一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型制造技术

本发明专利技术提供了一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其包括以下步骤，（1）选择用于预测模型的数据采样区域及其数据采样点，建立采样点样本库；（2）通过将对比学习和度量学习相结合建立神经网络，形成预测模型；（3）对步骤（2）形成的预测模型进行验证。本发明专利技术显著减小了拟合函数的压力与复杂性，提高预测精度。

【技术实现步骤摘要】
一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型
本专利技术涉及电力系统
，特别涉及一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型。
技术介绍
随着我国电力系统向更高压和更大容量发展，对系统运行的安全性和可靠性提出了越来越高的要求。接地网是电网为了保障人身和设备安全而必须设置的装置，目前我国普遍采用镀锌钢和碳钢作为接地网导体。随着我国生态环境的恶化和线路电压等级的提升，接地网材料表面的腐蚀程度不断加剧甚至发生断裂，严重影响着电网的安全运行。由于接地网常年埋在地下，因此会因为地下复杂的土壤环境常对其产生腐蚀，导致其接地性能劣化，进而影响整个电网的正常运行。由此，探究接地网的腐蚀规律非常重要。专利号为201510170082.9，名称为“一种接地网腐蚀状态诊断及预防方法”的专利，提出了对接地网水质信息、相对湿度信息和接地网材质并进行数据处理，但未提出明确的数据处理方法。专利号为201610053843.7，名称为“变电站Q235镀锌钢接地网的腐蚀率预测方法”，采用神经网络对接地网的腐蚀率进行预测，但是由于腐蚀本文档来自技高网...

【技术保护点】
1.一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其特征在于：其包括以下步骤，/n(1)选择用于预测模型的数据采样区域及其数据采样点，建立采样点样本库；/n(2)通过将对比学习和度量学习相结合建立神经网络，形成预测模型；/n(3)对步骤(2)形成的预测模型进行验证。/n

【技术特征摘要】
1.一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其特征在于：其包括以下步骤，
(1)选择用于预测模型的数据采样区域及其数据采样点，建立采样点样本库；
(2)通过将对比学习和度量学习相结合建立神经网络，形成预测模型；
(3)对步骤(2)形成的预测模型进行验证。


2.根据权利要求1所述的一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其特征在于：步骤(1)中数据采样区域为选择接地网中2-4个腐蚀支路，将该腐蚀支路所在区域作为数据采样区域；所述数据采样点为在所述数据采样区域内的接地网腐蚀样本点。


3.根据权利要求2所述的一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其特征在于：步骤(2)包括以下步骤，
(2-1)确定输入数据和输出数据：
输入数据为步骤(1)中数据采样区域对应土壤理化性质；
输出数据为数据采样区域对应的接地导体的腐蚀速率；
(2-2)通过度量学习和对比学习对步骤(2-1)的输入输出数据进行拟合。


4.根据权利要求3所述的一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其特征在于：步骤(2-1)中，接地导体的腐蚀速率为将数据采样区域的接地网腐蚀样本点处截取腐蚀支路对应的部分接地导体作为样本，利用失重法计算出对应接地导体的腐蚀速率。


5.根据权利要求3所述的一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其特征在于：步骤(2-1)中，土壤理化性质包括土壤电阻率、含水率、孔隙率、SO42-和Cl-的含量；
所述土壤电阻率的获得方法为：在数据采样区域内，垂直等距埋入地下4支金属探针，互相之间相隔为a，金属探针的埋入深度不超过a的5％；
土壤电阻率计算公式为：
ρ＝2πaR(1)；
式中ρ为土壤电阻率，a为两个相邻金属探针之间的距离，R为接地电阻测量仪读数。


6.根据权利要求3所述的一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其特征在于：步骤(2-2)包括以下步骤，
(2-2-1)通过度量学习确定虚拟度量指标α；
(2-2-2)对虚拟度量指标α进行训练，通过对比学习对虚拟度量指标α的拟合误差进行自监督对比学习，根据对比学习算法对虚拟度量指标α进行优化；
如果步骤(2-2-2)结果不收敛，则返回步骤(2-2-1)中，重新确定虚拟度量指标α值，直至结果收敛。


7.根据权利要求6所述的一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其特征在于：步骤(2-2-1)中，确定虚拟度量指标α的方法为：...

【专利技术属性】
技术研发人员：李文彬，王勇，冯砚厅，王庆，徐雪霞，李国维，陈二松，
申请(专利权)人：国网河北省电力有限公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：河北;13