CN115828688A - 一种基于高斯过程回归的数字孪生电缆温度预测方法 - Google Patents
一种基于高斯过程回归的数字孪生电缆温度预测方法 Download PDFInfo
- Publication number
- CN115828688A CN115828688A CN202211520121.XA CN202211520121A CN115828688A CN 115828688 A CN115828688 A CN 115828688A CN 202211520121 A CN202211520121 A CN 202211520121A CN 115828688 A CN115828688 A CN 115828688A
- Authority
- CN
- China
- Prior art keywords
- cable
- temperature
- digital twin
- gaussian process
- temperature prediction
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明提供了一种基于高斯过程回归的数字孪生电缆温度预测方法，通过构建人工智能算法下的基于高斯过程回归的数字孪生电缆温度预测模型，计算电缆不同激励下的温度分布情况，包括S1：电缆有限元特征变量的获取；S2：电缆温度预测模型的构建；S3：基于高斯过程回归的数字孪生电缆温度预测共三个步骤。本发明与电缆温度的有限元耦合计算相比，预测模型的温度计算速度提升了约400倍左右，可满足电缆温度计算在数字孪生应用中的实时性要求。相较于单点测温，电缆温度预测模型能够得到电缆温度的整体分布状态。与分布式测温相比，电缆温度预测模型经济性更好。
Description
技术领域
本发明属于电缆温度分布计算领域，尤其涉在不同激励下采用机器学习方法对电缆温度分布的计算方法。
背景技术
随着电力部门对电力电缆可靠稳定运行重视程度的提高，如何更加快速准确地确定电缆温度分布，进而评估电缆运行状态成为了亟待解决的问题。电缆温度计算方法主要有数值法和热路法。热路法采用的是等效模型原理，在电缆复杂敷设环境下计算误差较大，且不能计算电缆的温度分布。相比较来说，有限元法则具有仿真计算精度高、可模拟复杂环境等优点。但是在相同电缆模型下，有限元计算所需要的时间也会大幅增加。在涉及电缆多物理场建模与实时仿真数字孪生框架下的模型驱动方面，有限元计算难以满足电缆在数字孪生应用中的实时性要求。电缆的数字孪生除了可以采用模型驱动实现以外，还可以采用人工智能算法进行虚拟建模实现。
人工智能算法的发展为电气设备的早期状态识别提供了新的研究方法，基于机器学习方法在电力设备中的应用，为了在确保电缆温度计算精度基础上提高计算效率，以提升电缆数字孪生温度预测的实时性，本发明提出了人工智能算法下的基于高斯过程回归的数字孪生电缆温度预测方法。本发明的目的在于克服现有技术的不足，完成基于高斯过程回归算法下的数字孪生电缆温度预测的参数化建模，并保证电磁场-温度场多物理场耦合的准确性；能与工程中的传感器相结合，将传感参数引入参数化模型中，通过实时的激励数据传输，对不同激励下的电缆温度进行计算与直观云图展示。
发明内容
一种基于高斯过程回归的数字孪生电缆温度预测的方法，通过构建人工智能算法下的基于高斯过程回归的数字孪生电缆温度预测模型，计算电缆不同激励下的温度分布情况，包括以下步骤：
步骤1：电缆有限元特征变量的获取；
步骤2：电缆温度预测模型的构建；
步骤3：基于高斯过程回归的数字孪生电缆温度预测。
优选的，所述步骤1具体包括如下步骤：S101采用有限元法对10kV交流电缆进行电磁场-温度场耦合计算，获得电缆温度相关数据集；S102综合考虑电缆电磁参数、电缆热参数和外界环境参数对电缆温度的影响，将电磁参数、热参数与外界环境参数作为输入特征量，将电缆温度作为输出特征量；S103基于电缆电磁场-温度场有限元耦合计算结果，构建用作高斯过程回归训练的数据集。
优选的，所述步骤2具体包括如下步骤：S201根据步骤1中获取的高斯过程回归训练的数据集，将数据集分为训练集与测试集；S202对高斯过程回归模型进行参数设置与核函数选择，设置优化器、基函数类型和核函数类型，将数据集输入到高斯过程回归模型中进行训练与测试；S203测试结果如果满足误差要求则直接输出电缆温度预测模型，如不满足要求则需要调整核函数中的超参数重新进行训练，直到满足误差要求为止。
优选的，所述步骤3具体包括如下步骤：S301根据步骤2中电缆温度预测模型的构建流程，对各个过程进行自动化的代码编写，将各过程代码进行合成与封装，得出基于高斯过程回归的数字孪生电缆温度预测模型；S302将数字孪生电缆温度预测模型与智能传感技术进行结合，将实际测量的电流数值通过传感器输入到电缆温度预测模型中，用来控制激励电流大小的变化，计算得出电缆不同激励下的温度分布情况。
优选的，所述步骤1中电缆的型号为YJV22-8.7/10-3×240mm2的10kV交流三芯电缆。
优选的，所述步骤1中电缆的尺寸为缆芯直径18.3mm、绝缘层厚度4.5mm、屏蔽层厚度0.5mm、铠装厚度0.8mm、内护套厚度2.5mm和外护套厚度3.5mm。
优选的，所述步骤1中的输入特征量为一个6维向量，特征变量包括激励电流、缆芯电导率、缆芯相对磁导率、绝缘导热系数、对流换热系数和外界环境温度。
优选的，所述步骤2将数据集分为训练集与测试集，训练集占80％，测试集占20％。
优选的，所述步骤2的高斯过程回归模型中，优化器为贝叶斯优化，基函数类型为线性，核函数类型为平方指数协方差函数，函数公式为：
优选的，所述步骤3构建基于高斯过程回归的数字孪生电缆温度预测模型，设置传感器连接方式与数据类型，计算电缆在不同激励下的温度分布情况。
同现有技术相比，本发明的有益效果体现在：
1)本发明基于机器学习算法构建数字孪生电缆温度预测模型，提出的电缆温度计算方法，可以代替有限元计算方法实现对电缆温度分布的预测。
2)在相同条件下，基于高斯过程回归的电缆温度预测模型所需要的电缆温度预测时间比有限元法计算速度更快，有效提升了电缆温度预测的实时性。
3)本发明的基于高斯过程回归的数字孪生电缆温度预测方法，为电缆运行状态评估和数字孪生技术的普及应用，提供了强有力的技术支撑。
附图说明
图1为本发明的一种基于高斯过程回归的数字孪生电缆温度预测方法的方法流程图；
图2为电缆温度有限元计算模型图；
图3为基于高斯过程回归的电缆温度预测模型构建流程图；
图4为有限元计算电缆温度分布图；
图5为高斯过程回归模型预测电缆温度分布图；
图6为电缆温度相对误差分布图；
图7为电缆温度预测模型APP界面图。
具体实施方式
下面结合附图和实例，对本发明的具体实施方式作进一步详细描述。
首先，如图1所示，图1为本发明的一种基于高斯过程回归的数字孪生电缆温度预测方法的方法流程图；本发明基于高斯过程回归的数字孪生电缆温度预测方法，通过构建人工智能算法下的基于高斯过程回归的数字孪生电缆温度预测模型，计算电缆不同激励下的温度分布情况。
用高斯过程回归的数字孪生电缆温度预测模型来计算电缆温度分布，与电缆温度的有限元耦合计算相比，预测模型的温度计算速度提升了约400倍左右，可满足电缆温度计算在数字孪生应用中的实时性要求。相较于单点测温，电缆温度预测模型能够得到电缆温度的整体分布状态。与分布式测温相比，电缆温度预测模型经济性更好。
进一步地，对高斯过程回归模型预测电缆温度分布的方法，具体包括以下步骤：
步骤1：电缆有限元特征变量的获取
首先采用有限元法对10kV交流电缆进行电磁场-温度场耦合计算，电缆采用的是型号为YJV22-8.7/10-3×240mm2的10kV交流三芯电缆，电缆尺寸为缆芯直径18.3mm、绝缘层厚度4.5mm、屏蔽层厚度0.5mm、铠装厚度0.8mm和外护套厚度2.5mm，电缆温度有限元计算模型如图2所示。
综合考虑电缆电磁参数、电缆热参数和外界环境参数对电缆温度的影响，将电磁参数、热参数与外界环境参数作为输入特征量，将电缆温度作为输出特征量。基于电缆电磁场-温度场有限元耦合计算结果，构建用作高斯过程回归训练的数据集。根据获取的高斯过程回归训练的数据集，构建了一个6维向量作为输入特征量，6维输入特征变量为激励电流、缆芯电导率、缆芯相对磁导率、绝缘导热系数、对流换热系数和外界环境温度，具体信息如表1所示。
表1 6维输入特征变量
步骤2：电缆温度预测模型的构建
根据获取的高斯过程回归训练的数据集，将数据集随机分为训练集与测试集，训练集占80％，测试集占20％。
根据获取的高斯过程回归的模型参数，设置基函数类型为线性，优化器选择为贝叶斯优化，设置核函数为平方指数协方差函数，函数公式如下所示：
将数据集输入到高斯过程回归模型中进行训练与测试。设置迭代次数为30次，在迭代次数范围内，测试结果如果满足误差要求则直接输出电缆温度预测模型。其中，误差要求设置为均方根误差(rmse)小于0.5。如不满足要求则需要调整核函数中的超参数重新进行训练，直到满足误差要求或达到最大迭代次数为止。基于高斯过程回归的电缆温度预测模型构建流程如图3所示。
步骤3：基于高斯过程回归的数字孪生电缆温度预测
根据电缆温度预测模型的构建流程，对各个过程进行自动化的代码编写，将各过程代码进行合成与封装，得出基于高斯过程回归的数字孪生电缆温度预测模型。然后与智能传感技术进行结合，将实际测量的电流数值通过传感器输入到电缆温度预测模型中，用来控制激励电流大小的变化，计算得出电缆不同激励下的温度分布情况。
其次，有限元计算电缆温度分布如图4所示，高斯过程回归模型预测电缆温度分布如图5所示，电缆温度相对误差分布如图6所示，电缆温度预测模型APP界面图如图7所示。
从中可以看出，高斯过程回归预测模型对电缆温度的预测结果与有限元法计算的温度结果的分布趋势相同，在缆芯处温度最高，由缆芯向外温度递减。但是在电缆护套附近，高斯过程回归预测模型预测的温度结果没有有限元法计算的温度结果分布平滑。
缆芯部分误差在0.2％以内，从缆芯部分向外误差逐渐增大，在铠装部分达到最大的1.04％。由于电缆护套位于电缆外层，与缆芯温度相比，温度梯度下降较大，而且电缆铠装分布在内护套与外护套之间，材料差异性较大，造成铠装部分误差相对较大。通过分析电缆温度预测误差，本文提出的基于高斯过程回归的数字孪生电缆温度预测模型可满足工程误差要求。
最后，与传统方法相比，本发明的技术效果为：
本发明克服了现有技术的不足，将10kV交流电缆电磁场-温度场有限元耦合计算与高斯过程回归方法相结合，构建了基于高斯过程回归的电缆温度预测模型，通过与有限元耦合计算的温度结果进行对比，验证了电缆温度预测模型的有效性。相较于单点测温，电缆温度预测模型能够得到电缆温度的整体分布状态。与分布式测温相比，电缆温度预测模型经济性更好。计算结果表明，与电缆温度的有限元耦合计算相比，基于高斯过程回归的电缆温度预测模型的温度计算速度提升了约400倍左右，可满足电缆温度计算在数字孪生应用中的实时性要求。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (10)
1.一种基于高斯过程回归的数字孪生电缆温度预测方法，所述方法通过构建人工智能算法的基于高斯过程回归的数字孪生电缆温度预测模型，计算电缆不同激励下的温度分布情况，具体包括如下步骤：
步骤1：电缆有限元特征变量的获取；
步骤2：电缆温度预测模型的构建；
步骤3：基于高斯过程回归的数字孪生电缆温度预测。
2.如权利要求1所述的一种数字孪生电缆温度预测方法，其特征在于，所述步骤1具体包括如下步骤：S101采用有限元法对10kV交流电缆进行电磁场-温度场耦合计算，获得电缆温度相关数据集；S102综合考虑电缆电磁参数、电缆热参数和外界环境参数对电缆温度的影响，将电磁参数、热参数与外界环境参数作为输入特征量，将电缆温度作为输出特征量；S103基于电缆电磁场-温度场有限元耦合计算结果，构建用作高斯过程回归训练的数据集。
3.如权利要求1所述的一种数字孪生电缆温度预测方法，其特征在于，所述步骤2具体包括如下步骤：S201根据步骤1中获取的高斯过程回归训练的数据集，将数据集分为训练集与测试集；S202对高斯过程回归模型进行参数设置与核函数选择，设置优化器、基函数类型和核函数类型，将数据集输入到高斯过程回归模型中进行训练与测试；S203测试结果如果满足误差要求则直接输出电缆温度预测模型，如不满足要求则需要调整核函数中的超参数重新进行训练，直到满足误差要求为止。
4.如权利要求1所述的一种数字孪生电缆温度预测方法，其特征在于，所述步骤3具体包括如下步骤：S301根据步骤2中电缆温度预测模型的构建流程，对各个过程进行自动化的代码编写，将各过程代码进行合成与封装，得出基于高斯过程回归的数字孪生电缆温度预测模型；S302将数字孪生电缆温度预测模型与智能传感技术进行结合，将实际测量的电流数值通过传感器输入到电缆温度预测模型中，用来控制激励电流大小的变化，计算得出电缆不同激励下的温度分布情况。
5.如权利要求2所述的一种数字孪生电缆温度预测方法，其特征在于，所述步骤1中电缆的型号为YJV22-8.7/10-3×240mm2的10kV交流三芯电缆。
6.如权利要求2所述的一种数字孪生电缆温度预测方法，其特征在于，所述步骤1中电缆的尺寸为缆芯直径18.3mm、绝缘层厚度4.5mm、屏蔽层厚度0.5mm、铠装厚度0.8mm、内护套厚度2.5mm和外护套厚度3.5mm。
7.如权利要求2所述的一种数字孪生电缆温度预测方法，其特征在于，所述步骤1中的输入特征量为一个6维向量，特征变量包括激励电流、缆芯电导率、缆芯相对磁导率、绝缘导热系数、对流换热系数和外界环境温度。
8.如权利要求3所述的一种数字孪生电缆温度预测方法，其特征在于，所述步骤2将数据集分为训练集与测试集，训练集占80％，测试集占20％。
9.如权利要求3所述的一种数字孪生电缆温度预测方法，其特征在于，所述步骤2的高斯过程回归模型中，优化器为贝叶斯优化，基函数类型为线性，核函数类型为平方指数协方差函数，函数公式为：
10.如权利要求4所述的一种数字孪生电缆温度预测方法，其特征在于，所述步骤3中的传感器包括传感器的连接方式和传感器的数据类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211520121.XA CN115828688A (zh) | 2022-11-30 | 2022-11-30 | 一种基于高斯过程回归的数字孪生电缆温度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211520121.XA CN115828688A (zh) | 2022-11-30 | 2022-11-30 | 一种基于高斯过程回归的数字孪生电缆温度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115828688A true CN115828688A (zh) | 2023-03-21 |
Family
ID=85533064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211520121.XA Pending CN115828688A (zh) | 2022-11-30 | 2022-11-30 | 一种基于高斯过程回归的数字孪生电缆温度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115828688A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113729A (zh) * | 2023-10-20 | 2023-11-24 | 国网吉林省电力有限公司长春供电公司 | 一种基于数字孪生的电力设备在线状态监测系统 |
-
2022
- 2022-11-30 CN CN202211520121.XA patent/CN115828688A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113729A (zh) * | 2023-10-20 | 2023-11-24 | 国网吉林省电力有限公司长春供电公司 | 一种基于数字孪生的电力设备在线状态监测系统 |
| CN117113729B (zh) * | 2023-10-20 | 2024-01-23 | 国网吉林省电力有限公司长春供电公司 | 一种基于数字孪生的电力设备在线状态监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113297797B (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
| Macdonald et al. | Assessing uncertainty in building simulation | |
| CN107301282B (zh) | 基于多源监测时序数据的混凝土坝力学参数反演方法 | |
| CN115828688A (zh) | 一种基于高斯过程回归的数字孪生电缆温度预测方法 | |
| CN112528572B (zh) | 一种基于overset模型的低温碳化炉丝束加热过程三维模拟方法 | |
| CN116050261A (zh) | 油浸式变压器热点温度预测方法、系统、设备和存储介质 | |
| CN201476905U (zh) | 神经网络pid控温的热电偶自动检定系统 | |
| JP2009125768A (ja) | 温度分布履歴推定方法 | |
| CN111460548B (zh) | 一种常态-碾压混凝土重力坝联合筑坝安全评估方法 | |
| CN116911107A (zh) | 电缆温度预测方法、装置及终端设备 | |
| CN113984245A (zh) | 一种数据中心机房温度检测与温度场重建方法及系统 | |
| JP2011106918A (ja) | 熱伝導率算出方法および熱伝導率算出システム | |
| CN112966399B (zh) | 一种基于机器学习的脉管制冷机工况预测方法及系统 | |
| CN117688812A (zh) | 一种面向智能制造的数字孪生模型评价方法及系统 | |
| CN110955999B (zh) | 轮胎三维温度场仿真方法 | |
| CN112464570A (zh) | 基于bp-lstm的大坝监测物理量智能预测方法 | |
| CN116822287A (zh) | 换流变压器匝间短路多耦合场模型降阶方法及系统 | |
| Wang et al. | A piecewise analysis model for electrical conductivity calculation from time domain reflectometry waveforms | |
| CN113204887B (zh) | 一种电力装备的多物理场多参数反演方法 | |
| Xu et al. | A method for suspenders tension identification of bridges based on the spatio‐temporal correlation between the girder strain and suspenders tension | |
| CN210108389U (zh) | 一种海底电缆温度应力岸上模拟实验装置 | |
| CN104165899B (zh) | 一种大体积混凝土导温系数现场测定装置及测定方法 | |
| CN111444614A (zh) | 一种基于图卷积的流场重构方法 | |
| Huang et al. | Research on the Integrated Method for Power Equipment State Simulation and Reconstruction | |
| CN117473873B (zh) | 基于DeepM&Mnet神经网络的核热耦合实现方法 |
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 |