CN117390999B - 基于cfd深度学习模型的封闭母线温度故障监测方法 - Google Patents
基于cfd深度学习模型的封闭母线温度故障监测方法 Download PDFInfo
- Publication number
- CN117390999B CN117390999B CN202311694281.0A CN202311694281A CN117390999B CN 117390999 B CN117390999 B CN 117390999B CN 202311694281 A CN202311694281 A CN 202311694281A CN 117390999 B CN117390999 B CN 117390999B
- Authority
- CN
- China
- Prior art keywords
- data
- fluid
- gas
- cfd
- layer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000013136 deep learning model Methods 0.000 title claims abstract description 12
- 239000012530 fluid Substances 0.000 claims abstract description 93
- 230000008859 change Effects 0.000 claims abstract description 73
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 239000004020 conductor Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000004907 flux Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 25
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 239000007787 solid Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于封闭母线温度控制技术领域,具体涉及基于CFD深度学习模型的封闭母线温度故障监测方法,步骤包括通过传感器,采集母线导体在不同时刻的温度和气体压力数据,并设置通过气体压力数据等效后的气体密度集合;构建封闭母线的CFD状态模型,实现气体密度的获取;将气体密度与CFD状态模型进行整合处理,建立流体迹线CFD模型;对采集数据进行分组处理,进行无监督逐层训练和微调,完成每组数据的深度学习策略,完成特征输出;通过卷积神经网络将每组的密度流通量变化率进行数据联合,实现全局寻优,完成封闭母线温度故障监测。本发明可以及早发现封闭母线系统中的温度异常,有助于预防潜在的故障和事故,提高了系统的可靠性和安全性。
Description
技术领域
本发明属于封闭母线温度控制技术领域,具体涉及基于CFD深度学习模型的封闭母线温度故障监测方法。
背景技术
封闭母线是一种电力传输和分配系统,通常用于工业和商业设施,以提供高可靠性和高功率电力分配。封闭母线还是一种特殊的电力导线系统,它在一个封闭的外壳或壳体内,通常由金属或绝缘材料制成,以保护电力导线和确保系统的安全性。而在封闭母线工作过程中,往往会因为电流磁场作用,使得母线导体产生大量的热量,热量通常通过风机进行消散。
母线槽内部的温度会随着时间、电流大小、散热程度及不良绝缘等因素的影响而产生不同变化。因此,对于封闭母线温度故障的监测一直是一项关键技术,它决定着母线系统的稳定运行。目前,关于封闭母线温度故障监测的常用方法有以下几种。
1)温度传感器监测。该方法是最直接的监测方法,可提供实时温度数据。但是受到封闭母线远程运输的影响,安装和维护成本较高,传感器也会随着运行时间的增加受到腐蚀或污染。
2)红外热像仪监测。该方法能够非接触地监测温度分布,快速且广泛应用于大型设备和系统。但是价格较高,需要专业人员进行操作和解释数据,且精确度会受到环境因素的影响。
3)热电偶和红外光纤监测。该方法可以用于长距离监测,适用于大型封闭母线系统。但是设备成本较高,需要专业维护,且温度监测数据不稳定。
4)基于数据分析的监测。该方法主要利用数据分析技术来监测母线系统中的异常温度。它具有一定的智能化,但是需要足够的历史数据来训练模型,并且对于突发性问题的响应不及时。
基于以上内容,可见目前关于封闭母线温度故障监测相关的技术普遍缺乏稳定不足、数据不准确、成本高昂等缺点。
发明内容
根据以上现有技术中的不足,本发明提供了一种基于CFD深度学习模型的封闭母线温度故障监测方法,可以及早发现封闭母线系统中的温度异常,有助于预防潜在的故障和事故,提高了系统的可靠性和安全性。
为达到以上目的,本发明提供了基于CFD深度学习模型的封闭母线温度故障监测方法,包括以下步骤:
S1、通过传感器,采集母线导体在不同时刻的温度和气体压力数据,建立对应的温度、气体压力集合,并设置通过气体压力数据等效后的气体密度集合;
S2、构建封闭母线的CFD状态模型,实现气体密度的获取,构建过程为:
S21、定义母线气体流体域;
S22、根据母线导体内部流体特性,设置流体状态表达式;
S23、根据导数法则和连锁法则,设置流体状态的随体导数;
S24、建立状态迹线方程来表示其CFD状态模型;
S3、将气体密度与CFD状态模型进行整合处理,建立流体迹线CFD模型;
S4、对采集数据进行分组处理,对每组数据在流体迹线CFD模型的基础上进行无监督逐层训练和微调,完成每组数据的深度学习策略,完成特征输出,最终获取每组数据的流体密度流通量变化率,并将其作为输入层,输入到卷积神经网络中;
S5、通过卷积神经网络将每组的密度流通量变化率进行数据联合,实现全局寻优,完成封闭母线温度故障监测。
所述的S1中,设置采集的温度、气体压力集合分别为:、,集合中数据为在n个不同时刻传感器所采集的温度、气体压力数据,设置通过气体压力数据等效后的气体密度集合为/>,集合中数据为在第n个时刻通过气体压力数据等效后获得的气体密度(气体密度的获取通过S2实现)。
所述的S2中,构建封闭母线CFD状态模型的过程为:
S21、定义母线气体流体域:温度的变化会引起母线导体内部气体流体密度的变化,将母线导体及其外壳区域等效为规则立体几何,该立体几何内充满气体,即为流体,取某个区域的气体体积为,该区域的气体质量为/>,那么该区域的气体密度可以表示为:
(1);
S22、根据母线导体内部流体特性,设置流体状态表达式为:
(2);
(3);
式中,分别表示母线导体内部流体的温度集合、气体压力集合、质量集合(气体质量)、体积集合(气体体积)和时间集合;/>为影响函数,/>为密度函数;
S23、根据导数法则和连锁法则,对流体状态的随体导数可表示为:
(4);
根据式(4),继续进行展开:
(5);
式中,、/>、/>、/>分别为流体状态随体导数,即状态变化率;
S24、建立状态迹线方程来表示其CFD状态模型:
(6);
式中,为封闭母线内部某个区域的邻域控制面,/>为气体热运动分子数量,/>为压力分解块数,/>为质量分解个数,/>为体积分子数量,/>为对应/>的流通量。
所述的S3中,建立流体迹线CFD模型的过程为:
S31、通过传感器所采集的温度、气体压力集合分别为T和P,流体状态方程表示为:
(7);
S32、不同时刻的状态随体导数为:
(8);
S33、计算不同时刻的气体密度:
(9);
式中,代表状态常数,/>代表绝对温度;
S34、建立关于的流体迹线为:
(10);
式中,为密度分子数;
S35、结合CFD状态模型,获得关于的流体迹线CFD模型为:
(11)。
所述的S4中,对每组数据在流体迹线CFD模型的基础上进行无监督逐层训练和微调的步骤为:对于传感器所采集到的n个温度、气体压力样本以及对应的n个气体密度,各取其中满足时间连续性的4个样本,并将两两连续的样本分别作为一组数据,共得到3组数据,对每组数据在流体迹线CFD模型的基础上进行无监督逐层训练和微调,获得每组数据所对应的气体分子流通量变化率,即为流体密度流通量变化率,并将其作为输入层,输入到卷积神经网络中。
所述的S5中,通过卷积神经网络将每组数据的密度流通量变化率进行数据联合,实现全局寻优的方法为:
S51、采用的卷积神经网络包括输入层、第一层卷积、第一层采样、第二层卷积、第二层采样,以及连接层和输出层,其中输入层中即为S4中获得的每组数据的流体密度流通量变化率,经过复合卷积和复合采样后,通过采集每组数据对应区域的状态特征,实现对状态特征净通量的获取,最后通过连接层和输出层实现特征输出;
一组数据的流体密度流通量变化率经过卷积神经网络输出后,获得输出特征,再对另一组数据的流体密度流通量变化率经过卷积神经网络输出,获得新的输出特征/>,将两个输出特征进行保存,即为一组输出样本,即/>,比较/>和/>:
如的净通量大于/>的净通量,那么此时前者的分子变化速度大于后者,前者的温度高于后者;如/>的净通量小于/>的净通量,此时前者的分子变化速度小于后者,前者的温度低于后者;如/>的净通量等于/>的净通量,此时的流通量变化率记为0;
S52、通过S51,获取3组数据的特征输出后,即为通过训练获得了该次4个样本所对应的流通量变化率,按照相同的方法,再次获取新的满足时间连续性的4个样本,并处理得到其所对应的流通量变化率,最终完成所有采样数据的训练,并基于分组实现了数据联合,从而可以获取全局最优的流通量变化率,最优即为最大,此时最大的位置即为封闭母线的温度故障发生位置。
所述的S51中,第一层卷积由4个特征映射所构成,每个特征映射为15×15的神经元阵列;第一层采样由3个特征映射所构成,每个特征映射为10×10的神经元阵列;第二层卷积由7个特征映射所构成,每个特征映射为6×6的神经元阵列;第二层采样由9个特征映射所构成,每个特征映射为4×4的神经元阵列。
本发明涉及的算法可以通过电子设备执行,电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,通过处理器执行软件实现上述的算法。
本发明所具有的有益效果是:
本发明结合了计算流体动力学(computational fluid dynamics,CFD)、物理空间流体模拟和卷积神经网络的识别技术,将封闭母线槽内部温度监测等效为槽内流体分子的密度监测,将所采集的封闭母线数据应用到所建立的CFD模型中,形成流体迹线CFD模型。该CFD模型可以非常准确地模拟封闭母线系统内部的流体和气体流体域的变化状态,为母线槽内部流通量判断,故障点监测提供了精确数据。紧接着将采集数据进行分组处理,通过无监督逐层训练和微调,进行每组的深度学习策略,完成特征输出,最终获取每组的流体密度流通量变化率。该过程通过深度学习可以有效地识别目标信息,检测出精确的密度流通量变化率。最后通过全局寻优,完成封闭母线温度故障监测任务。
本发明可以及早发现封闭母线系统中的温度异常,有助于预防潜在的故障和事故,提高系统的可靠性和安全性。深度学习模型可以实时监测封闭母线系统的温度,无需人工干预。这降低了维护和监测的成本,同时提高了监测的及时性。基于深度学习的模型可以从大量的实际操作数据中学习,并根据数据的变化进行适应性调整。这使得监测系统更加灵活和适应不同的操作条件。同时本发明还可以帮助优化封闭母线系统的运行,节约能源降低成本。
附图说明
图1是本发明的流程原理图;
图2为本发明实施例中封闭母线槽结构示意图;
图3是本发明实施例中封闭母线槽截面空间气体流体域模拟示意图,图3中的(a)为密度较小时的场景(方向规则,密度均匀),图3中的(b)为密度较大时候的场景(方向规则,密度均匀),图3中的(c)为方向不同时候的场景(方向变化,密度不均匀);
图4是本发明实施例中截面流体分子流通量监测图像;
图5是本发明实施例中卷积神经网络的温度监测应用。
具体实施方式
下面结合附图对本发明的实施例做进一步描述:
封闭母线是电力设备传输过程中的一项重要设备。它包括母线导体、绝缘、支持结构、冷却系统和保护设备等组成。而在该设备实际工作过程中,本身温度会在不同工况下发生快速变化,产生异常。因此,本发明以封闭母线温度故障监测出发,提出基于CFD深度学习模型的温度故障监测方法。通过等效获取的气体密度建立计算流体动力学(CFD)。并将其应用到深度学习模型中。通过训练数据、学习获取温度故障监测策略,完成封闭母线全局寻优的目的,最终实现封闭母线温度故障监测的任务。
如图1所示,基于CFD深度学习模型的封闭母线温度故障监测方法包括以下步骤:
S1、通过传感器,采集母线导体在不同时刻的温度和气体压力数据,建立对应的温度、气体压力集合,并设置通过气体压力数据等效后的气体密度集合;
S2、构建封闭母线的CFD状态模型,实现气体密度的获取;
S3、将气体密度与CFD状态模型进行整合处理,建立流体迹线CFD模型;
S4、对采集数据进行分组处理,对每组数据在流体迹线CFD模型的基础上进行无监督逐层训练和微调,完成每组数据的深度学习策略,完成特征输出,最终获取每组数据的流体密度流通量变化率,并将其作为输入层,输入到卷积神经网络中;
S5、通过卷积神经网络将每组的密度流通量变化率进行数据联合,实现全局寻优,完成封闭母线温度故障监测。
S1中,设置采集的温度、气体压力集合分别为:、,集合中数据为在n个不同时刻传感器所采集的温度、气体压力数据,设置通过气体压力数据等效后的气体密度集合为/>,集合中数据为在第n个时刻通过气体压力数据等效后获得的气体密度。
CFD模型即计算流体动力学。它主要应用于液体和气体,为解决相应问题提供了可行性分析。温度并非流体,但温度的异常变化会引起母线导体内部气体流体密度的变化。本发明根据CFD模型建立CFD状态模型。它主要通过压力传感器获取母线导体的压力数据。并通过状态方程实现压力数据的流体密度值获取,间接的实现温度故障监测任务。现根据封闭母线特性建立封闭母线CFD状态模型。
如图2所示,已知封闭母线导体设备和设备外壳区域均采用铝板架构,它们通过卷制焊接而成。该结构可等效为规则立体几何,该几何内充满气体,且设备内部空间气体因温度不同间接影响气体密度。
截取母线槽内的某个部分截面,对以该截面为底的区域空间气体流域进行展示。图3为该截面为底的区域空间基于不同密度、不同方向的气体流体域模拟示意图。
S2中,构建封闭母线CFD状态模型的过程为:
S21、定义母线气体流体域:温度的变化会引起母线导体内部气体流体密度的变化,将母线导体及其外壳区域等效为规则立体几何,该立体几何内充满气体,即为流体,取某个区域的气体体积为,该区域的气体质量为/>,那么该区域的气体密度可以表示为:
(1);
S22、根据母线导体内部流体特性,设置流体状态表达式为:
(2);
(3);
式中,分别表示母线导体内部流体的温度集合、气体压力集合、质量集合、体积集合和时间集合;/>为影响函数,/>为密度函数;
流体状态是随时间变化的随体导数,或称为随时间的变化率。
S23、根据导数法则和连锁法则,对流体状态的随体导数可表示为:
(4);
根据式(4),继续进行展开:
(5);
式中,、/>、/>、/>分别为流体状态随体导数,即状态变化率;
其中,∂是偏微分符号,d是微分符号。
S24、建立状态迹线方程来表示其CFD状态模型:
(6);
式中,为封闭母线内部某个区域的邻域控制面,/>为气体热运动分子数量,/>为压力分解块数,/>为质量分解个数,/>为体积分子数量,/>为对应/>的流通量。
在这里,即为通过获取母线内部的某一领域,将其视为控制面,也可理解为截面。通过该控制面关于气体热运动分子、压力分解块数、质量分解个数和体积分子数量的“净流通”,来表示其各自的随体导数。这样的优点在于可以更精确的获取随体导数,使得后期温度故障监测更加准确。
S3中,建立流体迹线CFD模型的过程为:
S31、通过传感器所采集的温度、气体压力集合分别为T和P,流体状态方程表示为:
(7);
S32、不同时刻的状态随体导数为:
(8);
S33、计算不同时刻的气体密度:
(9);
式中,代表状态常数,/>代表绝对温度;
S34、建立关于的流体迹线为:
(10);
式中,为密度分子数;
S35、结合CFD状态模型,获得关于的流体迹线CFD模型为:
(11)。
S4中,对每组数据在流体迹线CFD模型的基础上进行无监督逐层训练和微调的步骤为:对于传感器所采集到的n个温度、气体压力样本以及对应的n个气体密度,各取其中满足时间连续性的4个样本,并将两两连续的样本分别作为一组数据,共得到3组数据,对每组数据在流体迹线CFD模型的基础上进行无监督逐层训练和微调,获得每组数据所对应的气体分子流通量变化率,即为流体密度流通量变化率,并将其作为输入层,输入到卷积神经网络中。
无监督逐层训练的基本思想在于对本组训练的同时,上组的输出作为本组的输入,而本组的输出作为下组的输入。
具体的,例如,,这四个时间点是连续的,分别在温度集合、气体压力集合、气体密度集合中取对应的四个样本。那么可知,每个集合的四个样本肯定也是连续的。即:/>、/>、/>。两两连续样本作为一组数据,即:T1和T2、P1和P2、/>和/>作为一组。T2和T3、P2和P3、/>和/>作为一组。T3和T4、P3和P4、/>和/>作为一组。共得到3组数据。
获取了气体分子流通量,那么就将气体流通量作为输入层,通过卷积神经网络来实现特征的提取。这里的特征其实就是净流通。即为通过输入图片,借助卷积神经网络来观察提取图片中分子量变化快的部分,那么该部分既然分子变化快,则必然温度变化快,那么此时的位置会发生温度故障。
基于以上分析,可以获得该截面的气体分子流通量情况。监测结果见图4。将该监测情况作为输入层,实现构建卷积神经网络的温度监测应用。该卷积神经网络应用模型如图5所示。
S5中,通过卷积神经网络将每组数据的密度流通量变化率进行数据联合,实现全局寻优的方法为:
S51、采用的卷积神经网络包括输入层、第一层卷积、第一层采样、第二层卷积、第二层采样,以及连接层和输出层,其中输入层中即为S4中获得的每组数据的流体密度流通量变化率,经过复合卷积和复合采样后,通过采集每组数据对应区域的状态特征,实现对状态特征净通量的获取,最后通过连接层和输出层实现特征输出;
一组数据的流体密度流通量变化率经过卷积神经网络输出后,获得输出特征,再对另一组数据的流体密度流通量变化率经过卷积神经网络输出,获得新的输出特征/>,将两个输出特征进行保存,即为一组输出样本,即/>,比较/>和/>:
如的净通量大于/>的净通量,那么此时前者的分子变化速度大于后者,前者的温度高于后者;如/>的净通量小于/>的净通量,此时前者的分子变化速度小于后者,前者的温度低于后者;如/>的净通量等于/>的净通量,此时的流通量变化率记为0;
S52、通过S51,获取3组数据的特征输出后,即为通过训练获得了该次4个样本所对应的流通量变化率,按照相同的方法,再次获取新的满足时间连续性的4个样本,并处理得到其所对应的流通量变化率,最终完成所有采样数据的训练,并基于分组实现了数据联合,从而可以获取全局最优的流通量变化率,最优即为最大,此时最大的位置即为封闭母线的温度故障发生位置。
具体的,第一层卷积:通过卷积操作,卷积神经网络学习图像的低级特征,包括边缘、颜色深度变化等。第一层采样:降低特征图的空间分辨率,减少计算负担,同时保留重要特征。第二层卷积:在第一层卷积的基础上,学习更高级的特征,包括纹理、形状等。第二层采样:进一步降低特征图的维度,提取更抽象的特征。通过这样的层次结构,卷积神经网络逐渐学到图像的高级特征,使得在更深层次上能够进行更有效的特征提取。
S51中,第一层卷积由4个特征映射所构成,每个特征映射为15×15的神经元阵列;第一层采样由3个特征映射所构成,每个特征映射为10×10的神经元阵列;第二层卷积由7个特征映射所构成,每个特征映射为6×6的神经元阵列;第二层采样由9个特征映射所构成,每个特征映射为4×4的神经元阵列。
Claims (2)
1.一种基于CFD深度学习模型的封闭母线温度故障监测方法,其特征在于包括以下步骤:
S1、通过传感器,采集母线导体在不同时刻的温度和气体压力数据,建立对应的温度、气体压力集合,并设置通过气体压力数据等效后的气体密度集合;
S2、构建封闭母线的CFD状态模型,实现气体密度的获取,构建过程为:
S21、定义母线气体流体域;
S22、根据母线导体内部流体特性,设置流体状态表达式;
S23、根据导数法则和连锁法则,设置流体状态的随体导数;
S24、建立状态迹线方程来表示其CFD状态模型;
S3、将气体密度与CFD状态模型进行整合处理,建立流体迹线CFD模型;
S4、对采集数据进行分组处理,对每组数据在流体迹线CFD模型的基础上进行无监督逐层训练和微调,完成每组数据的深度学习策略,完成特征输出,最终获取每组数据的流体密度流通量变化率,并将其作为输入层,输入到卷积神经网络中;
S5、通过卷积神经网络将每组的密度流通量变化率进行数据联合,实现全局寻优,完成封闭母线温度故障监测;
所述的S1中,设置采集的温度、气体压力集合分别为:、,集合中数据为在n个不同时刻传感器所采集的温度、气体压力数据,设置通过气体压力数据等效后的气体密度集合为/>,集合中数据为在第n个时刻通过气体压力数据等效后获得的气体密度;
所述的S2中,构建封闭母线CFD状态模型的过程为:
S21、定义母线气体流体域:温度的变化会引起母线导体内部气体流体密度的变化,将母线导体及其外壳区域等效为规则立体几何,该立体几何内充满气体,即为流体,取某个区域的气体体积为,该区域的气体质量为/>,那么该区域的气体密度表示为:
(1);
S22、根据母线导体内部流体特性,设置流体状态表达式为:
(2);
(3);
式中,分别表示母线导体内部流体的温度集合、气体压力集合、质量集合、体积集合和时间集合;/>为影响函数,/>为密度函数;
S23、根据导数法则和连锁法则,对流体状态的随体导数可表示为:
(4);
根据式(4),继续进行展开:
(5);
式中,、/>、/>、/>分别为流体状态随体导数,即状态变化率;
S24、建立状态迹线方程来表示其CFD状态模型:
(6);
式中,为封闭母线内部某个区域的邻域控制面,/>为气体热运动分子数量,/>为压力分解块数,/>为质量分解个数,/>为体积分子数量,/>为对应/>的流通量;
所述的S3中,建立流体迹线CFD模型的过程为:
S31、通过传感器所采集的温度、气体压力集合分别为T和P,流体状态方程表示为:
(7);
S32、不同时刻的状态随体导数为:
(8);
S33、计算不同时刻的气体密度:
(9);
式中,代表状态常数,/>代表绝对温度;
S34、建立关于的流体迹线为:
(10);
式中,为密度分子数;
S35、结合CFD状态模型,获得关于的流体迹线CFD模型为:
(11);
所述的S4中,对每组数据在流体迹线CFD模型的基础上进行无监督逐层训练和微调的步骤为:对于传感器所采集到的n个温度、气体压力样本以及对应的n个气体密度,各取其中满足时间连续性的4个样本,并将两两连续的样本分别作为一组数据,共得到3组数据,对每组数据在流体迹线CFD模型的基础上进行无监督逐层训练和微调,获得每组数据所对应的气体分子流通量变化率,即为流体密度流通量变化率,并将其作为输入层,输入到卷积神经网络中;
所述的S5中,通过卷积神经网络将每组数据的密度流通量变化率进行数据联合,实现全局寻优的方法为:
S51、采用的卷积神经网络包括输入层、第一层卷积、第一层采样、第二层卷积、第二层采样,以及连接层和输出层,其中输入层中即为S4中获得的每组数据的流体密度流通量变化率,经过复合卷积和复合采样后,通过采集每组数据对应区域的状态特征,实现对状态特征净通量的获取,最后通过连接层和输出层实现特征输出;
一组数据的流体密度流通量变化率经过卷积神经网络输出后,获得输出特征,再对另一组数据的流体密度流通量变化率经过卷积神经网络输出,获得新的输出特征/>,将两个输出特征进行保存,即为一组输出样本,即/>,比较/>和/>:
如的净通量大于/>的净通量,那么此时前者的分子变化速度大于后者,前者的温度高于后者;如/>的净通量小于/>的净通量,此时前者的分子变化速度小于后者,前者的温度低于后者;如/>的净通量等于/>的净通量,此时的流通量变化率记为0;
S52、通过S51,获取3组数据的特征输出后,即为通过训练获得了该次4个样本所对应的流通量变化率,按照相同的方法,再次获取新的满足时间连续性的4个样本,并处理得到其所对应的流通量变化率,最终完成所有采样数据的训练,并基于分组实现了数据联合,从而获取全局最优的流通量变化率,最优即为最大,此时最大的位置即为封闭母线的温度故障发生位置。
2.根据权利要求1所述的基于CFD深度学习模型的封闭母线温度故障监测方法,其特征在于:所述的S51中,第一层卷积由4个特征映射所构成,每个特征映射为15×15的神经元阵列;第一层采样由3个特征映射所构成,每个特征映射为10×10的神经元阵列;第二层卷积由7个特征映射所构成,每个特征映射为6×6的神经元阵列;第二层采样由9个特征映射所构成,每个特征映射为4×4的神经元阵列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311694281.0A CN117390999B (zh) | 2023-12-12 | 2023-12-12 | 基于cfd深度学习模型的封闭母线温度故障监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311694281.0A CN117390999B (zh) | 2023-12-12 | 2023-12-12 | 基于cfd深度学习模型的封闭母线温度故障监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390999A CN117390999A (zh) | 2024-01-12 |
CN117390999B true CN117390999B (zh) | 2024-02-06 |
Family
ID=89467018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311694281.0A Active CN117390999B (zh) | 2023-12-12 | 2023-12-12 | 基于cfd深度学习模型的封闭母线温度故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390999B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
KR102359853B1 (ko) * | 2021-08-23 | 2022-02-10 | 주식회사 삼광산전 | 분리형 적외선센서 모듈을 이용한 이상 통합 감시 및 불량예측 기능을 구비한 인공지능 원격제어반 |
CN114595884A (zh) * | 2022-03-01 | 2022-06-07 | 沈阳理工大学 | 一种遗传智能优化的神经网络风力发电设备温度预测方法 |
CN116047217A (zh) * | 2022-11-07 | 2023-05-02 | 国网湖北省电力有限公司电力科学研究院 | 一种高层建筑密集绝缘型母线槽过热故障预警系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
-
2023
- 2023-12-12 CN CN202311694281.0A patent/CN117390999B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
KR102359853B1 (ko) * | 2021-08-23 | 2022-02-10 | 주식회사 삼광산전 | 분리형 적외선센서 모듈을 이용한 이상 통합 감시 및 불량예측 기능을 구비한 인공지능 원격제어반 |
CN114595884A (zh) * | 2022-03-01 | 2022-06-07 | 沈阳理工大学 | 一种遗传智能优化的神经网络风力发电设备温度预测方法 |
CN116047217A (zh) * | 2022-11-07 | 2023-05-02 | 国网湖北省电力有限公司电力科学研究院 | 一种高层建筑密集绝缘型母线槽过热故障预警系统及方法 |
Non-Patent Citations (2)
Title |
---|
贾京龙 ; 余涛 ; 吴子杰 ; 程小华 ; .基于卷积神经网络的变压器故障诊断方法.电测与仪表.2017,(第13期),全文. * |
陈姗姗 ; 沈泉宇 ; .不同装配结构的气体绝缘母线接头温升数值计算.湖南电力.2019,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117390999A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875719B (zh) | 基于深度学习与红外图像识别的空冷器积灰状态感知系统与计算方法 | |
CN110017901A (zh) | 一种电力系统中电气设备运行状态的红外图谱诊断方法 | |
CN105322519A (zh) | 一种智能配电网大数据融合分析与运行状态监测方法 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
CN116384127B (zh) | 用于气象生态环境的数值模拟预报方法及装置 | |
CN114444757A (zh) | 一种高原山地多模型多尺度新能源电站出力联合预测方法 | |
WO2021063461A1 (en) | Method for planning a layout of a renewable energy site | |
CN115456112A (zh) | 一种电气接头热缺陷预测方法、系统、设备及存储介质 | |
CN117390999B (zh) | 基于cfd深度学习模型的封闭母线温度故障监测方法 | |
Wu et al. | Intracity temperature estimation by physics informed neural network using modeled forcing meteorology and multispectral satellite imagery | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN116307015A (zh) | 一种基于pix2pix的环境性能预测方法及装置 | |
CN114282737A (zh) | 一种短期太阳辐照强度的预测方法、装置和电子设备 | |
CN115311509A (zh) | 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
CN114819257A (zh) | 辐照计算方法、装置及设备 | |
CN114324410A (zh) | 一种多地形的微波遥感土壤湿度降尺度方法 | |
CN113409237A (zh) | 一种基于YOLOv3的新型太阳能电池板热斑检测方法 | |
Yuan et al. | Intelligent identification of ocean parameters based on RBF neural networks | |
CN117390590B (zh) | 一种基于cim模型的数据管理方法及系统 | |
Sun et al. | Substation Equipment Defect Identification Method Based on Mask R-CNN Algorithm | |
Yuan et al. | Research on anomaly detection technology of power equipment based on AI vision analysis technology | |
Uzdiaev et al. | Autonomous UAV trajectory planning for corona discharge in inspection electric power lines in ultraviolet spectrum |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |