一种基于机器学习的超导电缆运维评估方法技术

本发明专利技术公开了一种基于机器学习的超导电缆运维评估方法，包括如下步骤：S1，收集超导电缆运行工况的特征属性数据，得到运行数据集；S2，将数据集划分为训练集和测试集两部分。用训练集中的特征与标签对超导电缆运行故障工况分类器进行训练，用训练后的模型对测试集进行实验，把对测试集中进行测试后的标签与原始标签进行比较分析，评估故障分类器的实际分类效果是否准确，最终得到关于超导电缆运的故障分类器；S3，将特征属性数据输入超导电缆健康度评估评价系统，得到关于超导电缆运行状态的健康度指标；S4，对于处于不健康的运行状态的超导电缆，通过故障分类器进行运行工况分类；S5，根据运行工况分类执行与工况类型匹配的故障维护措施。本发明专利技术能够实现超导电缆运行状态的智能评估。的智能评估。

【技术实现步骤摘要】
一种基于机器学习的超导电缆运维评估方法


[0001]本专利技术涉及一种用于超导电缆运维领域的基于机器学习的超导电缆运维评估方法。

技术介绍

[0002]近年来，随着用电量上升，全国主要城市用电负荷不断升高，现有的常规电力电缆在高密度、大容量送电领域越来越难以满足用电快速增长的要求。随着高温超导材料的不断发展，具有容量大、损耗低、通道窄、环境友好等优势的高温超导电缆项目相继落地推进，在未来城市高密度输电应用中极具潜力。
[0003]与常规电力电缆不同，高温超导电缆系统构成复杂，涉及低温、真空等多个交叉学科，运行特性也与常规电缆存在较大差异，监测状态量更多。超导电缆的载流能力对温度、磁场等参数均较为敏感。现有的针对常规电缆的运维、检测、应急处理方法都无法直接移植到超导电缆中。因此，需要开发不同于常规电缆的超导电缆运维评估方法。

技术实现思路

[0004]本专利技术的目的是为了克服现有技术的不足，提供一种基于机器学习的超导电缆运维评估方法，它能够实现超导电缆运行状态的智能评估。
[0005]实现上述目的的一种技术方案是：一种基于机器学习的超导电缆运维评估方法，包括如下步骤：
[0006]S1，收集超导电缆运行工况的特征属性数据，得到运行数据集；
[0007]S2，将数据集划分为训练集和测试集两部分。用训练集中的特征与标签对超导电缆运行故障工况分类器进行训练，用训练后的模型对测试集进行实验，把对测试集中进行测试后的标签与原始标签进行比较分析，评估故障分类器的实际分类效果是否准确，最终得到关于超导电缆运的故障分类器；
[0008]S3，将特征属性数据输入超导电缆健康度评估评价系统，得到关于超导电缆运行状态的健康度指标；
[0009]S4，对于处于不健康的运行状态的超导电缆，通过故障分类器进行运行工况分类；
[0010]S5，根据运行工况分类执行与工况类型匹配的故障维护措施。
[0011]进一步的，S1中，超导电缆运行工况的特征属性数据分别为入口温度T
in
、出口温度T
out
、体积流量V
in
、辐射漏热Q1、接头漏热Q3和工作电流I。
[0012]进一步的，S2中，故障分类器得到的运行工况分类为正常工况、液氮入口体积流量降低、辐射漏热升高、电缆接头漏热升高和负荷电流过高。
[0013]再进一步的，S3中，超导电缆健康度评估评价系统具体为：
[0014][0015]式中，H1和H2为满分100的健康度，其余各项为辅助计算参量：HV为体积流量健康损耗度、HQ1为辐射漏热健康损耗度、HQ3为接头漏热健康损耗度、HI为负荷电流健康损耗度。
[0016]本专利技术的基于机器学习的超导电缆运维评估方法能够通过超导电缆的运行特征数据准确的判断超导电缆的运行状态，同时能够直观地看出多种异常工况及其发生程度对超导电缆健康程度的影响大小
具体实施方式
[0017]为了能更好地对本专利技术的技术方案进行理解，下面通过具体地实施例进行详细地说明：
[0018]本专利技术的一种基于机器学习的超导电缆运维评估方法，包括如下步骤：
[0019]S1，收集超导电缆运行工况的特征属性数据，得到运行数据集；
[0020]S2，将数据集划分为训练集和测试集两部分。用训练集中的特征与标签对超导电缆运行故障工况分类器进行训练，用训练后的模型对测试集进行实验，把对测试集中进行测试后的标签与原始标签进行比较分析，评估故障分类器的实际分类效果是否准确，最终得到关于超导电缆运的故障分类器；
[0021]S3，将特征属性数据输入超导电缆健康度评估评价系统，得到关于超导电缆运行状态的健康度指标；
[0022]S4，对于处于不健康的运行状态的超导电缆，通过故障分类器进行运行工况分类；
[0023]S5，根据运行工况分类执行与工况类型匹配的故障维护措施。
[0024]S1中，超导电缆运行工况的特征属性数据分别为入口温度T
in
、出口温度T
out
、体积流量V
in
、辐射漏热Q1、接头漏热Q3和工作电流I。正常工况各参量基准值参见下表。
[0025]正常工况各参量基准值
[0026][0027]S2中，故障分类器得到的运行工况分类为正常工况、液氮入口体积流量降低、辐射漏热升高、电缆接头漏热升高和负荷电流过高。
[0028]S3中，方便综合性地分析超导电缆健康度，引入“健康度指数”概念。根据上述对各
种异常工况的分析，对以上四类异常工况进行总结，如下表所示：
[0029]超导电缆异常状态总结
[0030][0031][0032]根据正常工况各参量基准值，结合异常工况中设定健康度指数H的计算公式如式：
[0033][0034]式中，H1和H2为满分100的健康度，其余各项为辅助计算参量：H
V
为体积流量健康损耗度、H
Q1
为辐射漏热健康损耗度、H
Q3
为接头漏热健康损耗度、H
I
为负荷电流健康损耗度。
[0035]H1为温度和流量指示的健康度指数，仅由液氮入口温度、出入口温度差和流量决定，反映了超导电缆所处的工作健康状态，并可以实时接入超导电缆温度、压力传感器给出的反馈值进行计算。H1的系数整定标准为：参照基准值，液氮入口温度每升高1K健康度扣5分，出入口温差在每升高1K健康度扣4分。
[0036]H2为一种比较精确反映超导电缆运行情况的健康度指数，建立在液氮流量V_in、辐射漏热Q1、接头损耗Q3、负荷电流I四个参量上。然而，辐射漏热Q1和接头损耗Q3无法直接通过传感器测量，因此H2不能直接作为超导电缆在线运行时评判的健康度，而应结合液氮流管仿真模型进行参考性的计算评估。在健康度指数H2的健康度评判公式中，系数的整定来自于健康度概念的定义。对于体积流量健康损耗度H
V
而言，若出口温度的升高仅仅由于体积流量减少而引起，那么在出口温度达到80K的情况下H
V
刚好扣掉20分，由此得到比例系数12.5。对于其他几种健康损耗度而言，都遵循单独影响时刚好在出口温度80K的情况下总健康度降20分的整定原则来设置。在上述规律下，健康度指数H2在85分及以上，可以较为主观地判定超导电缆工作状态良好；反之则认为需要人工检查具体各监测参数的状态以判定存在何种问题。
[0037]利用H2，对超导电缆流管仿真模型中的随机工况进行评估，选取一些典型异常状态，算例如下表所示。从结果中，也能比较直观地看出多种异常工况及其发生程度对超导电缆健康程度的影响大小。
[0038]仿真模型工况健康度算例
[0039][0040]S5，根据运行工况分类执行与工况类型匹配的故障维护措施。为了保护超导电缆在挂网运行期间遭受故障时不会面临巨大的失超及损坏风险，应在超导电缆两端设置并联的备用线路。当电缆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的超导电缆运维评估方法，其特征在于，包括如下步骤：S1，收集超导电缆运行工况的特征属性数据，得到运行数据集；S2，将数据集划分为训练集和测试集两部分。用训练集中的特征与标签对超导电缆运行故障工况分类器进行训练，用训练后的模型对测试集进行实验，把对测试集中进行测试后的标签与原始标签进行比较分析，评估故障分类器的实际分类效果是否准确，最终得到关于超导电缆运的故障分类器；S3，将特征属性数据输入超导电缆健康度评估评价系统，得到关于超导电缆运行状态的健康度指标；S4，对于处于不健康的运行状态的超导电缆，通过故障分类器进行运行工况分类；S5，根据运行工况分类执行与工况类型匹配的故障维护措施。2.根据权利要求1所述的一种基于机器学习的超导电缆运维评估方法，其特征在于，S1中，超导电缆运行工况的特征属性数据分别为入口温度T
i...

【专利技术属性】
技术研发人员：张寒，王晓东，龚黎翔，刘俊，沈珑桓，张煜，徐新雄，方韡，徐嘉文，叶晨宸，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：