基于多维特征参量神经网络-模糊聚类分析的XLPE绝缘老化状态评估方法

摘要

本发明涉及一种基于多维特征参量神经网络‑模糊聚类分析的XLPE绝缘老化状态评估方法，首先，优选对材料化学、机械、热、介电性能具有显著表征性的特征参量，如羰基指数、交流击穿强度、断裂伸长率、低频0.1Hz介电损耗角正切值；然后，利用BP神经网络处理非线性映射问题的强大功能对参数进行特征提取；最后，通过模糊C均值聚类(FCM)方法进行绝缘状态分类和判定，实现了未知性能状态XLPE材料的性能劣化状态评估。

说明书

技术领域

本发明属于电气工程学科高电压与绝缘技术领域，涉及XLPE绝缘介质性能老化状态评估方法，具体涉及一种基于多维特征参量神经网络-模糊聚类分析的XLPE绝缘老化状态评估方法。

背景技术

高压电缆输电具有输送容量大、距离远、效率高、损耗低等优势，是满足大容量、远距离跨区输电需求的可靠技术手段，也是解决城市电网增容、新能源并网和海上孤岛供电等问题的最佳手段。高压交流输电电缆交联聚乙烯绝缘在运行过程中，受到电、热、机械等外部因素和绝缘缺陷等内部因素的影响，发生电热老化或电树枝劣化，进而引发电缆击穿事故。

交联聚乙烯(Cross-linked Polyethylene，XLPE)广泛高压电力电缆的主绝缘材料，具有重量轻、耐热性好和电气性能优异等优势。交联聚乙烯电缆的设计寿命一般为20到30年，然而，电缆易受到不良散热条件、密集敷设、载流量过高等不利因素影响而引起温度升高，从而加速电缆绝缘层的老化，电缆事故随之呈现多发势态。相比于架空输电线路故障，电力电缆的发热、燃烧、爆炸等引起的火灾事故火势蔓延快，易引发次生电气火灾爆炸，造成大规模停电，供电恢复时间长，所导致的经济损失巨大。

针对上述问题，研究交联聚乙烯绝缘的老化状态评估具有极大的现实意义。无论是国标规定的机械特性、目前广泛讨论的热特性和介电响应参数，这些方法均通过单一特性参数对交联聚乙烯的老化状态进行快速测量与评估，参数仅侧重于某一方面的特性，无法全面反映材料的绝缘材料的老化状态。通过神经网络-模糊聚类分析方法，优选交联聚乙烯绝缘材料的多维特征参量进行分析，实现了对于XLPE绝缘介质性能老化状态的全面评估。

发明内容

本发明目的在于克服现有技术不足，提出一种基于多维特征参量神经网络-模糊聚类分析的XLPE绝缘老化状态评估方法。

为实现上述目标，本发明提供以下技术方案：

一种基于多维特征参量神经网络-模糊聚类分析的XLPE绝缘老化状态评估方法，其特征在于：所述方法的步骤为：

S1、对交联聚乙烯绝缘试样进行热老化试验，测量羰基指数、交流击穿强度、断裂伸长率、低频(0.1Hz)介电损耗角正切值，进行归一化处理后打乱数据，划分训练集和测试集；

S2、在有热老化时间标签的训练集上搭建BP神经网络进行有监督的学习，通过微调网络结构提高神经网络的准确率，并保存好权重和偏置矩阵；

S3、采取BP神经网络最后一层隐藏层的数据作为样本的特征值，即FCM模糊聚类的输入，同时确定模糊聚类的隶属度因子和聚类簇数；

S4、不断迭代计算聚类中心和隶属度矩阵，直到隶属度矩阵的变化量小于设定值或者迭代次数达到最大设定值；

S5、输出最终的聚类中心和隶属度矩阵，根据最大隶属度将其分类为不同老化状态。

而且，所述步骤S3中，FCM模糊聚类的具体操作为：

模糊C均值聚类(FCM)相对每个样本赋予一个权值即隶属度矩阵指明该样本属于某簇的程度，对于这样一个目标函数：

其中：m是聚类的簇数；

i表示第i个样本；

x是具有d维特征的一个样本；

u

c

(x

通过不断迭代计算隶属度矩阵u

当迭代到一定程度后，隶属矩阵随迭代次数的增加变化较小，在设定的误差阈值E内时，或者达到迭代次数后，就结束迭代，输出最终的隶属度矩阵，并通过每个样本隶属度的大小将样本分类

本发明的优点及有益效果为：

本发明的创新点在于通过优选对材料化学、机械、热、介电性能具有显著表征性的特征参量(羰基指数、交流击穿强度、断裂伸长率、低频(0.1Hz)介电损耗角正切值)，利用BP神经网络处理非线性映射问题的强大功能对参数进行特征提取，通过模糊C均值聚类(FCM)方法进行绝缘状态分类和判定，实现未知性能状态XLPE 材料的性能劣化状态评估。

附图说明

图1为本发明的算法流程图。

具体实施方式

下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

以下实施例仅为本发明的一部分实施例，并非全部实施例。基于本实施例，其他不具备创新意义的实施例均属本发明的保护范围。

本实施例的具体操作步骤描述如下：

一种基于多维特征参量神经网络-模糊聚类分析的XLPE绝缘老化状态评估方法，其特征在于：所述方法的步骤为：

S1、对交联聚乙烯绝缘试样进行热老化试验，温度为130℃，时间分别为0天， 40天，95天，125天，135天和160天，测量试样的羰基指数、断裂伸长率、低频(0.1Hz) 介电损耗角正切值、击穿强度，进行归一化处理后打乱数据，划分训练集和测试集；

S2、在有热老化时间标签的训练集上搭建BP神经网络进行有监督的学习，通过微调网络结构提高神经网络的准确率，并保存好权重和偏置矩阵；

S3、采取BP神经网络最后一层隐藏层的数据作为样本的特征值，即FCM模糊聚类的输入，同时确定模糊聚类的隶属度因子和聚类簇数；

S4、不断迭代计算聚类中心和隶属度矩阵，直到隶属度矩阵的变化量小于设定值或者迭代次数达到最大设定值；

S5、输出最终的聚类中心和隶属度矩阵，根据最大隶属度将其分类为不同老化状态，可知，老化95天的样品老化状态评估为中度老化；老化125天的试样和老化135 天的试样老化程度较为接近，评估为重度老化。