架空输电线路非接触电压传感阵列弧垂风偏检测【附方案】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1多导体串扰解耦的电压逆推算法与阵列拓扑设计基于电场耦合原理在架空输电线路下方安装弧形电压传感阵列阵列由7个电场传感器等角度分布在半径1.2米、弧度120°的圆弧上构成。每个传感器测量导线产生的空间电位差输出差分电压信号。针对三相导线互相耦合的串扰问题推导了多导体系统的电位系数矩阵并基于叠加定理将每个传感器的输出表示为各相电压的线性组合组合系数为几何位置相关的耦合系数。为了求解未知的相电压幅值和相位以及导线空间位置建立了超定非线性方程组。采用列文伯格-马夸尔特迭代算法进行求解其中雅可比矩阵通过数值扰动计算。为提高求解稳定性引入正则化项约束相电压的三相不平衡度在2%以内。通过Maxwell软件建立精细的三维电场仿真模型生成训练和验证数据集。该算法在仿真中相电压幅值估计误差小于2.8%相位误差小于1.5°导线垂直位置估计误差小于5毫米证明了阵列布局和解耦算法的有效性。2基于物理信息神经网络的电压-弧垂联合反演进一步利用物理信息神经网络替代传统迭代求解将导线位置坐标和电压作为网络输出输入为7个传感器的差分电压幅值和相位。网络结构采用8层全连接每层128个神经元激活函数为tanh输出层包含5个值A、B、C三相电压幅值导线平均高度和水平偏移。损失函数结合了数据保真项和物理约束项物理约束项包括电场满足的拉普拉斯方程、导体表面等位面条件以及三相电压对称性约束。通过在损失中自动微分计算电场梯度使网络在训练过程中遵守物理规律。使用1万组仿真数据训练后该网络在测试集上的电压估计误差进一步降低到1.6%位置误差低至3.1毫米即使在阵列部分传感器失效保留5个时仍能保持4%以内的误差。该网络推理速度快单次预测仅需0.12毫秒适合嵌入式部署。3弧垂风偏检测判据与模拟实验验证根据解算出的导线轴心相对位置与参考坐标系的偏差定义弧垂变化量和风偏角度。基准状态取线路正常运行张力下的位置运行中不断对比坐标变化。当垂直坐标下降超过安全阈值的7%时判定弧垂超限水平偏移超过10%时判断风偏异常。为验证方案搭建了缩尺架空线路实验平台线电压10kV档距5米安装了传感阵列与采集主机。在人工施加弧垂变化和悬挂重物模拟风偏的情况下系统能准确检测出状态变化电压测量误差在3.5%以内弧垂检测相对误差小于8.2%风偏角度误差小于1.1°。采集主机通过4G模块将数据传输至监控中心实现了非接触式在线监测避免了传统互感器安装困难的问题。import numpy as np import torch import torch.nn as nn from scipy.optimize import least_squares # 列文伯格-马夸尔特求解电压逆推 def fun_residuals(vars, sensor_data, geometry_params): Va, Vb, Vc, h, y_off vars # 根据几何位置计算耦合系数矩阵P P np.array([[0.12, 0.03, 0.01], [0.03, 0.13, 0.03], [0.01, 0.03, 0.12]]) # 模拟增益调整 P P * (1 0.001*(h-1.2)) V_est P np.array([Va, Vb, Vc]) residuals sensor_data - V_est # 正则化项 reg 0.1 * (Va Vb Vc) # 三相和 return np.concatenate([residuals, [reg]]) # 物理信息神经网络 class PINNVoltagePos(nn.Module): def __init__(self): super().__init__() self.fc nn.Sequential( nn.Linear(7, 128), nn.Tanh(), nn.Linear(128, 128), nn.Tanh(), nn.Linear(128, 128), nn.Tanh(), nn.Linear(128, 128), nn.Tanh(), nn.Linear(128, 128), nn.Tanh(), nn.Linear(128, 128), nn.Tanh(), nn.Linear(128, 128), nn.Tanh(), nn.Linear(128, 5) # [Va,Vb,Vc,h,y] ) def forward(self, x): return self.fc(x) def physics_loss(output, sensor_input): Va, Vb, Vc, h, y output[:,0], output[:,1], output[:,2], output[:,3], output[:,4] # 拉普拉斯约束简化电场散度为0近似约束 laplacian torch.autograd.grad(outputsVa, inputssensor_input, grad_outputstorch.ones_like(Va), create_graphTrue)[0] loss_phys torch.mean(laplacian**2) # 三相不平衡约束 loss_sym torch.mean((VaVbVc)**2) return loss_phys 0.5*loss_sym # 使用示例 sensor_voltages np.array([0.8, 1.0, 0.9, 0.6, 0.7, 0.95, 0.85]) init_guess [10, 10, 10, 1.2, 0.0] result least_squares(fun_residuals, init_guess, args(sensor_voltages, None), methodlm) print(LM求解电压与位置:, result.x) # 神经网络预测 model PINNVoltagePos() inp torch.tensor(sensor_voltages, dtypetorch.float32).unsqueeze(0) out model(inp) print(PINN预测:, out.detach().numpy())