基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于POD
‑
RBF和KNN误差校正的电力舱温度反演方法及系统


[0001]本专利技术属于电力舱防灾减灾温度监测
，特别涉及一种基于
POD
‑
RBF
和
KNN
误差校正的电力舱温度反演方法
。

技术介绍

[0002]电力舱是城市用电系统的重要组成部分，其稳定可靠的运行对于城市用电安全至关重要；电力舱内空间相对封闭且通风条件有限，面对电缆过电流或绝缘层损坏等情况将导致电力设备过热，引发火灾或爆炸等严重后果，危及城市用电安全；因此，掌握电力舱的内部温度情况对电力舱的安全
、
稳定运行具有十分重要的意义
。
[0003]目前，关于电力舱内部温度的获取方法主要包括：温度传感器法
、
红外线测温法
、
热像仪法和数值模拟法，上述方法的优缺点分别如下：
[0004]1，温度传感器法可以精确测量电力舱内部点位的温度，但由于其测量范围有限且电力设备在电力舱内排布密集，无法低成本获取电力舱整体的温度信息；
[0005]2，红外线测温法和热像仪法可以实时获得电力舱表面温度情况，但成本较高，且电力舱内高温
、
高湿的复杂坏境极易影响温度测量的准确性；
[0006]3，数值模拟法可以较准确的计算电力舱内部整体温度情况，但在面对电力舱这类复杂动态模型时，不同条件下需进行重复计算，计算代价较高，难以实时获取电力舱的整体温度
。
[0007]部分现有技术通过代理模型来实现电力舱内部温度的估计；代理模型是对真实模型的简化表达形式，可以使用统计学
、
机器学习或人工智能等方法构建；代理模型基于已有的观测数据和真实模型模拟结果，通过建立输入变量和输出变量之间的映射关系，来实现对温度场的估计；代理模型的优点在于其计算效率高
、
灵活性强和可扩展性好
,
它可以通过训练数据来学习电力舱的温度分布，从而能够在更短的时间内提供温度预测结果
,
此外，代理模型还可以用于不同地下条件下的温度反演，具有较强的通用性；然而，代理模型通常是通过训练数据学习得到的近似模型，因此存在模型误差
,
这意味着代理模型的预测结果可能与真实温度分布存在一定的差异，缺乏根据实测数据动态校正误差的能力；因此，需要设计一种基于
POD
‑
RBF
和
KNN
误差校正的电力舱温度反演方法来解决上述问题
。

技术实现思路

[0008]本专利技术所要解决的技术问题是提供基于
POD
‑
RBF
和
KNN
误差校正的电力舱温度反演方法，该方法解决了现有技术在计算不同工况下电力舱整体温度分布时算力需求大
、
适应性差的问题，具有可直接获得电力舱的整体温度分布情况，实现电力舱的的实时温度获取的特点
。
[0009]为解决上述技术问题，本专利技术所采用的技术方案是：
[0010]基于
POD
‑
RBF
和
KNN
误差校正的电力舱温度反演方法，包括以下步骤：
[0011]S1
，采用有限元仿真方法构建电力舱的二维仿真模型，并加载不同工况下的电缆
通流情况，获得不同工况下的电力舱温度场仿真数据集；
[0012]S2
，采用本征正交分解对电力舱温度场仿真数据集降维处理，提取主要特征，并利用降维后的特征数据基于径向基函数方法构建电力舱的温度反演模型；
[0013]S3
，通过
K
最近邻算法引入特征温度点，并将其作为校正参数；在温度反演过程中，通过校正参数调整反演结果，以提高反演的准确性；
[0014]S4
，根据实际电力舱的特定工况，输入实际电缆通流情况与特征温度点温度，反演得到电力舱的整体温度分布情况
。
[0015]优选地，步骤
S1
中，电力舱温度场仿真数据集的获取方法为：通过有限元仿真方法所构建的电力舱二维仿真模型在不同电缆通流情况下获得
。
[0016]优选地，步骤
S3
中，
K
最近邻算法通过选定的特征温度点来校正温度反演结果
。
[0017]优选地，所述特征温度点的数量为6～
10。
[0018]优选地，步骤
S3
中，校正参数根据最近邻样本的特征温度点温度与特征温度点的实测温度以及与温度校正点的欧氏距离共同决定
。
[0019]优选地，步骤
S4
中，电力舱的不同工况包括电缆通流情况和特征温度点的温度；电缆通流情况为相应电压等级的电缆额定电流与最大载流量组成的9组正交参数
。
[0020]优选地，基于
POD
‑
RBF
代理模型和特征点
KNN
校正的电力舱温度反演系统，包括温度场数据收集模块
、
校正参数选择模块
、
反演模型构建模块
、
特征温度点选择模块
、
温度误差校正模块和实时反演模块
。
[0021]优选地，校正参数选择模块通过仿真获得的数据选择特征温度点来校正温度反演结果
。
[0022]优选地，温度误差校正模块根据实际情况选择的特征温度点和反演模型的输出进行校正
。
[0023]优选地，实时反演模块在电力舱内实时反演温度分布
。
[0024]进一步地，温度场数据收集模块用来采用多物理场耦合方法建立电力舱的二维仿真模型，并对高压电缆加载不同的电流大小，收集不同工况下的电力舱温度场数据，并组成电力舱温度分布的仿真数据集
。
[0025]进一步地，反演模型构建模块用于采用本征正交分解方法对温度场数据进行降维处理，提取主要特征；基于径向基函数方法构建电力舱的温度反演模型，利用降维后的特征数据进行模型构建
。
[0026]进一步地，特征温度点选择模块通过
K
‑
means
聚类算法识别舱内的不同温度区域的特征温度点，并在预选出一部分特征温度点后进一步手动筛选，以在保证合理性
、
代表性的前提下尽量减少特征点数量
。
同时，通过对选出的特征温度点电力舱的实际位置安装温度传感器获得电力舱的真实温度值，并将其作为实测参数
。
[0027]进一步地，温度误差校正模块使用
KNN
方法结合特征温度点对温度反演模型的结果进行误差校正
。
[0028]进一步地，实时反演模块用于根据实际电力舱的高压电缆通流情况以及实际特征温度点的测量温度，对电力舱进行温度反演，获得电力舱的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
POD
‑
RBF
和
KNN
误差校正的电力舱温度反演方法，其特征在于：包括以下步骤：
S1
，采用有限元仿真方法构建电力舱的二维仿真模型，并加载不同工况下的电缆通流情况，获得不同工况下的电力舱温度场仿真数据集；
S2
，采用本征正交分解对电力舱温度场仿真数据集降维处理，提取主要特征，并利用降维后的特征数据基于径向基函数方法构建电力舱的温度反演模型；
S3
，通过
K
最近邻算法引入特征温度点，并将其作为校正参数；在温度反演过程中，通过校正参数调整反演结果，以提高反演的准确性；
S4
，根据实际电力舱的特定工况，输入实际电缆通流情况与特征温度点温度，反演得到电力舱的整体温度分布情况
。2.
根据权利要求1所述的基于
POD
‑
RBF
和
KNN
误差校正的电力舱温度反演方法，其特征在于：步骤
S1
中，电力舱温度场仿真数据集的获取方法为：通过有限元仿真方法所构建的电力舱二维仿真模型在不同电缆通流情况下获得
。3.
根据权利要求1所述的基于
POD
‑
RBF
和
KNN
误差校正的电力舱温度反演方法，其特征在于：步骤
S3
中，
K
最近邻算法通过选定的特征温度点来校正温度反演结果
。4.
根据权利要求3所述的基于
POD
‑
RBF
和
KNN
误差校正的电力舱温度反演方法，其特征在于：所述特征温度点的数量为
6~10。5.
根据权利要求1所述的基于
POD
‑
RBF
和...

【专利技术属性】
技术研发人员：姜岚，李远，关天宇，别一格，王茜雯，张迎春，陈云桥，曹芝滔，周蠡，
申请(专利权)人：三峡大学，
类型：发明
国别省市：