一种基于BP神经网络的SF制造技术

本发明专利技术涉及一种基于BP神经网络的SF

【技术实现步骤摘要】
一种基于BP神经网络的SF6在线监测装置压力的预测方法
本专利技术属于电力运维设备
，具体涉及一种基于BP神经网络的SF6在线监测装置压力的预测方法。
技术介绍
SF6气体由于具有良好的电气绝缘性能以及优异的灭弧能力被广泛应用于SF6断路器、封闭式组合电器(GIS)等设备中。在设备运行过程中，SF6气体密度是决定断路器灭弧和绝缘能力的重要因素之一，可通过SF6密度继电器读取相应设备的SF6压力，或通过加装SF6在线监测装置来实现对SF6压力的实时跟踪和记录。受外部自然环境和内部导体电流等因素的影响，上述两种装置所示的SF6压力数据存在非线性的波动，若显示的SF6压力低于预设值，系统将会误发报警或闭锁信号，影响设备正常运行。因此，有必要对设备SF6压力变化规律进行研究和预测，从而分析判断某时刻设备SF6压力变化是否为正常现象，提升设备运行的可靠性。张立成等人针对一起SF6瓷柱式断路器SF6气压低报警事件进行研究，指出需要保证SF6密度继电器与主气室所处环境一致或接近，密度继电器的补偿功能才会正确实现；甄利等人通过对一台220kV断路器误发SF6气体压力低报警信号原因的分析，提出采取感温包的方法使密度继电器能够感知断路器本体所处环境温度，从而避免误发压力闭锁信号。王志斌研究了冬季严寒地区由于SF6液化造成的断路器闭锁问题，并通过采取对断路器进行临时加热的方法进行解决；李海波总结了各种类型SF6密度控制器的结构特点，定性分析了温度补偿方式、海拔、电气设备温升及表计漏油等因素对气体准确监测产生的影响，并结合产品设计、运行维护提出了相关的注意事项。陈远鸣研究了减少SF6在线监测装置测量误差的补偿方法，并用试验数据进行了验证。现有的研究主要从SF6压力变化的定性判断和减小测量误差等角度进行，缺乏针对实际运行的SF6气室压力变化的定量分析和预测。
技术实现思路
本专利技术的目的是提供一种基于BP神经网络的SF6在线监测压力预测方法，选取1000kVGIS设备某型号SF6在线监测装置压力为研究对象，分析外部自然环境和内部电流等因素对SF6压力变化的影响，建立BP神经网络预测模型，对SF6压力进行预测，提出了分析GIS设备压力降低原因的判别策略，为监测设备运行状态和鉴别压力降低原因提供参考。本专利技术采用如下技术方案：一种基于BP神经网络的SF6在线监测装置压力的预测方法，其包括如下步骤：(1)数据选取及处理：选取间隔断路器的待测相气室在线监测装置采集的压力数据、对应时刻的间隔断路器内部电流数据以及对应时刻的环境数据；(2)BP神经网络模型设计；(3)BP神经网络训练(4)BP神经网络对SF6在线监测装置压力的预测与分析。步骤(1)中，使用mapminmax函数对各类数据进行归一化处理，各变量取值范围为[-1，1]。步骤(1)中，所述环境数据包括环境温度、相对湿度、天气类型、风速、温度变化率。步骤(1)中，采样间隔为15分钟。步骤(2)中，所述BP神经网络模型采用3层拓扑结构BP神经网络，输入层节点为6个，分别为环境温度、相对湿度、天气类型、风速、温度变化率和导体电流；输出层节点为1个。步骤(2)中，隐含层的传递函数设置为tansig，输出层的传递函数设置为logsig，并设置训练函数为trainlm；隐含层节点为13个。步骤(3)中，使用MATLAB中的BP神经网络工具箱进行仿真训练。步骤(4)中，利用BP神经网络模型预测得到的压力误差数据设置误差阈值P0，衡量测量误差的有效性，进而对设备实际状态进行分析。步骤(4)中，当设备发生气压低报警信号时，可通过连续观测预测结果P'与实际压力P之间的差值关系对气室SF6压力降低进行原因鉴别。步骤(4)中，由BP神经网络预测所得结果P'与实际压力值P进行比较：如果连续2小时内P'与P差值基本小于P0，则可以判定气室压力数据正常，气室压力变化为由外界环境变化引起，并非设备发生漏气故障；如果连续2小时内，P'与P差值基本大于P0，且P值随着时间变化呈现下降趋势，则可判断为设备发生了漏气。本专利技术的有益效果在于：本专利技术主要研究基于BP神经网络的SF6在线监测装置压力预测方法，通过分析外部自然环境和内部导体电流等因素对SF6压力变化的影响，建立BP神经网络预测模型，对SF6在线监测装置的压力值进行预测，为监测设备正常运行提供数据参考。选取某特高压变电站GIS设备典型SF6在线监测装置气体压力数据和对应的自然环境及导体电流数据进行仿真分析，结果表明：压力预测值与真实值相比，预测准确度可达98.5％以上，验证了本专利技术预测模型的有效性。在此基础上，提出了分析GIS设备SF6压力降低原因的判别策略，为快速分析设备压力降低原因，提升设备运行可靠性提供有力支撑。附图说明图1为GIS断路器在线监测装置典型SF6压力曲线。图2为SF6压力变化的影响因素分析图。图3为各影响因素与SF6在线监测压力值的相关性结果图。图4为BP神经网络拓扑结构图。图5为BP神经网络预测模型。图6为BP网络训练结果。图7为回归性分析图。图8为BP神经网络整体预测误差图。图9为正态分布Q-Q图。图10为预测误差分布直方图。图11为BP神经网络预测图。具体实施方式下面结合本专利技术的实施例和附图对技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。1、SF6密度监测装置现有的SF6密度监测装置主要有SF6密度继电器和SF6在线监测装置两种，分别采用不同的温度补偿方式。SF6温度补偿原理如下：高压电气设备内的SF6气体密封在固定容器中，在20℃时额定压力下具有一定的密度，在设备不漏气的情况下，气体压力随温度变化而变化，但其密度始终不变。为了能够有效监测是否漏气，将所测得的实时压力转换为20℃时对应的压力，此转换后的压力可作为SF6气体密度，其实质是用20℃时的气体压力表示固定容积内气体含量。1.1SF6密度继电器目前，高压变电站中所使用的SF6气体密度继电器以机械指针式居多。指针式SF6密度继电器通过表盘内双金属片的膨胀和收缩来实现温度补偿。由于表盘体积较小，虽密度继电器与设备处于同一环境温度下，但其表盘温度变化速度远高于本体，此外，日晒辐射变化对表盘温度的影响也不可忽视。该类型装置的压力数据需要人工读数，数据精度低，且数据不易连续采集，可用于长期数据记录和对比，不适合用于短期的预测分析。1.2SF6密度在线监测装置随着智能监测技术的发展，数据精度高、具备实时监测和数据记录功能的SF6在线监测装置在超特高压变电设备的应用越来越普遍。SF6在线监测装置通常由信号采集、数据处理和通信、显示本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的SF

【技术特征摘要】
1.一种基于BP神经网络的SF6在线监测装置压力的预测方法，其特征在于，其包括如下步骤：
(1)数据选取及处理：选取间隔断路器的待测相气室在线监测装置采集的压力数据、对应时刻的间隔断路器内部电流数据以及对应时刻的环境数据；
(2)BP神经网络模型设计；
(3)BP神经网络训练；
(4)BP神经网络对SF6在线监测装置压力的预测与分析。


2.根据权利要求1所述的一种基于BP神经网络的SF6在线监测装置压力的预测方法，其特征在于，步骤(1)中，使用mapminmax函数对各类数据进行归一化处理，各变量取值范围为[-1，1]。


3.根据权利要求1所述的一种基于BP神经网络的SF6在线监测装置压力的预测方法，其特征在于，所述环境数据包括环境温度、相对湿度、天气类型、风速、温度变化率。


4.根据权利要求1所述的一种基于BP神经网络的SF6在线监测装置压力的预测方法，其特征在于，步骤(1)中，采样间隔为15分钟。


5.根据权利要求1所述的一种基于BP神经网络的SF6在线监测装置压力的预测方法，其特征在于，步骤(2)中，所述BP神经网络模型采用3层拓扑结构BP神经网络，输入层节点为6个，分别为环境温度、相对湿度、天气类型、风速、温度变化率和导体电流；输出层节点为1个。


...

【专利技术属性】
技术研发人员：许健，付炜平，王占宁，史晓龙，高淼，刘子豪，李江龙，孟延辉，赵智龙，王伟，刘慧娴，刘佳铭，林江凯，王春月，薛华玮，刘洋，高天宇，曹冬青，侯继发，张惠灵，罗梦青，张秋皓，段星烁，郭旭东，
申请(专利权)人：国网河北省电力有限公司检修分公司，国家电网有限公司，
类型：发明
国别省市：河北;13