聚乙烯电缆的绝缘电阻随湿度变化的数据
Figure GDA0003588397010000092
根据表1和表2的实验数据，温度和湿度能够影响电缆的绝缘性能。具体地，当环境温度升高时，随着老化时间的延长交联聚乙烯电缆的导电增加，剩余电流增加，绝缘电阻降低；当环境湿度增加时，交联聚乙烯电缆的绝缘电阻总体上呈现出降低的趋势。
B、采用神经网络模糊系统表达交联聚乙烯电缆的温度、湿度、绝缘电阻与25℃时的名义绝缘电阻的映射关系。具体地：设电力电缆的温度、湿度与他们对电力电缆绝缘电阻数据校正系数的映射关系τT、τH，分别用神经网络模糊系统TemperaFIS和HumidityFIS表达。基于该映射关系用图3示的Simulink系统模型计算得到测试时刻的电缆在标准测试温度25℃时的名义绝缘电阻及变化，进而得到用以表征电力电缆的温度、湿度、绝缘电阻与所述电缆在25℃时的名义绝缘电阻之间映射关系的数据。
C、用自适应神经网络模糊系统泛化表达交联聚乙烯电缆的温度、湿度、绝缘电阻与25℃时的名义绝缘电阻的映射关系。
所述自适应神经网络模糊系统泛化函数是一个由27条映射输入和输出变量的模糊规则表达的非线性函数，三个输入变量分别为温度、湿度和绝缘电阻，每个输入变量有三个模糊集，分别用广义钟形隶属函数表征，一个输出变量为名义绝缘电阻，输出变量的27个模糊集则为常数型。图4示出了该自适应神经网络模糊系统泛化函数训练误差的变化过程图，从该图中能够看出，经过150个训练周期能够使得误差下降且保持在一定范围之内，由此可知该训练过程是收敛的，因而能够用一个自适应神经网络模糊系统泛化表达交联聚乙烯电缆的温度、湿度、绝缘电阻与25℃时的名义绝缘电阻的映射关系。
D、线路老化程度影响因子信号采集单元实时采集电气线路的剩余电流、负荷电压、环境温度和环境湿度线路，并将其输送至线路老化程度计算单元，采用线路老化程度计算单元中的自适应神经网络模糊系统泛化功能在线计算交联聚乙烯电缆的实时名义绝缘电阻，并依据该实时名义绝缘电阻的大小及变化与交联聚乙烯电缆老化之间的关系计算交联聚乙烯电缆的老化程度，并发送至经警报控制单元，警报控制单元根据老化程度发出警示信息。
根据国标《GB/T3048.5-2007》规定，几种主要线路和设备在标准测试温度25℃时的电缆绝缘电阻须符合以下标准：(1)新装或大修后的低压线路和设备其绝缘电阻不低于0.5兆欧，运行中的线路和设备，平均每伏工作电压的绝缘电阻不低于1000欧，对于潮湿场所的线路和设备，允许降低为500欧。(2)携带式电气设备的绝缘电阻不低于2兆欧。(3)配电盘二次线路的绝缘电阻不低于1兆欧，在潮湿环境允许降低为0.5兆欧。(4)10千伏高压架空线路每个绝缘子的绝缘电阻不低于300兆欧，35千伏及以上者不低于500兆欧。(5)运行中的6～10千伏和35千伏电力电缆的绝缘电阻分别不低于400～1000兆欧和600～1500兆欧，干燥季节取较大值，潮湿季节取较小值。因而，在最终输出线路的老化程度参数时需要不同的判定。
在警报控制单元的警报控制器中采用封闭区间[0,1]里的实数表示交联聚乙烯电缆老化的程度，定义新装或大修后的电缆老化的程度为0，在标准测试温度25℃时电缆失效的绝缘电阻其老化程度为1。在老化初、中期，绝缘电阻值变化较慢，老化程度值上升相对较快；老化后期，绝缘电阻值变化较快，老化程度值上升较慢；根据电力电缆种类和场所不同，在老化中后期设置老化预警点，如图5所示。
E、计算单元的模型参数学习单元收集新的通过试验或生产实践获得的关于剩余电流、负荷电压、环境温度和环境湿度与电缆名义绝缘电阻之间映射关系的数据作为新的样本，对自适应神经网络模糊系统ANFIS的参数用强化学习(Reinforcement Learning)函数进行在线修正。强化学习函数是一个由24个神经元构成的深度Q学习神经网络，该神经网络有状态和动作两个输入变量和一个输出变量，状态变量经过两级24神经元全连接层与动作变量经过单级24神经元全连接层累加后再依次经过单级24神经元全连接层和单级单神经元全连接层后输出，如图6所示。设置该深度Q学习神经网络的学习速率为0.001，L2调整因子0.0001，则一个学习周期系统老化计算的修正过程如图7所示，从图7中可以看出该基于强化学习的老化计算模型参数的学习过程是收敛的，即可以通过强化学习搜索到老化计算模型的最优参数。

Claims (5)

1.基于ANFIS的电气线路老化程度在线辨识系统，其特征是：包括线路老化程度影响因子信号采集单元、线路老化程度计算单元、计算单元的模型参数学习单元和警报控制单元；
所述线路老化程度影响因子信号采集单元包括剩余电流传感器、负荷电压传感器、温度传感器和湿度传感器，用于实时采集电气线路的剩余电流、负荷电压、环境温度和环境湿度；
所述线路老化程度计算单元包括信号接收模块、参数修正模块和老化程度计算模块；信号接收模块用于接收线路老化程度影响因子信号采集单元中各传感器采集的电气线路的剩余电流、负荷电压、环境温度和环境湿度信息并输入至老化程序计算模块；参数修正模块用于接收计算单元的模型参数学习单元发送的模型修改参数并输入至老化程度计算模块；老化程度计算模块接收信号接收模块输出数据和计算单元的模型参数学习单元的输出数据，采用经离线或在线训练得到的用以泛化表达温度、湿度和绝缘电阻与25℃名义绝缘电阻之间的非线性映射关系的神经模糊网络ANFIS，计算得到线路的老化程度并作为该线路老化程度计算单元的输出；
所述计算单元的模型参数学习单元包括回报函数计算网络模块、动作评价子网络模块和贪婪动作决策子网络模块，回报函数计算网络模块的输出端与动作评价子网络模块的第一输入端连接，动作评价子网络模块的输出端与贪婪动作决策子网络模块的输入端连接，贪婪动作决策子网络模块的输出端与动作评价子网络模块的第二输入端连接；
所述警报控制单元包括警报控制器和警报器，警报控制器接收线路老化程度计算单元输出的线路老化程度，所述警报器与警报控制器电连接。
2.如权利要求1所述的基于ANFIS的电气线路老化程度在线辨识系统，其特征是：所述线路老化程度计算单元输出的老化程度值作为状态，状态通过回报函数计算网络模块得到即时奖励，状态、行为和即时奖励通过动作评价子网络模块完成信度值的计算；贪婪动作决策子网络模块基于该信度值产生行为，即对线路老化程度计算单元的电力电缆老化计算网络参数进行修正；所述动作评价子网络模块的权向量为W，在每个时间步k，动作评价子网络模块输入电力电缆的老化程度Xk,相应地，该线路老化程度计算单元的实际输出Q(Xk,a,W)并生成行为ak，然后依据下一时刻的线路老化程度计算单元输出的老化程度值即状态Xk+1得到即时奖励rk，再根据公式：Q(Xk,ak)＝(1-αk)Q(Xk,ak,Wk)+αk[rk+γmaxbQ(Xk+1,b,Wk)]更新二元组(Xk,ak)的Q值，其中γ是未来奖励的重要性，γ取值范围是封闭区间[0,1]，b表示下一状态使得Q值最大的行为，然后利用误差信号e＝Q(Xk,ak)-Q(Xk,ak,Wk)更新网络的权重Wk为Wk+1，使网络的实际输出逼近更新后的理想输出Q(Xk,ak)；重复误差信号e的迭代计算过程直至误差信号e达到允许范围，其中k的取值范围为大于1的自然数。
3.如权利要求1或2所述的基于ANFIS的电气线路老化程度在线辨识系统，其特征是：根据电力电缆的种类和应用场所不同，所述警报控制器中存储与电力电缆对应的老化程度阈值。
4.应用于权利要求1-3任一项所述的基于ANFIS的电气线路老化程度在线辨识系统的辨识方法，其特征是：包括如下步骤，
A、测试得到不同老化时间下电力电缆在不同温度、不同湿度下的泄漏电流以及绝缘电阻数据，得到不同老化时间的电缆的绝缘电阻随温度和湿度变化的趋势和规律；
B、采用神经网络模糊系统表达电力电缆的温度、湿度、绝缘电阻与25℃时的名义绝缘电阻的映射关系；
C、用自适应神经网络模糊系统泛化函数泛化电力电缆的温度、湿度、绝缘电阻与25℃时的名义绝缘电阻的映射关系；
D、线路老化程度影响因子信号采集单元实时采集电气线路的剩余电流、负荷电压、环境温度和环境湿度线路，并将其输送至线路老化程度计算单元，采用线路老化程度计算单元中的自适应神经网络模糊系统泛化功能在线计算电力电缆的实时名义绝缘电阻，并依据该实时名义绝缘电阻的大小及变化与电力电缆老化之间的关系计算电力电缆的老化程度，并发送至经警报控制单元，警报控制单元根据老化程度发出警示信息；
E、计算单元的模型参数学习单元收集新的通过试验或生产实践获得的关于剩余电流、负荷电压、环境温度和环境湿度与电缆名义绝缘电阻之间映射关系的数据作为新的样本，对自适应神经网络模糊系统ANFIS的参数用强化学习函数进行在线修正。
5.如权利要求4所述的基于ANFIS的电气线路老化程度在线辨识系统的辨识方法，其特征是：所述自适应神经网络模糊系统泛化函数是一个由若干条映射输入变量和输出变量的模糊规则表达的非线性函数，所述输入变量分别为温度、湿度和绝缘电阻，每个输入变量有三个模糊集，分别用广义钟形隶属函数表征，一个输出变量为名义绝缘电阻，输出变量的模糊集则为常数型；
所述强化学习函数是一个由多个神经元构成的深度Q学习神经网络，该神经网络有状态和动作两个输入变量和一个输出变量，状态变量经过两级神经元全连接层与动作变量经过单级神经元全连接层累加后再依次经过单级神经元全连接层和单级单神经元全连接层后输出。
CN202010925125.0A 2020-09-06 2020-09-06 基于anfis的电气线路老化程度在线辨识系统及方法 Active CN113255203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010925125.0A CN113255203B (zh) 2020-09-06 2020-09-06 基于anfis的电气线路老化程度在线辨识系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010925125.0A CN113255203B (zh) 2020-09-06 2020-09-06 基于anfis的电气线路老化程度在线辨识系统及方法

Publications (2)

Publication Number Publication Date
CN113255203A CN113255203A (zh) 2021-08-13
CN113255203B true CN113255203B (zh) 2022-08-12

Family

ID=77220192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010925125.0A Active CN113255203B (zh) 2020-09-06 2020-09-06 基于anfis的电气线路老化程度在线辨识系统及方法

Country Status (1)

Country Link
CN (1) CN113255203B (zh)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060077136A1 (en) * 2004-10-08 2006-04-13 Eastman Kodak Company System for controlling an OLED display
US8558712B2 (en) * 2010-06-03 2013-10-15 C&C Power, Inc. Battery system and management method
US20160106133A1 (en) * 2014-10-18 2016-04-21 Claus Schmitz Method and apparatus for aging meat
ES2698534T3 (es) * 2014-10-27 2019-02-05 Landis & Gyr Ag Procedimiento, sistema y conjunto para determinar una reducción de la vida útil de servicio restante de un dispositivo eléctrico durante un período de tiempo específico de operación del dispositivo eléctrico
US10304070B2 (en) * 2015-07-10 2019-05-28 Nice Ltd. Systems and methods for reward prediction and offer selection
US9945897B2 (en) * 2015-12-29 2018-04-17 General Electric Company Monitoring of insulation conditions during electrical system events using differential current sensor
US10084462B2 (en) * 2016-01-06 2018-09-25 Seiko Epson Corporation Circuit device, oscillator, electronic apparatus, and vehicle
US10388370B2 (en) * 2016-04-07 2019-08-20 Helmholtz-Zentrum Dresden—Rossendorf E.V. Method and means for operating a complementary analogue reconfigurable memristive resistive switch and use thereof as an artificial synapse
WO2018028005A1 (zh) * 2016-08-11 2018-02-15 苏州瑞得恩自动化设备科技有限公司 一种大型光伏电站中电池面板的故障检测算法
CN106443253A (zh) * 2016-09-21 2017-02-22 河海大学 一种基于pmu数据的输电线路参数辨识方法
US11879656B2 (en) * 2018-04-04 2024-01-23 International Business Machines Corporation Initialization of radial base function neural network nodes for reinforcement learning incremental control system
CN111398832A (zh) * 2020-03-19 2020-07-10 哈尔滨工程大学 一种基于anfis模型的公交车电池soc预测方法

Also Published As

Publication number Publication date
CN113255203A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN107315138B (zh) 功率mosfet的故障预测和健康处理方法及测试系统
CN112255484B (zh) 一种避雷器运行状态在线监测及评估方法和系统
CN110220602B (zh) 一种开关柜过热故障识别方法
CN113447783B (zh) 一种电压互感器绝缘故障辨识模型构建方法及装置
Wang et al. Application of extension neural network algorithm and chaos synchronization detection method to partial discharge diagnosis of power capacitor
Qu et al. PSO–SOM neural network algorithm for series arc fault detection
CN112630562A (zh) 一种基于深度神经网络的开关柜故障识别方法及其装置
Li et al. Physics-informed learning for high impedance faults detection
Wei et al. Transmission line galloping prediction based on GA-BP-SVM combined method
CN113255203B (zh) 基于anfis的电气线路老化程度在线辨识系统及方法
CN104732107B (zh) 以介质参数为评估参量的变压器套管剩余寿命预测方法
Singh et al. A review of intelligent diagnostic methods for condition assessment of insulation system in power transformers
CN112014696A (zh) 基于局部放电特征的干式空心电抗器故障诊断方法及装置
KR101035381B1 (ko) 인공신경망을 이용한 트랙킹 검출장치 및 검출방법
Chen et al. Condition assessment of distribution automation remote terminal units based on double-layer improved cloud model
Negri et al. Artificial Intelligence and Smart Grids: the Cable Joint Test Case
CN113537338A (zh) 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法
WO2022214201A1 (en) Determining states of electrical equipment using variations in diagnostic parameter prediction error
Fang et al. Condition assessment of power cable based on fuzzy analytic hierarchy process and set pair analysis approach
Al Khafaf et al. Prediction of leakage current peak value
CN111199254A (zh) 基于rbf神经网络和贝叶斯网络的高压电气设备实时检测方法
Wu et al. Residual life prediction of mining cables based on RBF neural network
Koldaev et al. An approach to neuro-fuzzy monitoring of power transformers
Jiafeng et al. Transformer Fault Prediction Method Based on Multiple Linear Regression
Wang et al. Impedance Ground Faults Detection and Classification Method for DC Microgrid

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
TA01 Transfer of patent application right

Effective date of registration: 20220713

Address after: 311800 000702, No. 278, West 2nd Ring Road, Taozhu street, Zhuji City, Shaoxing City, Zhejiang Province

Applicant after: Zhuji Guangya Electronic Technology Co.,Ltd.

Address before: 311800 room 315, Furun building, No. 16, Xiangyun Road, Taozhu street, Zhuji City, Shaoxing City, Zhejiang Province

Applicant before: Zhuji Dilang IOT Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: On-line identification system and method of aging degree of electrical circuit based on ANFIS

Effective date of registration: 20230201

Granted publication date: 20220812

Pledgee: Zhejiang Zhuji Rural Commercial Bank Co.,Ltd.

Pledgor: Zhuji Guangya Electronic Technology Co.,Ltd.

Registration number: Y2023980031901

PE01 Entry into force of the registration of the contract for pledge of patent right