用于开关成套设备的温升在线监测及预测方法和系统

本发明属于电力设备的监控领域，具体地涉及一种用于开关成套设备的温升在线监测及预测方法和系统。

背景技术：

开关成套设备含开关柜、环网柜，内部结构包括操作机构、互感器等各种原件，开关成套设备主要作用是在电力系统稳定运行时进行开合、控制保护用电设备。由于开关成套设备内部高压电器会产生电阻损耗、磁滞涡流损耗以及介质损耗且开合结构出现氧化磨损，断路器触头老化和母线接头松动等都会使得内部温度升高，开关成套设备密闭性强且通风性差，若热量不能及时排出，过高的温升会使触头和电缆压接点过热烧毁，甚至导致开关成套设备起火停电爆炸等严重事故，开关成套设备内部电力设备运行异常或故障通常表现为温度的升高，因此开关成套设备的温升在线检测以及预测预警是对电力设备监控最直接有效的手段，对电力系统的可靠性以及安全性具有重要意义。

虽然目前有很多种用于开关成套设备的测温技术，主要包括接触式测温以及非接触式测温，多种测温设备如saw、rfid、感应取电模式等，但当前的监测系统缺乏对测温数据的进一步分析处理，多采用单一温度阈值预警设置，容易因误差的产生而引起误判，安全性和可靠性低，更缺少通过温升趋势的预测以判断未来故障发生可能性的操作。

技术实现要素：

本发明的目的在于提供一种用于开关成套设备的温升在线监测及预测方法和系统用以解决上述存在的技术问题。

为实现上述目的，本发明采用的技术方案为：一种用于开关成套设备的温升在线监测及预测方法，包括如下步骤：

s1，实时采样开关成套设备内部电力设备相应测温点的温度和工作电流以及环境温度；

s2，根据采样到的测温点的温度和工作电流以及环境温度，采用单点告警法和多点差动告警法进行相应温升预警；

s3，将采样到的测温点的温度和工作电流以及环境温度作为输入量，建立温升预测模型，将温度变化趋势作为输出量得到各个测温点的未来理论温升值以判断未来故障发生可能性。

进一步的，步骤s1中，实时同步采样开关成套设备内部电力设备相应测温点的温度和工作电流以及环境温度。

进一步的，所述单点告警法包括高温告警法、温升越限告警法和温升过速告警法。

更进一步的，所述高温告警法为采样到的测温点的温度超过一定阈值且采样到的工作电流在额定电流以内，则初级告警。

进一步的，所述温升越限告警法为采样到的测温点的温度和环境温度之和超过一定阈值且采样到的工作电流在额定电流以内，则二级告警。

进一步的，所述温升过速告警法为采样到的测温点的温升速率超出阈值范围,且连续多个测温点温升速率超限，则紧急告警。

进一步的，所述多点差动告警法包括柜内同相横向超差告警法、柜内异相横向超差告警法和同类柜型横向超差告警法。

进一步的，所述温升预测模型采用bp神经网络模型来实现。

更进一步的，步骤s3中，将在一段时间内采样到的测温点的温度和工作电流以及环境温度进行最小二乘法数据拟合，清除掉部分误差以及离散数据后建立起温升数据测试库，将温升数据库中的数据随机分为训练集和测试集，再进行数据归一化处理后作为输入量，通过bp神经网络模型得到各个测温点的未来理论温升值。

本发明还提供了一种用于开关成套设备的温升在线监测及预测系统，包括温升传感器、采集器和显示终端，

温升传感器用于实时采样开关成套设备内部电力设备相应测温点的温度和工作电流以及环境温度并传输给采集器；

采集器用于接收采样到的测温点的温度和工作电流以及环境温度，并执行上述的温升在线监测及预测方法，并将处理结果发送给显示终端。

本发明的有益技术效果：

本发明采用单点告警法和多点差动告警法进行相应温升预警，避免单一温升阈值判断时由于小电流故障状态时无法及时达到所设温度阈值而引起的误判，实现了开关柜温度故障早发现早报警，将故障带的危害降到最低；通过温升预测模型来对温度趋势进行预测，便于判断未来故障发生的可能性，防止设备故障的进一步扩大，进一步提高运行可靠性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明具体实施例的方法流程图；

图2为本发明具体实施例的系统结构框图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

如图1所示，一种用于开关成套设备的温升在线监测及预测方法，包括如下步骤：

s1，实时采样开关成套设备内部电力设备相应测温点的温度和工作电流以及环境温度。

本具体实施例中，相应测温点包括开关成套设备的梅花触头、母排、电缆接头处等，具体根据实际开关成套设备情况进行选择，此是本领域技术人员可以轻易实现的，不再细说。

优选的，本实施例中，相应测温点的温度和工作电流以及环境温度进行实时同步采样，减少因数据不同步带来的误差而影响后续温升预测算法的准确性。

s2，根据采样到的测温点的温度和工作电流以及环境温度，采用单点告警法和多点差动告警法进行相应温升预警。

本具体实施例中，单点告警法包括高温告警法、温升越限告警法和温升过速告警法。

高温告警法为采样到的测温点的温度超过一定阈值且采样到的工作电流在额定电流以内，则初级告警。

温升越限告警法为采样到的测温点的温度和环境温度之和超过一定阈值且采样到的工作电流在额定电流以内，则二级告警。

温升过速告警法为采样到的测温点的温升速率超出阈值范围,且连续多个测温点温升速率超限，则紧急告警。

多点差动法包括柜内同相横向超差告警法、柜内异相横向超差告警法和同类柜型横向超差告警法。

具体的，柜内同相横向超差告警法为同一时刻同一开关柜的同一相的不同测温点之间的温升差若超过一定阈值,则进行告警。

进一步的，本实施例中，还结合不同测温点温度和环境温度计算得出的相对温差δ1作为辅助判断依据分别设置提示告警、一般缺陷、重大缺陷、紧急缺陷等不同缺陷等级告警。

其中，相对温差δ1公式如下：

t11为温度高的测温点温度；t12为温度低的测温点温度；t0为环境温度。

柜内异相横向超差告警法为同一时刻同等负荷条件下同一开关柜内不同相的不同测温点之间的温升差若超过一定阈值,则进行告警。

进一步的，本实施例中，还结合不同测温点温度和工作电流以及环境温度计算得出的相对温差δ2作为辅助判断依据分别设置提示告警、一般缺陷、重大缺陷、紧急缺陷等不同缺陷等级告警。

其中，相对温差δ2公式：

t21为温度高的测温点温度；t22为温度低的测温点温度；t0为环境温度，i21为温度高处负荷电流；i22为温度低处负荷电流。

同类柜型横向超差告警法为同一时刻，同一站内、同类柜间、同等负荷条件下不同测温点之间的温升差若超过一定阈值,则进行告警。

进一步的，本实施例中，还结合不同测温点温度和工作电流以及环境温度计算得出的相对温差δ3作为辅助判断依据分别设置提示告警、一般缺陷、重大缺陷、紧急缺陷等不同缺陷等级告警。

其中，相对温差δ3公式：

t31为温度高的测温点温度；t32为温度低的测温点温度；t0为环境温度，i31为温度高处负荷电流；i32为温度低处负荷电流。

本具体实施例中，阈值根据dlt664标准以及gb/t11022标准对不同设备类别和部位进行温升阈值设置，以提高准确性和可靠性。

s3，将采样到的测温点的温度和工作电流以及环境温度作为输入量，建立温升预测模型，将温度变化趋势作为输出量得到各个测温点的未来理论温升值以判断未来故障发生可能性。

由于开关柜在工作过程中电力设备温度变化趋势受工作电流的影响，且温度变化总是滞后于电流变化，因此通过步骤s3对温度趋势进行预测以判断未来故障发生的可能性，防止设备故障的进一步扩大，提高运行可靠性。

本具体实施例中，步骤s3具体包括如下步骤：s31，将在一段时间内采样到的测温点的温度和工作电流以及环境温度进行最小二乘法数据拟合，清除掉部分误差以及离散数据后建立起温升数据测试库，将温升数据库中的数据随机分为训练集和测试集，本具体实施例中，训练集和测试集可分别占全部数据的80％和20％，但并不限于此，在其它实施例中，可根据实际情况进行调整。

s32，建立完训练集和测试集后，进行数据归一化处理，归一化具体计算方法为：

其中，yi为经过归一化的神经网络输入；xi为样本的实测值；xmax为最大样本实测值；xmin为最小样本实测值。

利用归一化处理将数据映射在0～1之间，使得数据处理更加方便快捷。

s33，创建bp神经网络，设置训练参数，最大训练步数800次，训练最小误差为1e-3，学习率为0.01，然后进行训练网络和仿真测试，完成神经网络的学习得到预测结果，将预测结果进行反归一化即可得到预测数据。采样到的测温点的温度和工作电流以及环境温度作为输入量，结合材料温升、时间常数等进行参数选优得到温升预测模型将温度变化趋势作为输出量得到各个测温点的未来理论温升值，以判断未来故障发生可能性。

具体的，bp神经网络模型具体过程为：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。具体步骤如下：

1、网络初始化

给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数m；

2、随机选取第k个输入样本及对应期望输出

do(k)＝(d1(k),d2(k),...,dq(k))

x(k)＝(x1(k),x2(k),...,xn(k))

dq(k)为输入样本，本实例中为当前电流以及温升值；xn(k)为期望输出，本实例中为经验值所得在当前电流以及温升值对应的未来理论温升值。

3、计算隐含层各神经元的输入和输出。

4、利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δ0(k)a。

5、利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)。

6、利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)。

7、利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权。

8、计算全局误差

判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。

本实施例中，判断未来故障发生的可能性可以参考步骤s2的方法进行判断，但并不限于此。

如图2所示，本发明还提供了一种用于开关成套设备的温升在线监测及预测系统，包括温升传感器1、采集器2和显示终端3。

温升传感器1用于实时采样开关成套设备内部电力设备相应测温点的温度和工作电流以及环境温度并传输给采集器2。

采集器2用于接收采样到的测温点的温度和工作电流以及环境温度，并执行上述的温升在线监测及预测方法，并将处理结果发送给显示终端3。

本具体实施例中，温升传感器1包括数字温度传感器和电流采样单元，用于实时同步采样开关成套设备内部电力设备相应测温点的温度和工作电流以及环境温度并通过无线射频发送给采集器2，采用无线射频通信传输，无需布线，易于安装，且干扰小。

本具体实施例中，采集器2包括边缘计算终端，边缘计算终端用于执行上述的温升在线监测及预测方法。

本具体实施例中，采集器2还包括wifi模块，通过wifi模块将接收的测温点的温度和工作电流、环境温度以及告警预测信息发送给显示终端3，便于工作人员进行实时监测，及时发现排除故障。

当然，在其它实施例中，采集器2也可以采用其它无线通信方式(如4g网络等)与显示终端3通信。

本具体实施例中，显示终端3包括手机、ipad、计算机等，但并不限于此。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。