一种开关柜的温湿度智能调节方法与流程

本发明涉及一种开关柜的温湿度调节方法，尤其涉及一种开关柜的温湿度智能调节方法，属于电气设备运行维护技术领域。

背景技术：

开关柜作为电力系统中重要的电气设备，相应的成套设备在变电站中也已经实现广泛应用，但近年来柜内爆炸事故常有发生，对电力系统稳定运行带来了重大挑战，同时大大降低现场人员的工作安全系数。而由于开关柜内封闭且空气不易流通的运行状态，常常会出现高温高湿的问题，这恰恰容易引起凝露现象的出现。凝露现象可能导致短时局部放电，长此以往会造成设备绝缘不可恢复的损伤，为事故埋下了严重隐患。

目前对开关柜的温湿度监测均通过柜内放置的传感器获得实时数据，之后采用阈值判断是否超过安全范围，最终驱动控制空调、除湿机等温湿度调节设备实现对温湿度的调节。现有的判断方法盲目且不可预见，只能分析当前温湿度出现凝露的可能性，无法预见当前对温湿度调节设备做出的控制对未来的影响，而凝露现象的出现条件非常复杂，盲目选择调节温度或湿度可能没有效果甚至适得其反，因此需要温湿度控制需要具备预见性。

强化学习作为智能算法之一近年来被广泛应用于设备控制领域，其具备良好的自学习能力，在多轮训练之后，可有效在虚拟环境中预见可能出现的错误情况并避免，从而自发地找到一个安全有效的解决问题的策略方法。

技术实现要素：

本发明要解决的技术问题是提供一种开关柜的温湿度智能调节方法。

为解决上述技术问题，本发明采用的技术方案是：

一种开关柜的温湿度智能调节方法，包括以下步骤：

步骤1：设置训练轮数；设置末轮标志为0；

步骤2：判断末轮标志是否为1；如果是，转向步骤3；否则，转向步骤4；

步骤3：设定温湿度累加值为0；

步骤4：初始化模拟开关柜的虚拟环境模块：所述虚拟环境模块包括价值表，所述价值表的行标签为状态，列标签为操作；温度不变且湿度不变，温度增加0.1℃且湿度不变，温度降低0.1℃且湿度不变，温度不变且湿度增加0.1％，温度不变且湿度降低0.1％，温度增加0.1℃且湿度增加0.1％，温度增加0.1℃且湿度减少0.1％，温度降低0.1℃且湿度增加0.1％，温度降低0.1℃且湿度降低0.1％；设置训练次数；

步骤5：状态检验：采集开关柜内的温湿度，如果价值表的状态与当前温湿度数据组合不重复，将其作为一项状态增加到价值表中；

步骤6：选择操作：随机选择所述价格表中的一项操作，价值最大的操作被选中的概率大于所述价格表中其他操作被选中的概率综合；如果末轮标志为1且选择的操作为对温湿度的增减，温湿度累加值增加温湿度的增减值；

步骤7：训练次数减1，判断训练次数是否大于0，如果是，转向步骤5，否则转向步骤8；

步骤8：评估产生凝露的可能性：确定与步骤6选择的操作对应的收益等级f：

式(1)中，t为温度，rh为相对湿度；式(1)中，t为温度，rh为相对湿度；更新所述价值表中与所述初始状态和操作对应的价值v(s0,ai)为v(s1,aj)＝v(s0,ai)+β(f+ωv(s1,aj)-v(s0,ai))；β为超参数学习率，ω为价值衰减率；

步骤9：训练轮数减1；判断训练轮数是否为1；如果是，转向步骤10；否则转向步骤11；

步骤10：设置末轮标志为1；

步骤11：判断训练轮数是否为0；如果是，转向步骤11；否则转向步骤2；

步骤12：温湿度控制：如果温度降低达1℃时，开启空调；如果湿度增加达2％，开启除湿机；

步骤13：间隔预设时间δt，转向步骤1。

进一步，训练轮数为10，训练次数为20。

采用上述技术方案所取得的技术效果在于：

本发明通过对每个时刻的温湿度建立虚拟环境状态，模拟实际温湿度的增减进行评估，多次训练后可以自动给出最合理的温湿度控制策略，可及时调整减少开关柜凝露的问题，提高电力系统的运行稳定性。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明的流程图。

具体实施方式

实施例1：

一种开关柜的温湿度智能调节方法，包括以下步骤：

步骤1：设置训练轮数；设置末轮标志为0；本实施例中训练轮数为10；

步骤2：判断末轮标志是否为1；如果是，转向步骤3；否则，转向步骤4；

步骤3：设定温湿度累加值为0；

步骤4：初始化模拟开关柜的虚拟环境模块：所述虚拟环境模块包括价值表，所述价值表的行标签为状态，列标签为操作；操作包括对温湿度的增减；设置训练次数，本实施例中，训练次数为20；如状态s1＝(20,60)指温度t＝20℃，相对湿度rh＝60％；操作如温度增加0.1℃；价值表的价值v(s0,ai)代表在状态s0进行操作ai后避免凝露的可能性；

步骤5：状态检验：采集开关柜内的温湿度，如果价值表的状态与当前温湿度数据组合不重复，将其作为一项状态增加到价值表中；

步骤6：选择操作：随机选择所述价格表中的一项操作，价值最大的操作被选中的概率大于所述价格表中其他操作被选中的概率综合；如果末轮标志为1，记录选择的操作；如果选择的操作为对温湿度的增减，温湿度累加值增加温湿度的增减值；

步骤7：训练次数减1，判断训练次数是否大于0，如果是，转向步骤5，否则转向步骤8；

步骤8：评估产生凝露的可能性：确定与步骤6选择的操作对应的收益等级f，根据公式β(f+ωv(s1,aj)-v(s0,ai))(其中β为超参数学习率，ω为价值衰减率，f为收益等级；v(s0,ai)为价值表中状态s0和操作ai对应的价值，v(s1,aj)为价值表中状态s1和操作aj对应的价值)算出该动作真实价值与估计价值之间的误差，更新所述价值表中与所述初始状态和操作对应的价值；

当状态s0进行操作ai变为状态s1并进行操作aj时，对价值表中状态s0进行操作ai的价值v(s0,ai)更新为v(s0,ai)+β(f+ωv(s1,aj)-v(s0,ai))；β为超参数学习率，ω为价值衰减率，f为收益等级；v(s0,ai)为价值表中状态s0和操作ai对应的价值，v(s1,aj)为价值表中状态s1和操作aj对应的价值；

在虚拟环境中模拟实际环境反馈功能，用于评估某状态进行操作后的新状态对于避免凝露的收益等级f的评估模型为：

步骤9：训练轮数减1；判断训练轮数是否为1；如果是，设置末轮标志为1；否则转向步骤10；

步骤9：训练轮数减1；判断训练轮数是否为1；如果是，转向步骤10；否则转向步骤11；

步骤10：设置末轮标志为1；

步骤11：判断训练轮数是否为0；如果是，转向步骤11；否则转向步骤2；

步骤12：温湿度控制：如果温度降低达1℃时，开启空调；如果湿度增加达2％，开启除湿机；

步骤13：间隔预设时间δt，转向步骤1。