CN114091322A - 一种基于数字模型的高压开关柜状态预测方法 - Google Patents
一种基于数字模型的高压开关柜状态预测方法 Download PDFInfo
- Publication number
- CN114091322A CN114091322A CN202111210238.3A CN202111210238A CN114091322A CN 114091322 A CN114091322 A CN 114091322A CN 202111210238 A CN202111210238 A CN 202111210238A CN 114091322 A CN114091322 A CN 114091322A
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- model
- parameters
- state
- digital
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000013210 evaluation model Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 description 10
- 238000005859 coupling reaction Methods 0.000 description 10
- 230000008878 coupling Effects 0.000 description 8
- 238000013499 data model Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 238000009421 internal insulation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000005684 electric field Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 108020001568 subdomains Proteins 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数字模型的高压开关柜状态预测方法，涉及开关柜技术领域，通过构建多物理场耦合的开关柜的数字化模型和开关柜数字孪生体模型；根据开关柜数字孪生模型对开关柜的关键部件性能进行动态推演，得到开关柜整体动态孪生模型；获取开关柜的可测参量，将可测参量导入开关柜整体动态孪生模型中，通过开关柜整体动态孪生模型获取开关柜的各工况量；建立多参量融合的状态评估方法，通过多参量融合的状态评估方法对开关柜的状态进行评估；建立基于数字孪生体的各参量及历史数据的开关柜状态预测方法。本发明能够根据开关柜实时数据对开关柜状态进行评估和预测，解决了现有没有基于数字模型的高压开关柜状态预测方法的缺点。
Description
技术领域
本发明属于开关柜技术领域，尤其涉及一种基于数字模型的高压开关柜状态预测方法。
背景技术
开关柜(switchgear)的主要作用是在电力系统进行发电、输电、配电和电能转换的过程中，进行开合、控制和保护用电设备。开关柜内的部件主要有断路器、隔离开关、负荷开关、操作机构、互感器以及各种保护装置等组成。开关柜的分类方法很多，如通过断路器安装方式可以分为移开式开关柜和固定式开关柜；或按照柜体结构的不同，可分为敞开式开关柜、金属封闭开关柜、和金属封闭铠装式开关柜；根据电压等级不同又可分为高压开关柜，中压开关柜和低压开关柜等。主要适用于发电厂、变电站、石油化工、冶金轧钢、轻工纺织、厂矿企业和住宅小区、高层建筑等各种不同场合。
近年来，开关柜事故时有发生，然而一旦发生则会造成了经济损失、人员伤亡等不好的社会影响。其事故隐患及固有缺陷主要集中在接线方式、内部电弧释放能力、内部绝缘、发热和防误闭锁等方面，可以提前进行预测判断，减少事故发生，然而目前没有基于数字模型的高压开关柜状态预测方法，因此，需要一种基于数字模型的高压开关柜状态预测方法。
发明内容
本发明的目的在于提供一种基于数字模型的高压开关柜状态预测方法，从而克服了现有没有基于数字模型的高压开关柜状态预测方法的缺点。
为实现上述目的，本发明提供了一种基于数字模型的高压开关柜状态预测方法，包括以下步骤：
构建多物理场耦合的开关柜的数字化模型，根据所述开关柜的数字化模型建立开关柜数字孪生体模型；
根据所述开关柜数字孪生模型对开关柜的关键部件性能进行动态推演，得到开关柜整体动态孪生模型；
获取开关柜的可测参量，将可测参量导入所述开关柜整体动态孪生模型中，通过所述开关柜整体动态孪生模型获取开关柜的各工况量；根据所述开关柜的可测参量与开关柜的各工况量之间的灵敏度关系，建立多参量融合的状态评估方法，通过所述多参量融合的状态评估方法对开关柜的状态进行评估；
不断改变的模拟工况输入开关柜整体动态孪生模型，获取不同模式下开关柜设备不同部件的特征参量变化特性；根据所述特征参量变化特性，建立基于数字孪生体的各参量及历史数据的开关柜状态预测方法。
优选地，获取实体传感器的实时特征参量，采用所述参量融合的状态评估方法对开关柜的状态进行评估。
优选地，获取实体传感器的实时特征参量，采用所述开关柜状态预测方法结合所实时特征参量，对的开关柜的状态预测。
优选地，根据所述开关柜数字孪生模型对开关柜的关键部件性能进行动态推演包括以下步骤：
建立开关柜的典型故障与状态参量之间的关联关系；
通过所述开关柜数字孪生体模型建立开关柜数字孪生体的故障模型；
将故障模型进行故障模拟得到故障模型检测数据，对所述故障模型检测数据、实时检测数据、特征参量以及历史数据分析故障类型的特性；
结合分析结果，利用基于关联规则的数据挖掘算法，挖掘开关柜不同故障模式与特征参量的关联关系；
根据开关柜不同故障模式与特征参量的关联关系，查询模拟工况下的状态参量，将其导入孪生体模型进行计算，从而推演该工况下部件性能的变化规律。
优选地，所述多参量融合的状态评估方法包括以下步骤：
建立开关柜运行状态评估指标体系；
通过提取网络从所述可测参量中获取多种特征参量，特征参量为能够体现开关柜状态的参量；
利用层次分析法计算特征参量的权重；
建立多种特征参量与开关柜状态的关系，并结合特征参量的权重，建立开关柜运行状态评估模型；
获取实时的可测参量，将实时的可测参量输入开关柜运行状态评估模型，开关柜运行状态评估模型输出开关柜的实时状态。
优选地，所述基于数字孪生体的各参量及历史数据的开关柜状态预测方法包括以下步骤：
根据不断改变的模拟工况输入开关柜整体动态孪生模型，获取不同模式下开关柜设备不同部件的特征参量变化特性，根据工况与特征量的变换关系建立长短期记忆网络LSTM作为基础网络；
获取可测参量的实时参数输入基础网络，基础网络输出开关柜状态预测，从而训练所述基础网络的最优模型参数；
根据最优模型参数得到开关柜状态预测模型。
优选地，采用基于数字孪生体与误差自适应优化的开关柜建模方法构建所述开关柜数字孪生体模型。
优选地，所述开关柜数字孪生模型中可测参量的虚拟传感器设置包括：通过数值优化方法，构建不同位置虚拟传感器的信号强度、信号延迟以及信号测量误差评价指标，并结合虚拟传感器的检测范围进行综合评估，确定虚拟传感器的最优位置分布。
与现有的技术相比，本发明具有如下有益效果：
本发明所提供的基于数字模型的高压开关柜状态预测方法，通过构建多物理场耦合的开关柜的数字化模型，根据所述开关柜的数字化模型建立开关柜数字孪生体模型；根据所述开关柜数字孪生模型对开关柜的关键部件性能进行动态推演，得到开关柜整体动态孪生模型；获取开关柜的可测参量，将可测参量导入所述开关柜整体动态孪生模型中，通过所述开关柜整体动态孪生模型获取开关柜的各工况量；根据所述开关柜的可测参量与开关柜的各工况量之间的灵敏度关系，建立多参量融合的状态评估方法，通过所述多参量融合的状态评估方法对开关柜的状态进行评估；不断改变的模拟工况输入开关柜整体动态孪生模型，获取不同模式下开关柜设备不同部件的特征参量变化特性；根据所述特征参量变化特性，建立基于数字孪生体的各参量及历史数据的开关柜状态预测方法。即通过本发明能够根据开关柜实时数据对开关柜状态进行评估和预测，解决了现有没有基于数字模型的高压开关柜状态预测方法的缺点，根据预测结果提前对开关柜进行检修，减少开关柜、环网柜事故数量，提高电网运行可靠性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例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个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的基于数字模型的高压开关柜状态预测方法的流程图；
图2是本发明的基于数字孪生体与误差自适应优化的开关柜建模方法的流程图；
图3是本发明的内循环自适应计算误差控制方法的流程图；
图4是本发明的外循环自适应动态激励控制方法的流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明所提供的基于数字模型的高压开关柜状态预测方法包括以下步骤：
S1、构建多物理场耦合的开关柜的数字化模型，根据所述开关柜的数字化模型建立开关柜数字孪生体模型；
S2、根据所述开关柜数字孪生模型对开关柜的关键部件性能进行动态推演，得到开关柜整体动态孪生模型；
S3、获取开关柜的可测参量，将可测参量导入所述开关柜整体动态孪生模型中，通过所述开关柜整体动态孪生模型获取开关柜的各工况量；根据所述开关柜的可测参量与开关柜的各工况量之间的灵敏度关系，建立多参量融合的状态评估方法，通过所述多参量融合的状态评估方法对开关柜的状态进行评估；
S4、不断改变的模拟工况输入开关柜整体动态孪生模型，获取不同模式下开关柜设备不同部件的特征参量变化特性；根据所述特征参量变化特性，建立基于数字孪生体的各参量及历史数据的开关柜状态预测方法。
上述的基于数字模型的高压开关柜状态预测方法，通过构建多物理场耦合的开关柜的数字化模型，根据所述开关柜的数字化模型建立开关柜数字孪生体模型；根据所述开关柜数字孪生模型对开关柜的关键部件性能进行动态推演，得到开关柜整体动态孪生模型；获取开关柜的可测参量，将可测参量导入所述开关柜整体动态孪生模型中，通过所述开关柜整体动态孪生模型获取开关柜的各工况量；根据所述开关柜的可测参量与开关柜的各工况量之间的灵敏度关系，建立多参量融合的状态评估方法，通过所述多参量融合的状态评估方法对开关柜的状态进行评估；不断改变的模拟工况输入开关柜整体动态孪生模型，获取不同模式下开关柜设备不同部件的特征参量变化特性；根据所述特征参量变化特性，建立基于数字孪生体的各参量及历史数据的开关柜状态预测方法。即通过本发明能够根据开关柜实时数据对开关柜状态进行评估和预测，解决了现有没有基于数字模型的高压开关柜状态预测方法的缺点，根据预测结果提前对开关柜进行检修，减少开关柜、环网柜事故数量，提高电网运行可靠性。
其中一个实施例，还包括步骤S5、获取实体传感器的实时特征参量，采用所述参量融合的状态评估方法对开关柜的状态进行评估。
其中一个实施例，还包括步骤S6、获取实体传感器的实时特征参量，采用所述开关柜状态预测方法结合所实时特征参量，对的开关柜的状态预测。
其中一个实施例，步骤S2中，根据所述开关柜数字孪生模型对开关柜的关键部件性能进行动态推演包括以下步骤：
S21、建立开关柜的典型故障与状态参量之间的关联关系；
S22、通过所述开关柜数字孪生体模型建立开关柜数字孪生体的故障模型；
具体的，在开关柜数字孪生体模型的内部设置放电源、热点等模拟开关柜设备短路、过热等故障；根据虚拟传感器位置分布优化策略，在开关柜数字孪生体模型的内部放置检测各参量信号的虚拟传感器，利用虚拟传感器可以全面、精确地检测内部参量信号的优点；
S23、将故障模型进行故障模拟得到故障模型检测数据，对所述故障模型检测数据、实时检测数据、特征参量以及历史数据分析故障类型的特性；
具体的，将虚拟传感器检测的数据并结合实体传感器检测数据、开关柜运行数据、特征参量以及历史数据，研究分析开关柜设备内部参量信号在不同故障模式下的变化特性，因此，由于特定的故障类型可能只与部分特征参量有直接关系，而和另外的特征参量关联关系并不明显；
S24、结合步骤S23的分析结果，在动态推演过程中，过多的输入数据会增加模型的复杂性，降低算法效率，甚至引起预测精度的下降，为了降低由于特征量维数的上升造成的状态推演复杂度，利用Apriori方法等基于关联规则的数据挖掘算法，挖掘开关柜不同故障模式与特征参量的关联关系；
S25、根据开关柜不同故障模式与特征参量的关联关系，查询模拟工况下的状态参量，将其导入孪生体模型进行计算，从而推演该工况下部件性能的变化规律。动态推演模型计算的核心在于建立材料的本构模型以及动态迭代计算。材料的本构模型应反映当前时刻材料的疲劳度，当前材料的绝缘性能与机械性能的劣化规律等等。动态迭代算法应在考虑材料劣化规律的基础上，采取非线性展开、动态收敛准则、自适应时间离散等方法进行数值计算，以此实现关键部件性能的动态推演。
其中一个实施例，步骤S3中，所述多参量融合的状态评估方法包括以下步骤：
S31、建立开关柜运行状态评估指标体系；
其中，开关柜运行状态评估指标体系包括开关柜的特征参量和特征参量的预测值。
S32、通过提取网络从所述可测参量中获取多种特征参量，特征参量为能够体现开关柜状态的参量，所述可测参量的数据包括：虚拟传感数据、实体传感数据、运行数据和历史数据，可测参量的类型包括：输入电压、输出电压、输入电流、输出电流、局部放电电流、温度以及湿度等；
步骤S32还包括对多种特征参量进行融合，具体包括以下步骤：
S321、按照可测参量的类型，将可测参量的数据分为：电压数据、电流数据和温度数据，并对可测参量的数据进行预处理进行数据统一；
S322、从电压数据中提取故障的电压数据作为电压特征，从电流数据中提取故障的电流数据作为电流特征，从温度数据中提取故障的温度数据作为温度特征；
S323、将电压特征、电流特征、温度特征输入融合分析方法进行融合，得到融合特征，融合分析方法采用XD-马尔科夫机对不同类型的数据生成状态转移概率关联矩阵；
S33、利用层次分析法计算特征参量的权重；
S34、建立多种特征参量与开关柜状态的关系，并结合特征参量的权重，建立开关柜运行状态评估模型；
具体的，建立开关柜运行状态评估模型包括以下步骤：
S341、确定采用的网络模型，开关柜运行状态评估模型采用残差神经网络构建。
S342、将多种特征参量作为网络模型的输入；根据特征参量的权重建立多种特征参量与开关柜状态的关系，将多种特征参量与开关柜状态的关系设置网络模型的隐含层；开关柜状态的关系为网络模型的输出；
S343、利用预处理后的可测参量对网络模型就信息训练和验证，得到开关柜运行状态评估模型。
S35、获取实时的可测参量，将实时的可测参量输入开关柜运行状态评估模型，开关柜运行状态评估模型输出开关柜的实时状态，开关柜的状态包括：正常、性能退化、异常故障，异常故障还可以根据严重程度进行进一步细分，当然，此时也需要对开关柜运行状态评估模型进行重新设置。
其中一个实施例，步骤S4中，所述基于数字孪生体的各参量及历史数据的开关柜状态预测方法包括以下步骤：
S41、根据不断改变的模拟工况输入开关柜整体动态孪生模型，获取不同模式下开关柜设备不同部件的特征参量变化特性，根据工况与特征量的变换关系建立长短期记忆网络LSTM作为基础网络；
S42、获取可测参量的实时参数输入基础网络，基础网络输出开关柜状态预测，从而训练所述基础网络的最优模型参数；
S43、根据最优模型参数得到开关柜状态预测模型。
其中一个实施例，所述开关柜数字孪生模型中可测参量的虚拟传感器设置包括：通过数值优化方法，构建不同位置虚拟传感器的信号强度、信号延迟以及信号测量误差等的评价指标，并结合虚拟传感器的检测范围进行综合评估，确定虚拟传感器的最优位置分布。
其中一个实施例，采用基于数字孪生体与误差自适应优化的开关柜建模方法构建所述开关柜数字孪生体模型。
具体的，如图2所示，基于数字孪生体与误差自适应优化的开关柜建模方法包括以下步骤：
S11、获取开关柜内部绝缘结构的物理参数，根据所述物理参数构建多物理场耦合的开关柜的数字化模型，所述数值化模型与数字孪生对接处之间建立连接关系；
S12、建立可测参量接口，通过所述可测参量接口对开关柜的可测参量进行存储至数据库，通过所述数据库与数字模型数据交互，数据的稳定与可靠是孪生体建模准确的前提；
S13、根据所述数字化模型建立逻辑模型，通过状态感知算法、场景生成算法对所述逻辑模型进行孪生可视化处理，得到仿真模型；
S14、利用数据库中的数据对所述仿真模型进行优化，并将优化后的数据返回数字化模型；
S15、根据开关柜的监测需求，利用数字化存储的方式构建数据模型，并对所述数据模型进行实时监测和确定运行控制策略；
S16、对所述数字化模型、逻辑模型、仿真模型以及数据模型进行整合，构建可视化的虚拟空间内的开关柜数字孪生体模型；
S17、利用自适应采用与误差优化控制方法对所述开关柜数字孪生体模型进行优化，得到最终开关柜数字孪生体模型。
上述的基于数字孪生体与误差自适应优化的开关柜建模方法，通过获取开关柜内部绝缘结构的物理参数，根据所述物理参数构建多物理场耦合的开关柜的数字化模型，所述数值化模型与数字孪生对接处之间建立连接关系；建立可测参量接口，通过所述可测参量接口对开关柜的可测参量进行存储至数据库，通过所述数据库与数字模型数据交互，数据的稳定与可靠是孪生体建模准确的前提和接入外部数据；利用数据库中的数据对所述仿真模型进行优化，并将优化后的数据返回数字化模型；根据开关柜的监测需求，利用数字化存储的方式构建数据模型，并对所述数据模型进行实时监测和确定运行控制策略；对所述数字化模型、逻辑模型、仿真模型以及数据模型进行整合，构建可视化的虚拟空间内的开关柜数字孪生体模型；最后利用自适应采用与误差优化控制方法对所述开关柜数字孪生体模型进行优化，得到最终开关柜数字孪生体模型。通过物理参数构建多物理场耦合的开关柜的数字化模型的建立，使得最终开关柜数字孪生体模型能进行多方面测量，且采用自适应采用与误差优化控制方法对所述开关柜数字孪生体模型进行优化能够使得最终开关柜数字孪生体模型更为准确，从而解决了现有没有采用数字孪生技术对开关柜进行建模的方法，通过最终开关柜数字孪生体模型能够为开关柜的但状态感知以及性能预测提供可靠的模型。
其中一个实施例，步骤S11中、根据所述物理参数构建多物理场耦合的开关柜的数字化模型包括以下步骤：
S111、将开关柜内部进行物理场进行划分，得到开关柜内部结构场、温度场、电磁场、力场以及温度场等多个物理场；
S112、根据开关柜的内部绝缘材料随物理场直接关系和各物理场之间的关系，确认各物理场之间的耦合关系；
其中，温度场的方程参量为其他物理场的函数，在温度场计算时要考虑物理场之间的相互影响；在开关柜内部电场的计算中，内部绝缘材料的电导率是温度的函数；在求解电场的泊松的方程时需要考虑温度对于电场影响；温度场的场量的变化同时也会影响到比热容C、热导率λ。
S113、根据开关柜内部各物理场量之间的耦合关系和敏感度关系，建立多物理耦合的开关柜的数字化模型和相应的多物理场耦合控制方程。
通过对开关柜内部进行物理场划分，根据开关柜的内部绝缘材料与物理场的关系以及物理场之间的关系确定物理场的耦合关系，根据耦合关系以及敏感度关系建立多物理耦合的高压开关柜数字化模型和相应的多物理场耦合控制方程，使得开关柜的数字化模型更可靠有效，从而使最终的开关柜数字孪生体模型更为有效可靠。
其中一个实施例，所述可测参量包括通过电力系统数据库中的数据和现场检测仪器测量的数据。
其中，电力系统数据库中的数据例如电流和电压等数据。
其中一个实施例，由于现场检测仪器测量的数据较为复杂遇到不是数字量的情况需要将所得的数据进行数字化之后传入数据库，因此，所述可测参量接口将所述可测参量转换为统一标准的数据。
为了保证数据安全和对数据的管理分类，所述数据的存储类型划分为：结构化数据、非结构化数据和历史/实时数据，且数据库建立在高性能的服务器中。历史/实时数据为原始数据，结构化数据和非结构化数据为进行转换后的数据类型。
其中一个实施例，步骤S17中，所述自适应采用与误差优化控制方法包括内循环自适应计算误差控制方法和外循环自适应动态激励控制方法。
具体的，图3示出了所述内循环自适应计算误差控制方法，包括以下步骤：
内循环自适应计算主要针对开关柜数字孪生体模型计算的误差进行优化，孪生体数值计算的误差e主要包括插值误差和离散误差，误差e的值等于真实值与孪生体计算的值之差，但是真实一般无法得到是一种未知的常量，难以作为误差指示器。因此，内循环自适应计算误差控制方法包括以下步骤：
S1711、基于孪生数据uh，采用梯度重构的方法获得收敛阶次更高的重构结果σ*(uh)；
S1712、根据σ*(uh)计算重构误差e*，重构误差e*等于重构结果σ*(uh)与数值结果(孪生数据σh)之间的差；
S1713、将所述重构误差作为新的误差指示器来代替或逼近真实误差，新的误差指示器应满足：
式(1)中，h为插值间距，即随着插值点的增多，新的误差指示器渐近等于真实误差；
S1714、在局部域上计算能量范数误差和误差因子，所述能量范数误差和误差因子作为加密插值点的依据；
其中，能量范数误差的计算公式为：
误差因子的计算公式为：
S1715、根据子域上的误差因子的大小控制子域的插值点数量，建立有效的不同阶插值模式，输入到开关柜数字孪生体模型重新计算，以此循环直到满足计算的精度。
图3示出了外循环自适应动态激励控制方法，包括以下步骤：
外循环自适应计算主要针对的是孪生体整体镜像与实体设备之间的误差进行优化。
S1721、首先根据开关柜本身的故障模式以及结构特点，将其在开关柜整体上划分为几个子域，采用分布式计算结构，利用LBM方程在开关柜的整体架构上进行粗算，对故障点进行粗略的计算，当检测到异常时，激活子域求解器对粗略计算的故障点进行细算；
S1722、对每个子域求解的结果，在实体监测相应数据f(x1,x2…xn)和孪生计算相应数据f′(x1,x2…xn)之间构建目标优化函数g(x1,x2…xn)＝f(x1,x2…xn)-f(x1,x2…xn)，分析目标函数与各影响参数的敏感度联系s(xn)：
式(4)中，xn代表的是第n个优化参数；
S1723、搭建参数优化体系，寻求g(x1,x2…xn)的最小值；
S1724、根据g(x1,x2…xn)的最小值的参数模型输入到孪生模型中进行迭代计算，若满足则收敛准则即完成计算，反之增加激励条件的采样点同时如入优化模型再次进入循环，直到满足收敛准则以此完成自适应采用与误差优化控制。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于数字模型的高压开关柜状态预测方法，其特征在于，包括以下步骤：
构建多物理场耦合的开关柜的数字化模型，根据所述开关柜的数字化模型建立开关柜数字孪生体模型；
根据所述开关柜数字孪生模型对开关柜的关键部件性能进行动态推演，得到开关柜整体动态孪生模型；
获取开关柜的可测参量，将可测参量导入所述开关柜整体动态孪生模型中，通过所述开关柜整体动态孪生模型获取开关柜的各工况量；根据所述开关柜的可测参量与开关柜的各工况量之间的灵敏度关系，建立多参量融合的状态评估方法，通过所述多参量融合的状态评估方法对开关柜的状态进行评估；
不断改变的模拟工况输入开关柜整体动态孪生模型，获取不同模式下开关柜设备不同部件的特征参量变化特性；根据所述特征参量变化特性，建立基于数字孪生体的各参量及历史数据的开关柜状态预测方法。
2.根据权利要求1所述的基于数字模型的高压开关柜状态预测方法，其特征在于，获取实体传感器的实时特征参量，采用所述参量融合的状态评估方法对开关柜的状态进行评估。
3.根据权利要求1所述的基于数字模型的高压开关柜状态预测方法，其特征在于，获取实体传感器的实时特征参量，采用所述开关柜状态预测方法结合所实时特征参量，对的开关柜的状态预测。
4.根据权利要求1所述的基于数字模型的高压开关柜状态预测方法，其特征在于，根据所述开关柜数字孪生模型对开关柜的关键部件性能进行动态推演包括以下步骤：
建立开关柜的典型故障与状态参量之间的关联关系；
通过所述开关柜数字孪生体模型建立开关柜数字孪生体的故障模型；
将故障模型进行故障模拟得到故障模型检测数据，对所述故障模型检测数据、实时检测数据、特征参量以及历史数据分析故障类型的特性；
结合分析结果，利用基于关联规则的数据挖掘算法，挖掘开关柜不同故障模式与特征参量的关联关系；
根据开关柜不同故障模式与特征参量的关联关系，查询模拟工况下的状态参量，将其导入孪生体模型进行计算，从而推演该工况下部件性能的变化规律。
5.根据权利要求1所述的基于数字模型的高压开关柜状态预测方法，其特征在于，所述多参量融合的状态评估方法包括以下步骤：
建立开关柜运行状态评估指标体系；
通过提取网络从所述可测参量中获取多种特征参量，特征参量为能够体现开关柜状态的参量；
利用层次分析法计算特征参量的权重；
建立多种特征参量与开关柜状态的关系，并结合特征参量的权重，建立开关柜运行状态评估模型；
获取实时的可测参量，将实时的可测参量输入开关柜运行状态评估模型，开关柜运行状态评估模型输出开关柜的实时状态。
6.根据权利要求1所述的基于数字模型的高压开关柜状态预测方法，其特征在于，所述基于数字孪生体的各参量及历史数据的开关柜状态预测方法包括以下步骤：
根据不断改变的模拟工况输入开关柜整体动态孪生模型，获取不同模式下开关柜设备不同部件的特征参量变化特性，根据工况与特征量的变换关系建立长短期记忆网络LSTM作为基础网络；
获取可测参量的实时参数输入基础网络，基础网络输出开关柜状态预测，从而训练所述基础网络的最优模型参数；
根据最优模型参数得到开关柜状态预测模型。
7.根据权利要求1所述的基于数字模型的高压开关柜状态预测方法，其特征在于，采用基于数字孪生体与误差自适应优化的开关柜建模方法构建所述开关柜数字孪生体模型。
8.根据权利要求1所述的基于数字模型的高压开关柜状态预测方法，其特征在于，所述开关柜数字孪生模型中可测参量的虚拟传感器设置包括：通过数值优化方法，构建不同位置虚拟传感器的信号强度、信号延迟以及信号测量误差评价指标，并结合虚拟传感器的检测范围进行综合评估，确定虚拟传感器的最优位置分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111210238.3A CN114091322A (zh) | 2021-10-18 | 2021-10-18 | 一种基于数字模型的高压开关柜状态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111210238.3A CN114091322A (zh) | 2021-10-18 | 2021-10-18 | 一种基于数字模型的高压开关柜状态预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114091322A true CN114091322A (zh) | 2022-02-25 |
Family
ID=80297179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111210238.3A Pending CN114091322A (zh) | 2021-10-18 | 2021-10-18 | 一种基于数字模型的高压开关柜状态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091322A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115221708A (zh) * | 2022-07-19 | 2022-10-21 | 贵州电网有限责任公司 | 一种隔离开关触头发热模型构建方法 |
-
2021
- 2021-10-18 CN CN202111210238.3A patent/CN114091322A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115221708A (zh) * | 2022-07-19 | 2022-10-21 | 贵州电网有限责任公司 | 一种隔离开关触头发热模型构建方法 |
| CN115221708B (zh) * | 2022-07-19 | 2023-09-26 | 贵州电网有限责任公司 | 一种隔离开关触头发热模型构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105868770B (zh) | 一种基于非监督学习模型的高压断路器故障诊断方法 | |
| CN102879735B (zh) | 真空断路器电磨损在线检测方法及系统 | |
| CN105758661B (zh) | 一种锅炉受热面寿命评估系统和方法 | |
| Xu et al. | Quantile regression neural network‐based fault detection scheme for wind turbines with application to monitoring a bearing | |
| CN108776804A (zh) | 一种基于便携式终端的变压器专业化检修方法 | |
| CN114091231A (zh) | 一种基于数字孪生体与误差自适应优化的开关柜建模方法 | |
| Khalyasmaa et al. | Fuzzy neural networks' application for substation integral state assessment | |
| CN114091322A (zh) | 一种基于数字模型的高压开关柜状态预测方法 | |
| CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
| CN117419829A (zh) | 过热故障的预警方法、装置和电子设备 | |
| Ippolito et al. | Identification of Tagaki–Sugeno–Kang fuzzy model for power transformers' predictive overload system | |
| Bian et al. | A Novel Dynamic Weight Allocation Method for Assessing the Health Status of Remote Terminal Unit in Distribution Automation System Based on AHM and GRA | |
| RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
| CN114996633A (zh) | 一种ai智能局部放电检测方法 | |
| CN113919198A (zh) | 一种基于生成对抗网络的电气火灾监测预警方法 | |
| Xu et al. | Prediction Method for Internal Overheating Defects of GIS Isolation Switch Based on Multi-Parameter Correlation and Deep Learning Network | |
| Zhiwei et al. | Research on Fault Detection for Ring Network Cabinet | |
| Deng et al. | A Novel EEMD-LSTM Combined Model for Transformer Top-Oil Temperature Prediction | |
| KR102604708B1 (ko) | 인공 지능 기반 수배전반 진단 시스템 및 방법 | |
| Su et al. | Research on the state evaluation model of a generator excitation system based on fuzzy comprehensive evaluation theory | |
| Shoureshi et al. | Advanced sensor and diagnostic technologies for development of intelligent substations | |
| Jiang et al. | A Hierarchical Maintenance Method for Power System Transmission and Substation Multi-Equipment Operation Status Considering Equipment Service Age | |
| Pu et al. | FTU intelligent operation and maintenance control based on the ring law | |
| Santillan et al. | Time-series Prediction of Busbar Temperature Rise based on LSTM Neural Network | |
| Jinxing et al. | Evaluation of Distribution Automation Terminal Based on Grey Relational Method |
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 |