基于有限元法和BP神经网络的电缆缆芯温度预测方法与流程

未命名 08-29 阅读:265 评论:0

基于有限元法和bp神经网络的电缆缆芯温度预测方法
技术领域
1.本发明涉及一种电缆温度预测方法,尤其涉及一种基于有限元法和bp神经网络的电缆缆芯温度预测方法。


背景技术:

2.高压电缆缆芯温度是其运行状态的重要状态参数,是电缆电流、环境温度、散热条件及绝缘状态的综合反映,电缆发生绝缘或短路故障前,电缆本体会出现局部温度过高的迹象,即使不出现运行故障等宏观特征,电缆温度过高也会加速绝缘老化,甚至热击穿,增大电缆绝缘故障发生的风险,因此,对于电缆的缆芯温度进行准确检测是极为重要的。
3.现有技术中,对于电缆的温度监测通过传感器的方式监测时只能对其表面的温度进行检测,并不能反映电缆缆芯的温度,而对于缆芯的温度预测包括iec标准解析法、有限差分法、边界元法等,这些方法虽然能够对电缆缆芯的温度进行预测,但是其准确性不搞,而且过程较为复杂。
4.因此,为了解决上述技术问题,亟需提出一种新的技术手段。


技术实现要素:

5.有鉴于此,本发明的目的是提供一种基于有限元法和bp神经网络的电缆缆芯温度预测方法,基于有限元法对电缆缆芯的温度进行预测,然后基于电缆的相关参数对bp神经网络进行训练,通过有限元法和电缆缆芯的预测相结合的方式,能够有效提升预测效率,而且在能够有效确保最终预测结果的精确性,为后续电缆运行故障识别提供准确的数据支持。
6.本发明提供的一种基于有限元法和bp神经网络的电缆缆芯温度预测方法,包括以下步骤:
7.s1.获取待测电缆的结构、材料热参数以及边界条件;
8.s2.根据步骤s1获取的参数建立待测电缆的有限元模型,基于待测电缆的有限元模型计算待测电缆的缆芯温度;
9.s3.获取待测电缆温度样本数据,包括体积生成热、环境温度以及待测电缆的表面温度;并对温度样本数据进行预处理;
10.s4.构建bp神经网络,将温度样本数据输入至bp神经网络中并对bp神经网络进行训练,并判断bp神经网络对电缆缆芯温度的预测值与基于有限元模型计算得到的缆芯温度之差是否小于设定值,如是,则bp神经网络训练完成;
11.s5.获取实际运行环境中的待测电缆温度样本数据,并进行预处理后输入至训练完成的bp神经网络中进行处理,得到实际运行环境中的待测电缆的缆芯温度。
12.进一步,边界条件包括:
13.第1类边界条件:边界温度:
14.t
γ
=tw,γ为有限元模型的积分边界,tw为已知的积分边界温度;
15.第2类边界条件:边界法向热流密度:
16.λ为导热系数,表示积分边界法向热流密度,qw为已知的热流密度;
17.第3类边界条件:对流换热边界条件:
18.其中,h为对流换热系数,tf为待测电缆所处流体温度。
19.进一步,待测电缆的结构包括缆芯导体、绝缘层、金属屏蔽层和外护套。
20.进一步,材料热参数包括缆芯导体的导热系数、绝缘层的导热系数、外护套的导热系数、待测电缆外部环境热阻系数、待测电缆外部环境的温度以及对流换热系数。
21.进一步,通过如下方法确定体积生成热qi:
22.其中:i为流过电缆缆芯的有效电流,ri为待测电缆第i层的有效半径,pi为待测电缆第i层的电阻率,当i为1时表示缆芯导体,i为2时表示绝缘层,i为3时表示金属屏蔽层,i为4时表示外护套。
23.进一步,步骤s3和步骤s5中的对温度样本数据进行预处理为归一化处理。
24.本发明的有益效果:通过本发明,基于有限元法对电缆缆芯的温度进行预测,然后基于电缆的相关参数对bp神经网络进行训练,通过有限元法和电缆缆芯的预测相结合的方式,能够有效提升预测效率,而且在能够有效确保最终预测结果的精确性,为后续电缆运行故障识别提供准确的数据支持。
附图说明
25.下面结合附图和实施例对本发明作进一步描述:
26.图1为本发明流程示意图。
具体实施方式
27.以下进一步对本发明做出详细说明:
28.本发明提供的一种基于有限元法和bp神经网络的电缆缆芯温度预测方法,包括以下步骤:
29.s1.获取待测电缆的结构、材料热参数以及边界条件;
30.s2.根据步骤s1获取的参数建立待测电缆的有限元模型,基于待测电缆的有限元模型计算待测电缆的缆芯温度;其中,有限元模型的建立通过现有的有限元分析软件进行,且计算过程也可以采用现有的有限元软件实现,在此不对有限元计算过程进行赘述;
31.s3.获取待测电缆温度样本数据,包括体积生成热、环境温度以及待测电缆的表面温度;并对温度样本数据进行预处理;
32.s4.构建bp神经网络,将温度样本数据输入至bp神经网络中并对bp神经网络进行训练,并判断bp神经网络对电缆缆芯温度的预测值与基于有限元模型计算得到的缆芯温度
之差是否小于设定值,如是,则bp神经网络训练完成;其中,bp神经网络采用现有的网络结构即可,在此不对其结构进行赘述;
33.s5.获取实际运行环境中的待测电缆温度样本数据,并进行预处理后输入至训练完成的bp神经网络中进行处理,得到实际运行环境中的待测电缆的缆芯温度;通过上述方法,基于有限元法对电缆缆芯的温度进行预测,然后基于电缆的相关参数对bp神经网络进行训练,通过有限元法和电缆缆芯的预测相结合的方式,能够有效提升预测效率,而且在能够有效确保最终预测结果的精确性,为后续电缆运行故障识别提供准确的数据支持。
34.本实施例中,边界条件包括:
35.第1类边界条件:边界温度:
36.t
γ
=tw,γ为有限元模型的积分边界,tw为已知的积分边界温度;
37.第2类边界条件:边界法向热流密度:
38.λ为导热系数,表示积分边界法向热流密度,qw为已知的热流密度;
39.第3类边界条件:对流换热边界条件:
40.其中,h为对流换热系数,tf为待测电缆所处流体温度。
41.本实施例中,待测电缆的结构包括缆芯导体、绝缘层、金属屏蔽层和外护套。
42.本实施例中,材料热参数包括缆芯导体的导热系数、绝缘层的导热系数、外护套的导热系数、待测电缆外部环境热阻系数、待测电缆外部环境的温度以及对流换热系数,通过上述中的边界条件、电缆结构以及材料热参数,能够为有限元建模提供足够的数据支持,为有限元计算结果的准确性提供保障。
43.本实施例中,通过如下方法确定体积生成热qi:
44.其中:i为流过电缆缆芯的有效电流,ri为待测电缆第i层的有效半径,pi为待测电缆第i层的电阻率,当i为1时表示缆芯导体,i为2时表示绝缘层,i为3时表示金属屏蔽层,i为4时表示外护套。
45.本实施例中,步骤s3和步骤s5中的对温度样本数据进行预处理为归一化处理。
46.最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。

技术特征:
1.一种基于有限元法和bp神经网络的电缆缆芯温度预测方法,其特征在于:包括以下步骤:s1.获取待测电缆的结构、材料热参数以及边界条件;s2.根据步骤s1获取的参数建立待测电缆的有限元模型,基于待测电缆的有限元模型计算待测电缆的缆芯温度;s3.获取待测电缆温度样本数据,包括体积生成热、环境温度以及待测电缆的表面温度;并对温度样本数据进行预处理;s4.构建bp神经网络,将温度样本数据输入至bp神经网络中并对bp神经网络进行训练,并判断bp神经网络对电缆缆芯温度的预测值与基于有限元模型计算得到的缆芯温度之差是否小于设定值,如是,则bp神经网络训练完成;s5.获取实际运行环境中的待测电缆温度样本数据,并进行预处理后输入至训练完成的bp神经网络中进行处理,得到实际运行环境中的待测电缆的缆芯温度。2.根据权利要求1所述基于有限元法和bp神经网络的电缆缆芯温度预测方法,其特征在于:边界条件包括:第1类边界条件:边界温度:t
γ
=t
w
,γ为有限元模型的积分边界,t
w
为已知的积分边界温度;第2类边界条件:边界法向热流密度:λ为导热系数,表示积分边界法向热流密度,q
w
为已知的热流密度;第3类边界条件:对流换热边界条件:其中,h为对流换热系数,t
f
为待测电缆所处流体温度。3.根据权利要求1所述基于有限元法和bp神经网络的电缆缆芯温度预测方法,其特征在于:待测电缆的结构包括缆芯导体、绝缘层、金属屏蔽层和外护套。4.根据权利要求1所述基于有限元法和bp神经网络的电缆缆芯温度预测方法,其特征在于:材料热参数包括缆芯导体的导热系数、绝缘层的导热系数、外护套的导热系数、待测电缆外部环境热阻系数、待测电缆外部环境的温度以及对流换热系数。5.根据权利要求3所述基于有限元法和bp神经网络的电缆缆芯温度预测方法,其特征在于:通过如下方法确定体积生成热q
i
:其中:i为流过电缆缆芯的有效电流,r
i
为待测电缆第i层的有效半径,p
i
为待测电缆第i层的电阻率,当i为1时表示缆芯导体,i为2时表示绝缘层,i为3时表示金属屏蔽层,i为4时表示外护套。6.根据权利要求1所述基于有限元法和bp神经网络的电缆缆芯温度预测方法,其特征在于:步骤s3和步骤s5中的对温度样本数据进行预处理为归一化处理。

技术总结
本发明提供的一种基于有限元法和BP神经网络的电缆缆芯温度预测方法,包括以下步骤:S1.获取待测电缆的结构、材料热参数以及边界条件;S2.根据步骤S1获取的参数建立待测电缆的有限元模型,基于待测电缆的有限元模型计算待测电缆的缆芯温度;S3.获取待测电缆温度样本数据,包括体积生成热、环境温度以及待测电缆的表面温度;并对温度样本数据进行预处理;S4.构建BP神经网络,将温度样本数据输入至BP神经网络中并对BP神经网络进行训练,并判断BP神经网络对电缆缆芯温度的预测值与基于有限元模型计算得到的缆芯温度之差是否小于设定值,如是,则BP神经网络训练完成;S5.获取实际运行环境中的待测电缆温度样本数据,并进行预处理后输入至训练完成的BP神经网络中进行处理,得到实际运行环境中的待测电缆的缆芯温度。度。度。


技术研发人员:杨廷志 王涛 杨志航 刘林 万俊 赵迎新 甘怡红 游清清 陈俊霏 张起忠 任露 郭耕佐 王伊芮 高阳
受保护的技术使用者:国网重庆市电力公司綦江供电分公司
技术研发日:2023.06.29
技术公布日:2023/8/28
版权声明

本文仅代表作者观点,不代表航家之家立场。
本文系作者授权航家号发表,未经原创作者书面授权,任何单位或个人不得引用、复制、转载、摘编、链接或以其他任何方式复制发表。任何单位或个人在获得书面授权使用航空之家内容时,须注明作者及来源 “航空之家”。如非法使用航空之家的部分或全部内容的,航空之家将依法追究其法律责任。(航空之家官方QQ:2926969996)

航空之家 https://www.aerohome.com.cn/

飞机超市 https://mall.aerohome.com.cn/

航空资讯 https://news.aerohome.com.cn/

分享:

扫一扫在手机阅读、分享本文

相关推荐