CN113850319A - 一种gil用sf6状态在线监测方法和系统 - Google Patents

一种gil用sf6状态在线监测方法和系统 Download PDF

Info

Publication number
CN113850319A
CN113850319A CN202111117894.9A CN202111117894A CN113850319A CN 113850319 A CN113850319 A CN 113850319A CN 202111117894 A CN202111117894 A CN 202111117894A CN 113850319 A CN113850319 A CN 113850319A
Authority
CN
China
Prior art keywords
data
module
gil
neural network
gas
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
CN202111117894.9A
Other languages
English (en)
Inventor
刘恒涛
王坤
傅春明
李建
王培仑
李凤民
刘旭平
李军
王新刚
张猛
刘宗振
张栋
亓云国
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.)
Shandong Electrical Engineering and Equipment Group Co Ltd
Original Assignee
Shandong Electrical Engineering and Equipment Group 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 Shandong Electrical Engineering and Equipment Group Co Ltd filed Critical Shandong Electrical Engineering and Equipment Group Co Ltd
Priority to CN202111117894.9A priority Critical patent/CN113850319A/zh
Publication of CN113850319A publication Critical patent/CN113850319A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种GIL用SF6状态在线监测方法和系统，所述监测系统包括SF6状态传感器、数据中继装置、智能监测装置、光纤环网交换机以及监控后台，不同的SF6状态传感器采集各自GIL气室SF6气体的温度、压力、密度和湿度，SF6状态传感器通过数据中继装置或者直接与智能监测装置相连，数据中继装置进行SF6气体状态数据的中继、汇聚和转发；智能监测装置将接收到的SF6气体状态数据转换为IEC61850协议，并连接就地声光报警装置以及联动风机；监控后台与智能监测装置相连。监测方法采用遗传粒子群混合优化Elman神经网络，提前一天预测SF6气体密度，进而及时发现GIL气室的SF6气体泄漏和微水含量过大问题，提高了电力系统运行的可靠性和稳定性。

Description

一种GIL用SF6状态在线监测方法和系统
技术领域
本发明涉及SF6在线监测领域，具体是一种GIL用SF6状态在线监测方法和系统。
背景技术
GIL是气体绝缘金属封闭输电线路的英文简称，GIL的主要部件包括铝合金外壳、铝合金导体、绝缘气体以及环氧支撑绝缘子等，环氧支撑绝缘子用于支撑导体，使导体固定在壳体中心，在导体和壳体之间充SF6(六氟化硫)或其他绝缘气体。GIL具有载流能力强、损耗远远小于电缆和架空线、敷设灵活方便、运行可靠以及维护和检修量少等特点，在国内外多地已有成熟有应用，近年来随着我国特高压输电系统的投资与升级，GIL工程在国内有逐渐增多的趋势。
SF6气体具有一般电介质不可比拟的绝缘特性和灭弧能力，因此被广泛应用在包括GIL等各类高压电气设备中，目前而言，SF6气体的绝缘性能在高压设备中仍无可替代。SF6气体的密度和微水含量是其最重要的两个指标，直接影响高压设备能否正常运行。SF6气体密度越大，绝缘强度越高，密度越小，绝缘强度越低。SF6气体微水含量较多时，SF6可能会在其气室内发生化学反应，生成温室气体之一的SO2(二氧化硫)和HF(氢氟酸)，腐蚀绝缘件和金属部件。因此对SF6气体的密度和微水含量进行检测对电力系统的稳定运行至关重要。
目前，对于GIL的SF6气体状态监测主要使用离线的方法逐点进行检测，需要耗费巨大的人力物力，不能及时感知SF6气体泄漏以及微水含量变化情况，更不能进行SF6气体泄漏以及微水含量的预测。
发明内容
针对现有技术的缺陷，本发明提供一种GIL用SF6在线监测方法和系统，提前一天预测SF6气体密度，进而及时发现GIL气室的SF6气体泄漏和微水含量过大问题，从而减少电网安全事故的发生，提高了电力系统运行的可靠性和稳定性。
为了解决所述技术方案，本发明采用的技术方案是：一种GIL用SF6状态在线监测方法，包括以下步骤：
S01)、采用PSO-GA算法对Elman神经网络进行优化，优化过程为：
S11)、确定Elman网络结构，确定Elman连接权值和阈值；
S12)、遗传粒子群种群初始化，将Elman神经网络训练误差作为适应度值，计算种群适应度值；
S13)、更新粒子的速度和位置，确定种群最优解；
S14)、进行选择、交叉和变异操作，判断是否满足约束条件，如果不满足返回步骤S13)；
S15)、将PSO-GA算法获得的最优初始连接权值和阈值赋值给Elman神经网络；S16)、根据Elman神经网络的误差函数计算误差，更新神经网络的连接权值和阈值；
S17)、判断Elman神经网络是否达到预定精度，如果不满足返回步骤S16；
S18)、输出遗传粒子群混合优化Elman神经网络的最优解；
S02)、选取GIL的SF6状态传感器全年每日整点运行数据作为样本对优化后的Elman神经网络进行训练；
S03)、从SF6状态传感器历史数据中选取与预测日同类型的每日0点-24点时间样本数据，将这些数据进行归一化处理后，使用训练后的Elman神经网络模型进行预测，预测时输入为同类型的预测日前一天的温度、压力、湿度和密度，预测日当天温度、压力和湿度，并提前一天进行SF6气体密度的预测。
进一步的，步骤S12)中，遗传粒子群种群初始化时设置初始参数，包括初始种群Q、交叉操作的概率Po、变异操作概率Pv、迭代次数U、学习率κ1、学习率κ2，粒子群的初始速度v0、粒子群的初始位置l0；
Elman神经网络训练误差包括温度、压力、湿度和密度实际值与预测值的误差，每一个误差对应一个适应度函数，使用适应度函数计算适应度值；
根据如下公式更新粒子的速度和位置，
Figure BDA0003275740320000021
lnow＝llast+vnow (13)，
其中，vnow为粒子速度更新后的值，vlast为粒子速度更新前的值，lnow为粒子位置更新后的值，llast为粒子位置更新前的值，κ1，κ2均大于0，为学习率，τ1，τ2为大于0小于1的随机数，
Figure BDA0003275740320000022
为某个粒子的最优值，
Figure BDA0003275740320000023
为粒子群的最优值；
在优化算法的循环过程中，粒子每更新一次位置，就计算一次适应度值，通过适应度值优化神经网络；
循环后输出的最优解赋值给Elman神经网络的连接权值和阈值。
进一步的，Elman神经网络包括输入层、隐含层、承接层和输出层，承接层用于层内或层间的反馈联结，使得其能够表达输入与输出之间的时间上的延迟，相当于一个延时算子；
Elman神经网络的数学模型为
Figure BDA0003275740320000024
式中：y(t)为输出层的n维输出向量，u(t)为输入层的r维外部输入向量，u(t-1)为输入层上一时刻的r维外部输入向量，xc(t)为承接层的m维反馈状态向量，x(t)为隐含层的m维单元向量，x(t-1)为隐含层上一时刻的m维单元向量，w1为承接层和隐含层的连接权值，w2为输入层与隐含层之间的连接权值，w3为隐含层与输出层之间的连接权值，b1为隐含层阈值，b2为输出层阈值；
Elman神经网络的隐含层采用Sigmoid函数作为激发函数，输出层采用Pureline函数：
f(x)＝1/(1+e-x)0<f(x)＜1 (2)，
y(t)＝w3x(t)+b2 (3)，
由式(1)可推出：
Figure BDA0003275740320000031
式中
Figure BDA0003275740320000032
和
Figure BDA0003275740320000033
表示之前不同时刻的连接权值。
进一步的，Elman神经网络的误差函数采用下式：
E(t)＝(1/2)·(ye(t)-y(t))T(ye(t)-y(t)) (5)，
其中ye(t)为传感器系统的实际输出。
进一步的，Elman神经网络通过梯度下降法，计算E(t)对不同权值的偏导得出Elman的学习算法：
Figure BDA0003275740320000034
Figure BDA0003275740320000035
Figure BDA0003275740320000036
Figure BDA0003275740320000037
Figure BDA0003275740320000038
Figure BDA0003275740320000039
其中η1，η2，η3分别是w1，w2，w3的学习率。
本发明还公开了一种GIL用SF6状态在线监测系统，包括SF6状态传感器、数据中继装置、智能监测装置、光纤环网交换机以及监控后台，SF6状态传感器有多个，不同的SF6状态传感器采集各自GIL气室SF6气体的温度、压力、密度和湿度，SF6状态传感器通过数据中继装置或者直接与智能监测装置相连，数据中继装置进行SF6气体状态数据的中继、汇聚和转发；智能监测装置将接收到的SF6气体状态数据转换为IEC61850协议，并连接就地声光报警装置以及联动风机；监控后台与智能监测装置相连，实现各气室SF6气体状态信息展示、报警信息展示、历史数据曲线查询以及参数配置功能。
进一步的，SF6状态传感器与数据中继装置之间采用RS485通讯电缆相连，数据中继装置与智能监测装置之间通过RS485通讯电缆或网线相连，智能监测装置和监控后台均通过网线与交换机进行连接，通过交换机，智能监测装置与监测后台进行数据交换。
进一步的，数据中继装置包括中央控制模块、串口通信模块、网络通信模块、显示模块、按键模块以及电源模块，中央控制模块负责装置功能逻辑实现，串口通信模块支持MODBUS-RTU标准协议输入输出，支持长距离的RS485总线设备的接入；网络通信模块包括电口通信和光口通信两部分，根据通信距离选择网络通信方式；按键模块配合显示模块用来为SF6传感器配置地址；另外显示模块就地显示SF6状态传感器采集到的温度、压力、密度和湿度数据；电源模块为SF6状态传感器提供24V直流供电。
进一步的，智能监测装置包括中央控制模块、串口通信模块、网络通信模块、协议转换模块、显示模块、按键模块、声光报警模块、存储模块以及联动模块，中央控制模块负责装置功能逻辑实现；串口通信模块接入数据中继装置或者直接接入SF6传感器；网络通信模块包括电口通信和光口通信两部分，可根据通信距离选择网络通信方式；协议转换模块将数据中继装置传输来的数据或直接采集到的SF6传感器数据转换成IEC61850协议的数据；按键模块配合显示模块用来为SF6传感器配置地址；另外显示模块就地显示SF6状态传感器采集到的温度、压力、密度和湿度数据；声光报警模块在某一数据越限时，进行声光报警，并在显示模块显示报警类型；存储模块用于就地存储采集数据和报警信息，当网络通信出现问题时，通过就地存储信息及时排查故障；联动装置接入GIL内的风机，监测风机状态，当出现SF6气体泄漏时根据控制策略开启风机，或自动控制风机转动，将SF6气体排到GIL外，当与智能监测设备相连的设备断线时，声光报警模块报警，显示模块显示故障类型为某设备断线，并带有断线设备地址，方便工作人员进行排查。
本发明的有益效果：本专利可在线监测GIL气室内SF6气体的温度、压力、密度和微水，并可提前一天预测SF6气体密度，进而及时发现GIL气室的SF6气体泄漏和微水含量(湿度)过大等问题，从而减少电网安全事故的发生，提高了电力系统运行的可靠性和稳定性。
采用遗传粒子群混合优化Elman神经网络，
采用先进的传感与通信技术，实现了分散在不同地点的GIL气室SF6状态的集中在线监测，省去了采用离线逐点监测方式的巨大人力物力消耗，大大提高了工作效率，并可提前一天预测SF6气体密度，通过提前检修可极大降低了GIL故障率，减少了电网安全事故的发生，提高了电力系统运行的可靠性和稳定性。支持多种组网方式，可根据现场实际情况灵活配置，使用简单方便。
数据中继装置与智能监测装置硬件设计大部分相同，降低了开发周期与成本。
数据中继装置在监测点数较少，GIL距离较短的应用场景可裁剪掉，降低了成本。
数据中继装置可通过显示模块和按键模块配置SF6状态传感器的地址，方便快捷。
数据中继装置可显示SF6状态传感器断线故障以及数据中继装置自身故障，支持数据及故障上送功能，方便工作人员排查检修。
数据中继装置可以根据实际情况灵活选择网络通信方式(电口通信和网口通信)。
智能检测装置可通过显示模块和按键模块配置与之连接的RS485通讯地址以及网络IP地址，方便快捷。
智能监测装置可显示与之连接的断线故障以及智能检测装置的自身故障，可进行就地声光报警，方便工作人员排查检修。
智能监测装置支持数据及故障上送功能，在非网络故障下，在监控后台即能方便的查看数据及故障信息。
智能检测装置能进行协议转换，可将数据转换为支持IEC61850协议格式输出，可接入任何支持IEC61850协议的监控后台。
智能检测装置可进行数据与故障的就地存储，支持循环存储和掉电存储，可通过显示模块和按键模块，进行存储数据及故障的查询，即使网络出现问题，也能快速准确的查询数据及故障，大大提高了可靠性。
智能检测装置可接入联动风机，当SF6气体出现泄露时，可以根据控制策略启动风机。
监控后台可以实时显示各GIL气室SF6气体温度、压力、密度和湿度，并可以选择不同的单位，方便快捷。
监控后台支持SF6气体的温度、压力、密度和湿度曲线显示和历史数据查询，可根据曲线及历史数据预测SF6状态，为检修提供参考。
监控后台可实时显示各GIL气室报警状态，具有历史报警查询以及各GIL气室报警计数功能，可以生成月报表便于统计及分析月度运行情况。
当与监控后台相连的设备断线时，监控后台的显示界面会报警，显示故障类型为某设备断线，并带有断线设备地址，方便工作人员进行排查。
监控后台具有参数设置功能，通过监控后台可以设置智能监测装置参数，根据GIL运行需要进行预警压力、预警密度、检修密度、检修压力等阈值设置。
监控后台还可手动开启关闭风机，并显示风机状态(开启、关闭和转速)。
附图说明
图1为SF6状态在线监测系统组网图；
图2为SF6状态在线监测系统简要组网图；
图3为数据中继装置组成示意图；
图4为智能监测装置组成示意图；
图5为Elman神经网络结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
实施例1
本实施例公开一种GIL用SF6状态在线监测系统，如图1所示，包括SF6状态传感器、数据中继装置、智能监测装置、光纤环网交换机以及监控后台。SF6状态传感器有多个，不同的SF6状态传感器采集各自GIL气室SF6气体的温度、压力、密度和湿度等状态信息；数据中继装置进行SF6气体状态数据的中继、汇聚和转发；智能监测装置将接收到的SF6气体状态数据转换为IEC61850协议，并具有就地声光报警以及风机联动控制功能；监控后台具有各气室SF6气体状态信息展示功能、报警信息展示功能、历史数据曲线查询功能以及参数配置等功能。附图1为SF6状态在线监测系统组网图，SF6状态传感器可接入数据中继装置，通过数据中继装置实现数据的转发。本专利可在线监测GIL气室内SF6气体的温度、压力、密度和微水，并可提前一天预测SF6气体密度，进而及时发现GIL气室的SF6气体泄漏和微水含量(湿度)过大等问题，从而减少电网安全事故的发生，提高了电力系统运行的可靠性和稳定性。
附图1为SF6状态在线监测系统组网图，SF6状态传感器与数据中继装置之间采用RS485通讯电缆相连，数据中继装置与智能监测装置之间通过RS485通讯电缆或网线相连，智能监测装置和监控后台均通过网线与交换机进行连接，通过交换机，智能监测装置与监测后台进行数据交换。
SF6状态传感器安装在GIL气室上，可采集SF6的密度、温度、压力和湿度，能够补偿温度带来的压力变化，从而使检测更加准确；配备RS-485接口，支持MODBUS协议输出，可将密度、温度、压力和湿度以数字形式输出。
数据中继装置组成如附图3所示，主要由中央控制模块、串口通信模块、网络通信模块、显示模块、按键模块以及电源模块等组成。中央控制模块负责装置功能逻辑实现；串口通信模块支持MODBUS-RTU标准协议输入输出，可支持长距离的RS485总线设备(SF6状态传感器)的接入；网络通信模块包括电口通信和光口通信两部分，可根据通信距离选择网络通信方式；按键模块配合显示模块用来为SF6传感器配置地址；另外显示模块可就地显示SF6状态传感器采集到的温度、压力、密度和湿度数据；电源模块为SF6状态传感器提供24V直流供电。数据中继装置将SF6状态传感器的数据汇聚后上传到智能监测装置。
智能监测装置组成如附图4所示，主要由中央控制模块、串口通信模块、网络通信模块、协议转换模块、显示模块、按键模块、声光报警模块、存储模块以及联动模块等组成。中央控制模块负责装置功能逻辑实现；串口通信模块可接入数据中继装置，也可直接接入SF6传感器；网络通信模块包括电口通信和光口通信两部分，可根据通信距离选择网络通信方式；协议转换模块可以将数据中继装置传输来的数据或直接采集到的SF6传感器数据转换成IEC61850协议的数据；显示模块和按键模块与数据中继装置中的功能基本相同；声光报警模块主要是某一数据越限时，进行声光报警，并在显示模块显示报警类型，方便工作人员进行故障排查；存储模块主要功能为就地存储采集数据和报警信息等，支持循环存储和掉电存储，当网络通信出现问题时，可通过就地存储信息及时排查故障；联动装置可接入GIL内的风机，可监测风机状态(关闭、开启、转速)，当出现SF6气体泄漏时根据控制策略开启风机，或自动控制风机转动，将SF6气体排到GIL外。另外当与智能监测设备相连的设备断线时，声光报警模块会报警，显示模块显示故障类型为某设备断线，并带有断线设备地址，方便工作人员进行排查。
监控后台可以实时显示各GIL气室SF6气体温度、压力、密度和湿度，并可以选择不同的单位；SF6气体的温度、压力、密度和湿度支持曲线显示和历史数据查询；可实时显示各GIL气室报警状态；具有历史报警查询以及各GIL气室报警计数功能；可以生成月报表便于统计及分析月度运行情况；具有参数设置功能，通过监控后台可以设置智能监测装置参数，根据GIL运行需要进行预警温度、预警压力、预警密度、预警湿度、检修温度、检修压力、预警密度、检修湿度等阈值设置。另外当与监控后台相连的设备断线时，监控后台显示界面会报警，显示故障类型为某设备断线，并带有断线设备地址，方便工作人员进行排查。监控后台非常重要的一个功能为通过数据库历史数据及遗传粒子群混合优化Elman算法提前一天预测SF6气体密度，通过提前检修可防止故障的发生。
本实施例中，SF6状态传感器采集到的温度、压力、密度和湿度转换为支持MODBUS-RTU协议的数据格式后，传递给数据中继装置。数据中继装置可接入支持RS485总线的SF6状态传感器，SF6状态传感器接入后，通过按键模块和显示模块配置SF6传感器的地址，地址配置好后显示模块即可显示不同地址的SF6状态传感器采集到的温度、压力、密度和湿度，数据中继装置可将采集到的SF6气体的温度、压力、密度和湿度进行汇聚，可选择转换为支持MODBUS-RTU协议的数据格式还是MODBUS-TCP/IP协议的数据格式。
数据中继装置通过RS485通信电缆或者电口网络通信方式与智能监测装置相连，通过RS485通信电缆方式连接时，数据需要转换为支持MODBUS-RTU协议的格式，通过电口网络通信方式连接时，数据需要转换为支持MODBUS-TCP/IP协议的数据格式，转换后的数据传递给智能监测装置。智能监测装置的协议转换模块可以将数据转换成IEC61850协议的数据，通过其网络模块的电口或光口连接至交换机，与连接在同一交换机的监控后台进行数据交换。
实施例2
本实施例公开一种GIL用SF6状态在线监测系统，如图2所示，包括SF6状态传感器、智能监测装置、光纤环网交换机以及监控后台组成。不同的SF6状态传感器采集各自GIL气室SF6气体的温度、压力、密度和湿度等状态信息；智能监测装置可将接收到的SF6气体状态数据转换为IEC61850协议，并具有就地声光报警以及风机联动控制功能；监控后台具有各气室SF6气体状态信息展示功能、报警信息展示功能、历史数据曲线查询功能以及参数配置等功能。与实施例1不同的是，本实施例SF6状态传感器直接接入智能监测装置。SF6状态传感器与智能监测装置通过RS485通信电缆相连，智能监测装置和监控后台均通过网线与交换机进行连接。
实施例2与实施例1之间的区别为去除了数据中继装置，SF6状态传感器与智能监测装置直接通过RS485通讯电缆进行连接。该简要组网方式中，智能监测装置通过交换机与监控后台进行数据交换。数据中继装置起到中继和汇聚信号的功能，在监测点数较多，GIL距离较长的应用场景，数据中继装置是必须的；但在监测点数较少，GIL距离较短的应用场景，数据中继装置是非必须的，为减少成本可去除数据中继装置。
其他与实施例1相同，本实施例不再赘述。
实施例3
本实施例公开一种GIL用SF6状态在线监测方法，本方法可在实施例1或者实施例2的监控后台实施，通过数据库历史数据及遗传粒子群混合优化Elman算法提前一天预测SF6气体密度，通过提前检修可防止故障的发生。具体包括一下步骤：
S01)、采用PSO-GA算法对Elman神经网络进行优化，优化过程为：
S11)、确定Elman网络结构，确定Elman连接权值和阈值；
S12)、遗传粒子群种群初始化，将Elman神经网络训练误差作为适应度值，计算种群适应度值；
S13)、更新粒子的速度和位置，确定种群最优解；
S14)、进行选择、交叉和变异操作，判断是否满足约束条件，如果不满足返回步骤S13)；
S15)、将PSO-GA算法获得的最优初始连接权值和阈值赋值给Elman神经网络；
S16)、根据Elman神经网络的误差函数计算误差，更新神经网络的连接权值和阈值；
S17)、判断Elman神经网络是否达到预定精度，如果不满足返回步骤S16；
S18)、输出遗传粒子群混合优化Elman神经网络的最优解；
S02)、选取GIL的SF6状态传感器全年每日整点运行数据作为样本对优化后的Elman神经网络进行训练；
S03)、从SF6状态传感器历史数据中选取与预测日同类型的每日0点-24点时间样本数据，将这些数据进行归一化处理后，使用训练后的Elman神经网络模型进行预测，预测时输入为同类型的预测日前一天的温度、压力、湿度和密度，预测日当天温度、压力和湿度，并提前一天进行SF6气体密度的预测。
本实施例中，步骤S12)中，遗传粒子群种群初始化时设置初始参数，包括初始种群Q、交叉操作的概率Po、变异操作概率Pv、迭代次数U、学习率κ1、学习率κ2，粒子群的初始速度v0、粒子群的初始位置l0；
Elman神经网络训练误差包括温度、压力、湿度和密度实际值与预测值的误差，每一个误差对应一个适应度函数，使用适应度函数计算适应度值；
根据如下公式更新粒子的速度和位置，
Figure BDA0003275740320000081
lnow＝llast+vnow (13)，其中，vnow为粒子速度更新后的值，vlast为粒子速度更新前的值，lnow为粒子位置更新后的值，llast为粒子位置更新前的值，κ1，κ2均大于0，为学习率，τ1，τ2为大于0小于1的随机数，
Figure BDA0003275740320000082
为某个粒子的最优值，
Figure BDA0003275740320000083
为粒子群的最优值；在优化算法的循环过程中，粒子每更新一次位置，就计算一次适应度值，通过适应度值优化神经网络；
循环后输出的最优解赋值给Elman神经网络的连接权值和阈值。
如图5所示，Elman神经网络包括输入层、隐含层、承接层和输出层，承接层用于层内或层间的反馈联结，使得其能够表达输入与输出之间的时间上的延迟，相当于一个延时算子；
Elman神经网络的数学模型为
Figure BDA0003275740320000084
式中：y(t)为输出层的n维输出向量，u(t)为输入层的r维外部输入向量，u(t-1)为输入层上一时刻的r维外部输入向量，xc(t)为承接层的m维反馈状态向量，x(t)为隐含层的m维单元向量，x(t-1)为隐含层上一时刻的m维单元向量，w1为承接层和隐含层的连接权值，w2为输入层与隐含层之间的连接权值，w3为隐含层与输出层之间的连接权值，b1为隐含层阈值，b2为输出层阈值；
Elman神经网络的隐含层采用Sigmoid函数作为激发函数，输出层采用Pureline函数：
f(x)＝1/(1+e-x)0<f(x)＜1 (2)，
y(t)＝w3x(t)+b2 (3)，
由式(1)可推出：
Figure BDA0003275740320000091
式中
Figure BDA0003275740320000092
和
Figure BDA0003275740320000093
表示之前不同时刻的连接权值。
进一步的，Elman神经网络的误差函数采用下式：
E(t)＝(1/2)·(ye(t)-y(t))T(ye(t)-y(t)) (5)，
其中ye(t)为传感器系统的实际输出。
本实施例中，Elman神经网络通过梯度下降法，计算E(t)对不同权值的偏导得出Elman的学习算法：
Figure BDA0003275740320000094
Figure BDA0003275740320000095
Figure BDA0003275740320000096
Figure BDA0003275740320000097
Figure BDA0003275740320000098
Figure BDA0003275740320000099
其中η1，η2，η3分别是w1，w2，w3的学习率。
上述描述中，PSO-GA算法是粒子群遗传混合优化算法。Elman在训练的过程中较易陷入局部最优，而无法达到全局最优，所以需要对Elman算法进行改进。遗传算法是一种典型的全局最优算法，但其达到全局最优解的时间较长，局部寻优效果较差；粒子群算法具有较好的鲁棒性，较强的局部寻优能力，较快的收敛速度，实现起来相对简单，但极易陷入局部最优。将遗传算法和粒子群算法相结合，取长补短，使其既具有遗传算法达到全局最优的能力，又具有粒子群算法较快的收敛速度，我们将其结合后的算法称之为PSO-GA算法。
本实施例选取GIL的SF6状态传感器全年每日整点运行数据作为样本对遗传粒子群混合优化Elman神经网络算法进行训练。对全年每日整点数据整理统计分析可知，预测当日的SF6气体密度是在日类型相同的前一段时间的密度基础上变化的，所以，采用预测日前一天的数据作为输入变量。输出量为预测日0点～24点时刻预测的SF6气体密度。
从SF6状态传感器历史数据中选取与预测日同类型的每日0点-24点时间样本数据(包括温度、压力、湿度和密度)，还包括每日对应的温度、压力、湿度，将这些数据进行归一化处理后，训练建立的模型，预测时输入为同类型的预测日前一天的温度、压力、温度和密度，预测日当天温度、压力和湿度，并提前一天进行SF6气体密度的预测。
本实施例所用Elman神经网络出了输入层、隐含层、承接层和输出层，承接层主要用于层内或层间的反馈联结，使得其能够表达输入与输出之间的时间上的延迟，相当于一个延时算子，因此需要动态方程来描述，而前馈型网络仅实现非线性映射。正是因为这种反馈，使得网络具有了记忆功能。
以上描述的仅是本发明的基本原理和优选实施例，本领域技术人员根据本发明做出的改进和替换，属于本发明的保护范围。

Claims (9)

1.一种GIL用SF6状态在线监测方法，其特征在于：包括以下步骤：
S01)、采用PSO-GA算法对Elman神经网络进行优化，优化过程为：
S11)、确定Elman网络结构，确定Elman连接权值和阈值；
S12)、遗传粒子群种群初始化，将Elman神经网络训练误差作为适应度值，计算种群适应度值；
S13)、更新粒子的速度和位置，确定种群最优解；
S14)、进行选择、交叉和变异操作，判断是否满足约束条件，如果不满足返回步骤S13)；
S15)、将PSO-GA算法获得的最优初始连接权值和阈值赋值给Elman神经网络；
S16)、根据Elman神经网络的误差函数计算误差，更新神经网络的连接权值和阈值；
S17)、判断Elman神经网络是否达到预定精度，如果不满足返回步骤S16；
S18)、输出遗传粒子群混合优化Elman神经网络的最优解；
S02)、选取GIL的SF6状态传感器全年每日整点运行数据作为样本对优化后的Elman神经网络进行训练；
S03)、从SF6状态传感器历史数据中选取与预测日同类型的每日0点-24点时间样本数据，将这些数据进行归一化处理后，使用训练后的Elman神经网络模型进行预测，预测时输入为同类型的预测日前一天的温度、压力、湿度和密度，预测日当天温度、压力和湿度，并提前一天进行SF6气体密度的预测。
2.根据权利要求1所述的GIL用SF6状态在线监测方法，其特征在于：步骤S12)中，遗传粒子群种群初始化时设置初始参数，包括初始种群Q、交叉操作的概率Po、变异操作概率Pv、迭代次数U、学习率κ1、学习率κ2，粒子群的初始速度v0、粒子群的初始位置l0；
Elman神经网络训练误差包括温度、压力、湿度和密度实际值与预测值的误差，每一个误差对应一个适应度函数，使用适应度函数计算适应度值；
根据如下公式更新粒子的速度和位置，
Figure FDA0003275740310000011
lnow＝llast+vnow (13)，
其中，vnow为粒子速度更新后的值，vlast为粒子速度更新前的值，lnow为粒子位置更新后的值，llast为粒子位置更新前的值，κ1，κ2均大于0，为学习率，τ1，τ2为大于0小于1的随机数，
Figure FDA0003275740310000012
为某个粒子的最优值，
Figure FDA0003275740310000013
为粒子群的最优值；
在优化算法的循环过程中，粒子每更新一次位置，就计算一次适应度值，通过适应度值优化神经网络；
循环后输出的最优解赋值给Elman神经网络的连接权值和阈值。
3.根据权利要求1所述的GIL用SF6状态在线监测方法，其特征在于：Elman神经网络包括输入层、隐含层、承接层和输出层，承接层用于层内或层间的反馈联结，使得其能够表达输入与输出之间的时间上的延迟，相当于一个延时算子；Elman神经网络的数学模型为
Figure FDA0003275740310000021
式中：y(t)为输出层的n维输出向量，u(t)为输入层的r维外部输入向量，u(t-1)为输入层上一时刻的r维外部输入向量，xc(t)为承接层的m维反馈状态向量，x(t)为隐含层的m维单元向量，x(t-1)为隐含层上一时刻的m维单元向量，w1为承接层和隐含层的连接权值，w2为输入层与隐含层之间的连接权值，w3为隐含层与输出层之间的连接权值，b1为隐含层阈值，b2为输出层阈值；
Elman神经网络的隐含层采用Sigmoid函数作为激发函数，输出层采用Pureline函数：
f(x)＝1/(1+e-x)0<f(x)＜1 (2)，
y(t)=w3x(t)+b2 (3)，
由式(1)可推出：
Figure FDA0003275740310000022
式中
Figure FDA0003275740310000023
和
Figure FDA0003275740310000024
表示之前不同时刻的连接权值。
4.根据权利要求3所述的GIL用SF6状态在线监测方法，其特征在于：Elman神经网络的误差函数采用下式：
E(t)=(1/2)·(ye(t)-y(t))T(ye(t)-y(t)) (5)，
其中ye(t)为传感器系统的实际输出。
5.根据权利要求3所述的GIL用SF6状态在线监测方法，其特征在于：Elman神经网络通过梯度下降法，计算E(t)对不同权值的偏导得出Elman的学习算法：
Figure FDA0003275740310000025
Figure FDA0003275740310000026
Figure FDA0003275740310000027
Figure FDA0003275740310000028
Figure FDA0003275740310000031
Figure FDA0003275740310000032
其中η1，η2，η3分别是w1，w2，w3的学习率。
6.一种GIL用SF6状态在线监测系统，其特征在于：包括SF6状态传感器、数据中继装置、智能监测装置、光纤环网交换机以及监控后台，SF6状态传感器有多个，不同的SF6状态传感器采集各自GIL气室SF6气体的温度、压力、密度和湿度，SF6状态传感器通过数据中继装置或者直接与智能监测装置相连，数据中继装置进行SF6气体状态数据的中继、汇聚和转发；智能监测装置将接收到的SF6气体状态数据转换为IEC61850协议，并连接就地声光报警装置以及联动风机；监控后台与智能监测装置相连，实现各气室SF6气体状态信息展示、报警信息展示、历史数据曲线查询以及参数配置功能。
7.根据权利要求6所述的GIL用SF6状态在线监测系统，其特征在于：SF6状态传感器与数据中继装置之间采用RS485通讯电缆相连，数据中继装置与智能监测装置之间通过RS485通讯电缆或网线相连，智能监测装置和监控后台均通过网线与交换机进行连接，通过交换机，智能监测装置与监测后台进行数据交换。
8.根据权利要求6所述的GIL用SF6状态在线监测系统，其特征在于：数据中继装置包括中央控制模块、串口通信模块、网络通信模块、显示模块、按键模块以及电源模块，中央控制模块负责装置功能逻辑实现，串口通信模块支持MODBUS-RTU标准协议输入输出，支持长距离的RS485总线设备的接入；网络通信模块包括电口通信和光口通信两部分，根据通信距离选择网络通信方式；按键模块配合显示模块用来为SF6传感器配置地址；另外显示模块就地显示SF6状态传感器采集到的温度、压力、密度和湿度数据；电源模块为SF6状态传感器提供24V直流供电。
9.根据权利要求6所述的GIL用SF6状态在线监测系统，其特征在于：智能监测装置包括中央控制模块、串口通信模块、网络通信模块、协议转换模块、显示模块、按键模块、声光报警模块、存储模块以及联动模块，中央控制模块负责装置功能逻辑实现；串口通信模块接入数据中继装置或者直接接入SF6传感器；网络通信模块包括电口通信和光口通信两部分，可根据通信距离选择网络通信方式；协议转换模块将数据中继装置传输来的数据或直接采集到的SF6传感器数据转换成IEC61850协议的数据；按键模块配合显示模块用来为SF6传感器配置地址；另外显示模块就地显示SF6状态传感器采集到的温度、压力、密度和湿度数据；声光报警模块在某一数据越限时，进行声光报警，并在显示模块显示报警类型；存储模块用于就地存储采集数据和报警信息，当网络通信出现问题时，通过就地存储信息及时排查故障；联动装置接入GIL内的风机，监测风机状态，当出现SF6气体泄漏时根据控制策略开启风机，或自动控制风机转动，将SF6气体排到GIL外，当与智能监测设备相连的设备断线时，声光报警模块报警，显示模块显示故障类型为某设备断线，并带有断线设备地址，方便工作人员进行排查。
CN202111117894.9A 2021-09-23 2021-09-23 一种gil用sf6状态在线监测方法和系统 Pending CN113850319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111117894.9A CN113850319A (zh) 2021-09-23 2021-09-23 一种gil用sf6状态在线监测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111117894.9A CN113850319A (zh) 2021-09-23 2021-09-23 一种gil用sf6状态在线监测方法和系统

Publications (1)

Publication Number Publication Date
CN113850319A true CN113850319A (zh) 2021-12-28

Family

ID=78979545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111117894.9A Pending CN113850319A (zh) 2021-09-23 2021-09-23 一种gil用sf6状态在线监测方法和系统

Country Status (1)

Country Link
CN (1) CN113850319A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492974A (zh) * 2022-01-18 2022-05-13 国网浙江省电力有限公司电力科学研究院 一种gis气体状态预测方法及系统
CN114858208A (zh) * 2022-04-02 2022-08-05 华能澜沧江水电股份有限公司 一种六氟化硫气体故障预警方法和系统
CN116993328A (zh) * 2023-09-26 2023-11-03 国网湖北省电力有限公司超高压公司 结合sf6气体监测的电力系统设备运维方法与装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506859A (zh) * 2017-08-17 2017-12-22 国网重庆市电力公司电力科学研究院 一种sf6分解气体浓度时间序列的预测方法及系统
CN112308311A (zh) * 2020-10-29 2021-02-02 西安工业大学 火电厂烟气含氧量在线预测系统及其预测方法
CN112330487A (zh) * 2020-11-03 2021-02-05 河北工业大学 一种光伏发电短期功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506859A (zh) * 2017-08-17 2017-12-22 国网重庆市电力公司电力科学研究院 一种sf6分解气体浓度时间序列的预测方法及系统
CN112308311A (zh) * 2020-10-29 2021-02-02 西安工业大学 火电厂烟气含氧量在线预测系统及其预测方法
CN112330487A (zh) * 2020-11-03 2021-02-05 河北工业大学 一种光伏发电短期功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘勇等: "《滑坡预测的计算智能方法》", vol. 978, 31 December 2012, 中国地质大学出版社, pages: 74 - 81 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492974A (zh) * 2022-01-18 2022-05-13 国网浙江省电力有限公司电力科学研究院 一种gis气体状态预测方法及系统
CN114858208A (zh) * 2022-04-02 2022-08-05 华能澜沧江水电股份有限公司 一种六氟化硫气体故障预警方法和系统
CN114858208B (zh) * 2022-04-02 2024-06-04 华能澜沧江水电股份有限公司 一种六氟化硫气体故障预警方法和系统
CN116993328A (zh) * 2023-09-26 2023-11-03 国网湖北省电力有限公司超高压公司 结合sf6气体监测的电力系统设备运维方法与装置
CN116993328B (zh) * 2023-09-26 2023-12-22 国网湖北省电力有限公司超高压公司 结合sf6气体监测的电力系统设备运维方法与装置

Similar Documents

Publication Publication Date Title
CN113850319A (zh) 一种gil用sf6状态在线监测方法和系统
CN111062651A (zh) 基于边缘计算和大数据分析的安全用电管理系统及方法
CN109146093A (zh) 一种基于学习的电力设备现场勘查方法
CN111275270A (zh) 基于边缘计算和神经网络预测区域电气火灾风险的方法
CN113708974A (zh) 基于自适应组网的边缘云网络系统及协同方法
AU2017209973B2 (en) Facility for monitoring a portion of a high-voltage electrical power transmission network
CN105305428B (zh) 用双冗余方式提高风预测系统可靠性的方法及系统
JP2022115061A (ja) 気象関連架空配電線路故障オンライン予測
CN110825141A (zh) 一种用于配电室信息管理的物联网终端
CN110716103A (zh) 一种配网故障的预警方法
CN115333062B (zh) 一种配电网系统的故障处理方法及装置
CN107657798A (zh) 一种风电机组状态智能监测系统
CN112666876B (zh) 一种楼宇电气物联网智能监控系统
CN113837466A (zh) 一种基于多气象源的本地化智能发电功率预测系统
CN108333505A (zh) 基于wsn的高压断路器在线状态监测系统
CN110290027B (zh) 一种面向配电通信业务的带宽预测方法及系统
CN215378567U (zh) 一种自动测控的智能箱变
Mitra et al. Digitalisation of Power Transformer Monitoring System
CN112560322B (zh) 一种基于bp神经网络的变电站保护室温度预测方法
CN115238957A (zh) 一种输电线路走廊预警方法和系统
CN110004465B (zh) 一种多室电解槽生产金属铝的智能控制方法及系统
CN114221789A (zh) 一种边缘计算终端可信接入物联边缘代理的方法及系统
CN118364414B (zh) 电力系统二次设备故障预警监测方法及系统
CN111817265A (zh) 低压台区配电保护方法及系统
CN112801815A (zh) 一种基于联邦学习的电力通信网络故障预警方法

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