一种基于BP神经网络的同轴电缆绝缘老化状态评估方法与流程

文档序号:18794124发布日期:2019-09-29 19:20阅读:373来源:国知局
一种基于BP神经网络的同轴电缆绝缘老化状态评估方法与流程

本发明属于同轴电缆绝缘状态评估技术领域,涉及一种基于bp神经网络的同轴电缆绝缘老化状态评估方法。



背景技术:

同轴电缆在现在电力系统的电能的传输中起着极其重要的作用,其运行状态直接影响电力系统的安全与稳定。电缆的设计寿命一般为20到30年,随着电缆运行年限的增加,其绝缘会逐渐发生老化,整体绝缘状态逐步劣化,对于运行多年的电缆,其整体绝缘老化较为严重,同时,若电缆的运行环境较为恶劣,如潮湿、含腐蚀性物质、辐射严重,则其整体绝缘的老化将更为迅速,此时电缆的运行寿命很可能低于设计使用寿命。因此电缆绝缘老化状态的评估尤其重要,若不能较好的评估其绝缘老化状态,以准确估计其更换时间,则易引发电缆的故障的产生,电缆故障一旦发生,将导致大型电气系统的停运甚至失控,造成严重的经济损失和社会影响。

目前对于电缆绝缘老化的评估方法较多,如中国专利cn201511018070.0公开了一种电缆绝缘老化状态评估方法,对电缆试样进行切片,选取140℃和160℃两个温度点进行热老化,老化完毕后取出试样在室温下放置24h,对老化后的试样进行拉伸实验、差示扫描量热实验、红外光谱实验以及热重实验,并获取相关数据参数;根据数据参数对电缆绝缘老化状态进行表征,用以评价电缆绝缘的老化状态;中国专利cn201710192018.x公开了一种电力电缆的绝缘状态评估装置及方法,施加冲击电压于电力电缆,采集高频分压器和高频电流互感器所获取的冲击电压和冲击电流的波形数据计算得到等效冲击电阻值,根据等效冲击电阻值对电缆绝缘状态进行判断。

以上对于电缆绝缘状态的方法,均能在一定程度上对电缆的绝缘老化状态进行评估,但是所选用的参考量单一,不能完全反应电缆绝缘的真正老化情况,同时,这些老化评估手段未能够充分考虑数据测量存在的分散性影响可能产生误判结果。



技术实现要素:

本发明的目的在于克服上述现有技术的缺点,提供了一种基于bp神经网络的同轴电缆绝缘老化状态评估方法,该方法能够较为准确的评估同轴电缆的绝缘老化状态。

为达到上述目的,本发明所述的基于bp神经网络的同轴电缆绝缘老化状态评估方法包括以下步骤:

1)选取与待评估同轴电缆相同型号且处于不同老化程度的若干同轴电缆样本,测量各同轴电缆样本的特征参数,所述特征参数包同轴电缆输入阻抗相位频谱的平均功耗、主绝缘材料的硬度、体积电阻率和介质损耗因数以及同轴电缆的局部放电量;

2)根据步骤1)测量得到的各同轴电缆样本的特征参数将各同轴电缆样本划分为不同的状态等级;

3)构建bp神经网络模型,根据各同轴电缆样本的特征参数以及状态等级对bp神经网络模型进行训练,得训练后的bp神经网络模型;

4)获取待评估同轴电缆的特征参数,再根据待评估同轴电缆的特征参数通过步骤3)得到的训练后的bp神经网络模型对待评估同轴电缆的状态等级进行评估。

同轴电缆样本的状态根据同轴电缆投运的年限确定,各同轴电缆样本的投运年限不同。

步骤4)之后还包括:将待评估同轴电缆的特征参数及状态等级输入到训练后的bp神经网络模型中对训练后的bp神经网络模型进行补充训练,得新的训后的bp神经网络模型。

步骤2中的同轴电缆样本的状态分级规则具体为:当同轴电缆的各项特征参数均正常,且运行年限不超过10年,则评定该同轴电缆的状态为优;当同轴电缆的各项特征参数均正常,且运行年限超过10年,则评定该同轴电缆的状态为良;当同轴电缆的特征参数中存在指标异常,但不影响同轴电缆正常运行,则评定同轴电缆的状态为中;当同轴电缆的特征参数中存在指标异常,且有故障影响同轴电缆正常运行,则评定该同轴电缆的状态为差。

步骤1)中将同轴电缆样本的各特征参数测量三次,然后将三次测量的平均值作为该特征参数的最终结果。

步骤1中,在获取同轴电缆输入阻抗相位频谱的平均功耗时,在电缆阻抗频谱测试过程中,需控制同轴电缆末端开路或者短路,所测频率范围需保证电缆阻抗频谱中至少包含5个完整的振荡周期。

本发明具有以下有益效果:

本发明所述的基于bp神经网络的同轴电缆绝缘老化状态评估方法在具体操作时,构建bp神经网络模型,根据各同轴电缆样本的特征参数以及状态等级对bp神经网络模型进行训练,得训练后的bp神经网络模型,然后利用训练后的bp神经网络模型对待评估同轴电缆的状态等级进行评估,操作简单、方便,评估的精度较高。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述:

参考图1,本发明所述的基于bp神经网络的同轴电缆绝缘老化状态评估方法包括以下步骤:

步骤1,选取与待评估同轴电缆相同型号、处于不同老化程度的若干同轴电缆样本,测量每个同轴电缆样本的特征参数,特征参数包括同轴电缆输入阻抗相位频谱的平均功耗、主绝缘材料的硬度、体积电阻率和介质损耗因数以及同轴电缆的局部放电量;步骤1中选取的样本同轴电缆包括处于不同绝缘老化状态的同轴电缆。在测量特征参数时,每个参数均在同一条件下重复测量三次以上,取测量数据的平均值作为各参数的最终测量结果。

步骤1)中的各特征参数具体测量方法为:

同轴电缆输入阻抗相位频谱的平均功耗。选取若干型号相同的同轴电缆,电缆长度不限,以同轴电缆的导体芯线和外导体屏蔽层构成测试回路,测量时,电缆非测量端(即末端)的芯线导体和外导体屏蔽层处于开路或者短路状态;利用阻抗分析设备,扫频测量固定频率范围[f1,f2]的输入阻抗,得输入阻抗相位频谱,所测频率范围需保证电缆阻抗频谱中至少包含5个完整的振荡周期。按照式(1)提取阻抗相位频谱的平均功耗,并取3次测量结果的平均值作为最终的参量值,所述平均功耗指不同频率下输入阻抗相位φ(f)取绝对值后的平均值,其具体定义如下:

其中,p为平均功耗,φ(f)为阻抗相位频率函数,f1及f2分别为测量频率的上下限。

同轴电缆主绝缘材料的硬度。选取若干型号相同的同轴电缆,利用通用切片机获取同轴电缆主绝缘材料的片状试样,利用硬度计进行硬度测试,硬度计及硬度测量实验步骤符合gb/t6032中的规定,取3组试样测试结果的平均值作为最后的硬度参数。

同轴电缆主绝缘材料的体积电阻率。选取若干型号相同的同轴电缆,利用通用切片机获取同轴电缆主绝缘材料试样,试样要求和测试步骤根据gb/t1410-2006而定,测量获取电化1min时的体积电阻率,并取3组测试结果的平均值为最终的体积电阻率参数。

主绝缘材料的介质损耗因数。选取若干型号相同的同轴电缆,利用通用切片机获取同轴电缆主绝缘材料试样,试样要求和测试步骤根据gb/t1409-2006而定,取3组测试结果的平均值为最终的介质损耗因数参数。

同轴电缆的局部放电量按照gb/t3048.12-2007中短电缆的试验方法进行测试,取3次测试结果的平均值作为最终的局部放电量参数。

步骤2,根据步骤1测得的特征参数将选取的样本同轴电缆分为不同的状态等级;具体分级规则为:

当同轴电缆的各项特征参数均正常,且运行年限不超过10年,则评定该同轴电缆的状态为优;当同轴电缆的各项特征参数均正常,且运行年限超过10年,则评定该同轴电缆的状态为良;当同轴电缆的特征参数中存在指标异常,但不影响同轴电缆正常运行,则评定同轴电缆的状态为中;当同轴电缆的特征参数中存在指标异常,且有故障影响同轴电缆正常运行,则评定该同轴电缆的状态为差。

步骤3,建立bp神经网络模型,将步骤1测得的同轴电缆样本的特征参数和步骤2的状态分级输入到神经网络模型中,得训练后的bp神经网络模型。

步骤4,测量待测同轴电缆的特征参数,将待测同轴电缆的特征参数输入到训练后的bp神经网络模型中,对待测同轴电缆进行状态评估。

步骤5,待测同轴电缆的特征参数及状态评估结果作为补充输入,对bp神经网络模型进行补充训练,得新的bp神经网络模型,利用新的bp神经网络模型进行下次评估使用。

本发明通过选取同轴电缆绝缘状态等级不同,包括优、良、中、差的同轴电缆样本各若干,保证处于不同等级状态的同轴电缆样本不少于5份,按照步骤1分别测量同轴电缆样本的输入阻抗相位频谱的平均功耗,主绝缘材料的硬度、体积电阻率、介质损耗因数,同轴电缆的局部放电量,以样品同轴电缆测得的参数作为训练样本对同轴电缆绝缘状态评估神经网络进行训练,建立并训练获得神经网络状态评估模型,评估模型能够综合考量了5个特征参量之间的关系,可智能化的对5个参数与同轴电缆绝缘状态之间的关系进行拟合,从而可得到较为可靠的评估模型,获得评估结果较为准确。另外,本发明的同轴电缆绝缘状态评估方法是一种分析不确定性的系统分析方法,能够通过数据积累,将特征参数与目标函数之间进行线性拟合,并通过前馈反馈矩阵自动调节线性参数,从而达到最优解,进而能够自适应的对同轴电缆绝缘状态进行评价。

综上,本发明的一种基于神经网络法的同轴电缆绝缘老化状态评估方法通过综合同轴电缆输入阻抗相位频谱的平均功耗,主绝缘材料的硬度、体积电阻率、介质损耗因数,同轴电缆的局部放电量5个参量,得出同轴电缆在某运行环境随运行时间的性能变化,通过神经网络法对同轴电缆的绝缘状况进行打分,对其工作状况进行评价。

本发明针对现有同轴电缆绝缘状态评估方法存在的不足,提出了一种针对测量数据容错率较高的同轴电缆绝缘状态评估方法,通过测量并综合多种状态下同轴电缆的5个特征参量,可较为准确的评估同轴电缆绝缘状态,能够有效维护电力系统的稳定运行,提高电网的安全性;对电力系统的稳定运行、节约经济成本有着极大的实际意义。需要注意的是,本发明所涉及的神经网络模型需要一定的样本采集和数据积累,即需要先对不同状态的同轴电缆样本进行测量,并利用测量数据对神经网络进行训练,同时,训练样本越多,其模型准确率也越高。

本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

以上内容是结合具体的实施方式对本发明所作的进一步说明,不能认定本发明的具体实施方式仅限于此,对于构思本发明所属技术领域的与本发明相同工艺过程,都视为本发明有所提交的权利要求所限定的专利保护范围。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1