基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法

1.本发明属于电力系统领域，涉及一种基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法。


背景技术：

2.电力设备是电网的重要组成部分，其稳定性直接关系到电网的安全运行。在运行过程中，温度是负载电流、环境、状态等参数的综合反映。实时采集温度分布可以提高设备利用率，避免绝缘恶化，评估剩余寿命。可以有效地降低故障率和停机时间。因此，电力设备温度分布的动态监测对安全运行至关重要。
3.直接测量是获取电力设备实时准确操作温度的有效方法，但现有技术无法实现对电力设备内部温度分布的实时监测。随着传统工业与计算机技术的融合，基于数字孪生技术的间接监测方法受到了广泛的关注。该方法利用物理驱动和数据驱动的方法，在数字空间中构建电力设备的虚拟表示。可以实时获得电力设备内部运行状态的信息，有助于进行更及时、更全面的分析。
4.然而，由于电力设备的复杂性，间接监测方法在温度监测的实际应用中受到限制。1)基于解析分析的物理驱动方法具有计算成本低、效率高的优点。但该方法无法提供可视化结果，且很难处理模型参数、几何形状等问题。2)基于数值分析的物理驱动方法可以得到温度分布。但计算负担和计算效率的影响却不容忽视，很难在一秒钟内实现快速反应。3)基于图像的数据驱动方法可以得到温度分布。但无法处理时间尺度上的数据信息，仅适用于稳态分析。4)通过优化网络结构或学习方法来处理时间信息，图像方法可以识别时间信息。但由于运行条件复杂多变，训练数据往往有限，成本高。当缺乏训练数据时，无法保证计算结果的可解释性和有效性。此外，这些研究都需要根据连续测量数据进行计算。一旦由于检测能力不足和通信质量差而导致数据丢失，就难以保证后续计算的准确性。
5.综上，利用数字孪生技术对电力设备的运行温度进行动态监测具有挑战性。这是因为单个物理驱动或数据驱动的方法不能同时解决成本高、效率低、训练数据不足和可解释性差等应用问题。因此，本发明提出将物理驱动和数据驱动的方法集成起来，可实现电缆接头温度场的快速、准确重构，这对电力设备数字孪生技术具有显著意义。


技术实现要素：

6.有鉴于此，本发明的目的在于提供一种基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法。首先，建立了电缆接头稳态温度场数值模型，通过仿真获得不同运行条件下的内部热图像。采用基于cgan模型的数据驱动方法，学习了运行条件与热图像之间的数据规律，并构建了它们之间的映射关系。然后，将物理驱动方法和数据驱动方法依次集成。物理驱动方法利用热传导反问题分析方法从实时测量数据中提取数据驱动方法的输入特征，有助于降低减少特征维数，解决训练数据不足的问题。输入特征驱动cgan模型的
生成器动态地生成热图像。该方法在时间效率、计算成本和精度等方面具有综合优势。
7.为达到上述目的，本发明提供如下技术方案：
8.一种基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法，包括以下步骤：
9.s1：构建电缆接头温度的稳态计算模型，通过仿真获得不同运行条件下的内部热图像；
10.s2：构建基于cgan模型的数据驱动方法，学习运行条件与热图像之间的数据规律，
11.并构建学习运行条件与热图像之间的映射关系；
12.s3：将物理驱动方法和数据驱动方法依次集成，物理驱动方法利用热传导反问题分析方法从实时测量数据中提取数据驱动方法的输入特征，利用所述输入特征驱动cgan模型的生成器动态地生成热图像。
13.进一步，步骤s1所述构建电缆接头温度的稳态计算模型，具体包括：
14.通过式(1)计算电缆接头导体的单位体积热源：
[0015][0016]
式中，q
con
为导体的体积热源；r
con
为导体的交流电阻，i
ac
为电流的有效值；
scon
为导线的横截面积；
[0017]
电缆接头的导体电阻取决于频率和温度，相应的计算公式如式(2)所示：
[0018]rcon
＝r
293.15
(1+ys+y
p
)[1+a
293.15
(θ-293.15)](2)
[0019]
式中，r
293.15
为导体在293.15k时的直流电阻；ys和y
p
为趋肤效应系数和邻近效应系数；a
293.15
为293.15k时的温度系数；θ为温度；
[0020]
导体损耗产生的热量通过热传导方式在电缆接头内绝缘、屏蔽、半导体等结构中进行传递。根据稳态传热定律，热传导方程式(3)：
[0021][0022]
式中，λ为导热系数；
[0023]
在电缆接头表面，热量通过自然对流和热辐射进行散热，控制方程如(4)所示：
[0024][0025]
式中，h
surf
为表面传热系数，由自然对流传热系数与辐射传热系数组成；θ
surf
为表面温度；θ
am
为环境温度；
[0026]
在电缆接头两端，边界可视为热绝缘边界，控制方程如式(5)所示：
[0027][0028]
进一步，利用有限元法求解电缆接头的稳态计算模型，得到不同运行条件下的温度分布；为了使cgan模型能够学习数据规则，选择不同运行条件下的稳态温度分布结果作为训练数据集；运行条件作为输入特征，包括负载电流、环境温度、传热系数；内部温度分布图像作为输出结果，是温度场稳态计算结果。
[0029]
进一步，所述cgan模型通过学习输入特征与热图像之间的映射关系，可以实现可控的图像生成。该模型利用卷积层代替部分全连接层，降低了网络参数的复杂性，提高了生
成图像的质量。该模型由生成器和鉴别器组成，所述生成器由全连接层、基本块层和卷积层组成；所述鉴别器由卷积层、解码模块、扁平层和全连接层组成；
[0030]
在生成器中，输入特征是一个由运行条件组成的参数向量，其中包括负载电流、环境温度和传热系数；所述参数向量通过一个全连接层被扩展到一个特征图；初始向量用于控制高维图像的变化，以实现有条件的数字生成；特征图像的像素值通过基本块模块中的上采样层相乘；经过多次上采样，生成一个特征图像；为了避免深度网络造成的信息丢失，在基本块中引入跳过连接，跳过连接可以传输原始信息，避免了训练过拟合；生成图像与输入特征g之间的映射函数表示如下：
[0031][0032]
式中，为生成图像，r为图像的像素值；fg为输入向量与生成图像之间的非线性映射函数；wg为生成器的权值参数矩阵；bg为生成器的偏置参数矩阵；
[0033]
在鉴别器中，将与输入特征g相对应的热图像设置为输入图像；输入的图像由生成的热图像和实际的热图像组成；通过数值计算模型得到实际的热图像；在编码模块中，通过平均池化来降低输入图像的维数；将由编码模块得到的参数矩阵通过扁平层处理成一维阵列；然后通过全连接层输出图像识别标签；利用公式(7)计算出生成图像的识别标签，使用公式(8)计算出实际图像的识别标签：
[0034][0035]
c＝fd(s,g；wd,bd)(8)
[0036]
式中，fd为输入图像与标识标签之间的非线性映射函数；wd为鉴别器的权重参数矩阵；bd为鉴别器的偏置参数矩阵；
[0037]
生成器和鉴别器之间博弈的目的是通过损失函数更新网络参数；采用二值交叉熵损失函数计算生成图像的识别标签与实际图像之间的相似性，如公式(9)所示；利用损失函数作为训练约束，迭代地更新生成器与判别器的参数；最后，该cgan模型达到纳什均衡；通过学习输入特征与热图像之间的关系，得到生成器映射过程中的权值矩阵和偏置矩阵；
[0038][0039]
其中，f
loss
为cgan模型的损失函数；m为网络的批量大小。
[0040]
进一步，步骤s3具体包括：将决定等效热源的电流作为控制变量；目标函数使表面温度测量值与有限元值之间的差异最小化，如式(10)所示；根据数值模型，表面温度的有限元值用公式(11)描述；根据传热系数经验公式，表面传热系数主要由表面温度和环境温度决定，用公式(12)描述；通过求解式(10)～(12)，实现热图像重建的输入特征提取；cgan模型的生成器可以利用输入特征生成热图像的时间序列数据。
[0041][0042][0043]hsurf
(t)＝f2(θ
am
,θ
sur
f)(12)
[0044]
式中，为表面温度的测量值；为表面温度的有限元值；f1为有限元值的计
算函数；f2为表面传热系数的计算函数。
[0045]
本发明的有益效果在于：
[0046]
1)该发明利用负载电流、环境温度和传热系数作为输入特征，并利用稳态热图像作为输出结果。采用cgcn模型学习输入特征与输出图像之间的数据规律。它可控制电缆接头的热图像生成。将电力设备温度场的建模问题转化为一个图像生成问题。
[0047]
2)在动态监控过程中，物理驱动和数据驱动的方法按顺序集成。基于热知识的物理驱动方法解决了数据驱动方法训练数据不足的问题。基于cgan模型的数据驱动方法解决了计算效率和成本的问题。集成方法充分利用了它们各自的优势。
[0048]
3)该方法同现有单一方法相比，在热响应速度、状态识别、稳定性、应用难度、结果可解释性等方法均有综合提升。
[0049]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0050]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0051]
图1为基于机理与数据联合驱动方法的实施过程图；
[0052]
图2为电缆接头结构与物理场边界条件图；
[0053]
图3为cgan的整体框架图；
[0054]
图4为实验测试结果图；
[0055]
图5为实时生成结果图。
[0056]
附图标记：导体1、xlpe绝缘2、第一阻水层3、空气间隙4、第一金属护套5、外护套6、应力锥7、连接管8、应力管9、主绝缘管10、第二阻水层11、第二金属护套12、阻水填充层13、保护层14。
具体实施方式
[0057]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0058]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0059]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描
述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0060]
本发明提出一种基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法，具体实时步骤如图1所示，电缆接头结构如图2所示，包括导体1、xlpe绝缘2、第一阻水层3、空气间隙4、第一金属护套5、外护套6、应力锥7、连接管8、应力管9、主绝缘管10、第二阻水层11、第二金属护套12、阻水填充层13、保护层14。
[0061]
本发明的电缆接头内部温度分布实时监测步骤如下：
[0062]
(1)数值分析阶段
[0063]
高压电缆接头通常铺设在地下封闭的工井中。根据实际安装环境的影响，建立了一个基于焦耳定律和传热规则的温度场稳态计算模型。在保证科学性和有效性的基础上，对计算模型进行了简化，减少了分析的难度。简化后的电缆接头整体结构如图1所示。具体假设如下：
[0064]
1)高压电缆接头处于自然对流状态，而强迫对流、太阳辐射等外部因素被忽略。
[0065]
2)对传热影响较小的结构被忽略或简化，如绝缘屏蔽、接地极、热收缩管等。
[0066]
3)该材料被认为是各向同性均匀介质。除导体电阻外，所有参数均假定为恒定。
[0067]
4)导体和连接管组合成一个单元。假设其电阻是均匀的，而忽略了接触电阻的影响。
[0068]
电缆接头所产生的热量主要来自于导体损耗、介电损耗和护套损耗。当绝缘工作正常时，可以忽略介电损耗。由于含有电缆接头的电缆线的金属护套多采用交叉连接方式，因此护套损耗只占总损耗的一小部分。因此，认为导体损耗是主要的热源。根据焦耳定律，导体的体积热源可以计算出来，如下式所示。
[0069][0070]
式中，q
con
为导体的体积热源，w/m3；r
con
为导体的交流电阻ω/m，i
ac
为电流的有效值，a；s
con
为导线的横截面积m2。
[0071]
电缆接头的导体电阻取决于频率和温度，相应的计算公式如式(2)所示。
[0072]rcon
＝r
293.15
(1+ys+y
p
)[1+a
293.15
(θ-293.15)](2)
[0073]
式中，r
293.15
为导体在293.15k时的直流电阻，ω/m；ys和y
p
为趋肤效应系数和邻近效应系数；a
293.15
为293.15k时的温度系数，k-1；θ为温度，k。
[0074]
导体损耗产生的热量通过热传导方式在电缆接头内绝缘、屏蔽、半导体等结构中进行传递。根据稳态传热定律，热传导方程式(3)。
[0075][0076]
式中，λ为导热系数w/(m
·
k)。
[0077]
在电缆接头表面，热量通过自然对流和热辐射进行散热，控制方程如(4)所示。
[0078]
[0079]
式中，h
surf
为表面传热系数w/(m2·
k)，由自然对流传热系数与辐射传热系数组成；θ
surf
为表面温度，k；θ
am
为环境温度，k。
[0080]
在电缆接头两端，边界可视为热绝缘边界，控制方程如式(5)所示。
[0081][0082]
利用有限元法求解上述模型，可以得到电缆接头的温度分布。负载电流、环境温度和表面传热系数是数值重构的关键参数。以yjjt1-64/110kv电缆接头和yjlw03-z-64/110kv xlpe电缆为例。它们的几何参数和导热系数见表i。由于在电缆接头处发生轴向传热，因此模型以连接管为中心，总长度为8.0m。
[0083]
为了使cgan模型能够学习数据规则，我们选择了不同运行条件下的稳态温度分布结果作为训练数据集。选择运行条件作为输入特征，如负载电流、环境温度、传热系数等。根据实际情况，负载电流设置为400-1000a，梯度为15a。环境温度设置为273-308k，梯度为1k。传热系数设置为4-10w/(m2·
k)，梯度为0.2w/(m2·
k)。由于电缆接头结构是轴向对称的，因此选择轴向截面的热图像作为目标对象。温度分布尺度设置在270-370k之间，为了保证高分辨率，本文只考虑电缆接头主体附近的温度，热图像的分辨率为640
×
640像素。
[0084]
表1
[0085][0086]
(2)数据训练阶段
[0087]
cgan模型通过学习输入特征与热图像之间的映射关系，可以实现可控的图像生成。该模型利用卷积层代替部分全连接层，降低了网络参数的复杂性，提高了生成图像的质量。该模型由生成器和鉴别器组成，如图3所示。生成器由全连接层、基本块层和卷积层组成。该鉴别器由卷积层、解码模块、扁平层和全连接层组成。
[0088]
在生成器中，输入特征是一个由运行条件组成的参数向量其中包括负载电流、环境温度和传热系数。这个向量通过一个全连接层被扩展到一个有32个通道的20
×
20特征图。初始向量可用于控制高维图像的变化，以实现有条件的数字生成。特征图像的像素值通过基本块模块中的上采样层相乘。经过5次上采样，可以生成一个640
×
640像素的特征图像。为了避免深度网络造成的信息丢失，在基本块中引入了跳过连接。跳过连接可以传输原始信息，避免了训练过拟合。生成图像与输入特征g之间的映射函数可以表示如下所
示。
[0089][0090]
式中，为生成图像，r为图像的像素值；fg为输入向量与生成图像之间的非线性映射函数；wg为生成器的权值参数矩阵；bg为生成器的偏置参数矩阵。
[0091]
在鉴别器中，将与输入特征g相对应的热图像设置为输入图像。输入的图像由生成的热图像和实际的热图像组成。通过数值计算模型，得到了实际的热图像。在编码模块中，通过平均池化来降低输入图像的维数。将由编码模块得到的参数矩阵通过扁平层处理成一维阵列。然后，通过全连接层输出图像识别标签。利用公式(7)可以计算出生成图像的识别标签。使用公式(8)可以计算出实际图像的识别标签。
[0092][0093]
c＝fd(s,g；wd,bd)(8)
[0094]
式中，fd为输入图像与标识标签之间的非线性映射函数；wd为鉴别器的权重参数矩阵；bd为鉴别器的偏置参数矩阵。
[0095]
生成器和鉴别器之间的博弈的目的是通过损失函数更新网络参数。采用二值交叉熵(bce)损失函数计算生成图像的识别标签与实际图像之间的相似性，如公式(9)所示。利用损失函数作为训练约束，迭代地更新生成器与判别器的参数。最后，该模型达到了纳什均衡的。通过学习输入特征与热图像之间的关系，得到了生成器映射过程中的权值矩阵和偏置矩阵。
[0096][0097]
其中，f
loss
为cgan模型的损失函数；m为网络的批量大小。
[0098]
(3)输入特征提取
[0099]
根据稳态计算模型和cgan模型，等效热源、环境温度、表面传热系数是关键的输入特征。提出了基于环境温度和表面温度的测量值来识别等效热源和表面传热系数的反演方法。该方法将决定等效热源的电流作为控制变量。目标函数使表面温度测量值与有限元值之间的差异最小化，如式(10)所示。根据数值模型，表面温度的有限元值可以用式(11)简要描述。根据传热系数经验公式，表面传热系数主要由表面温度和环境温度决定，可用式(12)简要描述。通过采用割线法求解上述数学模型，可以实现热图像重建的输入特征提取。
[0100][0101][0102]hsurf
(t)＝f2(θ
am
,θ
surf
)(12)
[0103]
式中，为表面温度的测量值；为表面温度的有限元值；f1为有限元值的计算函数；f2为表面传热系数的计算函数。
[0104]
(4)动态监测过程
[0105]
搭建模拟实验平台，实验平台由试验对象、环境模拟箱、电流控制系统、测温系统组成。在实验过程中，通过调整电流上升系统来模拟负载电流的动态变化。一旦电缆及其接
头在500a的负载电流下达到稳定状态，就会记录负载电流、导体温度、表面温度和环境温度。负载电流的变化情况如图4所示。采用基于热知识的物理驱动方法从实时测量数据中提取输入特征。在通过实时测量的表面温度和环境温度数据，采用物理驱动方法提取离散时间条件下的输入特征。cgan模型的生成器可以利用输入特征生成热图像的时间序列数据。温度分布的实时生成结果如图5所示。连接管处温度生成结果与测量结果如图4所示。
[0106]
在动态监控阶段，基于物理驱动方法的输入特征提取约需要0.1秒。然后，驱动cgan模型的生成器生成温度图像，花费约0.5秒。与数值方法相比，它不需要考虑网格数、高阶积分和收敛效应等因素。整个监控过程只需要0.6秒。运行监控的应用成本也很有限，如表2所示为实时阶段应用成本。
[0107]
表2
[0108][0109]
结果说明：
①
方法实现了电缆接头内部分布的动态生成，计算效率高，成本低。
②
仅依赖于稳态训练数据，不需要考虑时间信息的影响。训练数据更容易完全获得。数据驱动方法训练数据不足的问题得到解决，有助于保证计算结果的有效性。
③
由于测量数据不依赖时间尺度上信息，有效避免了测量信息丢失对后续结果的影响，效果更加稳定。
[0110]
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：
1.一种基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法，其特征在于：包括以下步骤：s1：构建电缆接头温度的稳态计算模型，通过仿真获得不同运行条件下的内部热图像；s2：构建基于cgan模型的数据驱动方法，学习运行条件与热图像之间的数据规律，并构建学习运行条件与热图像之间的映射关系；s3：将物理驱动方法和数据驱动方法依次集成，物理驱动方法利用热传导反问题分析方法从实时测量数据中提取数据驱动方法的输入特征，利用所述输入特征驱动cgan模型的生成器动态地生成热图像。2.根据权利要求1所述的基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法，其特征在于：步骤s1所述构建电缆接头温度的稳态计算模型，具体包括：通过式(1)计算电缆接头导体的单位体积热源：式中，q
con
为导体的体积热源；r
con
为导体的交流电阻，i
ac
为电流的有效值；s
con
为导线的横截面积；电缆接头的导体电阻取决于频率和温度，相应的计算公式如式(2)所示：r
con
＝r
293.15
(1+y
s
+y
p
)[1+a
293.15
(θ-293.15)](2)式中，r
293.15
为导体在293.15k时的直流电阻；y
s
和y
p
为趋肤效应系数和邻近效应系数；a
293.15
为293.15k时的温度系数；θ为温度；导体损耗产生的热量通过热传导方式在电缆接头内绝缘、屏蔽、半导体等结构中进行传递；根据稳态传热定律，热传导方程式(3)：式中，λ为导热系数；在电缆接头表面，热量通过自然对流和热辐射进行散热，控制方程如(4)所示：式中，h
surf
为表面传热系数，由自然对流传热系数与辐射传热系数组成；θ
surf
为表面温度；θ
am
为环境温度；在电缆接头两端，边界可视为热绝缘边界，控制方程如式(5)所示：3.根据权利要求1所述的基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法，其特征在于：利用有限元法求解电缆接头的稳态计算模型，得到不同运行条件下的温度分布；选择不同运行条件下的稳态温度分布结果作为训练数据集；选择运行条件作为输入特征，包括负载电流、环境温度、传热系数；选择内部温度分布图像作为输出结果，是温度场稳态计算结果。4.根据权利要求1所述的基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法，其特征在于：所述cgan模型由生成器和鉴别器组成，所述生成器由全连接层、基本块层和卷积层组成；所述鉴别器由卷积层、解码模块、扁平层和全连接层组成；
在生成器中，输入特征是一个由运行条件组成的参数向量，其中包括负载电流、环境温度和传热系数；所述参数向量通过一个全连接层被扩展到一个特征图；初始向量用于控制高维图像的变化；特征图像的像素值通过基本块模块中的上采样层相乘；经过多次上采样，生成一个特征图像；在基本块中引入跳过连接；生成图像与输入特征g之间的映射函数表示如下：式中，为生成图像，r为图像的像素值；f
g
为输入向量与生成图像之间的非线性映射函数；w
g
为生成器的权值参数矩阵；b
g
为生成器的偏置参数矩阵；在鉴别器中，将与输入特征g相对应的热图像设置为输入图像；输入的图像由生成的热图像和实际的热图像组成；通过数值计算模型得到实际的热图像；在编码模块中，通过平均池化来降低输入图像的维数；将由编码模块得到的参数矩阵通过扁平层处理成一维阵列；然后通过全连接层输出图像识别标签；利用公式(7)计算出生成图像的识别标签，使用公式(8)计算出实际图像的识别标签：c＝f
d
(s,g；w
d
,b
d
)(8)式中，f
d
为输入图像与标识标签之间的非线性映射函数；w
d
为鉴别器的权重参数矩阵；b
d
为鉴别器的偏置参数矩阵；生成器和鉴别器之间博弈的目的是通过损失函数更新网络参数；采用二值交叉熵损失函数计算生成图像的识别标签与实际图像之间的相似性，如公式(9)所示；利用损失函数作为训练约束，迭代地更新生成器与判别器的参数；最后，该cgan模型达到纳什均衡；通过学习输入特征与热图像之间的关系，得到生成器映射过程中的权值矩阵和偏置矩阵；其中，f
loss
为cgan模型的损失函数；m为网络的批量大小。5.根据权利要求1所述的基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法，其特征在于：步骤s3具体包括：将决定等效热源的电流作为控制变量；目标函数使表面温度测量值与有限元值之间的差异最小化，如式(10)所示；根据数值计算模型，表面温度的有限元值用公式(11)描述；根据传热系数经验公式，表面传热系数主要由表面温度和环境温度决定，用公式(12)描述；根据实际测量的表面温度与环境温度，通过求解式(10)～(12)，实现热图像重建的输入特征提取；cgan模型的生成器利用输入特征生成热图像的时间序列数据；间序列数据；h
surf
(t)＝f2(θ
am
,θ
surf
)(12)式中，为表面温度的测量值；为表面温度的有限元值；f1为有限元值的计算函数；f2为表面传热系数的计算函数。

技术总结
本发明涉及一种基于机理与数据联合驱动的电缆接头内部温度分布的实时监测方法，属于电力系统领域，包括以下步骤：S1：构建电缆接头温度的稳态计算模型，通过仿真获得不同运行条件下的内部热图像；S2：构建基于CGAN模型的数据驱动方法，学习运行条件与热图像之间的数据规律，并构建学习运行条件与热图像之间的映射关系；S3：将物理驱动方法和数据驱动方法依次集成，物理驱动方法利用热传导反问题分析方法从实时测量数据中提取数据驱动方法的输入特征，利用所述输入特征驱动CGAN模型的生成器动态地生成热图像。态地生成热图像。态地生成热图像。


技术研发人员：张占龙 赵晖 郝越峰 杨渝 陈俊欣 刘雪莉 肖佳怡
受保护的技术使用者：重庆大学
技术研发日：2023.06.20
技术公布日：2023/9/20