CN113919212A - 一种基于机器学习的复合绝缘子芯棒性能预测方法 - Google Patents
一种基于机器学习的复合绝缘子芯棒性能预测方法 Download PDFInfo
- Publication number
- CN113919212A CN113919212A CN202111155684.9A CN202111155684A CN113919212A CN 113919212 A CN113919212 A CN 113919212A CN 202111155684 A CN202111155684 A CN 202111155684A CN 113919212 A CN113919212 A CN 113919212A
- Authority
- CN
- China
- Prior art keywords
- composite insulator
- insulator core
- core rod
- matrix
- performance parameters
- 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
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 77
- 239000002131 composite material Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 239000000463 material Substances 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 45
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 3
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000009477 glass transition Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000012779 reinforcing material Substances 0.000 claims description 3
- 239000011347 resin Substances 0.000 claims description 3
- 229920005989 resin Polymers 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 229910052573 porcelain Inorganic materials 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06F30/27—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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Insulators (AREA)
Abstract
一种基于机器学习的复合绝缘子芯棒性能预测方法,利用机器学习算法预测采用同类型材料与工艺制造的复合绝缘子芯棒的性能,以解决改变材料配比和生产工艺时测试的成本高、周期长的问题。当改变复合绝缘子芯棒规格、生产工艺和使用材料中单个或者多个变量时,可以免去实际生产与检测,快速预测得到改变后的芯棒性能参数。通过预测的方法,能够大幅减少实际生产与检测所需要的时间成本与经济成本。
Description
技术领域
本发明涉及电力系统防护领域,具体涉及一种基于机器学习的复合绝缘子芯棒性能预测方法。
背景技术
我国建立了庞大的电力网络。其中,最常见的输电方式为架空输电网络。绝缘子作为架空线路上不可或缺的一部分,不止能够固定导线,也起到电气绝缘的作用。为了起到上述所用,对绝缘子的机械性能、电气性能和抗老化能力均提出了非常高的要求。
绝缘子根据材料不同,可以分为瓷绝缘子、玻璃绝缘子和复合绝缘子。近些年,复合绝缘子以其机械强度高、重量轻、耐污染能力强的特点,受到了电网的重视,渐渐替换掉老式瓷绝缘子和玻璃绝缘子,市场份额大幅提升。
复合绝缘子由芯棒、护套、金具等组成。其中芯棒主要起承担机械负荷的作用,同时其绝缘能力也在一定程度上决定了整只绝缘子绝缘能力的底线。现在电网中涉及复合绝缘子的故障中很大一部分都是芯棒酥朽断裂所导致。
为了研发生产出具有更高机械强度、更强绝缘能力的复合绝缘子芯棒,各个科研机构与芯棒生产厂家均投入大量资源对使用材料、生产工艺进行改进。而且,由于生产芯棒过程中涉及到许多生产材料的选择与配比、生产工艺参数的变化,修改任意参数均会导致成品性能参数的不同。因此,每一种方案从提出、生产加工到实验验证,整个流程都需要花费大量时间和金钱。
发明内容
本发明为了克服以上技术的不足,提供了一种利用机器学习算法预测采用同类型材料与工艺制造的复合绝缘子芯棒的性能的预测方法。
本发明克服其技术问题所采用的技术方案是:
一种基于机器学习的复合绝缘子芯棒性能预测方法,其特征在于,包括:
a)选取不同规格、不同生产工艺生产的以及不同使用材料的复合绝缘子芯棒;
b)根据规格、生产工艺以及使用材料将各个复合绝缘子芯棒进行分类;
c)选取每一类中若干复合绝缘子芯棒并测试其性能参数,将测试的性能参数记入数据库;
d)利用LSTM算法预测同类中其他复合绝缘子芯棒的性能参数;
e)利用试验对预测的性能参数进行验证,将验证后的性能参数记入数据库。
进一步的,步骤b)中分类方式分为同规格同生产工艺不同材料类、同规格不同生产工艺同材料类、不同规格同生产工艺同材料类。
进一步的,步骤b)中的规格按照复合绝缘子芯棒直径和复合绝缘子芯棒长度进行划分,生产工艺按照复合绝缘子芯棒生产中牵引力、牵引速度、固化温度、固化时间进行划分,材料按照复合绝缘子芯棒集体材料、增强材料、固化剂、促进剂、脱模剂的各成分组合及成分占比进行划分。
进一步的,步骤c)中复合绝缘子芯棒测试的性能参数包括理化性能参数、力学性能参数及电学性能参数,所述理化性能参数包括复合绝缘子芯棒的固化度、含胶量、玻璃化转变温度、纵向线膨胀系数、树脂分解温度,所述力学性能参数包括复合绝缘子芯棒生产中的牵引力、牵引速度、固化温度、固化时间,所述电学性能参数包括复合绝缘子芯棒表面电阻、体积电阻、泄露电流、介质损耗角。
进一步的,步骤d)包括如下步骤:
d-1)将数据库中的性能参数数据归一化处理,得到矩阵X,xij为矩阵X中第i行第j列的数据;
d-3)通过公式Ft=σ(Wf[Ht-1,Xt]+Bf)计算得到时刻t的遗忘门的输出Ft,式中σ为sigmoid函数,Wf为遗忘门权重矩阵,Bf为遗忘门偏置矩阵,Ht-1为当前隐藏层数据矩阵;
d-4)通过公式It=σ(Wi[Ht-1,Xt]+Bi)计算得到时刻t的存储门的输出It,式中Wi为存储门权重矩阵,Bi为存储门偏置矩阵,通过公式计算得到时刻t的备选输出矩阵式中Wc为存储门权重矩阵,Bc为存储门偏置矩阵;
d-6)通过公式Ot=σ(Wo[Ht-1,Xt]+Bo)计算得到输出门的输出Ot,式中Wo为输出门权重矩阵,Bo为输出门偏置矩阵,通过公式Ht=Ot*tanh(Ct)计算得到输出矩阵Ht,输出矩阵Ht为预测得到的同类中其他复合绝缘子芯棒的性能参数。进一步的,还包括在步骤e)之后利用建立好的数据库,根据不同规格、不同生产工艺生产的以及不同使用材料的信息在数据库中查找相关的复合绝缘子芯棒性能参数。
本发明的有益效果是:利用机器学习算法预测采用同类型材料与工艺制造的复合绝缘子芯棒的性能,以解决改变材料配比和生产工艺时测试的成本高、周期长的问题。当改变复合绝缘子芯棒规格、生产工艺和使用材料中单个或者多个变量时,可以免去实际生产与检测,快速预测得到改变后的芯棒性能参数。通过预测的方法,能够大幅减少实际生产与检测所需要的时间成本与经济成本。
具体实施方式
下面结合对本发明做进一步说明。
一种基于机器学习的复合绝缘子芯棒性能预测方法,其特征在于,包括:
a)选取不同规格、不同生产工艺生产的以及不同使用材料的复合绝缘子芯棒;
b)根据规格、生产工艺以及使用材料将各个复合绝缘子芯棒进行分类;
c)选取每一类中若干复合绝缘子芯棒并测试其性能参数,将测试的性能参数记入数据库;
d)利用LSTM算法预测同类中其他复合绝缘子芯棒的性能参数;
e)利用试验对预测的性能参数进行验证,将验证后的性能参数记入数据库。通过研究生产过程中相关材料的配比和生产工艺流程的设置,利用机器学习算法预测采用同类型材料与工艺制造的复合绝缘子芯棒的性能,以解决改变材料配比和生产工艺时测试的成本高、周期长的问题。当改变复合绝缘子芯棒规格、生产工艺和使用材料中单个或者多个变量时,可以免去实际生产与检测,快速预测得到改变后的芯棒性能参数。通过预测的方法,能够大幅减少实际生产与检测所需要的时间成本与经济成本。
实施例1:
步骤b)中分类方式分为同规格同生产工艺不同材料类、同规格不同生产工艺同材料类、不同规格同生产工艺同材料类。
实施例2:
步骤b)中的规格按照复合绝缘子芯棒直径和复合绝缘子芯棒长度进行划分,生产工艺按照复合绝缘子芯棒生产中牵引力、牵引速度、固化温度、固化时间进行划分,材料按照复合绝缘子芯棒集体材料、增强材料、固化剂、促进剂、脱模剂的各成分组合及成分占比进行划分。
实施例3:
步骤c)中复合绝缘子芯棒测试的性能参数包括理化性能参数、力学性能参数及电学性能参数,所述理化性能参数包括复合绝缘子芯棒的固化度、含胶量、玻璃化转变温度、纵向线膨胀系数、树脂分解温度,所述力学性能参数包括复合绝缘子芯棒生产中的牵引力、牵引速度、固化温度、固化时间,所述电学性能参数包括复合绝缘子芯棒表面电阻、体积电阻、泄露电流、介质损耗角。
实施例4:
步骤d)包括如下步骤:
d-1)将数据库中的性能参数数据归一化处理,得到矩阵X,xij为矩阵X中第i行第j列的数据;
d-3)通过公式Ft=σ(Wf[Ht-1,Xt]+Bf)计算得到时刻t的遗忘门的输出Ft,式中σ为sigmoid函数,Wf为遗忘门权重矩阵,Bf为遗忘门偏置矩阵,Ht-1为当前隐藏层数据矩阵;
d-4)通过公式It=σ(Wi[Ht-1,Xt]+Bi)计算得到时刻t的存储门的输出It,式中Wi为存储门权重矩阵,Bi为存储门偏置矩阵,通过公式计算得到时刻t的备选输出矩阵式中Wc为存储门权重矩阵,Bc为存储门偏置矩阵;
d-6)通过公式Ot=σ(Wo[Ht-1,Xt]+Bo)计算得到输出门的输出Ot,式中Wo为输出门权重矩阵,Bo为输出门偏置矩阵,通过公式Ht=Ot*tanh(Ct)计算得到输出矩阵Ht,输出矩阵Ht为预测得到的同类中其他复合绝缘子芯棒的性能参数。
实施例5:
还包括在步骤e)之后利用建立好的数据库,根据不同规格、不同生产工艺生产的以及不同使用材料的信息在数据库中查找相关的复合绝缘子芯棒性能参数。最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器学习的复合绝缘子芯棒性能预测方法,其特征在于,包括:
a)选取不同规格、不同生产工艺生产的以及不同使用材料的复合绝缘子芯棒;
b)根据规格、生产工艺以及使用材料将各个复合绝缘子芯棒进行分类;
c)选取每一类中若干复合绝缘子芯棒并测试其性能参数,将测试的性能参数记入数据库;
d)利用LSTM算法预测同类中其他复合绝缘子芯棒的性能参数;
e)利用试验对预测的性能参数进行验证,将验证后的性能参数记入数据库。
2.根据权利要求1所述的基于机器学习的复合绝缘子芯棒性能预测方法,其特征在于:步骤b)中分类方式分为同规格同生产工艺不同材料类、同规格不同生产工艺同材料类、不同规格同生产工艺同材料类。
3.根据权利要求1所述的基于机器学习的复合绝缘子芯棒性能预测方法,其特征在于:步骤b)中的规格按照复合绝缘子芯棒直径和复合绝缘子芯棒长度进行划分,生产工艺按照复合绝缘子芯棒生产中牵引力、牵引速度、固化温度、固化时间进行划分,材料按照复合绝缘子芯棒集体材料、增强材料、固化剂、促进剂、脱模剂的各成分组合及成分占比进行划分。
4.根据权利要求1所述的基于机器学习的复合绝缘子芯棒性能预测方法,其特征在于:步骤c)中复合绝缘子芯棒测试的性能参数包括理化性能参数、力学性能参数及电学性能参数,所述理化性能参数包括复合绝缘子芯棒的固化度、含胶量、玻璃化转变温度、纵向线膨胀系数、树脂分解温度,所述力学性能参数包括复合绝缘子芯棒生产中的牵引力、牵引速度、固化温度、固化时间,所述电学性能参数包括复合绝缘子芯棒表面电阻、体积电阻、泄露电流、介质损耗角。
5.根据权利要求1所述的基于机器学习的复合绝缘子芯棒性能预测方法,其特征在于,步骤d)包括如下步骤:
d-1)将数据库中的性能参数数据归一化处理,得到矩阵X,xij为矩阵X中第i行第j列的数据;
d-3)通过公式Ft=σ(Wf[Ht-1,Xt]+Bf)计算得到时刻t的遗忘门的输出Ft,式中σ为sigmoid函数,Wf为遗忘门权重矩阵,Bf为遗忘门偏置矩阵,Ht-1为当前隐藏层数据矩阵;
d-4)通过公式It=σ(Wi[Ht-1,Xt]+Bi)计算得到时刻t的存储门的输出It,式中Wi为存储门权重矩阵,Bi为存储门偏置矩阵,通过公式计算得到时刻t的备选输出矩阵式中Wc为存储门权重矩阵,Bc为存储门偏置矩阵;
d-6)通过公式Ot=σ(Wo[Ht-1,Xt]+Bo)计算得到输出门的输出Ot,式中Wo为输出门权重矩阵,Bo为输出门偏置矩阵,通过公式Ht=Ot*tanh(Ct)计算得到输出矩阵Ht,输出矩阵Ht为预测得到的同类中其他复合绝缘子芯棒的性能参数。
6.根据权利要求1所述的基于机器学习的复合绝缘子芯棒性能预测方法,其特征在于:还包括在步骤e)之后利用建立好的数据库,根据不同规格、不同生产工艺生产的以及不同使用材料的信息在数据库中查找相关的复合绝缘子芯棒性能参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111155684.9A CN113919212A (zh) | 2021-09-29 | 2021-09-29 | 一种基于机器学习的复合绝缘子芯棒性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111155684.9A CN113919212A (zh) | 2021-09-29 | 2021-09-29 | 一种基于机器学习的复合绝缘子芯棒性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919212A true CN113919212A (zh) | 2022-01-11 |
Family
ID=79237173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111155684.9A Pending CN113919212A (zh) | 2021-09-29 | 2021-09-29 | 一种基于机器学习的复合绝缘子芯棒性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919212A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184674A (zh) * | 2022-07-01 | 2022-10-14 | 苏州清研精准汽车科技有限公司 | 一种绝缘测试方法、装置、电子终端及存储介质 |
-
2021
- 2021-09-29 CN CN202111155684.9A patent/CN113919212A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184674A (zh) * | 2022-07-01 | 2022-10-14 | 苏州清研精准汽车科技有限公司 | 一种绝缘测试方法、装置、电子终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321601B (zh) | 一种架空线路动态载流能力超前预测方法及系统 | |
CN113919212A (zh) | 一种基于机器学习的复合绝缘子芯棒性能预测方法 | |
CN113391211B (zh) | 一种小样本条件下的锂电池剩余寿命预测方法 | |
CN113361692B (zh) | 一种锂电池剩余寿命结合预测方法 | |
CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
CN110646708A (zh) | 基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法 | |
CN112989702A (zh) | 一种装备性能分析与预测的自学习方法 | |
CN112287980A (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN116894165B (zh) | 一种基于数据分析的电缆老化状态评估方法 | |
CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
CN112257348B (zh) | 一种锂电池长期退化趋势预测方法 | |
CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN112989691A (zh) | 一种优化的橡胶老化性能预测方法 | |
CN117805616A (zh) | 一种锂离子储能系统异常电芯识别方法 | |
Wang et al. | Intelligent model prediction of fluctuant increase of maximum electric field in XLPE insulation using long short‐term memory network algorithm | |
CN115764855A (zh) | 一种电动汽车快充站实时可调节能力及可用电量预测方法 | |
CN108710745A (zh) | 一种结合制造工艺数据的机电产品可靠性评估方法 | |
CN114722487A (zh) | 一种基于大数据的新能源汽车车型参数预测估计方法 | |
CN113916763A (zh) | 一种甲基乙烯基硅橡胶湿热老化寿命预测的方法 | |
CN117852229B (zh) | 含新能源的配电网供电可靠性影响因素分析方法及系统 | |
Zhang et al. | Research on main transformer defect detection methods based on Conditional Inference Tree and AdaBoost Algorithm | |
CN117872155A (zh) | 一种锂离子电池剩余寿命预测方法、系统及电子设备 | |
CN118100131A (zh) | 一种能源互联网背景下的电力负荷组合预测方法 | |
Ali et al. | Dynamical modeling and Identification of Li-ion batteries based on Squirrel Search Optimization Algorithm for Electric Vehicle Applications |
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 |