基于多特征量的GIS触头温度预测方法

基于多特征量的gis触头温度预测方法
技术领域
1.本发明涉及一种基于多特征量的gis(gas insulated switchgear，gis)触头温度预测方法，属于测量技术领域。


背景技术：

2.气体绝缘开关设备具有结构紧凑、可靠性高、配置灵活、安全性强、维护工作量小等优点，在电力系统中被广泛应用。
3.gis的故障主要是由触头接触不良引起的。接触不良导致接触电阻增大，gis在运行过程中触头温升高于平时温升，严重时可能会引起短路，造成重大事故。而在运行过程中，gis的触头和外壳的温升受到许多因素的共同作用，在预测触头温升时不能忽略这些因素对gis温度场造成的影响。但由于其结构封闭，难以对其内部的触头温度直接进行测量，为了不破坏设备的绝缘水平，现有的的温度监测技术只能监测外壳温度，如红外测温、光纤测温等方式。综上，综合考虑多种因素的影响，对gis内部触头温度与外壳温度之间的关系加以研究很有必要。现有研究在触头温度预测方面展开了大量工作，虽然也获得了触头温度预测方法，但未全面考虑各种因素对预测准确性的影响，限制了这些方法的应用。


技术实现要素：

4.本发明的要解决的问题是提出一种基于多特征量的gis触头温度预测方法。
5.为解决上述问题，本发明采用的技术方案：
6.一种基于多特征量的gis触头温度预测方法，根据gis外壳温升、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度的数值对gis触头温度进行估算，该估算方法包括如下步骤：
7.步骤1：搭建多种因素影响工况下的gis电磁场、流体-温度场模型；
8.步骤2：通过仿真得到不同gis接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度下的外壳温升与触头温升；
9.步骤3：通过作图分析得到可忽略环境温度对外壳温升与触头温升之间关系的影响；
10.步骤4：通过仿真模型得到390组不同接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度的外壳温升与触头温升数据，并以外壳温升代替gis接触电阻阻值，进行bp(back propagation)神经网络训练，得到以外壳温升、负荷电流、风速、sf6浓度、太阳辐射强度为输入量，触头温升为输出量的bp神经网络；
11.步骤5：通过仿真得到另外1300组不同影响因素下的因素与触头温升数据，对上述bp神经网络进行校验，验证其准确度。
12.2、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
13.所述步骤1中包括如下具体步骤：
14.步骤1-1：分析实际情况下gis在运行时，电磁场与流体场-温度场的数学模型，列写控制方程与边界条件，分析影响gis外壳温升与触头温升的因素；
15.步骤1-2：根据252kv三相分箱型gis的物理结构，结合上述物理场方程，通过有限元仿真软件搭建三维模型，考虑到计算的快速性和准确性，在实际的物理模型基础上进行合理简化；
16.步骤1-3：为兼顾计算效率以及结果精确性，选择了自由四面体网格剖分，共划分21355个单元，计算结果收敛。
17.3、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
18.所述步骤2中包括如下具体步骤：
19.步骤2-1：设定接触电阻阻值变化范围在0μω～100μω，步长为5μω，其他参数按照额定工况设置，仿真得到不同接触电阻阻值下的温升数据以及触头温升与外壳温升的关系曲线；
20.步骤2-2：设定负荷电流变化范围为1000a～3150a，步长为500a，其他参数按照额定工况设置，仿真得到不同负荷电流下的温升数据以及触头温升与外壳温升的关系曲线；
21.步骤2-3：设定环境温度变化范围为-10～40℃，步长为1℃，其他参数按照额定工况设置，仿真得到不同环境温度下的温升数据以及触头温升与外壳温升的关系曲线；
22.步骤2-4：设定当风速小于1m/s时，步长为0.2m/s；当风速大于1m/s，步长为1m/s，最大至30m/s，其他参数按照额定工况设置，仿真得到不同风速下的温升数据以及触头温升与外壳温升的关系曲线；
23.步骤2-5：设定sf6气压变化范围为0.3～0.6mpa，步长为0.1mpa，其他参数按照额定工况设置，仿真得到不同sf6压强下的温升数据以及触头温升与外壳温升的关系曲线；
24.步骤2-6：设定太阳辐射强度变化范围在0～1000w/m2，100w/m2为步长，其他参数按照额定工况设置，仿真得到太阳不同辐射强度下的温升数据以及触头温升与外壳温升的关系曲线。
25.4、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
26.所述步骤3中包括如下具体步骤：
27.步骤3-1：为解决接触电阻阻值监测不便的问题，可用便于监测的外壳温升代替接触电阻阻值作为预测触头温升的特征量；
28.步骤3-2：通过改变接触电阻阻值增大温升跨度，绘制不同因素变化下，外壳与触头温升之间的关系曲线；
29.步骤3-3：分析图像得到负荷电流、风速、sf6压强、太阳辐射强度对外壳温升与触头温升之间的关系有影响。
30.5、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
31.所述步骤4中包括如下具体步骤：
32.步骤4-1：利用仿真得到接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度各不相同的390组外壳温升与触头温升数据样本；
33.步骤4-2：将390组数据作为样本训练bp神经网络，得到以外壳温升、负荷电流、风速、sf6压强、太阳辐射强度5个特征量作为输入量，触头温升为输出量的bp神经网络，并得到绝对误差、标准方差值、误差幅值均值；
34.6、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
35.所述步骤5中包括如下具体步骤：
36.步骤5-1：利用仿真得到另外1300组不同接触电阻、负荷电流、风速、sf6压强、太阳辐射强度下的外壳温升与触头温升数据；
37.步骤5-2：将1300组数据代入步骤4中的bp神经网络中作为测试数据，验证该网络的可靠性，得到该预测方法的绝对误差、均方根误差。
38.本发明的研究过程中考虑到了真实的工况变化，所得到的数据更加贴合实际，弥补了目前关于gis触头温度预测方法没有较为全面考虑多种影响因素这一空缺。通过gis外壳温升、负荷电流、风速、sf6压强、太阳辐射强度这5个变量就可以预测gis触头温度，与传统的gis触头预测方法比起来考虑因素更加全面，在实际工程应用中有重要的意义。数据校验过程中绝对误差范围在[-0.7，0.68]℃之间，均方根误差为0.26℃，证实了本bp神经网络具有较高的准确度。
附图说明
[0039]
图1为具体步骤流程图。
[0040]
图2为gis三维几何模型外部结构示意图。
[0041]
图3为gis三维几何模型截面结构示意图。
[0042]
图4为接触电阻变化时，触头温升与外壳温升的变化。
[0043]
图5为负荷电流变化时，触头温升与外壳温升的变化。
[0044]
图6为环境温度变化时，触头温升与外壳温升的变化。
[0045]
图7为风速变化时，触头温升与外壳温升变化。
[0046]
图8为sf6压强变化时，触头温升与外壳温升变化。
[0047]
图9为太阳辐射强度变化时，触头温升与外壳温升变化。
[0048]
图10为负荷电流不同时，触头温升与外壳温升的关系变化。
[0049]
图11为环境温度不同时，触头温升与外壳温升的关系变化。
[0050]
图12为风速不同时，触头温升与外壳温升关系变化。
[0051]
图13为sf6压强不同时，触头温升与外壳温升关系变化。
[0052]
图14为太阳辐射强度不同时，触头温升与外壳温升关系变化。
[0053]
图15为测试集样本和采用bp神经网络预测数据对比曲线。
[0054]
图16为bp神经网络预测误差。
具体实施方式
[0055]
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
[0056]
本发明的要解决的问题是提出一种基于多特征量的gis触头温度预测方法。
[0057]
为解决上述问题，本发明采用的技术方案：
[0058]
一种基于多特征量的gis触头温度预测方法，根据gis外壳温升、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度的数值对gis触头温度进行估算，该估算方法包括如下步骤：
[0059]
步骤1：搭建多种因素影响工况下的gis电磁场、流体-温度场模型；
[0060]
步骤2：通过仿真得到不同gis接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度下的外壳温升与触头温升；
[0061]
步骤3：通过作图分析得到可忽略环境温度对外壳温升与触头温升之间关系的影响；
[0062]
步骤4：通过仿真模型得到390组不同接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度的外壳温升与触头温升数据，并以外壳温升代替gis接触电阻阻值，进行bp神经网络训练，得到以外壳温升、负荷电流、风速、sf6浓度、太阳辐射强度为输入量，触头温升为输出量的bp神经网络；
[0063]
步骤5：通过仿真得到另外1300组不同影响因素下的因素与触头温升数据，对上述bp神经网络进行校验，验证其准确度。
[0064]
2、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
[0065]
所述步骤1中包括如下具体步骤：
[0066]
步骤1-1：分析实际情况下gis在运行时，电磁场与流体场-温度场的数学模型，列写控制方程与边界条件，分析影响gis外壳温升与触头温升的因素；
[0067]
步骤1-2：根据252kv三相分箱型gis的物理结构，结合上述物理场方程，通过有限元仿真软件搭建三维模型，考虑到计算的快速性和准确性，在实际的物理模型基础上进行合理简化；
[0068]
步骤1-3：为兼顾计算效率以及结果精确性，选择了自由四面体网格剖分，共划分21355个单元，计算结果收敛。
[0069]
3、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
[0070]
所述步骤2中包括如下具体步骤：
[0071]
步骤2-1：设定接触电阻阻值变化范围在0μω～100μω，步长为5μω，其他参数按照额定工况设置，仿真得到不同接触电阻阻值下的温升数据以及触头温升与外壳温升的关系曲线；
[0072]
步骤2-2：设定负荷电流变化范围为1000a～3150a，步长为500a，其他参数按照额定工况设置，仿真得到不同负荷电流下的温升数据以及触头温升与外壳温升的关系曲线；
[0073]
步骤2-3：设定环境温度变化范围为-10～40℃，步长为1℃，其他参数按照额定工况设置，仿真得到不同环境温度下的温升数据以及触头温升与外壳温升的关系曲线；
[0074]
步骤2-4：设定当风速小于1m/s时，步长为0.2m/s；当风速大于1m/s，步长为1m/s，最大至30m/s，其他参数按照额定工况设置，仿真得到不同风速下的温升数据以及触头温升与外壳温升的关系曲线；
[0075]
步骤2-5：设定sf6气压变化范围为0.3～0.6mpa，步长为0.1mpa，其他参数按照额定工况设置，仿真得到不同sf6压强下的温升数据以及触头温升与外壳温升的关系曲线；
[0076]
步骤2-6：设定太阳辐射强度变化范围在0～1000w/m2，100w/m2为步长，其他参数按照额定工况设置，仿真得到太阳不同辐射强度下的温升数据以及触头温升与外壳温升的关系曲线。
[0077]
4、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
[0078]
所述步骤3中包括如下具体步骤：
[0079]
步骤3-1：为解决接触电阻阻值监测不便的问题，可用便于监测的外壳温升代替接触电阻阻值作为预测触头温升的特征量；
[0080]
步骤3-2：通过改变接触电阻阻值增大温升跨度，绘制不同因素变化下，外壳与触头温升之间的关系曲线；
[0081]
步骤3-3：分析图像得到负荷电流、风速、sf6压强、太阳辐射强度对外壳温升与触头温升之间的关系有影响。
[0082]
5、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
[0083]
所述步骤4中包括如下具体步骤：
[0084]
步骤4-1：利用仿真得到接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度各不相同的390组外壳温升与触头温升数据样本；
[0085]
步骤4-2：将390组数据作为样本训练bp神经网络，得到以外壳温升、负荷电流、风速、sf6压强、太阳辐射强度5个特征量作为输入量，触头温升为输出量的bp神经网络，并得到绝对误差、标准方差值、误差幅值均值；
[0086]
6、根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：
[0087]
所述步骤5中包括如下具体步骤：
[0088]
步骤5-1：利用仿真得到另外1300组不同接触电阻、负荷电流、风速、sf6压强、太阳辐射强度下的外壳温升与触头温升数据；
[0089]
步骤5-2：将1300组数据代入步骤4中的bp神经网络中作为测试数据，验证该网络的可靠性，得到该预测方法的绝对误差、均方根误差。
[0090]
搭建有上述gis的电磁场、流体-温度场仿真模型，获得gis接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度对gis外壳温升与触头温升的影响，并基于多特征量预测触头温度，具体地，通过以下步骤来实现：
[0091]
根据gis正常运行时的情况，列写电流密度的控制方程如式(1)～(4)：
[0092]
外壳及屏蔽罩内
[0093][0094][0095]
导体内部
[0096]
[0097]
总电流密度
[0098]jz
＝-jωσa+jeꢀꢀꢀꢀ
(4)
[0099]
式中，为梯度算子；μ为材料磁导率；σ为材料的电导率；ω为电流角频率；φ为标量电位；jz为总电流密度；a为磁矢势；je为源电流密度。
[0100]
列写流体-温度场的控制方程如
[0101][0102][0103][0104]
式中，ρ为材料密度；c
p
为材料比热容；u为速度矢量；k为材料导热系数；t为温度；qh为通过电磁场计算所得到的导体、屏蔽罩和外壳中损耗的体积热源；p为气体压强；i为单位矩阵；μ为气体动力粘度；g为重力加速度；δρ为气体热膨胀引起的密度差。
[0105]
用有限元仿真软件搭建以252kv三相分箱型gis隔离开关为原型的仿真模型。为便于模型的建立与计算，作以下简化：
①
由于内部小部件对设备温度分布的影响很小，将其简化；
②
隔离开关上方操作机构箱和底部支撑支架对gis导体的散热影响不大，将其简化；最终建立的模型其外部结构如图2所示，截面结构如图3所示。
[0106]
将接触电阻等效为串联在触头与导杆之间的电阻，在触头与导杆接触部位设置一段长度为30mm、电阻率可变的导体模拟热故障，热故障越严重，电阻率越大。设置接触电阻阻值变化范围在0μω～100μω，步长为5μω，其他参数按照额定工况设置，具体见表1。仿真得到不同接触电阻阻值下的温升数据，触头与外壳温升随接触电阻的变化如图4所示。触头与外壳温升跟接触电阻阻值近似成正比，但触头温升的变化速度远大于外壳温升。
[0107]
表1
[0108][0109]
设置负荷电流变化范围为1000a～3150a，步长为500a，其他参数见表1。图5给出了触头和外壳温升随负荷电流的变化。由图可得，随着负荷电流的增加，外壳及触头温升与负荷电流成非线性关系，且触头温升增长幅度明显大于外壳温升。
[0110]
设置环境温度变化范围为-10℃～40℃，步长为1℃，其他参数见表1。图6为触头和外壳温升随环境温度的变化情况。由图可得，随着环境温度增加，触头和外壳温升也随之增加，且二者之差基本保持不变，且在正常温度取值范围内，外壳与触头温升变化在0.5℃内。
[0111]
设置当风速小于1m/s时，步长为0.2m/s；当风速大于1m/s，步长为1m/s，最大至30m/s，其他参数见表1。图7为风速变化时，触头与外壳温升的变化情况。当风速小于1m/s时，触头及外壳温升降低速度快；风速大于1m/s时，触头及外壳温升以缓慢速度减小直至外壳温度接近环境温度。
[0112]
设置sf6气压变化范围为0.3～0.6mpa，步长为0.1mpa，其他参数见表1。仿真得到的触头与外壳温升随sf6压强的变化如图8所示。由图8看出，随着气压的增加，sf6气体的散
热能力增强，触头温升下降速度先快后慢，当气压增至0.5mpa时导体温度降低趋势变缓，散热效果趋于饱和，但外壳温升始终不发生变化，所以gis的sf6压强普遍在0.4～0.5mpa范围内。
[0113]
设太阳光垂直照射在gis上表面，设置辐射强度变化范围在0～1000w/m2，100w/m2为步长，其他参数见表1，得到触头温升与外壳温升随太阳辐射强度的变化如图9所示。由图可得，随着太阳辐射强度的增加，触头与外壳温升随之增加，且二者温升幅值大致相同。
[0114]
为解决接触电阻阻值监测不便的问题，可用便于监测的外壳温升代替接触电阻阻值作为预测触头温升的特征量。为尽可能减少特征量的数目，减少传感器的投资，对负荷电流、环境温度、风速、sf6压强、太阳辐射强度这五种影响因素进行筛选。通过改变接触电阻阻值增大温升跨度，得到的结果更直观。如图10～14为不同因素变化下，外壳与触头温升之间的关系。由图10、12、13、14可得，在负荷电流、风速、sf6压强、太阳辐射强度不同时，不同的外壳温升对应着不同的触头温升，说明若利用外壳温升预测触头温升，需要充分考虑这些因素的数值才能得到更准确结果。由图11可得，在环境温度不同时，外壳与触头温升之间的关系曲线基本重合，可以忽略环境温度对二者关系的影响。
[0115]
利用仿真得到6种影响因素不同的390组样本，仿真参数取值范围如表2所示。将390组数据作为样本训练bp神经网络；bp神经网络由输入层、隐层和输出层3层组成。在确定外壳温升、负荷电流、风速、sf6压强、太阳辐射强度5个特征量作为输入量预测触头温升后，只考虑这5个因素对输出量触头温升的影响，所以输入层节点数为5，输出层节点数为1。隐层节点数设置为5～15，步长为1，经测试，发现隐层节点数为10具有最高准确性。采用基于levenberg-marquardt算法的贝叶斯正则化训练，log-sigmoid作为隐层激励函数，linear作为输出层激励函数时，结果误差最小，共迭代423次。针对训练样本，该网络的绝对误差在[-0.664，0.536]℃范围内，标准方差值为0.226，误差幅值均值为0.261℃，说明预测效果较为理想。所以仅利用5个特征量来预测gis触头温升是可行的。
[0116]
表2
[0117][0118]
为验证该网络的拟合效果，将建模得到的另外1300组不同接触电阻、负荷电流、风速、sf6压强、太阳辐射强度下的结果作为测试样本数据，部分测试样本数据和采用bp神经网络预测结果的对比如图15所示，预测误差如图16所示。由图15可知，由该网络预测得到结果的变化趋势与期望值一致且二者差距很小。由图16可知，由bp神经网络预测得到的结果，其绝对误差范围在[-0.7，0.68]℃之间；预测的均方根误差为0.26℃。
[0119]
综上，通过该bp神经网络算法可基于外壳温升、负荷电流、风速、sf6压强与太阳辐射强度较为准确地预测触头温升，基于多特征量的gis触头温度预测方法误差较小，效果较好，可以应用于实际运行中的gis触头温度预测问题中。
[0120]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，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，而不脱离本发明技术方案的实
质和范围。

技术特征：
1.一种基于多特征量的gis(gas insulated switchgear，gis)触头温度预测方法，其特征在于，根据gis外壳温升、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度的数值对gis触头温度进行估算，该估算方法包括如下步骤：步骤1：搭建多种因素影响工况下的gis电磁场、流体-温度场模型；步骤2：通过仿真得到不同gis接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度下的外壳温升与触头温升；步骤3：通过作图分析，得到可忽略环境温度对外壳温升与触头温升之间关系的影响；步骤4：通过仿真模型得到390组不同接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度的外壳温升与触头温升数据，并以外壳温升代替gis接触电阻阻值，进行bp(backpropagation)神经网络训练，得到以外壳温升、负荷电流、风速、sf6浓度、太阳辐射强度为输入量，触头温升为输出量的bp神经网络；2.根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：所述步骤1中包括如下具体步骤：步骤1-1：分析实际情况下gis在运行时，电磁场与流体场-温度场的数学模型，列写控制方程与边界条件，分析影响gis外壳温升与触头温升的因素；步骤1-2：根据252kv三相分箱型gis的物理结构，结合上述物理场方程，通过有限元仿真软件搭建三维模型，考虑到计算的快速性和准确性，在实际的物理模型基础上进行合理简化；步骤1-3：为兼顾计算效率以及结果精确性，选择了自由四面体网格剖分，共划分21355个单元，计算结果收敛。3.根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：所述步骤2中包括如下具体步骤：步骤2-1：设定接触电阻阻值变化范围在0μω～100μω，步长为5μω，其他参数按照额定工况设置，仿真得到不同接触电阻阻值下的温升数据以及触头温升与外壳温升的关系曲线；步骤2-2：设定负荷电流变化范围为1000a～3150a，步长为500a，其他参数按照额定工况设置，仿真得到不同负荷电流下的温升数据以及触头温升与外壳温升的关系曲线；步骤2-3：设定环境温度变化范围为-10～40℃，步长为1℃，其他参数按照额定工况设置，仿真得到不同环境温度下的温升数据以及触头温升与外壳温升的关系曲线；步骤2-4：设定当风速小于1m/s时，步长为0.2m/s；当风速大于1m/s，步长为1m/s，最大至30m/s，其他参数按照额定工况设置，仿真得到不同风速下的温升数据以及触头温升与外壳温升的关系曲线；步骤2-5：设定sf6气压变化范围为0.3～0.6mpa，步长为0.1mpa，其他参数按照额定工况设置，仿真得到不同sf6压强下的温升数据以及触头温升与外壳温升的关系曲线；步骤2-6：设定太阳辐射强度变化范围在0～1000w/m2，100w/m2为步长，其他参数按照额定工况设置，仿真得到太阳不同辐射强度下的温升数据以及触头温升与外壳温升的关系曲线。4.根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：所述步骤3中包括如下具体步骤：
步骤3-1：为解决接触电阻阻值监测不便的问题，可用便于监测的外壳温升代替接触电阻阻值作为预测触头温升的特征量；步骤3-2：通过改变接触电阻阻值增大温升跨度，绘制不同因素变化下，外壳与触头温升之间的关系曲线；步骤3-3：分析图像得到负荷电流、风速、sf6压强、太阳辐射强度对外壳温升与触头温升之间的关系有影响。5.根据权利要求1所述的一种基于多特征量的gis触头温度预测方法，其特征在于：所述步骤4中包括如下具体步骤：步骤4-1：利用仿真得到接触电阻阻值、负荷电流、环境温度、风速、sf6浓度、太阳辐射强度各不相同的390组外壳温升与触头温升数据样本；步骤4-2：将390组数据作为样本训练bp神经网络，得到以外壳温升、负荷电流、风速、sf6压强、太阳辐射强度5个特征量作为输入量，触头温升为输出量的bp神经网络，并得到绝对误差、标准方差值、误差幅值均值。

技术总结
一种基于多特征量的GIS(gasinsulatedswitchgear，GIS)触头温度预测方法，所述方法是通过搭建GIS电磁场、流体-温度场模型，对不同GIS接触电阻阻值、负荷电流、环境温度、风速、SF6浓度、太阳辐射强度情况下的外壳温升与触头温升以及二者间的关系进行研究，并通过作图证明可忽略环境温度这一影响因素，得到BP(backpropagation)神经网络可用于预测触头温升，其中输入量为外壳温升、负荷电流、风速、SF6浓度、太阳辐射强度，输出量为触头温升，并用仿真得到的另外1300组数据用于验证该网络的可靠性。该方法经验证误差小，而且综合考虑了多种影响因素下的运行工况，可以应用于实际运行中的GIS触头温升预测。用于实际运行中的GIS触头温升预测。用于实际运行中的GIS触头温升预测。


技术研发人员：徐志钮 刘昱轩 赵丽娟
受保护的技术使用者：华北电力大学（保定）
技术研发日：2023.07.11
技术公布日：2023/10/15