一种基于卷积神经网络算法的电缆中间接头电场分布机器学习方法技术

本发明专利技术提供了一种基于卷积神经网络算法的数据驱动模型计算方法，该方法利用数据驱动模型，快速计算电缆中间接头的电场分布情况并绘制云图，包括S1：获取电缆中间接头的电气参数；S2：几何建模，设置电场参数；S3：有限元计算结果的基于卷积神经网络算法的机器学习预测共三个步骤。本发明专利技术可以更加省时、高效计算电缆中间接头在不同激励情况下电场的分布情况。缆中间接头在不同激励情况下电场的分布情况。缆中间接头在不同激励情况下电场的分布情况。

【技术实现步骤摘要】
一种基于卷积神经网络算法的电缆中间接头电场分布机器学习方法


[0001]本专利技术属于电缆中间接头电场计算领域，尤其涉及电缆接头在多种参数条件下电场的计算方法。

技术介绍

[0002]电力电缆作为输配电重要设备，其安全性与可靠性对电力系统的稳定运行具有重要意义。与电缆本体相比，电缆接头由于结构的特殊性和制造安装过程中的不确定性，一直是电缆使用中故障率最高的环节。受制造工艺限制、长期运行所产生的气隙缺陷和受潮缺陷等因素影响，电缆中空间电荷的累计会导致温度升高、局部放电等问题，而不同缺陷造成的的电场强度畸变程度也不同。不均匀的电场分布会逐渐导致绝缘材料的物理或化学性能出现劣化，直至出现绝缘故障。因此，研究分析电缆接头的电场分布情况对掌握绝缘状态和劣化规律具有重要意义。
[0003]电缆中间接头是由多层电介质复合而成的绝缘结构，因而内部含有大量不同材料的复合界面。在实际安装时，由于现场施工环境、人为误差等各种因素的影响，接头与电缆本体的复合界面处容易混入导电颗粒、划痕、气隙、水分等缺陷，在电缆接头投入使用后，高压作用使得缺陷部位出现电场集中现象。此外，受电、磁、热、力、光以及水分等因素的影响，绝缘层不可避免的会发生老化，加剧缺陷对电场分布的影响，从而更易引发局部放电，甚至击穿事故。因此电缆中间接头一直是输电线路中最薄弱的环节，故障发生率较高。对近10年全国电力电缆故障发生部位和数量的统计数据显示，电缆中间接头处发生故障的概率约占电缆运行总体故障的31％，而其中有97％的接头故障由界面放电引起，严重影响电力线路的安全运行。基于上述分析，研究电缆中间接头复合界面的电场分布以及界面存在缺陷时对电场分布的影响，对推测电缆接头发生故障的原因，优化现有接头结构设计，指导接头的制造与安装，进而保障电缆运行的安全和稳定，具有实际意义和工程价值。
[0004]本专利技术的目的在于克服现有技术不足，完成关于电缆中间接头电场的基于卷积神经网络算法的数据驱动模型得建立，并保证其计算的准确性，并对不同结构参数及激励情况下的电缆中间接头的电场分布进行仿真计算。

技术实现思路

[0005]本专利技术提供了一种基于卷积神经网络算法的电缆中间接头电场分布机器学习方法，所述方法利用有限元计算软件，获取电缆接头电场分布的相关数据，然后利用卷积神经网络算法构建电缆中间接头电场分布的数据驱动模型，最后利用数据驱动模型快速计算电缆中间接头在不同结构参数以及激励情况下的电场分布情况；所述方法具体包括如下步骤：
[0006]步骤1：获取电缆中间接头模型的电气参数；
[0007]步骤2：对电缆中间接头几何建模，并设置电场参数；
[0008]步骤3：有限元计算结果的基于卷积神经网络算法的机器学习预测。
[0009]优选的，所述步骤1中的电气参数包括电缆中间接头缆芯的直径、绝缘层的半径及厚度、压接管的厚度、硅橡胶绝缘的厚度、应力锥的高度和宽度、以及电缆中间接头材料参数。
[0010]优选的，所述步骤2的几何建模具体包括如下步骤：S201根据电缆缆芯的直径，设置有限元计算软件中的电缆缆芯模型参数；S202根据绝缘层的半径及厚度，设置有限元计算软件中的绝缘层模型参数；S203根据压接管和硅橡胶绝缘的厚度，设置有限元计算软件中的压接管和硅橡胶绝缘模型参数；S204根据应力锥参数，设置有限元计算软件中的应力锥模型参数；S205根据电缆中间接头材料参数，设置有限元计算软件中的电场参数；
[0011]优选的，所述步骤3具体包括如下步骤：S301根据建立的电缆中间接头的几何模型，在有限元计算软件中将电缆中间接头部分进行网格剖分，设置一定的求解时间和步长；S302计算不同激励条件下，电缆中间接头的电场分布情况；S303通过卷积神经网络算法对计算数据进行机器学习，并将学习模型对其他激励条件下的电缆中间接头的电场分布情况进行预测。
[0012]优选的，所述电缆中间接头缆芯的直径为6.7mm。
[0013]优选的，所述绝缘层的厚度为4.5mm。
[0014]优选的，所述压接管的厚度为6.7mm，所述硅橡胶绝缘为厚度8.5mm的对称圆柱结构。
[0015]优选的，所述应力锥为高度8.5mm和宽度8.5mm的对称圆柱结构。
[0016]优选的，所述电场参数包括：缆芯和压接管相对介电常数为1，电导率为10S/m；绝缘层相对介电常数为25，电导率为1
×
10
‑
16
S/m；硅橡胶绝缘相对介电常数为3.2，电导率为0.29
×
10
‑
15
S/m。
[0017]优选的，所述步骤3中的激励条件设置为，分别在9.5kV电压激励、10kV电压激励、10.5kV电压激励以及11kV电压激励下，通过数据驱动模型快速计算电缆中间接头的电场分布情况；所述步骤3通过机器学习模型预测其他电压值下电缆中间接头的电场分布情况。
[0018]同现有技术相比，本专利技术的有益效果体现在：
[0019]本专利技术基于卷积神经网络算法的数据驱动模型相比其他有限元仿真计算，可以更加省时、高效预测多种不同激励下电场情况，并且通过数据的后处理可以实现对电缆中间接头电场分布的可视化。本专利技术克服了现有技术不足，保证了电缆中间接头电场分布计算的准确性，为电缆中间接头的分析计算提供参考。
附图说明
[0020]图1为一种基于卷积神经网络算法的电缆中间接头电场分布机器学习方法的方法流程图；
[0021]图2为基于有限元计算软件COMSOL Multiphysics建立的电缆中间接头模型；
[0022]图3为基于卷积神经网络算法的机器学习流程图；
[0023]图4a电缆中间接头有限元计算方法构建的电场分布图；
[0024]图4b电缆中间接头机器学习方法构建的电场分布图；
[0025]图5为电缆接头分别通过有限元计算方法和机器学习方法的误差图。
具体实施方式
[0026]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。
[0027]本专利技术基于卷积神经网络算法构建电缆中间接头的数据驱动模型，通过数据驱动模型对电缆中间接头的电场分布进行快速的计算。
[0028]基于卷积神经网络算法的数据驱动模型相比于传统的有限元计算模型，克服了有限元计算软件计算速度慢的弱点，可以快速地计算电缆中间接头的电场分布情况并绘制云图。
[0029]构建基于卷积神经网络算法的电缆中间接头数据驱动模型，其方法如图1所示，图1一种基于卷积神经网络算法的电缆中间接头电场分布机器学习方法的方法流程图，包括以下步骤：
[0030]步骤1：获取电缆中间接头模型的电气参数
[0031]根据实际应用场景，获取电缆中间接头缆芯的直径、绝缘层的半径及厚度、压接管及硅橡胶的厚度、应力锥的高度和宽度，以及各部分的材料参数；
[0032]步骤2：对电缆中间接头几何建模，并设置电场参数；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络算法的电缆中间接头电场分布机器学习方法，其特征在于，所述方法利用有限元计算软件，获取电缆接头电场分布的相关数据，然后通过基于卷积神经网络算法的机器学习对电缆接头的电场进行快速的计算和预测；所述方法包括如下步骤：步骤1：获取电缆中间接头模型的电气参数；步骤2：对电缆中间接头几何建模，并设置电场参数；步骤3：有限元计算结果的基于卷积神经网络算法的机器学习预测。2.如权利要求1所述的一种电缆中间接头电场分布机器学习方法，其特征在于，所述步骤1中的电气参数包括电缆中间接头缆芯的直径、绝缘层的半径及厚度、压接管的厚度、硅橡胶绝缘的厚度、应力锥的高度和宽度、以及电缆中间接头材料参数。3.如权利要求1所述的一种电缆中间接头电场分布机器学习方法，其特征在于，所述步骤2的几何建模具体包括如下步骤：S201根据电缆缆芯的直径，设置有限元计算软件中的电缆缆芯模型参数；S202根据绝缘层的半径及厚度，设置有限元计算软件中的绝缘层模型参数；S203根据压接管和硅橡胶绝缘的厚度，设置有限元计算软件中的压接管和硅橡胶绝缘模型参数；S204根据应力锥参数，设置有限元计算软件中的应力锥模型参数；S205根据电缆中间接头材料参数，设置有限元计算软件中的电场参数。4.如权利要求1所述的一种电缆中间接头电场分布机器学习方法，其特征在于，所述步骤3具体包括如下步骤：S301根据建立的电缆中间接头的几何模型，在有限元计算软件中将电缆中间接头部分进行网格剖分，设置一定的求解时间和步长；S302计算不同激励条...

【专利技术属性】
技术研发人员：韩卫星，王亚潇，杨光，郝春生，王正奇，杨贤鹏，田野，刁亚飞，马涛，贾有为，陈恒，毛亚鹏，赵翠妹，闫志杰，
申请(专利权)人：国家电网有限公司华北电力大学保定，
类型：发明
国别省市：