CN115456112A - 一种电气接头热缺陷预测方法、系统、设备及存储介质 - Google Patents
一种电气接头热缺陷预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115456112A CN115456112A CN202211260131.4A CN202211260131A CN115456112A CN 115456112 A CN115456112 A CN 115456112A CN 202211260131 A CN202211260131 A CN 202211260131A CN 115456112 A CN115456112 A CN 115456112A
- Authority
- CN
- China
- Prior art keywords
- temperature
- electrical
- electrical connector
- joint
- historical
- 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
Images
Classifications
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种电气接头热缺陷预测方法、系统、设备及存储介质,涉及设备检测技术领域,其技术方案要点是:本发明考虑到了由于下一时刻电气设备的运行参数的变化情况是不确定的,因此基于神经网络温度预测模型对该电气接头的当前运行参数进行预测所得到的温度,其精度会有偏差,故此基于负荷预测模型预测电力系统在下一时刻的电力负荷,基于所预测的电力负荷对由当前运行参数所预测的温度进行修正,从而降低由当前运行参数所预测的下一时刻的温度的偏差程度,由此提高温度预测的精准度,再由修正后的温度来预测不同类别的电气接头的热缺陷程度,为接头定期检修、试验提供理论依据,从而实现减少迎峰度夏期间电气接头过热导致的抢修频次。
Description
技术领域
本发明涉及一种设备检测技术领域,更具体地说,它涉及一种电气接头热缺陷预测方法、系统、设备及存储介质。
背景技术
电气接头的计划检修,仍处于利用红外测温等手段发现接头已有危急缺陷时采取停电,安排计划检修模式,其具有热缺陷的电气接头抢修时间长,且存在倒负荷、倒母等问题,且可能会造成长时间停电。
而在迎峰度夏等高负荷条件下出现过热缺陷的电气接头,在正常负荷下以现有的技术手段往往难以提前预测、发现电气接头的热缺陷程度,故此如何预测所运维设备接头温度变化带来的热缺陷,为安排接头定期检修、试验提供依据,减少迎峰度夏期间电气接头过热导致的抢修。
发明内容
为了解决现有技术的不足之处,本申请提供一种电气接头热缺陷预测方法、系统、设备及存储介质,能够在所获取电气设备的历史红外图像中识别出含有电气接头的目标区域,以及目标区域的电气接头的类别,从而保证后续对热缺陷程度预测的准确性,基于预先训练的神经网络温度预测模型对该电气接头的当前运行参数进行预测,从而得到该电气接头下一时刻的温度,由于下一时刻电气设备的运行参数的变化情况是不确定的,因此基于神经网络温度预测模型对该电气接头的当前运行参数进行预测所得到的温度,其精度会有偏差,故此基于负荷预测模型预测电力系统在下一时刻的电力负荷,基于所预测的电力负荷对由当前运行参数所预测的温度进行修正,从而降低由当前运行参数所预测的下一时刻的温度的偏差程度,由此提高温度预测的精准度,再由修正后的温度来预测不同类别的电气接头的热缺陷程度,为接头定期检修、试验提供理论依据,从而实现减少迎峰度夏期间电气接头过热导致的抢修频次。
本发明的上述技术目的是通过以下技术方案得以实现的:
第一方面,本申请提供了一种电气接头热缺陷预测方法,包括:
获取电气设备的历史红外图像及电力系统的电力负荷序列;
通过训练好的电气接头识别模型识别历史红外图像含有电气接头的目标区域,并识别目标区域的电气接头的类别;
根据所述目标区域提取电气接头的温度信息,基于电气接头的温度信息确定电气接头的温度状态,其中温度状态为正常状态或异常状态;
在电气接头的温度状态为异常状态时,获取电气接头的当前运行参数,将当前运行参数输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度,其中所述神经网络温度预测模型为基于电气接头的历史运行参数确定的电气接头的历史温度参数训练所得;
将电力负荷序列输入至已预先训练好的负荷预测模型中,预测电力系统下一时刻的电力负荷;
利用电力系统下一时刻的电力负荷对电气接头下一时刻的温度进行修正,得到电气接头修正后的温度;
基于电气接头修正后的温度来预测不同类别的电气接头的热缺陷程度。
在一种实施方案中,电气接头识别模型是通过训练图像集对卷积神经网络进行训练得到的,所述训练图像集包括各个不同类别的电气接头的红外图像;
负荷预测模型由图卷积神经网络模块、时序卷积神经网络模块以及全连接层构成。
在一种实施方案中,基于电气接头的温度信息确定电气接头的温度状态,包括:
根据电气接头的类别在数据库中对应的标准温度信息与电气接头的温度信息进行比较,确定电气接头的温度状态;其中,在电气接头的温度信息大于标准温度信息时,所述电气的温度状态为异常状态,在电气接头的温度信息小于且等于标准温度信息时,所述电气的温度状态为正常状态。
在一种实施方案中,所述神经网络温度预测模型通过如下训练方式得到:
获取电气接头在预设时间内的历史运行参数;
在所述预设时间内的预设间隔时间,根据所述历史运行参数确认出电气接头的历史温度参数;
利用电气接头的历史温度参数训练待训练的神经网络温度预测模型,得到训练完成的神经网络温度预测模型。
在一种实施方案中,所述历史运行参数包括在预设时间内的电气接头的最大电流值、最小电流值,以及电气接头所处环境的最大温度和最小温度;
所述根据所述历史运行参数确认出电气接头的历史温度参数,包括:
根据电气接头的最大电流值、最小电流值及电阻值,计算在预设时间内电气接头的最大散热量和最小散热量,基于所述最大散热量和最小散热量计算电气接头在预设间隔时间内的第一温度波动范围;
由电气接头所处环境的最大温度和最小温度对电气接头在预设间隔时间内的第一温度波动范围进行耦合补偿,得到电气接头在预设间隔时间内的第二温度波动范围;
由所述第二温度波动范围确定电气接头的历史温度参数。
在一种实施方案中,由电气接头所处环境的最大温度和最小温度对电气接头在预设间隔时间内的第一温度波动范围进行耦合补偿,得到电气接头在预设间隔时间内的第二温度波动范围,包括:
根据电气接头的结构参数建立热传导模型,根据电气接头的热传导模型分别对电气接头所处环境的最大温度和最小温度进行耦合补偿,得到电气接头在预设间隔时间内的第二温度波动范围。
在一种实施方案中,电气接头的当前运行参数为当前时刻的流过电气接头的电流值和环境的温度值;
根据当前时刻的流过电气接头的电流值和环境的温度值输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度;
基于电气接头修正后的温度来预测不同类别的电气接头的热缺陷程度,包括:
根据电气接头的类别确定出所预测的电气接头的临界温度;
基于电气接头修正后的温度与临界温度的差值的大小预测电气接头的热缺陷程度。
第二方面,本申请提供了一种电气接头热缺陷预测系统,包括:
数据获取模块,用于获取电气设备的历史红外图像及电力系统的电力负荷序列;
电气接头识别模块,用于通过训练好的电气接头识别模型识别所述历史红外图像含有电气接头的目标区域,并识别所述目标区域的电气接头的类别;
温度状态确定模块,用于根据所述目标区域提取电气接头的温度信息,基于电气接头的温度信息确定电气接头的温度状态,其中温度状态为正常状态或异常状态;
温度预测模块,用于在电气接头的温度状态为异常状态时,获取电气接头的当前运行参数,将当前运行参数输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度,其中所述神经网络温度预测模型为基于电气接头的历史运行参数确定的电气接头的历史温度参数训练所得;
负荷预测模块,用于将电力负荷序列输入至已预先训练好的负荷预测模型中,预测电力系统下一时刻的电力负荷;
温度修正模块,用于利用电力系统下一时刻的电力负荷对电气接头下一时刻的温度进行修正,得到电气接头修正后的温度;
缺陷预测模块,用于基于电气接头修正后的温度来预测不同类别的电气接头的热缺陷程度。
第三方面,本申请提供了一种电子设备,包括:存储器及处理器,所述存储器上存储有计算机程序,所述计算机程序能够被所述处理器执行,以使得所述处理器实现如第一方面任一项所述的一种电气接头热缺陷预测方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序适于由处理器加载并执行,以使得具有所述处理器实现如第一方面任一项所述的一种电气接头热缺陷预测方法。
与现有技术相比,本发明具有以下有益效果:
1、本发明提供了一种电气接头热缺陷预测方法,考虑到了由于下一时刻电气设备的运行参数的变化情况是不确定的,因此基于神经网络温度预测模型对该电气接头的当前运行参数进行预测所得到的温度,其精度会有偏差,故此基于负荷预测模型预测电力系统在下一时刻的电力负荷,基于所预测的电力负荷对由当前运行参数所预测的温度进行修正,从而降低由当前运行参数所预测的下一时刻的温度的偏差程度,由此提高温度预测的精准度,再由修正后的温度来预测不同类别的电气接头的热缺陷程度,为接头定期检修、试验提供理论依据,从而实现减少迎峰度夏期间电气接头过热导致的抢修频次。
2、本发明能够在所获取电气设备的历史红外图像中识别出含有电气接头的目标区域,以及目标区域的电气接头的类别,从而保证后续对热缺陷程度预测的准确性。
3、本发明只预测温度状态为异常状态的电气接头,对温度状态为正常状态的电气接头则不进行温度的预测,避免因电子设备处理大量图像导致处理效率低下所导致的输出预测结果的时间变长,影响用户体验。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本申请实施例提供的一种电气接头热缺陷预测方法的流程示意图;
图2为本申请实施例提供的训练神经网络温度预测模型的流程示意图;
图3为本申请实施例提供的一种电气接头热缺陷预测系统的结构框图;
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
电气接头的计划检修,仍处于利用红外测温等手段发现接头已有危急缺陷时采取停电,安排计划检修模式,其具有热缺陷的电气接头抢修时间长,且存在倒负荷、倒母等问题,且可能会造成长时间停电。
而在迎峰度夏等高负荷条件下出现过热缺陷的电气接头,在正常负荷下以现有的技术手段往往难以提前预测、发现电气接头的热缺陷程度,故此如何预测所运维设备接头温度变化带来的热缺陷,为安排接头定期检修、试验提供依据,减少迎峰度夏期间电气接头过热导致的抢修。
为了解决上述技术问题,本申请实施例公开了一种电气接头热缺陷预测方法、系统、设备及存储介质,可提高电气接头温度预测的精准度,再由修正后的温度来预测不同类别的电气接头的热缺陷程度,为接头定期检修、试验提供理论依据,从而实现减少迎峰度夏期间电气接头过热导致的抢修频次。以下结合附图进行详细描述
请参考图1所示,图1是本申请实施例公开的一种电气接头热缺陷预测方法的流程示意图,如图1所示,电气接头热缺陷预测方法包括以下步骤。
步骤S110,获取电气设备的历史红外图像及电力系统的电力负荷序列。
本申请实施例中,电气设备为电力系统中用于保证电力正常运行和输送的设备的统称,电气设备可以包括发电机、变压器、电力线路、断路器等设备。红外图像是获取物体红外光的强度而形成的图像,通过测量物体向外辐射的热量而得到,是通过红外成像设备采集目标在红外波段的辐射形成的影像。
本申请实施例中,历史红外图像是通过红外成像设备采集的待检测区域电气设备的红外图像,其中,待检测区域电气设备为包括一种或多种需要检测的电气设备,红外成像设备可以包括红外摄像头、红外摄像仪等等。
本申请实施例中,该电气接头热缺陷预测方法适用于终端设备或者服务器等电子设备,其中,电子设备的操作系统可包括但不限于Android操作系统、IOS操作系统、WindowsPhone8操作系统等等,本申请实施例不作限定。
本实施例中,获取电力系统的电力负荷序列是以时间为线条,记录各个时刻的电力负荷。
步骤S120,通过训练好的电气接头识别模型识别所述历史红外图像含有电气接头的目标区域,并识别所述目标区域的电气接头的类别。
本实施例中,电气接头识别模型可以是一种神经网络模型,该神经网络模型至少包含骨干网络,例如Resnet50网络,网络最后一个层为全连接层,其维数可以是1024或者2048,此处得到的即为电气接头的特征向量。本申请实施例中,训练好的电气接头识别模型可以为训练好的实例分割模型,便于分割出历史红外图像中含有电气接头的目标区域,实例分割模型可包括但不限于R-CNN(Region with CNN feature)模型、Fast R-CNN模型、Mask RCNN模型等。这是作为图像识别技术领域构建识别模型的常规技术手段,故此此处不做更进一步的解释与说明。
在一些实施例中,电气接头识别模型是通过训练图像集对卷积神经网络进行训练得到的,所述训练图像集包括各个不同类别的电气接头的红外图像。具体的,训练图像集包括电气设备中各组成部件的红外图像,并且各组成部件分别作为红外图像标注有不同类别的电气接头的信息。电子设备可采用多个不同的电气设备中各组成部件分别作为电气接头的红外图像,能够更好地对待检测区域的电气设备中的电气接头进行识别和分割,并且能够有效地显示是否有电气接头存在的问题,提高了电气接头识别准确率的同时,也提高了电气接头识别过程中的效率。
由于电气接头是连接一些电气设备的关键部件,例如电缆的接头、刀开关、变压器两侧的接头等等,其位置都是比较隐蔽的,而通过一些无人机搭载红外摄像头去拍摄相应的红外图像是不便的,数据采集的工作量也较大,故此,在步骤S110中获取一个待检测区域的电气设备的历史红外图像,利用电气接头识别模型来识别所获取历史红外图像,从而确定出含有电气接头的目标区域,以及确认该目标区域的电气接头的类别,确认电气接头的类别是为了后续更好的去预测电气接头的热缺陷,因为不同电气接头的材质不同,带来的耐热性能也就不同,导致各自的热缺陷的温度上下限也就不同,如果统一一个温度阈值区间则无法应用到实际的预测场景中。
步骤S130,根据所述目标区域提取电气接头的温度信息,基于电气接头的温度信息确定电气接头的温度状态,其中温度状态为正常状态或异常状态。
在本实施例中,电子设备根据历史红外图像,提取目标区域的电气接头的温度信息,具体可以将历史红外图像转换为灰度图像,根据灰度值与温度值之间的线性关系,可将各个像素点的灰度值转化为对应的温度值。电子设备还可以根据RGB值与温度值之间的关系,将第一红外图像中各个像素点转化为对应的温度值等。本申请对于根据历史红外图像获取温度信息的方式不作具体限定。
由于在步骤S120中,已经识别了电气接头的类别,而对于待检测区域的电气接头的基本参数是已知,例如型号、额定电压、额定电流、工作温度等等,故此,基于电气接头的温度信息确定电气接头的温度状态,其中温度状态可为正常状态,或为异常状态。
步骤S140,在电气接头的温度状态为异常状态时,获取电气接头的当前运行参数,将当前运行参数输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度,其中所述神经网络温度预测模型为基于电气接头的历史运行参数确定的电气接头的历史温度参数训练所得。
在本实施例中,由于是获取的历史图像数据,故此,在历史时间段内,若某一电气接头的温度状态一直是处于正常状态,则可说明该电气接头并未出现高温情况,也就是说该电气接头一直是处于标准的工作温度下,符合正常设备的使用情况,即不需要继续对该电气接头的热缺陷进行预测,避免因电子设备处理大量图像导致处理效率低下所导致的输出预测结果的时间变长,影响用户体验。
基于上述具体考量,故此在本实施例中,具体地,通过电力系统该电气接头的历史运行参数确认出电气接头的历史温度参数,并根据该电气接头的历史温度参数训练得到神经网络温度预测模型,在电气接头的温度状态为异常状态时,获取该电气接头的当前运行参数,将电气接头的当前运行参数输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度。
步骤S150,将电力负荷序列输入至已预先训练好的负荷预测模型中,预测电力系统下一时刻的电力负荷。
在本实施例中,将电力负荷序列输入至已预先训练好的负荷预测模型中,预测电力系统下一时刻的电力负荷,属于常规操作,不做多余的说明。
在一个实施例中,负荷预测模型由图卷积神经网络模块、时序卷积神经网络模块以及全连接层构成。具体的,以图卷积神经网络模块、时序卷积神经网络模块以及全连接层依次搭建负荷预测模型,负荷预测模型对电力负荷序列进行分解,得到不同尺度特征,然后,为了学习电力负荷序列中变量之间的潜在关系,构建图卷积神经网络,并以电力负荷的时间序列的维度作为图卷积神经网络的节点,采用多注意力头机制学习节点之间的关系从而提高非线性映射能力,此外,图卷积神经网络还用于更新节点特征以生成节点的嵌入,以全面考虑变量之间的关系,以此避免陷入局部最优的状态。最后,通过时序卷积神经网络建立节点的嵌入的时间关系,以进一步增强模型的时间建模能力,最后在时序卷积神经网络的输出连接一层全连接层,以实现下一时刻的电力负荷序列预测。
负荷预测模型的训练属于现有技术,例如将步骤S110中所获取的电力负荷序列作为训练样本的输入序列和目标输出,即等同于训练集和验证集,可参照现有技术中的训练集占比80%,而验证集占比20%,用以实现对步骤S102的模型的训练。基于输入序列和目标输出对负荷预测模型进行训练,即可得到训练完成的负荷预测模型。
步骤S160,利用电力系统下一时刻的电力负荷对电气接头下一时刻的温度进行修正,得到电气接头修正后的温度。
具体的,电力负荷的不同会产生不同的热量,即会影响温度的变化,因此,根据电气接头在电力负荷下所匹配的温度,对所预测的温度进行修正,具体的,可采用回归分析算法对电气接头下一时刻的温度进行修正,从而得到修正后的温度,从而降低由当前运行参数所预测的下一时刻的温度的偏差程度,由此提高温度预测的精准度。
步骤S170,基于电气接头修正后的温度来预测不同类别的电气接头的热缺陷程度。
具体的,如何预测热缺陷程度是比较常规的技术手段,例如比值法,差值法等,本实施例不做具体的限定。
综上,本申请实施例的热缺陷预测方法,能够在所获取电气设备的历史红外图像中识别出含有电气接头的目标区域,以及目标区域的电气接头的类别,从而保证后续对热缺陷程度预测的准确性,基于预先训练的神经网络温度预测模型对该电气接头的当前运行参数进行预测,从而得到该电气接头下一时刻的温度,由于下一时刻电气设备的运行参数的变化情况是不确定的,因此基于神经网络温度预测模型对该电气接头的当前运行参数进行预测所得到的温度,其精度会有偏差,故此基于负荷预测模型预测电力系统在下一时刻的电力负荷,基于所预测的电力负荷对由当前运行参数所预测的温度进行修正,从而降低由当前运行参数所预测的下一时刻的温度的偏差程度,由此提高温度预测的精准度,再由修正后的温度来预测不同类别的电气接头的热缺陷程度,为接头定期检修、试验提供理论依据,从而实现减少迎峰度夏期间电气接头过热导致的抢修频次。
在一些实施例中,基于电气接头的温度信息确定电气接头的温度状态,包括:
根据电气接头的类别在数据库中对应的标准温度信息与电气接头的温度信息进行比较,确定电气接头的温度状态;其中,在电气接头的温度信息大于标准温度信息时,所述电气的温度状态为异常状态,在电气接头的温度信息小于且等于标准温度信息时,所述电气的温度状态为正常状态。具体的,本实施例中,利用温度信息的数值比较方式来确定电气接头是否处于异常状态,具体可为,温度信息的温度数值是否处于标准温度信息的温度数值内,处于则可为正常状态,大于则为异常状态。
在一些实施例中,请参考图2所示,图2是本申请实施例提供的训练神经网络温度预测模型的流程示意图,如图2所示,神经网络温度预测模型的训练,包括以下步骤a:
步骤S210,获取电气接头在预设时间内的历史运行参数;
步骤S220,在所述预设时间内的预设间隔时间,根据所述历史运行参数确认出电气接头的历史温度参数;
步骤S230,利用电气接头的历史温度参数训练待训练的神经网络温度预测模型,得到训练完成的神经网络温度预测模型。
具体的,在步骤S210中,在一个预设时间内所获取的历史运行参数,可包括环境温度变化的曲线、流经电气接头的电流值变化的曲线。
在步骤S220中,一般来说预设时间可为夏季高温负荷下的半个月、一个月、一个半月以及两个月均可,其预设间隔时间可为一天即24小时,这也便于反映日负荷的变化情况,在预设间隔时间内,可根据历史运行参数确定出电气接头的历史温度参数,具体的,在一些实施例中,历史运行参数包括在预设时间内的电气接头的最大电流值、最小电流值,以及电气接头所处环境的最大温度和最小温度。可以理解的是,由于历史运行参数是两条变化的曲线,即会有最高点与最低点,从而可得到在预设时间内的电气接头的最大电流值、最小电流值,以及电气接头所处环境的最大温度和最小温度。
由此,根据所述历史运行参数确认出电气接头的历史温度参数,包括:
根据电气接头的最大电流值、最小电流值及电阻值,计算在预设时间内电气接头的最大散热量和最小散热量,基于所述最大散热量和最小散热量计算电气接头在预设间隔时间内的第一温度波动范围。具体的,基于现有的电路元器件的热量计算式所需的三个参数,即电流、电阻和时间,则可确定出电气接头的最大散热量和最小散热量,由于电气接头的材质是已知参数,其质量也是已知参数,则可由散热量、电气接头的材质和质量确定出温度最大值和温度最小值,从而得到电气接头在预设间隔时间内的第一温度波动范围。
由电气接头所处环境的最大温度和最小温度对电气接头在预设间隔时间内的第一温度波动范围进行耦合补偿,得到电气接头在预设间隔时间内的第二温度波动范围。
在本实施例中,由于电气接头是需要与环境发生热传导反应的,因此,环境会降低电气接头因电流产生的实际温度,故此,基于所处环境的最大温度和最小温度对第一温度波动范围进行耦合补偿,这里需要理解的是,电气接头这一介质与所处的待检测区域的环境发生热量交换,从而导致电气接头的表面温度得到一定的降低这是比较成熟的技术,故此不做详细的说明,需要理解的是,一般情况下电气接头的工作温度都能达到65摄氏度-80摄氏度左右,而在一个正常的待检测区域的环境温度是低于电气接头的工作温度的,故此实际情况下第二温度波动范围的边界值要小于第一温度波动范围的边界值。
由所述第二温度波动范围确定电气接头的历史温度参数。
在本实施例中,由于预测间隔时间一般是一天的24小时,即一小时为一个间隔单位,故此,第二温度波动范围在横纵坐标轴上每个小时均对应着一个温度值,将这些温度值求解标准差之后,得到电气接头的历史温度参数。
在步骤S230中,由步骤S220确定的历史温度参数来训练待训练的神经网络温度预测模型,得到训练完成的神经网络温度预测模型,是一种常规的操作手段,主要是为提升神经网络温度预测模型的预测精确度,训练是为了让模型能够更好的预测电气接头下一时刻的温度。
在一些实施例中,根据电气接头的结构参数建立热传导模型,根据电气接头的热传导模型分别对电气接头所处环境的最大温度和最小温度进行耦合补偿,得到电气接头在预设间隔时间内的第二温度波动范围。
具体的,电气接头的结构参数,除铜材料电导率、流体密度和粘性系数外,其它各组成材料均视为各向同性均匀介质且物性参数均为常数;将接头的连接管和导体结合成一个元件,并将其电阻视为均匀电阻;忽略热源之间的热、相、流作用;充分考虑电气接头的电磁、温度、气体流动的物理场耦合效应,以电气接头连接管为中心选取求解域;控制求解模型体积,避免边界层对物理场计算的干扰。
构建电气接头电磁场控制方程、电缆中间接头金属材料电导率与温度之间的关系,以耦合电磁-热;电气接头热源由导电材料的电磁热损耗产生,外部环境的热源由电气接头本体向外散热产生,由此构建热源损耗公式;流体模型采用平均雷诺数方程,使用湍流动能和湍流耗散率控制方程进行封闭,采用Boussinesq近似处理空气的密度,增强自然对流问题的收敛性;最终得到电磁-热-流的电气接头耦合计算模型。此模型也可称作热传导模型,上述热传导模型的构建以运行电流、环境温度为特征的传热系数计算方法,实现中间接头表面传热系数计算和散热效果的有效评估,可实现电气接头运行温度的计算,从而得到第二温度波动范围。
在一些实施例中,电气接头的当前运行参数为当前时刻的流过电气接头的电流值和环境的温度值。
具体的,可参见步骤S210的历史运行参数,由于当前运行参数是要输入至神经网络温度预测模型的,因此,本实施例电气接头的当前运行参数为当前时刻的流过电气接头的电流值和环境的温度值。
根据当前时刻的流过电气接头的电流值和环境的温度值输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度。
具体的,由于神经网络温度预测模型的训练已在上述实施例做了详细说明,此处只需要将当前时刻的流过电气接头的电流值和环境的温度值输入该神经网络温度预测模型即可输出电气接头下一时刻的温度。
基于电气接头修正后的温度来预测不同类别的电气接头的热缺陷程度,包括:
根据电气接头的类别确定出所预测的电气接头的临界温度;
基于电气接头修正后的温度与临界温度的差值的大小预测电气接头的热缺陷程度。
此处需要理解的,不同类别的电气接头都有临界温度,当超过临界温度时,则会导致电气接头出现热缺陷,使得电力网出现倒负荷、倒母等问题,而由于电网需要时刻不停的运行才能保证用户端不出现停电的情况,因此,对于一些热缺陷程度较低的电气接头可延缓维修,因为任何电气接头在出厂时都会设置一些安全裕量,例如虽然运行温度超过临界温度,但超出量并不是很大的情况,电气接头都是能够正常运行的,故此,基于预测得到的电气接头下一时刻的温度与临界温度的差值的大小预测电气接头的热缺陷程度,例如温差10℃~20℃为一般热缺陷;温差20℃~40℃为重大热缺陷;温差≥40℃为危急热缺陷,当然也可根据电气接头的实际情况,做具体调整,本实施例不做具体的限定。
请参阅图3,图3是本申请实施例公开的一种电气接头热缺陷预测系统的原理框图。如图3所示,该热缺陷预测系统可以包括:
数据获取模块310,用于获取电气设备的历史红外图像及电力系统的电力负荷序列;
电气接头识别模块320,用于通过训练好的电气接头识别模型识别所述历史红外图像含有电气接头的目标区域,并识别所述目标区域的电气接头的类别;
温度状态确定模块330,用于根据所述目标区域提取电气接头的温度信息,基于电气接头的温度信息确定电气接头的温度状态,其中温度状态为正常状态或异常状态;
温度预测模块340,用于在电气接头的温度状态为异常状态时,获取电气接头的当前运行参数,将当前运行参数输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度,其中所述神经网络温度预测模型为基于电气接头的历史运行参数确定的电气接头的历史温度参数训练所得;
负荷预测模块350,用于将电力负荷序列输入至已预先训练好的负荷预测模型中,预测电力系统下一时刻的电力负荷;
温度修正模块360,用于利用电力系统下一时刻的电力负荷对电气接头下一时刻的温度进行修正,得到电气接头修正后的温度;
缺陷预测模块370,用于基于电气接头修正后的温度来预测不同类别的电气接头的热缺陷程度。
采用上述实施例提供的电气接头热缺陷预测系统,能够在所获取电气设备的历史红外图像中识别出含有电气接头的目标区域,以及目标区域的电气接头的类别,从而保证后续对热缺陷程度预测的准确性,基于预先训练的神经网络温度预测模型对该电气接头的当前运行参数进行预测,从而得到该电气接头下一时刻的温度,由于下一时刻电气设备的运行参数的变化情况是不确定的,因此基于神经网络温度预测模型对该电气接头的当前运行参数进行预测所得到的温度,其精度会有偏差,故此基于负荷预测模型预测电力系统在下一时刻的电力负荷,基于所预测的电力负荷对由当前运行参数所预测的温度进行修正,从而降低由当前运行参数所预测的下一时刻的温度的偏差程度,由此提高温度预测的精准度,再由修正后的温度来预测不同类别的电气接头的热缺陷程度,为接头定期检修、试验提供理论依据,从而实现减少迎峰度夏期间电气接头过热导致的抢修频次。
请参阅图4,图4是本申请实施例公开的一种电子设备的结构示意图。
如图4所示,该电子设备可以包括:
存储有可执行程序代码的存储器901;
与存储器901耦合的处理器902;
其中,处理器902调用存储器901中存储的可执行程序代码,执行图1、图2的一种电气接头热缺陷预测方法。
本申请实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行图1、图2的所示一种电气接头热缺陷预测方法。
本申请实施例还公开一种应用发布平台,其中,应用发布平台用于发布计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一些实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在本申请的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物单元,即可位于一个地方,或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本申请的各个实施例上述方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(OnetimeProg ra mma ble Read-Only Memory,O TPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本申请实施例公开的一种电气设备缺陷确定方法及终端设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种电气接头热缺陷预测方法,其特征在于,包括:
获取电气设备的历史红外图像及电力系统的电力负荷序列;
通过训练好的电气接头识别模型识别历史红外图像含有电气接头的目标区域,并识别目标区域的电气接头的类别;
根据所述目标区域提取电气接头的温度信息,基于电气接头的温度信息确定电气接头的温度状态,其中温度状态为正常状态或异常状态;
在电气接头的温度状态为异常状态时,获取电气接头的当前运行参数,将当前运行参数输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度,其中所述神经网络温度预测模型为基于电气接头的历史运行参数确定的电气接头的历史温度参数训练所得;
将电力负荷序列输入至已预先训练好的负荷预测模型中,预测电力系统下一时刻的电力负荷;
利用电力系统下一时刻的电力负荷对电气接头下一时刻的温度进行修正,得到电气接头修正后的温度;
基于电气接头修正后的温度来预测不同类别的电气接头的热缺陷程度。
2.根据权利要求1所述的一种电气接头热缺陷预测方法,其特征在于,电气接头识别模型是通过训练图像集对卷积神经网络进行训练得到的,所述训练图像集包括各个不同类别的电气接头的红外图像;
负荷预测模型由图卷积神经网络模块、时序卷积神经网络模块以及全连接层构成。
3.根据权利要求1所述的一种电气接头热缺陷预测方法,其特征在于,基于电气接头的温度信息确定电气接头的温度状态,包括:
根据电气接头的类别在数据库中对应的标准温度信息与电气接头的温度信息进行比较,确定电气接头的温度状态;其中,在电气接头的温度信息大于标准温度信息时,所述电气的温度状态为异常状态,在电气接头的温度信息小于且等于标准温度信息时,所述电气的温度状态为正常状态。
4.根据权利要求1所述的一种电气接头热缺陷预测方法,其特征在于,所述神经网络温度预测模型通过如下训练方式得到:
获取电气接头在预设时间内的历史运行参数;
在所述预设时间内的预设间隔时间,根据所述历史运行参数确认出电气接头的历史温度参数;
利用电气接头的历史温度参数训练待训练的神经网络温度预测模型,得到训练完成的神经网络温度预测模型。
5.根据权利要求4所述的一种电气接头热缺陷预测方法,其特征在于,所述历史运行参数包括在预设时间内的电气接头的最大电流值、最小电流值,以及电气接头所处环境的最大温度和最小温度;
所述根据所述历史运行参数确认出电气接头的历史温度参数,包括:
根据电气接头的最大电流值、最小电流值及电阻值,计算在预设时间内电气接头的最大散热量和最小散热量,基于所述最大散热量和最小散热量计算电气接头在预设间隔时间内的第一温度波动范围;
由电气接头所处环境的最大温度和最小温度对电气接头在预设间隔时间内的第一温度波动范围进行耦合补偿,得到电气接头在预设间隔时间内的第二温度波动范围;
由所述第二温度波动范围确定电气接头的历史温度参数。
6.根据权利要求5所述的一种电气接头热缺陷预测方法,其特征在于,由电气接头所处环境的最大温度和最小温度对电气接头在预设间隔时间内的第一温度波动范围进行耦合补偿,得到电气接头在预设间隔时间内的第二温度波动范围,包括:
根据电气接头的结构参数建立热传导模型,根据电气接头的热传导模型分别对电气接头所处环境的最大温度和最小温度进行耦合补偿,得到电气接头在预设间隔时间内的第二温度波动范围。
7.根据权利要求1所述的一种电气接头热缺陷预测方法,其特征在于,电气接头的当前运行参数为当前时刻的流过电气接头的电流值和环境的温度值;
根据当前时刻的流过电气接头的电流值和环境的温度值输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度;
基于电气接头修正后的温度来预测不同类别的电气接头的热缺陷程度,包括:
根据电气接头的类别确定出所预测的电气接头的临界温度;
基于电气接头修正后的温度与临界温度的差值的大小预测电气接头的热缺陷程度。
8.一种电气接头热缺陷预测系统,其特征在于,包括:
数据获取模块,用于获取电气设备的历史红外图像及电力系统的电力负荷序列;
电气接头识别模块,用于通过训练好的电气接头识别模型识别所述历史红外图像含有电气接头的目标区域,并识别所述目标区域的电气接头的类别;
温度状态确定模块,用于根据所述目标区域提取电气接头的温度信息,基于电气接头的温度信息确定电气接头的温度状态,其中温度状态为正常状态或异常状态;
温度预测模块,用于在电气接头的温度状态为异常状态时,获取电气接头的当前运行参数,将当前运行参数输入至预先训练的神经网络温度预测模型,预测得到电气接头下一时刻的温度,其中所述神经网络温度预测模型为基于电气接头的历史运行参数确定的电气接头的历史温度参数训练所得;
负荷预测模块,用于将电力负荷序列输入至已预先训练好的负荷预测模型中,预测电力系统下一时刻的电力负荷;
温度修正模块,用于利用电力系统下一时刻的电力负荷对电气接头下一时刻的温度进行修正,得到电气接头修正后的温度;
缺陷预测模块,用于基于电气接头修正后的温度来预测不同类别的电气接头的热缺陷程度。
9.一种电子设备,包括:存储器及处理器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序能够被所述处理器执行,以使得所述处理器实现如权利要求1至7中任一项所述的一种电气接头热缺陷预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序适于由处理器加载并执行,以使得具有所述处理器实现如权利要求1至7任一项所述的一种电气接头热缺陷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260131.4A CN115456112A (zh) | 2022-10-14 | 2022-10-14 | 一种电气接头热缺陷预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260131.4A CN115456112A (zh) | 2022-10-14 | 2022-10-14 | 一种电气接头热缺陷预测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456112A true CN115456112A (zh) | 2022-12-09 |
Family
ID=84310277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211260131.4A Pending CN115456112A (zh) | 2022-10-14 | 2022-10-14 | 一种电气接头热缺陷预测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456112A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117169658A (zh) * | 2023-11-03 | 2023-12-05 | 四川省东舜智能科技有限公司 | 一种光电混合缆监测方法 |
CN117215356A (zh) * | 2023-11-01 | 2023-12-12 | 广州市枫祺软件科技有限责任公司 | 一种配电柜的智能控制方法及系统 |
-
2022
- 2022-10-14 CN CN202211260131.4A patent/CN115456112A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215356A (zh) * | 2023-11-01 | 2023-12-12 | 广州市枫祺软件科技有限责任公司 | 一种配电柜的智能控制方法及系统 |
CN117215356B (zh) * | 2023-11-01 | 2024-02-27 | 广州市枫祺软件科技有限责任公司 | 一种配电柜的智能控制方法及系统 |
CN117169658A (zh) * | 2023-11-03 | 2023-12-05 | 四川省东舜智能科技有限公司 | 一种光电混合缆监测方法 |
CN117169658B (zh) * | 2023-11-03 | 2024-02-02 | 四川省东舜智能科技有限公司 | 一种光电混合缆监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115456112A (zh) | 一种电气接头热缺陷预测方法、系统、设备及存储介质 | |
Ma et al. | Partially‐coupled gradient‐based iterative algorithms for multivariable output‐error‐like systems with autoregressive moving average noises | |
CN110083908B (zh) | 基于有限元分析的电缆缆芯温度预测方法 | |
Illias et al. | Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms | |
Shiravand et al. | Prediction of transformer fault in cooling system using combining advanced thermal model and thermography | |
CN111460639B (zh) | 动态推算电缆导体温度的方法、装置、电子设备及存储介质 | |
CN115564193A (zh) | 智能配电网多维度综合效益评估方法及系统、存储介质 | |
CN113468762B (zh) | 热点温度计算方法、装置、计算机设备和存储介质 | |
Yu et al. | Loss allocation for radial distribution networks including DGs using Shapley value sampling estimation | |
CN116756530B (zh) | 用于新能源接入配电网的电网线损评估方法及系统 | |
CN116342952B (zh) | 一种变压器套管异常识别方法与系统 | |
CN112801533A (zh) | 一种考虑决策依赖不确定的电力系统运行可靠性评估方法 | |
CN107895078A (zh) | 强电磁脉冲对长电力输电线路耦合响应的宏模型构建方法 | |
CN116070302A (zh) | 一种电缆绝缘状态的预测方法及装置 | |
CN116485049A (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
Falay et al. | Coupling physical and machine learning models: Case study of a single-family house | |
CN111859802B (zh) | 一种架空导线稳态温度计算方法、系统以及设备 | |
CN104156936A (zh) | 一种电弧检测方法及装置 | |
Pérez-Rúa et al. | Lifetime estimation and performance evaluation for offshore wind farms transmission cables | |
CN113464387B (zh) | 风力发电的水冷控制方法、计算机设备及其存储介质 | |
CN117496133B (zh) | 基于多模态数据的封闭母线r-cnn温度故障监测方法 | |
Dai et al. | Pre‐insertion resistors temperature prediction based on improved WOA‐SVR | |
Segovia Román et al. | Connected system for monitoring electrical power transformers using thermal imaging | |
CN116562102A (zh) | 一种变压器温度预测方法、装置、电子设备及存储介质 | |
Pe et al. | Lifetime estimation and performance evaluation for offshore wind farms transmission cables |
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 |