System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电气设备绝缘状态监测,具体来说,涉及基于绝缘材料热解产物分析的电气设备绝缘状态监测方法。
技术介绍
1、电气设备的绝缘质量直接影响着电力系统的安全可靠运行,电气设备在长期运行过程中,各种因素会导致绝缘材料逐渐劣化,最终造成绝缘故障。利用气相色谱技术可以检测绝缘材料挥发的特定气体,实现对电气设备绝缘状态的评估,克服了传统方法的不足。当绝缘材料局部过热时,会产生特定挥发气体,通过分析这些气体的浓度变化,可以判断绝缘性能,实现对电气设备绝缘特性的评估和预警。
2、bp神经网络模型是一种广泛应用的多层前馈网络模型,具有强大的非线性映射能力,它包含输入层、隐含层和输出层。网络训练时,通过误差反向传播算法调整权值和阈值,使网络输出接近期望输出。
3、综合利用气相色谱技术分析热解气体与bp神经网络模型实现对电气设备绝缘状态的评估与预测,进行绝缘故障预警,保证设备的安全可靠运行,同时,该技术与当前的智能制造理念吻合,具有广阔的应用前景。
4、针对相关技术中的问题,目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题,本专利技术提出基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,以克服现有相关技术所存在的上述技术问题。
2、为此,本专利技术采用的具体技术方案如下:
3、基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,该基于绝缘材料热解产物分析的电气设备绝缘状态监测方法包括以下步骤:
4、s1
5、s2、确定每个温度区间对应的电气设备绝缘故障标准;
6、s3、对热解产物数据、气体组分及浓度数据进行预处理,并提取特征数据,构建并优化bp神经网络模型;
7、s4、利用bp神经网络模型对热解产物数据、气体组分及浓度数据进行预测,评估预测结果;
8、s5、将预测结果应用于实际监测中,并根据电气设备绝缘故障标准对结果进行预警分析。
9、进一步的,利用气相色谱仪分析不同加热温度下电气设备绝缘材料的热解产物数据,得到每个温度区间对应的气体组分及浓度数据包括以下步骤:
10、s11、选择不同类型的绝缘材料;
11、s12、在气相色谱仪中,将不同类型的绝缘材料在不同的温度下进行加热,得到不同温度区间绝缘材料释放的气体组分及浓度数据;
12、s13、分析不同温度区间绝缘材料释放的气体组分及浓度数据。
13、进一步的,确定每个温度区间对应的电气设备绝缘故障标准包括以下步骤:
14、s21、结合电气设备结构特征和绝缘材料特性,并设置不同温度范围的划分区间;
15、s22、在每个温度区间内,收集电气设备的绝缘故障数据;
16、s23、分析绝缘故障数据,确定不同温度区间的特征故障模式,制定每个温度区间的电气设备绝缘故障标准。
17、进一步的,对热解产物数据、气体组分及浓度数据进行预处理,并提取特征数据,构建并优化bp神经网络模型包括以下步骤:
18、s31、收集热解产物数据、气体组分及浓度数据,并进行数据清洗;
19、s32、对清洗后的数据进行归一化处理,并转化为bp神经网络模型的输入格式;
20、s33、获取归一化处理后的特征数据,并利用特征数据构建bp神经网络模型。
21、进一步的,对清洗后的数据进行归一化处理,并转化为bp神经网络模型的输入格式包括以下步骤:
22、s321、去除异常值,并将数据进行归一化处理,同时缩放到设定的范围内;
23、s322、连续型输入数据需要离散化,将输入空间划分为离散的状态区域;
24、s323、对类别型数据,将每个类别映射到向量中;
25、s324、对数据集中的数据顺序进行随机打乱,并将全部数据集按设定比例分为训练集、验证集和测试集,同时转为bp神经网络模型的输入格式。
26、进一步的,归一化的计算公式为:
27、
28、式中,x'表示归一化后的值;
29、x表示原始值;
30、amin表示数据集中的最小值;
31、amax表示数据集中的最大值。
32、进一步的,利用bp神经网络模型对热解产物数据、气体组分及浓度数据进行预测,评估预测结果包括以下步骤:
33、s41、根据bp神经网络模型的权重和偏置值,计算每个神经元的激活值,并将每个神经元的激活值传播到输出层;
34、s42、在网络的输出层,得到预测的热解产物数据、气体组分及浓度数据;
35、s43、将预测结果与实际值进行比较,计算预测误差;
36、s44、根据预测误差,使用梯度下降算法调整网络中的权重和偏置值;
37、s45、使用独立的测试集测试模型的预测能力,并评估模型的泛化能力。
38、进一步的,将预测结果与实际值进行比较,计算预测误差包括以下步骤:
39、s421、确定一个基准预测,判断评估指标;
40、s422、利用评估指标,计算模型预测和实际结果之间的误差指标;
41、s423、将计算出的误差与基准预测的误差进行对比,评估模型的性能。
42、进一步的,模型预测和实际结果之间的误差指标的计算公式为:
43、
44、式中,mae表示误差指标;
45、yi表示第i个样本的实际值;
46、表示第i个样本的预测值;
47、n表示样本数量。
48、进一步的,将预测结果应用于实际监测中,并根据电气设备绝缘故障标准对结果进行预警分析包括以下步骤:
49、s51、将bp神经网络模型预测得到的热解产物数据、气体组分及浓度数据应用于电气设备的实际监测中;
50、s52、将预测结果与电气设备绝缘故障标准进行对比,并进行判断;
51、s53、若预测结果超过了故障标准,则触发预警信号,并进行故障分析;
52、s54、根据故障分析的结果,采取措施进行故障修复;
53、s55、持续监测设备状态,并根据实际情况调整预测模型和故障标准,以更准确地预测和处理故障。
54、本专利技术的有益效果为:
55、1、本专利技术实现了对电气设备绝缘状态的智能评估,可以自动判断绝缘是否存在故障,有利于设备的安全运行;气相色谱分析热解产物提供了科学依据,不同温度区间对应的指标气体建立评判标准使评估具有准确性;bp神经网络模型实现绝缘状态评估的智能化,提高工作效率,通过样本训练实现气体数据与故障状态的准确对应,对运行中的电气设备进行实时监测和故障预警。
56、2、本专利技术提供一种新颖的电气设备状态监测思路,本文档来自技高网...
【技术保护点】
1.基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,该基于绝缘材料热解产物分析的电气设备绝缘状态监测方法包括以下步骤:
2.根据权利要求1所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述利用气相色谱仪分析不同加热温度下电气设备绝缘材料的热解产物数据,得到每个温度区间对应的气体组分及浓度数据包括以下步骤:
3.根据权利要求1所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述确定每个温度区间对应的电气设备绝缘故障标准包括以下步骤:
4.根据权利要求1所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述对热解产物数据、气体组分及浓度数据进行预处理,并提取特征数据,构建并优化BP神经网络模型包括以下步骤:
5.根据权利要求4所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述对清洗后的数据进行归一化处理,并转化为BP神经网络模型的输入格式包括以下步骤:
6.根据权利要求5所述的基于绝缘材料热解产物分析的电气设备绝缘状态监
7.根据权利要求1所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述利用BP神经网络模型对热解产物数据、气体组分及浓度数据进行预测,评估预测结果包括以下步骤:
8.根据权利要求7所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述将预测结果与实际值进行比较,计算预测误差包括以下步骤:
9.根据权利要求8所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述模型预测和实际结果之间的误差指标的计算公式为:
10.根据权利要求1所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述将预测结果应用于实际监测中,并根据电气设备绝缘故障标准对结果进行预警分析包括以下步骤:
...【技术特征摘要】
1.基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,该基于绝缘材料热解产物分析的电气设备绝缘状态监测方法包括以下步骤:
2.根据权利要求1所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述利用气相色谱仪分析不同加热温度下电气设备绝缘材料的热解产物数据,得到每个温度区间对应的气体组分及浓度数据包括以下步骤:
3.根据权利要求1所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述确定每个温度区间对应的电气设备绝缘故障标准包括以下步骤:
4.根据权利要求1所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述对热解产物数据、气体组分及浓度数据进行预处理,并提取特征数据,构建并优化bp神经网络模型包括以下步骤:
5.根据权利要求4所述的基于绝缘材料热解产物分析的电气设备绝缘状态监测方法,其特征在于,所述对清洗后的数据进行归一化处理,并转化...
【专利技术属性】
技术研发人员:初凤红,孙伟,陈军,杨小平,郭文祥,吴锋,
申请(专利权)人:大航有能电气有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。