CN114371374A - 一种电缆绝缘电热联合老化程度预估方法及系统 - Google Patents

Abstract

本发明公开一种电缆绝缘电热联合老化程度预估方法，包括(1)对电缆电热联合老化加速试验采集样本；(2)建立电缆电热联合老化寿命模型，获得电缆样本试验寿命；建立训练数据集；(3)建立电缆电热联合老化BP神经网络并用最大最小蚁群算法优化，用训练数据集训练至稳定；(4)待测电缆测量信息输入MMAS‑BP神经网络获得电缆寿命，预估待测电缆老化程度。本发明还公开一种电缆绝缘电热联合老化程度预估系统。本发明同时考虑电压和温度协同作用对电缆绝缘老化程度影响避免单一因素局限性；使用多区接触式温度传感器测量多点温度避免数据单一，使测试结果更加精确；改善BP神经网络收敛速度慢和局部极小值的问题。

Description

一种电缆绝缘电热联合老化程度预估方法及系统

技术领域

本发明涉及一种预估方法及系统，尤其涉及一种电缆绝缘电热联合老化程度预估方法及系统。

背景技术

电力电缆在现在的电力系统和城市建设中起着十分重要的作用，其运行状态直接影响电力系统与城市生态的安全与稳定，尤其是交联聚乙烯XLPE电缆由于其具有质量轻，电气性能和耐热性能优良，方便铺设等优点，逐步取代架空线路，在地下电力运输等领域有着举足轻重的地位。电缆的设计使用寿命一般为25-30年，随着电缆运行年限的增加，其绝缘会逐渐发生老化，整体绝缘状态逐步劣化，同时由于其长时间运行，高电压和高温等因素会对其绝缘产生不可避免的影响。对于已经敷设运行的电缆，会受到电、热、机械应力以及环境因素的综合影响，导致其绝缘逐渐老化，绝缘程度下降并最终消失，降低使用寿命，严重时还会造成绝缘击穿事故，危害到电力系统运行安全。在绝缘老化的电缆中，由与高压和高温引起的电老化和热老化现象最为常见。

近年来为了研究电缆绝缘受电压，温度等因素的影响而老化的程度形成了很多电缆老化失效和寿命预测模型，最具代表性的是基于威布尔分布的电老化寿命模型和基于阿伦尼乌斯方程的热老化模型，但是如果电缆绝缘材料同时收到高温和高场强等多应力的影响，它的老化速度会比单因素作用时快很多，所以在大多数情况下，当温度和电场强度共同作用时，目前的老化模型无法解决，需要建立新的老化失效模型来研究多因素协同作用下的电缆绝缘老化程度和预测电缆剩余使用寿命。

随着神经网络，5G通信技术等现代科学技术的迅速发展，新技术在电力，机械，通信等领域的应用逐渐取代了过去人工繁琐的操作和试验步骤，使操作过程不再需要或者减少了人为的干预，并且使测试结果更加准确，当遇到试验条件外的情况时可以自主学习并得出结果，而电缆绝缘老化检测和寿命预测的相关研究也在向着自动化和智能化的方向发展。

发明内容

发明目的：本发明旨在提供一种电缆绝缘电热联合老化程度预估方法及系统，解决目前电缆老化预测模型不适用温度和电场强度共同作用的问题。

技术方案：本发明的一种电缆绝缘电热联合老化程度预估方法，包括以下步骤：

(1)对电缆电热联合老化加速试验并采集样本；

(2)建立电缆电热联合老化寿命模型，并根据电缆电热联合老化寿命模型和采样样本获得电缆样本的试验寿命；根据采集样本和样本的试验寿命建立训练数据集；

(3)建立电缆电热联合老化的BP神经网络并用最大最小蚁群算法MMAS优化，采用训练数据集训练至稳定；

(4)将待测电缆的测量信息输入训练好的MMAS-BP神经网络获得电缆寿命，预估待测电缆的老化程度。

所述样本包括放电信号和温度；放电信号包括样本两端电压，局部放电时信号的频率和幅值，局部放电时间，局部放电峰值时的电场强度；温度为不同区域的平均温度。

温度通过多区接触式温度传感器检测，每个传感器之间间隔X米，共放置Y个传感器。

放电信号的测量为用超声波探头检测电缆一侧的信号，同时在另一侧采用PCB型罗氏线圈采集电缆接头信号，把检测到的信号处理后转换为数字信号。

根据电老化威布尔模型和热老化阿伦尼乌斯模型获得电热联合老化寿命模型：

式中L为电缆绝缘寿命，单位为h；T为样电缆样本的绝对温度，单位为K；E₀为临界场强，单位为N/C，当电场强度低于E₀时只考虑热老化单因素作用；L₀为T＝T₀和E＝E₀时的临界寿命；M为电缆寿命指数m在热老化作用下的一个修正。

步骤(3)中采用最大最小蚁群算法MMAS优化BP神经网络的权重和阈值，建立MMAS-BP网络，具体步骤如下：

(31)初始化，设定最大信息素ε_max，最小信息素ε_min，初始信息素ε₀＝ε_max，权重集合I_w和阈值集合I_g中的随机个数N，隐含层个数S，每个隐含层最大节点数S_m，蚂蚁数目H，最大循环次数Loop_max；选择值设定{0,1}，0表示不选择该节点，1表示选择该节点；每条路径上的信息素浓度在[ε_min，ε_max]内；

(32)采用最大最小蚂蚁算法构建神经网络，并计算网络的均方差，蚁群找到BP神经网络的权重和阈值的最优解为M_b，训练一次构建的神经网络后获得BP神经网络的权重和阈值最优解为M_t，则全局最优解M’_b＝min{M_b，M_t}；

(33)更新全局的信息素并替换集合元素，公式为

(34)重复(32)～(33)，直到循环次数＞Loop_max，退出循环；

(35)根据MMAS算法获得的最优解建立MMAS-BP网络，并调整节点的权重。

步骤(32)的包括以下步骤：

(321)H只蚂蚁从第一个节点开始并行出发；遍历每只蚂蚁，在其选择下一个节点时，按照

的概率依次在上一层节点对应的I_g和I_w中选择一个元素，其中，ε_i(I_g)表示I_g中第i个元素的信息素；

(322)令节点个数+1，若节点个数小于最大值，执行步骤(321)，若节点个数大于等于最大值，则结束。

老化程度分为轻度老化，中度老化和重度老化，划分方法如下：

由MMAS-BP神经网络获得的样本的剩余寿命记为np，根据np的值将电缆绝缘老化程度划分成不同类别，若np>20将电缆绝缘老化程度分类为正常；若10<np≤20将电缆绝缘老化程度分类为轻度老化；若5<np≤10将电缆绝缘老化程度分类为中度老化；若np≤5将电缆绝缘老化程度分类为重度老化。

本发明所述的电缆绝缘电热联合老化程度预估系统，包括训练数据模块、MMAS-BP神经网络模块、预估电缆老化程度模块；

所述训练数据模块包括采集样本单元和实验寿命单元；所述采集样本单元采集样本；所述实验寿命单元根据建立的电缆电热联合老化寿命模型获得建立电缆电热联合老化寿命模型；所述训练数据模块根据采集样本和样本的试验寿命建立训练数据集；

所述MMAS-BP神经网络模块采用训练数据集训练MMAS-BP神经网络至稳定；

所述预估电缆老化程度模块将待测电缆的测量信息输入训练好的MMAS-BP神经网络获得电缆寿命，预估待测电缆的老化程度。

所述电缆电热联合老化寿命模型：

式中L为电缆绝缘寿命，单位为h；T为样电缆样本的绝对温度，单位为K；E₀为临界场强，单位为N/C，当电场强度低于E₀时只考虑热老化单因素作用；L₀为T＝T₀和E＝E₀时的临界寿命；M为电缆寿命指数m在热老化作用下的一个修正。

有益效果：与现有技术相比，本发明具有如下显著优点：

(1)同时考虑电压和温度协同作用对电缆绝缘老化程度的影响，避免了单一因素所具有的局限性，更加符合电缆实际运行状态。

(2)使用多区接触式温度传感器测量电缆电热联合老化试验时的多点温度，避免数据单一，并且能够使测试结果更加精确。

(3)通过MMAS最大最小蚁群算法优化BP神经网络的权重和阈值，加快计算和训练速度并找到全局最优解，改善传统BP神经网络收敛速度慢和局部极小值的问题。

(4)操作相对简单，测量完相关参数后交由神经网络自主学习评估，减少了人为干预，在不损坏电缆的前提下完成对电缆绝缘老化状态的评估，提高了试验的安全性。

附图说明

图1为本发明的流程图；

图2为本发明中采用超声波探头检测放电信号参数的电路图；

图3为本发明中采用多区接触式温度传感器测量电缆温度的结构图；

图4是本发明中MMAS算法的流程图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

由图1可知，本发明的电缆绝缘电热联合老化程度预估方法包括以下步骤：

(1)对电缆电热联合老化加速试验并采集样本。

本实施例中，每组4个10m电缆样本，对其进行电热联合老化加速试验，通过多区接触式温度传感器检测和超声波探头检测得到每个样本的放电信号和平均温度参数。

选取电缆样本，采用多区接触式温度传感器对其进行温度测量。温度检测需要注意电缆绝缘和护套，热阻高的接地区域，电缆套管等运行时温度较高的区域。实验采用多区接触式温度传感器对电缆各个部分进行多点测量。由图2可知，多区接触式温度传感器采用数字温度传感器DS18B20，每个传感器之间间隔0.5米，总共放置10个传感器，并采用便捷式控制器从传感器中读取数据。光纤芯一般适合测量电力线施工阶段的电缆，可以沿着电缆整个长度测量，非接触式传感器适合测量加热室内部端电缆套管和电缆表面的温度，而对于在运行中的地下电缆和地表附近电缆，尤其是由于地表附近电缆温度分布不均匀，使用接触式传感器最为合适。

电缆绝缘在运行时受到的最明显的应力就是电应力，在电场作用下，绝缘内缺陷回忆引发水树枝或者电树枝的生长，形成局部高电场，激发局部放电，电老化越严重，其局部放电现象越明显。由图3可知，对于电老化相关测量参数，采用超声波探头检测来测量电缆接头部分的信号，同时在另一侧采用脉冲电流法，即PCB型罗氏线圈采集电缆接头信号，把检测到的信号通过滤波器，放大器等进行处理，然后转换为数字信号，得出放电信号出现的时间，幅值和频率，以此得出放电现象最剧烈的时候，即局部放电的峰值点，测量放电位置两端电压，进而得出整个放电过程的电场强度变化数据，记录放电峰值时的电场强度，并记录整个局部放电时间。采用两个方法在两端测量放电信号可以使检测结果更加精确。

电热联合老化加速试验具体步骤为：

对每组电缆样本分别进行电热联合加速老化试验，通过对每个样本施加不同电压，并将环境温度设定为150℃，加速电缆的电老化和热老化现象，并对每个样本在每间隔0.5米处放置一个接触式温度传感器，用来测量实验中电缆绝缘不同位置的温度，得出每个样本试验过程中的平均温度，并使用超声波接头检测和脉冲电流法收集电缆局部放电信号，记录局部放电持续时间，经过滤波器、放大器、数字信号转换等步骤提取信号中的幅值和频率。通过计算得出放电峰值时的电场强度。采集的样本作为BP神经网络的输入数据。

(2)建立电热联合老化寿命模型，并根据电热联合老化寿命模型和采样样本获得电缆样本的试验寿命；根据样本数据和样本的试验寿命建立训练数据集。

根据电老化威布尔模型和热老化阿伦尼乌斯模型，推导出电场强度和温度与电缆寿命之间的电热联合老化寿命模型，将采集样本数据代入得到电缆绝缘试验寿命。

考虑临界场强E0时的电老化逆幂率模型为

其中m为电缆寿命指数，L为电缆寿命，当电场强度E低于E₀时电老化过程将被忽略，L₀为此时对应的的电缆寿命；热老化阿伦尼乌斯模型为

其中

M表示电缆某绝缘特性的老化量，M_p是相应绝缘特性参数的临界值。老化速率的表示取决于老化因素，考虑电热联合作用时，老化速率R必须能描述热电联和老化过程，根据阿伦尼乌斯模型将联合老化速率表示为

其中f(E)是和电场强度相关的函数，根据电老化逆幂率模型得

从而推导出电热联合老化寿命模型：

式中L为电缆绝缘寿命，单位为h；T为样电缆样本的绝对温度，单位为K；E₀为临界场强，单位为N/C，当电场强度低于E₀时只考虑热老化作用；L₀为温度T＝T₀和电场强度E＝E₀时的电缆绝缘临界寿命；M为电缆寿命指数m在热老化作用下的一个修正。

根据测得的电缆样本的温度和电场强度，通过电热老化联合寿命模型计算得到该组电缆样本的试验寿命。

将电缆样本的温度和电场强度和试验寿命，建立训练样本集，作为MMAS-BP网络的输入数据。

(3)建立通过MMAS最大最小蚁群算法优化的MMAS-BP网络，并采用训练数据集训练至稳定。

本实施例中使用MMAS最大最小蚁群算法优化传统BP神经网络，建立MMAS-BP网络并对测试数据进行训练，得到训练好的MMAS-BP网络。

MMAS-BP网络建立的步骤如下：

MMAS-BP网络，具体步骤如下：

(31)初始化，设定最大信息素ε_max，最小信息素ε_min，初始信息素ε₀＝ε_max，权重集合I_w和阈值集合I_g中的随机个数N，隐含层个数S，每个隐含层最大节点数S_m，蚂蚁数目H，最大循环次数Loop_max；选择值设定{0,1}，0表示不选择该节点，1表示选择该节点；每条路径上的信息素浓度在[ε_min，ε_max]内；

(32)采用最大最小蚂蚁算法构建神经网络，并计算网络的均方差，蚁群找到BP神经网络的权重和阈值的最优解为M_b，训练一次构建的神经网络后获得BP神经网络的权重和阈值最优解为M_t，则全局最优解M’_b＝min{M_b，M_t}；

步骤(32)的包括以下步骤：

(321)H只蚂蚁从第一个节点开始并行出发；遍历每只蚂蚁，在其选择下一个节点时，按照

的概率依次在上一层节点对应的I_g和I_w中选择一个元素，其中，ε_i(I_g)表示I_g中第i个元素的信息素；

(322)令节点个数+1，若节点个数小于最大值，执行步骤(321)，若节点个数大于等于最大值，则结束。

(33)更新全局的信息素并替换集合元素，公式为

(34)重复(32)～(33)，直到循环次数＞Loop_max，退出循环；

(35)根据MMAS算法获得的最优解建立MMAS-BP网络，并根据实际试验情况调整节点的权重。

(4)根据待测电缆的信息和训练好的MMAS-BP网络获得待测电缆的老化程度。

选取待预测寿命的电缆，对其进行电热联合老化加速试验，测量样本的电压，温度，局部放电时的信号频率，幅值，放电峰值电场强度，放电持续时间参数作为输入数据，输入到训练好的MMAS-BP神经网络中，由MMAS-BP神经网络获得待测电缆的剩余寿命n_p。

根据np的值的不同范围将电缆绝缘老化程度划分成不同类别，若n_p>20将其分类为正常，若10<n_p≤20将其分类为轻度老化，若5<n_p≤10将其分类为中度老化，若n_p≤5将其分类为重度老化。

Claims (10)

1.一种电缆绝缘电热联合老化程度预估方法，其特征在于：包括以下步骤：

(1)对电缆电热联合老化加速试验并采集样本；

(2)建立电缆电热联合老化寿命模型，并根据电缆电热联合老化寿命模型和采样样本获得电缆样本的试验寿命；根据采集样本和样本的试验寿命建立训练数据集；

(3)建立电缆电热联合老化的BP神经网络并用最大最小蚁群算法MMAS优化，采用训练数据集训练至稳定；

(4)将待测电缆的测量信息输入训练好的MMAS-BP神经网络获得电缆寿命，预估待测电缆的老化程度。

2.根据权利要求1所述的电缆绝缘电热联合老化程度预估方法，其特征在于：所述样本包括放电信号和温度；

所述放电信号包括样本两端电压，局部放电时信号的频率和幅值，局部放电时间，局部放电峰值时的电场强度；

所述温度为不同区域的平均温度。

3.根据权利要求2所述的电缆绝缘电热联合老化程度预估方法，其特征在于：所述温度通过多区接触式温度传感器检测，每个传感器之间间隔X米，共放置Y个传感器。

4.根据权利要求2所述的电缆绝缘电热联合老化程度预估方法，其特征在于：所述放电信号的测量用超声波探头检测电缆一侧的信号，同时在另一侧采用PCB型罗氏线圈采集电缆接头信号，把检测到的信号处理后转换为数字信号。

5.根据权利要求1所述的电缆绝缘电热联合老化程度预估方法，其特征在于：根据电老化威布尔模型和热老化阿伦尼乌斯模型获得电热联合老化寿命模型：

式中L为电缆绝缘寿命，单位为h；T为样电缆样本的绝对温度，单位为K；E₀为临界场强，单位为N/C，当电场强度低于E₀时只考虑热老化单因素作用；L₀为T＝T₀和E＝E₀时的临界寿命；M为电缆寿命指数m在热老化作用下的一个修正。

6.根据权利要求1所述的电缆绝缘电热联合老化程度预估方法，其特征在于：步骤(3)中采用最大最小蚁群算法MMAS优化BP神经网络的权重和阈值，建立MMAS-BP网络，具体步骤如下：

(31)初始化，设定最大信息素ε_max，最小信息素ε_min，初始信息素ε₀＝ε_max，权重集合I_w和阈值集合I_g中的随机个数N，隐含层个数S，每个隐含层最大节点数S_m，蚂蚁数目H，最大循环次数Loop_max；选择值设定{0，1}，0表示不选择该节点，1表示选择该节点；每条路径上的信息素浓度在[ε_min，ε_max]内；

(32)采用最大最小蚂蚁算法构建神经网络，并计算网络的均方差，蚁群找到BP神经网络的权重和阈值的最优解为M_b，训练一次构建的神经网络后获得BP神经网络的权重和阈值最优解为M_t，则全局最优解M’_b＝min{M_b，M_t}；

(33)更新全局的信息素并替换集合元素，公式为

(34)重复(32)～(33)，直到循环次数＞Loop_max，退出循环；

(35)根据MMAS算法获得的最优解建立MMAS-BP网络，并调整节点的权重。

7.根据权利要求6所述的电缆绝缘电热联合老化程度预估方法，其特征在于：步骤(32)的包括以下步骤：

(321)H只蚂蚁从第一个节点开始并行出发；遍历每只蚂蚁，在其选择下一个节点时，按照

的概率依次在上一层节点对应的I_g和I_w中选择一个元素，其中，ε_i(I_g)表示I_g中第i个元素的信息素；

(322)令节点个数+1，若节点个数小于最大值，执行步骤(321)，若节点个数大于等于最大值，则结束。

8.根据权利要求1所述的电缆绝缘电热联合老化程度预估方法，其特征在于：所述老化程度分为轻度老化，中度老化和重度老化，划分方法如下：

由MMAS-BP神经网络获得的样本的剩余寿命记为np，根据np的值将电缆绝缘老化程度划分成不同类别，

若np＞20将电缆绝缘老化程度分类为正常；

若10＜np≤20将电缆绝缘老化程度分类为轻度老化；

若5＜np≤10将电缆绝缘老化程度分类为中度老化；

若np≤5将电缆绝缘老化程度分类为重度老化。

9.一种电缆绝缘电热联合老化程度预估系统，其特征在于：包括训练数据模块、MMAS-BP神经网络模块、预估电缆老化程度模块；

所述训练数据模块包括采集样本单元和实验寿命单元；所述采集样本单元采集样本；所述实验寿命单元根据建立的电缆电热联合老化寿命模型获得建立电缆电热联合老化寿命模型；所述训练数据模块根据采集样本和样本的试验寿命建立训练数据集；

所述MMAS-BP神经网络模块采用训练数据集训练MMAS-BP神经网络至稳定；

所述预估电缆老化程度模块将待测电缆的测量信息输入训练好的MMAS-BP神经网络获得电缆寿命，预估待测电缆的老化程度。

10.根据权利要求9所述的电缆绝缘电热联合老化程度预估系统，其特征在于：所述电缆电热联合老化寿命模型：

式中L为电缆绝缘寿命，单位为h；T为样电缆样本的绝对温度，单位为K；E₀为临界场强，单位为N/C，当电场强度低于E₀时只考虑热老化单因素作用；L₀为T＝T₀和E＝E₀时的临界寿命；M为电缆寿命指数m在热老化作用下的一个修正。

Images