CN116457805A - 用于训练用于预测用于开关设备中发热元件温升的模型的方法和装置 - Google Patents
用于训练用于预测用于开关设备中发热元件温升的模型的方法和装置 Download PDFInfo
- Publication number
- CN116457805A CN116457805A CN202180077441.XA CN202180077441A CN116457805A CN 116457805 A CN116457805 A CN 116457805A CN 202180077441 A CN202180077441 A CN 202180077441A CN 116457805 A CN116457805 A CN 116457805A
- Authority
- CN
- China
- Prior art keywords
- temperature rise
- heating element
- model
- time
- temperature
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012549 training Methods 0.000 title claims abstract description 26
- 230000009471 action Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims 2
- 230000002159 abnormal effect Effects 0.000 description 11
- 230000001052 transient effect Effects 0.000 description 9
- 101150092509 Actn gene Proteins 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000017525 heat dissipation Effects 0.000 description 6
- 101150103244 ACT1 gene Proteins 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 101150061900 Ambn gene Proteins 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- G06F2119/06—Power analysis or power optimisation
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Gas-Insulated Switchgears (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开的实施例提供了一种用于训练用于预测开关设备中的发热元件的温升的模型的方法和装置。该方法包括获取用于该预测温升的模型，该模型包括多个输入、输出和多个待确定的参数；获取与该发热元件相关的n+1组物理量，每组物理量是在该发热元件的正常操作状态下在n+1个时间点中的对应一个时间点采集的，n+1个时间点彼此间隔一时间步长，每组物理量包括发热元件的电流和实际温度以及环境温度；基于该对应的环境温度，将每组物理量中的该实际温度转换成实际温升；以及用该电流、该实际温升和该环境温度来该训练模型以确定该多个参数。
Description
技术领域
本公开的示例实施例总体上涉及开关设备领域，并且更具体地，涉及用于训练用于预测开关设备中的发热元件的温升的模型的方法和装置、用于确定开关设备中的发热元件的温升的方法和装置、计算机可读存储介质和计算机程序产品。
背景技术
开关设备是电力系统中在发电、输电、配电和功率转换过程期间实现开/关、控制或保护功能的电气设备。随着开关设备使用时间的增加，开关设备主电路中的导电连接件(诸如触头)可能由于机械振动、磨损和制造工艺缺陷而增加其电阻，从而导致触头温升甚至烧毁触头。可能会导致安全事故。此外，不适当的开关设备现场安装和部件损坏也是导致开关设备中温度异常上升的主要因素。
检测此类异常温升的常规方法是使用便携式红外设备经由观察窗检测开关设备中触头的温度。然后，将检测到的温度与额定电流下触头的温度极限值进行比较以判断开关设备的触头中是否存在异常温升。然而，此类检测方法并不总是准确的，并且是低效的。最近，在线温度监测系统在开关设备中得到了应用。然而，此类在线温度监测系统主要集中于温度采集，而没有有效的异常温升检测。
因此，需要一种改善的用于开关设备的温升监测的解决方案。
发明内容
鉴于前述问题，本公开的示例实施例提出了一种用于预测开关设备中的发热元件的温升的实时回归模型以及一种用于检测开关设备的异常温升的方法。本公开的实施例适用于开关设备的不同操作条件和设置。本公开的实施例可以减少开关设备的断电时间并且提高开关设备的可靠性。
在第一方面，本公开的示例实施例提供了一种用于训练用于预测开关设备中的发热元件的温升的模型的方法，该方法包括：获取用于预测温升的模型，该模型包括多个输入、输出和多个待确定的参数；获取与发热元件相关的n+1组物理量，每组物理量是在发热元件的正常操作状态下在n+1个时间点中的对应一个时间点采集的，n+1个时间点彼此间隔一时间步长，每组物理量包括发热元件的电流和实际温度以及环境温度；基于对应的环境温度，将每组物理量中的实际温度转换成实际温升；以及用电流、实际温升和环境温度来训练模型以确定多个参数。
所提出的模型是修正的瞬态热平衡等式，具有未确定的热参数和能量参数。建立模型时，考虑作为温升函数的时间常数和动态电流负载两者。由根据第一方面的方法训练的模型可以用于预测任何电流负载下的瞬态温升或稳态温升。此模型设计有很强的物理约束和很少的参数，可以防止在大多数开关设备工作负载上过度拟合。通过这些实施例，可以减少开关设备的断电时间并且可以提高开关设备的可靠性。
在一些实施例中，用电流、实际温升和环境温度训练模型包括：针对每个时间步长，通过如下方式来创建等式以获取n个等式：使用对应于时间步长的开始时间点的电流、实际温升和环境温度作为模型的输入并且使用对应于时间步长的结束时间点的实际温升作为模型的输出，并且求解n个等式以确定多个参数。通过这样的实施例，通过将n+1组物理量插入到模型中，可以获取n个等式并且求解以确定多个参数。
在一些实施例中，n个等式中的每个等式通过使用离散近似方案或龙格-库塔迭代法来创建。通过这样的实施例，可以用离散近似方案或龙格-库塔迭代法可靠地获取n个等式。
在一些实施例中，n个等式通过最小二乘法来求解。通过这些实施例，可以通过最小二乘法求解n个等式以确定多个参数。
在一些实施例中，发热元件包括母线触头、断路器上触指、断路器下触指和电缆触头中的至少一者。通过这样的实施例中，可以用训练好的模型可靠地预测这些触头的温升。
在第二方面，本公开的示例实施例提供了一种用于确定开关设备中的发热元件的温升的方法，该方法包括：用通过使用根据第一方面的方法训练的模型来预测开关设备中的发热元件的温升。通过这些实施例，可以用训练好的模型来可靠地预测开关设备中的发热元件的温升。
在一些实施例中，用模型预测发热元件的温升包括：获取发热元件的实时电流和在第一时间步长中采集的环境温度；以及通过将实时电流、环境温度和第一时间步长之前的第二时间步长中的预测的温升输入到模型中来预测第一时间步长中的发热元件的温升。通过这样的实施例，可以通过使用电流、环境温度和先前时间步长中的预测的温升来可靠地预测电流时间步长中的温升。
在一些实施例中，该方法还包括：获取在第一时间步长中采集的发热元件的实时温度；基于环境温度将发热元件的实时温度转换成实时温升；以及响应于实时温升和预测的温升之间的差超过预定阈值而触发警报。通过这样的实施例，可以及时检测到开关设备中的异常温升并且由此可以对开关设备执行对应的维护。
在一些实施例中，预测发热元件的温升包括预测发热元件的瞬态温升或稳态温升中的至少一者。通过这些实施例，可以预测在任何电流负载下的发热元件的瞬态温升或稳态温升。
在第三方面，本公开的示例实施例提供了一种用于训练用于预测开关设备中发热元件的温升的模型的装置，该装置包括：至少一个处理器；以及至少一个存储器，其包括存储在其上的指令，该指令当由该至少一个处理器执行时，使得该至少一个处理器执行以下动作，包括：获取用于预测温升的模型，该模型包括多个输入、输出和多个待确定的参数；获取与发热元件相关的n+1组物理量，每组物理量是在发热元件的正常操作状态下在n+1个时间点中的对应一个时间点采集的，n+1个时间点彼此间隔一个时间步长，每组物理量包括发热元件的电流和实际温度以及环境温度；基于对应的环境温度，将每组物理量中的实际温度转换成实际温升；以及用电流、实际温升和环境温度来训练模型以确定多个参数。
在一些实施例中，用电流、实际温升和环境温度训练模型包括：针对每个时间步长，通过如下方式来创建等式以获取n个等式：使用对应于时间步长的开始时间点的电流、实际温升和环境温度作为模型的输入并且使用对应于时间步长的结束时间点的实际温升作为模型的输出；并且求解n个等式以确定多个参数。
在一些实施例中，n个等式中的每个等式通过使用离散近似方案或龙格-库塔迭代法来创建。
在一些实施例中，n个等式通过最小二乘法来求解。
在一些实施例中，发热元件包括以下中的至少一项：母线触头、断路器上触指、断路器下触指和电缆触头。
在第四方面，本公开的示例实施例提供了一种用于确定开关设备中的发热元件的温升的装置，该装置包括：至少一个处理器；以及至少一个存储器，其包括存储在其上的指令，该指令当由至少一个处理器执行时，使得至少一个处理器执行以下动作，包括：利用通过使用根据第三方面的装置训练的模型来预测开关设备中的发热元件的温升。
在一些实施例中，用模型预测发热元件的温升包括：获取发热元件的实时电流和在第一时间步长中采集的环境温度；以及通过将实时电流、环境温度和第一时间步长之前的第二时间步长中的预测的温升输入到模型中来预测第一时间步长中的发热元件的温升。
在一些实施例中，该动作还包括：获取在第一时间步长中采集的发热元件的实时温度；基于环境温度将发热元件的实时温度转换成实时温升；以及响应于实时温升和预测的温升之间的差超过预定阈值而触发警报。
在一些实施例中，预测发热元件的温升包括预测发热元件的瞬态温升或稳态温升中的至少一者。
在一些实施例中，至少一个处理器包括本地处理器或远程处理器中的至少一者。
在一些实施例中，其中远程处理器包括云计算节点。
在第五方面，本公开的示例实施例提供了一种其上存储有指令的计算机可读存储介质，该指令当由至少一个处理器执行时，使得该至少一个处理器执行根据第一方面和第二方面的方法。
在第六方面，本公开的示例实施例提供了一种包括指令的计算机程序产品，该指令当由至少一个处理器执行时，使得该至少一个处理器执行根据第一方面和第二方面的方法。
附图说明
本文所描述的附图被提供来进一步解释本公开并且构成本公开的一部分。本公开的示例实施例及其解释用于解释本公开，而不是不恰当地限制本公开。
图1图示了根据本公开的实施例的开关设备的示意图；
图2图示了根据本公开的实施例的用于训练用于预测开关设备中的发热元件的温升的模型的方法的流程图；
图3图示了根据本公开的实施例的用电流、实际温升和环境温度训练模型的流程图；
图4图示了根据本公开的实施例的用于确定开关设备中的发热元件的温升的方法的流程图；
图5图示了根据本公开的实施例的用模型预测发热元件的温升的流程图；
图6图示了根据本公开的实施例的开关设备的示例测试布置；
图7至图8图示了图6的示例测试设备中的发热元件的温升的预测结果；以及
图9图示了根据本公开的实施例的用于训练用于预测温升和/或确定温升的模型的装置的示意图。
在所有附图中，相同或类似的附图标记用于指示相同或类似的元件。
具体实施方式
现在将参考附图中示出的多个示例实施例来描述本公开的原理。尽管在附图中图示了本公开的示例实施例，但是应理解，描述这些实施例仅是为了便于本领域技术人员更好地理解并且由此实现本公开，而不是以任何方式限制本公开的范围。
术语“包括”或“包括”及其变体应理解为开放式术语，表示“包括但不限于”。除非上下文另有明确说明，否则术语“或”应理解为“和/或”。术语“基于”应理解为“至少部分基于”。术语“可操作地”是指可以通过由用户或外部机构引起的操作来实现的功能、动作、运动或状态。术语“一个实施例”和“实施例”应理解为“至少一个实施例”。术语“另一个实施例”应理解为“至少一个其他实施例”。术语“第一”、“第二”等可指代不同或相同的对象。在下面可以包括其他明确的和隐含的定义。除非上下文清楚地另有说明，否则术语的定义在整个说明书中是一致的。
如上所讨论的，检测异常温升的常规方式，并不总是准确和低效的，并且常规的在线温度监测系统主要集中在温度采集上，而没有高效的异常温升检测。根据本公开的实施例，提出了一种用于预测开关设备中的发热元件的温升的实时回归模型和一种用于检测开关设备的异常温升的方法；时间回归模型和异常温升检测方法适应开关设备的不同操作条件和设置。如将在以下段落中详细描述的，上述思想可以以各种方式实现。
在下文中，将参考图1至图9详细描述本公开的原理。
首先参考图1，图1图示了根据本公开的实施例的开关设备100的示意图。如图1中所示，开关设备100一般包括母线触头101、断路器上触指102、断路器下触指103和电缆触头104。在开关设备100的操作期间，母线触头101、断路器上触指102、断路器下触指103和电缆触头104的温度可能上升，这可能不利地影响开关设备100的正常功能。在本公开的上下文中，母线触头101、断路器上触指102、断路器下触指103和电缆触头104中的每一者都可以被称为开关设备100的发热元件。应理解，本公开集中于发热元件的温升预测，因此省略了对开关设备100的其他结构或操作的详细介绍。
为了预测开关设备100中的发热元件的温升，本公开的实施例提出了模型假设。由于在开关设备100的操作期间由发热元件产生的热量的一部分被耗散并且产生的热量的另一部分被发热元件吸收，所以假设在该时间段期间开关设备100中的发热元件满足由等式(1)表示的热平衡等式：
pdt＝KTAτdt+cmdτ (1)，
pdt表示在dt期间开关设备中的发热元件产生的总热量；
KTAτdt表示在dt期间由发热元件散发的热量；
cmdτ表示当发热元件的温度在dt期间上升dτ时，由发热元件吸收的热量；
p表示发热元件的总加热功率；
KT表示发热元件的散热系数；
A表示发热元件的有效散热面积；
τ表示发热元件的温升；
c表示发热元件的比热；
m表示发热元件的质量。
在工程中，散热的形式包括热传导、热对流和热辐射。为了简单起见，将上述三种散热形式结合起来，即KTAτ用来表示整体的散热过程。KT和A的选择通常取决于特定的应用场景。基于由类似理论获取的KT表达式简化KT，从而获取等式(2)：
λ和γ是未确定的参数。
为了求解等式(1)，在本公开中提供了两种示例方法。
方法I
假设在当t＝t0时，在初始条件τ＝τ0的情况下，在从t0到t1的短时间段中执行等式(1)的积分计算。由于从t0到t1的时间段很短，所以发热元件的温升很小。因此，散热系数KT在此期间可以被视为常数并且通过等式(3)计算：
KT＝λτoγ (3)，
τ0表示发热元件在t0处的温升。
然后，在当t＝t0时，在初始条件τ＝τ0的情况下，通过等式(1)的积分而获取等式(4)：
时间常数T由定义。由于参数c、m、A是未确定的，所以假设时间常数T由等式(5)表示：
α、β是未确定的参数。
发热元件的总加热功率p与发热元件的电流、电阻和其他损耗相关。因此，在一些实施例中，假设总加热功率p由等式(6)表示：
η是可能与集肤效应或发热元件的其他因素相关的未确定的参数；
I表示发热元件中的电流；
Tamb表示环境温度；
ρ0表示发热元件在0℃时的电阻率。
应理解，在其他实施例中，可以由其他等式表示发热元件的总加热功率p。本公开的范围不旨在限于此方面。
然后，通过将等式(3)、(5)和(6)代入等式(4)，获得等式(7)：
等式(7)可以通过设和b＝β而重写为等式(8)：
并且a、b、γ和d是未确定的参数。
等式(8)是当t＝t0时，在初始条件τ＝τ0的情况下，在从t0到t1的时间段中对等式(1)进行积分计算的结果。
在一些实施例中，等式(8)的约束可以被设置为a∈(0，1000]、b∈[-1000，1000]、γ∈[0，0.45]、d∈[0，1]。约束是从多次实验中得出的近似参数范围。在其他实施例中，等式(8)的约束可以被设置为其他范围。本公开的范围不旨在限于此方面。
等式(8)可以被重写为由等式(9)表示的更一般的形式：
τn表示在tn处发热元件的温升；
τn-1表示在tn-1处发热元件的温升；
In-1表示在tn-1处发热元件中的电流；
Tambn-1表示在tn-1处的环境温度；
Δt＝tn-tn-1表示tn与tn-1之间的时间间隔。
等式(9)的约束可以与等式(8)的约束相同，即a∈(0，1000]、b∈[-1000，1000]、γ∈[0，0.45]、d∈[0，1]。
由于参数a、b、γ和d是未确定的参数，需要预先训练上述模型以确定这些参数。图2图示了根据本公开的实施例的用于训练用于预测开关设备中的发热元件的温升的模型的方法200的流程图。
如图2中所示，方法200包括：在210处，获取用于预测温升的模型。该模型包括多个输入、输出和多个待确定的参数。在实施例中，该模型由如上面所描述的等式(9)表示。在等式(9)中，模型的输出包括温升τn，模型的输入包括温升τn-1、电流In-1和环境温度Tambn-1，并且待确定的多个参数包括参数a、b、γ和d。
为了确定参数a、b、γ和d，需要训练模型。为此，方法200还包括：在220处，获取与发热元件相关的n+1组物理量。在发热元件的正常操作状态下，在彼此间隔一个时间步长的n+1个时间点t0、t1、…、tn中的对应一个时间点处采集每组物理量。每组物理量包括发热元件的电流和实际温度以及环境温度。因此，n+1组物理量包括电流I0、I1、…、In、发热元件的实际温度Tact0、Tact1、…、Tactn环境温度Tamb0、Tamb1、…、Tambn。
该方法还包括：在230处，基于对应的环境温度Tamb0、Tamb1、…、Tambn将每组物理量中的实际温度Tact0、Tact1、…、Tactn转换成实际温升τact0、τact1、…、τactn。具体来说，实际温升τact0＝Tact0-Tamb0，实际温升τact0＝Tact0-Tamb0，实际温升τactn＝Tactn-Tambn。
然后，在240处，可以用电流I0、I1、…、In、实际温升τact0、τact1、…、τactn和环境温度Tamb0、Tamb1、…、Tambn来训练模型以确定参数a、b、γ和d。图3图示了根据本公开的实施例的用电流、实际温升和环境温度训练模型的流程图。
在一些实施例中，如图3中所示，用电流、实际温升和环境温度训练模型包括：在2401处，对于每个时间步长，通过使用对应于时间步长的开始时间点的电流I0、I1、…、In-1、实际温升τact0、τact1、…、τactn-1和环境温度Tamb0、Tamb1、…、Tambn-1，作为由等式(9)表示的模型的输入，并且使用对应于时间步长的结束时间点的实际温升τact1、…、τactn，作为模型的输出来创建等式以获取n个等式；以及在2402处，通过最小二乘法求解n个等式以确定参数a、b、γ和d。
在一些实施例中，在2401处，通过使用离散近似方案来创建n个等式中的每一个。在一些实施例中，在2402处，通过最小二乘法求解n个等式。
在确定了未确定的参数a、b、γ和d之后，由等式(9)表示的训练好的模型可以用于逐步确定发热元件的温升。图4图示了根据本公开的实施例的用于确定开关设备中的发热元件的温升的方法400的流程图。
如图4中所示，方法400包括：用通过使用方法200训练的模型来预测开关设备中的发热元件的温升。在温升的预测期间，仅需要获取发热元件的实时电流、时间间隔和环境温度，然后可以通过使用等式(9)迭代地预测发热元件的温升。图5图示了根据本公开的实施例的用模型预测发热元件的温升的流程图。如图5中所示，用模型预测预测发热元件的温升包括：在4101处，获取发热元件的实时电流和第一时间步长采集的环境温度；以及在4102，通过将实时电流、环境温度和第一时间步长之前的第二时间步长中的预测的温升输入到模型中来预测第一时间步长中的发热元件的温升。通过这些实施例，可以通过使用电流、环境温度和先前时间步长中的预测的温升来可靠地预测电流时间步长中的温升。
特别地，在4102处，在从t0到t1的时间段期间，可以基于实时电流I0、温升τ0和环境温度Tamb0通过使用等式(9)来计算温升τ1；在从t1到t2的时间段期间，可以基于实时电流I1、温升τ1和环境温度Tamb1通过使用等式(9)来计算温升τ2；并且在从tn-1到tn的时间段期间，可以基于实时电流In-1、温升τn-1和环境温度Tambn-1通过使用等式(9)来计算温升τn。温升τ1、τ2、和τn可以相应地由等式(10)、(11)和(12)表示：
……
由方法200训练的模型不仅可以用于预测发热元件在任何时间点的瞬态温升，还可以用于预测发热元件在任何电流下的稳态温升。根据等式(1)，当发热元件的温升在任何电流下变得稳定时，dτ将等于0。因此，在任何电流下I的稳态温升τw可以由等式(13)表示：
根据方法I的实施例，当建立模型时，考虑作为温升的函数的时间常数和动态电流负载两者。由方法200训练的模型可以用于预测任何电流负载下的瞬态温升或稳态温升。该模型设计有很强的物理约束和很少的参数，可以防止在大多数开关设备工作负载上过度拟合。通过这些实施例，可以减少开关设备的断电时间并且可以提高开关设备的可靠性。
返回参考图4，在一些实施例中，方法400还包括：在420，获取在第一时间步长中采集的发热元件的实时温度；在430处，基于环境温度将发热元件的实时温度转换成实时温升；以及在440处，响应于实时温升和预测的温升之间的差超过预定阈值而触发警报。在开关设备100的操作期间，由传感器检测到的实时温升可以与预测的温升进行比较以便监测发热元件的实际温升是否偏离预测的温升。通过这些实施例，可以及时检测到开关设备100中的异常温升并且由此可以对开关设备执行对应的维护。
图6图示了根据本公开的实施例的开关设备100的示例测试布置。如图6中所示，第一馈线面板610、第二馈线面板620和第三馈线面板630从左到右布置。馈线面板610和第二馈线面板620由双D形杆640连接，并且第三馈线面板630没有任何连接。电流从第二馈电面板620进入开关设备100并且从第一馈电面板610流出开关设备100。热电偶(未示出)布置在开关设备100的触头(诸如如图1中所示的母线触头101、断路器上触指102、断路器下触指103和电缆触头104)上以采集触头的实时温度。
测试电流列于下表1中。在一些实施例中，选择除了表1中所示的标志6、7、11和12a之外的标志3至标志16的电流作为训练集，并且选择标志17至标志22的电流作为验证集。训练集中有43％的数据并且验证集中有57％的数据。
表1
基于检测到的电流、时间间隔和环境温度，温升的预测结果如图7至图8中所示。
图7(a)图示了第一馈线面板610上的A相的母线触头的温升的预测结果。图7(a)中的实线指示A相母线触头的所测量的温升。图7(a)中的虚线指示A相母线触头的预测的温升。
图7(b)图示了第一馈线面板610上的A相的断路器上触指的温升的预测结果。图7(b)中的实线指示A相断路器上触指的所测量的温升。图7(b)中的虚线指示A相断路器上触指的预测的温升。
图7(c)图示了第一馈线面板610上的A相的断路器下触指的温升的预测结果。图7(c)中的实线指示A相断路器下触指的所测量的温升。图7(c)中的虚线指示A相断路器下触指的预测的温升。
图7(d)图示了第一馈线面板610上的A相的电缆触头的温升的预测结果。图7(d)中的实线指示A相电缆触头的所测量的温升。图7(d)中的虚线指示A相电缆触头的预测的温升。
图8(a)图示了第一馈线面板620上的A相的母线触头的温升的预测结果。图8(a)中的实线指示A相母线触头的所测量的温升。图8(a)中的虚线指示A相母线触头的预测的温升。
图8(b)图示了第一馈线面板620上的A相的断路器上触指的温升的预测结果。图8(b)中的实线指示A相断路器上触指的所测量的温升。图8(b)中的虚线指示A相断路器上触指的预测的温升。
图8(c)图示了第一馈线面板620上的A相的断路器下触指的温升的预测结果。图8(c)中的实线指示A相断路器下触指的所测量的温升。图8(c)中的虚线指示A相断路器下触指的预测的温升。
图8(d)图示了第一馈线面板620上的A相的电缆触头的温升的预测结果。图8(d)中的实线指示A相电缆触头的所测量的温升。图8(d)中的虚线指示A相电缆触头的预测的温升。
表2图示了面板610和620上的母线触头、断路器上触指、断路器下触指以及相A、B和C的电缆触头的温升的预测误差。从表2可以看出，所有情况下的绝对预测误差都小于2.90℃。用于面板610和面板620的总平均预测误差相应地为0.94℃和0.52℃。这些误差在实际应用中是可以接受的。
表2
方法II
方法II提供了用于求解等式(1)的不同方式。特别地，通过将等式(2)代入等式(1)，获取等式(14)：
pdt＝λAτ1+γdt+cmdτ (14)。
然后，通过将等式(6)代入等式(14)，获取等式(15)：
等式(15)可以通过设和/>重写为等式(16)：
g、f、和γ是未确定的参数。
可以通过如图2和图3中所示的方法200来训练由等式(16)表示的模型以确定参数g、f、和γ。除了n个等式中的每一个都是通过使用龙格-库塔迭代法创建的，由等式(16)表示的模型的训练过程类似于由等式(9)表示的模型的训练过程。因此，等式(16)表示的模型的具体训练过程本文不再详细描述。
在确定了未确定的参数g、f、和γ之后，由等式(16)表示的训练好的模型可以用于例如通过使用如图4和图5中所示的方法400来逐步确定发热元件的温升。可以用龙格-库塔迭代法计算发热元件瞬态温升的具体预测过程。
此外，由等式(16)表示的模型不仅可以用于预测发热元件在任何时间点的瞬态温升，还可以用于预测发热元件在任何电流下的稳态温升。根据等式(16)，当发热元件的温升在任何电流下变得稳定时，将等于0。因此，在任何电流下的稳态温升τw可以由等式(17)表示：
在本公开的一些实施例中，如图9中所示，提供了根据本公开的实施例的用于训练用于预测温升和/或确定温升的模型的装置900。装置900可以包括计算机处理器910，该计算机处理器耦合到计算机可读存储器单元920，并且存储器单元920包括指令922。指令922当由计算机处理器910执行时，可以使得计算机处理器910实现如在前面段落中描述的方法200和400，并且在下文中将省略细节。
根据本公开的实施例，方法200和400不限于由本地处理器实现，而是可以由远程处理器实现。例如，方法200和400可以在云计算节点处实现。特别地，在现场采集的数据可以被传送到云计算节点并且在云计算节点处进行处理。然后，计算结果可以从云计算节点返回到本地设备或系统。通过此方式，不需要在现场提供另外的计算设备。
在一些实施例中，方法200和400中的每一个都可以由一个处理器(例如MCU或云计算节点)实现。在其他实施例中，方法200和400中的每一个都可以由多个处理器实现。例如，方法200和400的一些动作可以由MCU本地实现，而方法200和400的其他动作可以由云计算节点远程实现。本公开的范围不旨在限于此方面。
在本公开的一些实施例中，提供了一种计算机可读介质。计算机可读介质具有存储在其上的指令，并且该指令当在至少一个处理器上执行时，可以使得至少一个处理器执行前面段落中描述的方法200和400，并且在下文中将省略细节。
在本公开的一些实施例中，提供了一种计算机程序产品。该计算机程序产品包括指令，该指令当在至少一个处理器上执行时，可以使得至少一个处理器执行如在前面段落中描述的方法200和400，并且在下文中将省略细节。
一般来说，本公开的各种实施例可以在硬件或专用电路、软件、逻辑或其任意组合中实现。一些方面可以在硬件中实现，而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实现。尽管本公开的实施例的一些方面被图示和描述为框图、流程图或使用一些其他图形表示，但是应理解，作为非限制性示例，本文所描述的块、装置、系统、技术或方法可以在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其一些组合中实现。
可以用一种或多种编程语言的任意组合来编写用于执行本公开的方法的程序代码。这些程序代码可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码在被处理器或控制器执行时，使得流程图和/或框图中指定的功能/操作得以实现。程序代码可以完全在机器上执行，部分在机器上作为独立软件包执行，部分在机器上部分在远程机器上执行，或完全在远程机器或服务器上执行。
上述程序代码可以在机器可读介质上实施，该机器可读介质可以是包括或存储由指令执行系统、装置或设备使用或与其结合使用的程序的任何有形介质。机器可读介质可以是机器可读信号介质或机器可读存储介质。机器可读介质可以包括但不限于电子、磁、光、电磁、红外或半导体系统、装置或设备，或前述的任何合适的组合。机器可读存储介质的更特别的示例将包括具有一个或多个导线的电连接件、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储设备、磁存储设备或前述的任何合适的组合。
此外，尽管以特定的顺序描绘了操作，但是这不应被理解为要求这些操作以示出的特定顺序或连续顺序执行，或要求所有所示操作都被执行以实现期望的结果。在某些情况下，多任务处理和并行处理可能是有利的。同样，尽管在以上讨论中包括了多个具体的实现细节，但是这些不应被解释为对本公开的范围的限制，而是对特定实施例可能特有的特征的描述。在单独实施例的上下文中描述的某些特征也可以在单个实施例中组合实现。另一个方面，在单个实施例的上下文中描述的各种特征也可以在多个实施例中单独地或以任何合适的子组合实现。
尽管已经用专用于结构特征和/或方法动作的语言描述了主题，但是应理解，所附权利要求中定义的主题不必限于上面所描述的特定特征或动作。而是，上面所描述的具体特征和动作是作为实现权利要求的示例形式公开的。
Claims (15)
1.一种用于训练用于预测开关设备中的发热元件的温升的模型的方法，包括：
获取用于预测所述温升的模型，所述模型包括多个输入、输出和多个待确定的参数；
获取与所述发热元件相关的n+1组物理量，每组物理量是在所述发热元件的正常操作状态下在n+1个时间点中的对应的一个时间点采集的，所述n+1个时间点彼此间隔一时间步长，每组物理量包括所述发热元件的电流和实际温度以及环境温度；
基于对应的所述环境温度，将每组物理量中的所述实际温度转换成实际温升；以及
利用所述电流、所述实际温升和所述环境温度训练模型以确定所述多个参数。
2.根据权利要求1所述的方法，其中利用所述电流、所述实际温升和所述环境温度训练所述模型包括：
针对每个时间步长，通过如下方式来创建等式以获取n个等式：使用对应于所述时间步长的开始时间点的所述电流、所述实际温升和所述环境温度作为所述模型的所述输入，并且使用对应于所述时间步长的结束时间点的所述实际温升作为所述模型的所述输出；以及
求解所述n个等式以确定所述多个参数。
3.根据权利要求2所述的方法，
其中所述n个等式中的每个等式通过使用离散近似方案或龙格-库塔迭代方法创建，和/或
其中所述n个等式通过最小二乘法来求解。
4.根据权利要求1至3中任一项所述的方法，其中所述发热元件包括以下中的至少一项：母线触头、断路器上触指、断路器下触指和电缆触头。
5.一种用于确定开关设备中的发热元件的温升的方法，所述方法包括：
利用通过使用根据权利要求1至4中任一项所述的方法训练的模型来预测所述开关设备中的所述发热元件的所述温升。
6.根据权利要求5所述的方法，其中利用所述模型预测所述发热元件的所述温升包括：
获取在第一时间步长中采集的所述发热元件的实时电流和环境温度；以及
通过将所述实时电流、所述环境温度和在所述第一时间步长之前的第二时间步长中的所预测的温升输入到所述模型中来预测所述第一时间步长中所述发热元件的所述温升。
7.根据权利要求6所述的方法，还包括：
获取在所述第一时间步长中采集的所述发热元件的实时温度；
基于所述环境温度将所述发热元件的所述实时温度转换成实时温升；以及
响应于所述实时温升与预测的所述温升之间的差超过预定阈值而触发警报。
8.一种用于训练用于预测开关设备中发热元件的温升的模型的装置，所述装置包括：
至少一个处理器；以及
至少一个存储器，包括存储在其上的指令，当所述指令由所述至少一个处理器执行时，使所述至少一个处理器执行动作，所述动作包括以下的动作：
获取用于预测所述温升的模型，所述模型包括多个输入、输出和多个待确定的参数；
获取与所述发热元件相关的n+1组物理量，每组物理量是在所述发热元件的正常操作状态下在n+1个时间点中的对应一个时间点采集的，所述n+1个时间点彼此间隔一时间步长，每组物理量包括所述发热元件的电流和实际温度以及环境温度；
基于对应的所述环境温度，将每组物理量中的所述实际温度转换成实际温升；以及
利用所述电流、所述实际温升和所述环境温度训练所述模型以确定所述多个参数。
9.根据权利要求8所述的装置，其中利用所述电流、所述实际温升和所述环境温度训练所述模型包括：
针对每个时间步长，通过如下方式来创建等式以获取n个等式：使用对应于所述时间步长的开始时间点的所述电流、所述实际温升和所述环境温度作为所述模型的所述输入，并且使用对应于所述时间步长的结束时间点的所述实际温升作为所述模型的所述输出；以及
求解所述n个等式以确定所述多个参数。
10.根据权利要求9所述的装置，
其中所述n个等式中的每个等式通过使用离散近似方案或龙格-库塔迭代方法创建，和/或
其中所述n个等通过最小二乘法来求解式。
11.一种用于确定开关设备中发热元件的温升的装置，所述装置包括：
至少一个处理器；以及
至少一个存储器，其包括存储在其上的指令，当所述指令由所述至少一个处理器执行时，使得所述至少一个处理器执行动作，所述动作包括以下的动作：
利用通过使用根据权利要求8至10中任一项所述的装置训练的模型来预测所述开关设备中的所述发热元件的所述温升。
12.根据权利要求11所述的装置，其中利用所述模型预测所述发热元件的所述温升包括：
获取在第一时间步长中采集的所述发热元件的实时电流和环境温度；以及
通过将所述实时电流、所述环境温度和在第一时间步长之前的第二时间步长中的所预测的温升输入到所述模型中来预测所述第一时间步长中所述发热元件的所述温升。
13.根据权利要求12所述的装置，其中所述动作还包括：
获取在所述第一时间步长中采集的所述发热元件的实时温度；
基于所述环境温度将所述发热元件的所述实时温度转换成实时温升；以及
响应于所述实时温升与预测的所述温升之间的差超过预定阈值而触发警报。
14.根据权利要求8至13中任一项所述的装置，其中所述至少一个处理器包括本地处理器或远程处理器中的至少一者，并且
其中所述远程处理器包括云计算节点。
15.一种其上存储有指令的计算机可读存储介质，所述指令当由至少一个处理器执行时，使得所述至少一个处理器执行根据权利要求1至7中任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2021/072682 WO2022155785A1 (en) | 2021-01-19 | 2021-01-19 | Method and apparatus for training model for predicting temperature rise of heating element in switchgear |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116457805A true CN116457805A (zh) | 2023-07-18 |
Family
ID=82548150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180077441.XA Pending CN116457805A (zh) | 2021-01-19 | 2021-01-19 | 用于训练用于预测用于开关设备中发热元件温升的模型的方法和装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230418893A1 (zh) |
| EP (1) | EP4281895A1 (zh) |
| CN (1) | CN116457805A (zh) |
| WO (1) | WO2022155785A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116662763B (zh) * | 2023-07-25 | 2023-10-20 | 华夏天信智能物联股份有限公司 | 一种用于变频器温升测试的数据处理方法和系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659755B (zh) * | 2018-06-28 | 2024-03-05 | 比亚迪股份有限公司 | 用于预测电机温度的建模方法、装置和存储介质 |
| CN109284863A (zh) * | 2018-09-04 | 2019-01-29 | 南京理工大学 | 一种基于深度神经网络的电力设备温度预测方法 |
| US20200184329A1 (en) * | 2018-12-11 | 2020-06-11 | Distech Controls Inc. | Environment controller and method for improving predictive models used for controlling a temperature in an area |
| CN110175386B (zh) * | 2019-05-21 | 2022-11-25 | 陕西科技大学 | 变电站电气设备温度预测方法 |
| CN110991011B (zh) * | 2019-11-14 | 2023-05-02 | 广东电网有限责任公司 | 一种变压器实时热点温度预测方法 |
-
2021
- 2021-01-19 CN CN202180077441.XA patent/CN116457805A/zh active Pending
- 2021-01-19 WO PCT/CN2021/072682 patent/WO2022155785A1/en active Application Filing
- 2021-01-19 EP EP21920190.2A patent/EP4281895A1/en active Pending
- 2021-01-19 US US18/252,999 patent/US20230418893A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230418893A1 (en) | 2023-12-28 |
| EP4281895A1 (en) | 2023-11-29 |
| WO2022155785A1 (en) | 2022-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Almassalkhi et al. | Model-predictive cascade mitigation in electric power systems with storage and renewables—Part I: Theory and implementation | |
| EP3276521A1 (en) | Methods and system for detecting false data injection attacks | |
| EP2926428B1 (en) | Monitoring operating condition of electrical component | |
| BR112013011695B1 (pt) | Disjuntor para proteger uma carga e método para moldar as características térmicas de um condutor primário acoplado ao mesmo | |
| CN109932592B (zh) | 用于电力设备的故障确定的方法与装置 | |
| KR102032114B1 (ko) | Dc 배전 시스템들의 보호를 위한 방법 및 장치 | |
| JP6385292B2 (ja) | 発電出力の推定方法、推定装置、及び推定プログラム | |
| Das et al. | Prediction and control of transient stability using system integrity protection schemes | |
| JP5591505B2 (ja) | 電力系統安定化システム | |
| US7869178B2 (en) | Augmentation of ambient temperature and free convection effects in thermal circuit breaker trip curve approximations | |
| CN116457805A (zh) | 用于训练用于预测用于开关设备中发热元件温升的模型的方法和装置 | |
| JP2022104930A (ja) | 導体温度検出器 | |
| Sobbouhi et al. | Online synchronous generator out‐of‐step prediction by electrical power curve fitting | |
| Wang et al. | Top‐oil temperature modelling by calibrating oil time constant for an oil natural air natural distribution transformer | |
| Klosinski et al. | Modular protection system for fault detection and selective fault clearing in DC microgrids | |
| CN113746425B (zh) | 光伏逆变器参数异常分析方法、系统 | |
| Hua et al. | Efficient probabilistic contingency analysis through a stability measure considering wind perturbation | |
| CN112213638B (zh) | 一种电机线圈的发热状态监测方法、相关设备和介质 | |
| Sobbouhi et al. | A new algorithm for predicting out-of-step using rotor speed-acceleration based on phasor measurement units (PMU) data | |
| Moaddabi et al. | General prefault transient stability estimation index using wide area phasor measurements | |
| CN102856884B (zh) | 基于热积累的变频器过载方法 | |
| CN113156304A (zh) | 开关设备检测方法及装置 | |
| Wadduwage et al. | Hybrid algorithm for rotor angle security assessment in power systems | |
| Davoodi et al. | Fast and accurate modeling of power converter availability for adequacy assessment | |
| CN111505406B (zh) | 一种配电柜、线材的监测方法 |
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 |