人工智能在控制电容设备绝缘中的应用

　　随着检测技术，计算机技术，网络技术等的发展，在线状态监测技术是状态监测技术的载体之一。现出快速发展的趋势。
　　变电站的电气设备中，电容器类设备的数量约占40％。们中的大多数使用电容绝缘。过监测其介电特性，可以发现仍处于开发初期的缺陷。而，可以最好地反映设备的隔离状态的介电特性的tanδ切向介电损耗正切（即，介电损耗因子）通常表现出大的数据波动。文使用人工神经网络的一般描述来提出其应用。望这可以减少来自外部环境的干扰，并使设备绝缘状态的监视更加稳定和准确。2011年以来的五年中，贵州电网已将在线监测技术应用于变压器设备的普及和大规模应用。主要包括四个类别：变压器油色谱在线监测，GIS局部放电在线监测，配电柜在线温度监测和电容绝缘在线监测设备。中，对设备绝缘的电容监测，最能反映设备绝缘状态的介电损耗因子，对外部干扰极为敏感，这增加了设备的难度。视人员可以准确确定被监视设备的状况。为很难使用特定的函数来表达数据与这些因素之间的关系，所以人工神经网络在这里可以发挥巨大作用。的大规模并行性，组计算，自学习容错能力和自适应能力使得必须将人工智能技术尽快应用于电容设备的绝缘监测。
　　前，用于监视和测量电容性器件隔离的方法已形成两个分支：硬件方法和软件方法。件方法包括桥接方法，三相不平衡方法和零交叉比较方法。软件方法分为谐波分析法和正弦波分析法。数法，高阶正弦调整法，相关函数法。波分析方法是最常见的，监视的原理是使用高灵敏度的电流互感器麦克风发送电流信号，并将其从次级侧电压信号中提取出来。以消除模式干扰和滤波。序控制的放大信号的同步和仿真，使用A / D转换为离散的数字信号，并使用计算机对数字信号执行傅立叶变换（FFT）处理，电缆可以获得傅立叶系数在波相位上获得2个基本差异。相系统是电力系统的主要体现，它以耦合形式存在，因此在三相高压电容器的测试过程中会产生干扰，从而导致介电损耗角A和相同的相位会改变B和C。现场数据的分析表明，母线的平均变化曲线在同一侧具有相同的位置，但是不同的平均损耗曲线之间的差异非常明显。常，神经网络与常规计算有很大不同。
　　经网络的优越性更加明显。些不能用数学模型表示的变量可以用神经网络表示，例如非线性系统的故障诊断，预测和预控制。虑到高的介电损耗，基本功能不能用于表示数据之间的关系。此，通过使用神经网络比较功能，可以预测介电损耗，可以比较实际的测量数据，并且可以了解设备的绝缘性。取每个级别的参考错误并获取相应的连接权限。

　　k种模式中，模拟值模式AK =（alk，...，ank），CK =（cik，...，cqk）。误差校正梯度下，可以使用离散方法来学习采样数据。习完成后，人工神经网络将根据存储连接的权重做出响应。先是顺序传播过程，使用初始值来学习样本数据。后分配初始值输入层的连接权LA和LB，连接输出层LB的Lc，然后连接LB层的阈值，并将Vj赋予[-1， 1]间隔内的随机值；学习模式（AK，CK），使用层单元LA中的值AK，激活LA层的ak，连接到矩阵γ，将其传输到单元LB并刺激隐藏层。
　　Nnbox将提供由Newff（）表示的特定神经网络功能。=纽夫（A，l，TrainFun）。上述格式中，net表示网络的属性和参数的值。
　　个输入变量为：R * 2矩阵A，代表输入向量以及每个元素的最大值和最小值。;线向量-1，代表每一层神经元的数量； c链载体，代表神经元的传递功能； TrainFun字符串变量，代表学习功能的域名。先创建一个模型实例，观察时间序列刷新图，然后建立一个预测模型，确定每个结构中隐藏神经元的数量，然后输出预测数据。立一个神经网络让t-1浪费时间t。用U和C预测时间t 1处的介电损耗。

　　择2350个数据，验证数据的54％，将其分为两组以预测介电损耗因子的值，然后创建MA，AR和ARMA模型作为相关函数和部分相关函数的函数。Matlab中，调用autocorr（），parcorr（）函数来考虑不同周期之间的相关性。
　　旦构建了神经网络，它就会具有敏感的响应，并且准确性可以达到诊断指标。使用人工神经网络预测电容性设备的介电损耗时，有必要结合实际的预测数据，充分收集历史数据，并弄清相关的变量关系，以提高数据的准确性。测。着无人值守变电站的普及，人工智能检测设备的状况变得尤为重要。过对本文的讨论和分析，可以理解，在线检测设备是一种监视方法，可以减少外部环境对设备的影响，并真正反映出隔离情况。备。约。
　　本文转载自
　　电缆 https://www.haoluoyi.com