CN103399218A - 一种开关柜负荷指数预测装置及方法 - Google Patents

Abstract

本发明一种开关柜负荷指数预测装置及方法，属于开关柜技术领域，该装置包括电流传感器、电压传感器、功率测量仪、温度传感器、数据采集芯片、中央处理器、工控机和无线通讯模块；本发明能够了解开关柜的负荷状态，减少过早或不必要的停电试验和检修，做到应修则修，显著提高了电力系统可靠性和经济性，对生产企业自行研发并制造生产的新型户内开关柜气体绝缘强度进行预测分析，可以方便维修人员进行检修。

Description

一种开关柜负荷指数预测装置及方法

技术领域

属于开关柜技术领域，特别涉及一种开关柜负荷指数预测装置及方法。 

背景技术

开关电器在电力系统中起着控制和保护等重要作用。随着电力系统自动化水平的不断提高，要求开关电器逐步实现智能化，能够与变电站综合自动化、配电自动化的发展相适应和配套。智能化开关电器是在传统的开关设备中引入计算机技术、数字处理技术和网络通信技术而发展起来的新一代开关电器。智能化日渐成为开关电器的一个重要发展方向。无论是高压电器还是低压电器，无论是电器元件还是成套开关设备，都出现了智能化的发展趋势。开关柜是机、电、磁三种相结合的复杂装置，为了提高其工作的可靠性，对柜体自身工作状态的监测与控制就变得十分重要，它是开关柜智能化的重要内容。但是开关柜本身、开关柜控制对象和开关柜组成的电力网三者都具有物理过程的复杂性、不确定性和模糊性，难以有精确的数学模型，所以开关柜的状态监测需要采用各种先进理论和技术，通过感知、学习、记忆和大范围的自适应手段来进行有效的处理和控制，以便各方面都基本达到最佳性能指标。 

发明内容

针对现有技术的不足，本发明提出一种开关柜负荷指数预测装置及方法，以达到减少过早或不必要的停电试验和检修，提高电力系统可靠性、经济性和检修的便捷性的目的。 

一种开关柜负荷指数预测装置，包括电流传感器、电压传感器、功率测量仪、温度传感器、数据采集芯片、中央处理器、工控机和无线通讯模块，其中，电流传感器的输出端、电压传感器的输出端、功率测量仪的输出端和温度传感器的输出端依次连接数据采集芯片的四路输入端，数据采集芯片的输出端连接中央处理器的输入端，中央处理器的两路输出端分别连接工控机的输入端和无线通信模块的输入端。 

采用开关柜负荷指数预测装置进行预测的方法，包括以下步骤： 

步骤1、采集开关柜的温度、工作电压、开断电流、功率四个参数，并将上述四个参数发送至数据采集芯片中； 

步骤2、数据采集芯片对所采集的四个参数进行模数转换，并将模数转换后的四个参数发送至数据处理器中； 

步骤３、数据处理器根据所采集的四个参数对开关柜负荷指数进行预测； 

步骤３-1、采用经验模式分解法对由开关柜的温度、工作电压、开断电流和功率四个参数所构成的时间序列进行分解处理； 

步骤３-2、采用递归神经网络方法对分解后时间序列进行预测，并基于相空间重构理论， 将分解后的时间序列嵌入到相空间中，采用互信息量法确定相空间中的延迟时间，采用嵌入维算法确定相空间的关联维数，进而获得多个不同的预测分量； 

步骤３-３、设置动态递归神经网络结构，将步骤杂-2获得的多个不同的预测分量输入动态递归神经网络进行训练，并采用线性组合的方法对训练后的所有不同分量进行线性组合，即获得开关柜负荷指数预测函数； 

步骤4、数据处理器将预测的开关柜负荷指数发送至工控机中储存，并通过无线通讯模块发送至远方调度终端，以便维修人员及时进行检修。 

步骤３-1所述的采用经验模式分解法对由开关柜的温度、工作电压、开断电流和功率四个参数所构成的时间序列进行分解处理，具体步骤如下： 

步骤3-1-1、确定时间序列信号所有的局部极值点，并采用三次样条插值曲线将所有的局部极大值点连接起来形成上包络线； 

步骤3-1-2、采用三次样条插值曲线将所有的局部极小值点连接起来形成下包络线，根据上下包络线确定包络线包络的所有数据点； 

步骤3-1-3、上下包络线的平均值记为m₁，求出差值h₁： 

h₁=z(t)-m₁   (1) 

其中，z(t)=[z₁(t),z₂(t),...,z₄(t)]；z₁(t)表示t时刻采集的四个参数中第1个输入量的数据；z₂(t)表示t时刻采集的四个参数中第2个输入量的数据；z₄(t)表示t时刻采集的四个参数中第4个输入量的数据； 

若h₁的最大值h_max和最小值h_min之差小于一个预先设定的值ε，ε≤0.01 

|h_max-h_min|≤ε   (2) 

则h₁为z(t)的一个模式分量；否则，执行步骤3-1-4； 

步骤3-1-4、将h₁作为又一初始数据，重复步骤3-1-1到步骤3-1-3，重循环k次，直至h_k=h_k-1-m_k中h_k满足式(2)　的条件，记　c₁=h_k，则c₁为信号z(t)的第一个模式分量； 

步骤3-1-5、将c₁从z(t)中分离出来，得到z(t)剩余部分r₁： 

r₁=z(t)-c₁   (3) 

将r₁作为又一初始数据重复步骤3-1-1到步骤3-1-4，重循环n_t次，得到信号z(t)的n_t个模式分量； 

当z(t)的剩余部分为一个单调函数时，循环结束，把信号z(t)分解为n_t个模式分量 

和一个残量

之和，即： 

$z\left(t\right)=\underset{i_1=1}{\overset{n_t}{\mathrm{\Σ}}}{c}_{i_1}+r_{n_t}---\left(4\right)$

其中，分量

代表了原始信号z(t)中包含的不同时间的特征信号，设x(t)，并且令

，x(t)表示了信号z(t)的中心趋势。 

步骤３-2所述的基于相空间重构理论，将分解后的时间序列嵌入到相空间中，即将分解后的时间序列x(t)嵌入到相空间X(t)={x(t),x(t-τ),...,x(t-(m-1)τ)}中，所述的相空间中行数为所采集的参数个数，列数为关联维数； 

其中，X(t)表示t时刻系统的动力学状态，τ为延迟时间,τ=1，2，…，n₁，n₁为自然数;m是嵌入空间的维数； 

所述的采用递归神经网络方法对分解后时间序列进行预测，确定出相空间中必然存在函数F(·)使得延时后的时间序列状态和当前状态X(t)之间满足: 

$\hat{x}(t+\mathrm{\τ})=F\left(X\left(t\right)\right)---\left(14\right)$

F(·)为待寻找的开关柜负荷指数预测函数； 

并采用内插法对序列进行扩充，获得多个不同的预测分量： 

$\hat{x}(t^{\′}+(\mathrm{\λ}+1)p)=F(x^{\′}\left(t^{\′}\right),x^{\′}(t^{\′}-\mathrm{\τ}),...,x^{\′}(t^{\′}-(m-1)\mathrm{\τ}))---\left(16\right)$

其中，λ为内插倍数，t′为插值后的时刻，p为预测步数，x′（t′）为插值后的时间序列，x′（t′-τ）为插值后延迟τ时间的时间序列，x′(t′-(m-1)τ)为插值后延迟(m-1)τ时间的时间序列。 

本发明优点： 

本发明一种开关柜负荷指数预测装置及方法，能够了解开关柜的负荷状态，减少过早或不必要的停电试验和检修，做到应修则修，显著提高了电力系统可靠性和经济性，对生产企业自行研发并制造生产的新型户内开关柜气体绝缘强度进行预测分析，可以方便维修人员进行检修。 

附图说明

图1为本发明一种实施例的开关柜负荷指数预测装置结构框图； 

图2为本发明一种实施例的开关柜负荷指数预测装置工作示意图； 

图3为本发明一种实施例的开关柜负荷指数预测装置的A/D转换器与处理器电路原理图； 

图4为本发明一种实施例的电平变换电路原理图； 

图5为本发明一种实施例的开关柜负荷指数预测方法总流程图； 

图6为本发明一种实施例的中所采用的动态递归神经网络结构示意图； 

图7为本发明一种实施例的采用EMD_DRNN混合模型结构进行开关柜负荷指数预测的流程图； 

图8为本发明一种实施例的预测负荷指数曲线与实际负荷指数曲线图。 

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。 

如图1所示，一种开关柜负荷指数预测装置，包括电流传感器、电压传感器、功率测量仪、温度传感器、数据采集芯片、中央处理器、工控机和无线通讯模块，其中，电流传感器的输出端、电压传感器的输出端、功率测量仪的输出端和温度传感器的输出端依次连接数据采集芯片的四路输入端，数据采集芯片的输出端连接中央处理器的输入端，中央处理器的两路输出端分别连接工控机的输入端和无线通信模块的输入端。 

本发明实施例中，开关柜采用KYN61-40.5，该开关柜已使用6年；如图2所示，通过对开关柜负荷指数预测，将预测的结果通过无线模块发送，通过3G网络发送至远方调度终端。 

本发明实施例中的信号采集模块包括电压互感器、电流互感器、温度传感器、功率测量仪，其中，电压传感器采用JDG4-1.5500/50型号，电流传感器采用LZJC-10Q1000/5型号电流互感器，功率测量仪采用AC103，安装到开关柜进线端，温度传感器选用PCMini70，安放到开关柜中。 

本发明实施例中，如图3所示，所述的数据采集芯片，即A/D转换器，选用TLC2044型号的12位串行A/D转换器，其中，AIN0-AIN10为模拟输入端；CS为片选端；DIN为串行数据输入端；DOUT为A/D转换结果的三态串行输出端；EOC为转换结束端；CLK为I/O时钟；REF+为正基准电压端；REF-为负基准电压端；VCC为电源；GND为地。 

本发明实施例中，如图3所示，中央处理器选用型号为CS8051的单片机，使用单片机自带的串行口，可实现与工控机的串行通信；现在PC机提供的COM1、COM2是采用RS-232接口标准的，而RS-232是用正负电压来表示逻辑状态，与TTL以高低电平来表示逻辑状态的规定不同，因此，为了能够同计算机接口或与终端的TTL器件(如单片机)连接，必须在RS-232与TTL电路之间进行电平和逻辑关系的变换，如图4所示，本实施例中的变换电路选 用MAX232，该器件包含2个驱动器、2个接收器和一个电压发生器电路，该电压发生器电路提供TIA/EIA-232-F电平，该器件符合TIA/EIA-232-F标准，每一个接收器将TIA/EIA-232-F电平转换成5VTTL/CMOS电平，每一个发生器将TTL/CMOS电平转换成TIA/EIA-232-F电平，单片机是整个装置的核心，串行A/D转换器TLC2044对输入的模拟信号进行采集，采样分辨率、转换通道及输出极性由软件进行选择，由于是串行输入结构，能够节省51系列单片机I/O资源，单片机采集的数据通过串口RXD、TXD引脚(10、11引脚)经MAX232转换成RS232电平与工控机间实现传输。 

本发明实施例中，工控机选用采用UNO-3072系列Pentium M/Celeron M嵌入式工控机。 

本发明实施例中，无线通讯模块采用H7000系列无线通信系统。 

如图3所示，电压互感器、电流互感器、频率传感器、绝缘测试仪的输出端分别连接到A/D转换器TLC2044的输入端AIN0-AIN3，A/D转换器TLC2044的输出端EOC、CLK、DIN、DOUT分别连接到单片机的P10、P11、P12、P13，单片机CS8051的10引脚(RXD)、11引脚(TXD)与变换电路MAX232的R2ou引脚和T2in引脚连接，工控机输入端和无线通讯模块的输入端依次与单片机输出端P00、P01连接；开关柜的电气信息经由相应的器件由采样芯片进行同步采样、保持、A/D转换，变为数字信号，送入单片机进行计算和数据处理，通过通信接口与工控机相连并将数据送到传输模块，为与远方调度通讯做好准备。 

采用所述的开关柜负荷指数预测装置进行预测的方法，流程图如图5所示，包括以下步骤； 

步骤1、采集开关柜的温度、工作电压、开断电流、功率四个参数，并将上述四个参数发送至数据采集芯片中； 

步骤2、数据采集芯片对所采集的四个参数进行模数转换，并将模数转换后的四个参数发送至数据处理器中； 

步骤3、数据处理器根据所采集的四个参数对开关柜负荷指数进行预测； 

步骤３-1、采用经验模式分解法(empirical mode decomposition,EMD)对由开关柜的温度、工作电压、开断电流、功率四个参数所构成的时间序列进行分解处理； 

采集开关柜的温度、工作电压、开断电流、功率作为输入量z(t)=[z₁(t),z₂(t),...,z₄(t)]；其中，z₁(t)表示t时刻采集的第1个输入量的数据；z₂(t)表示t时刻采集的第2个输入量的数据；z₄(t)表示t时刻采集的第4个输入量的数据； 

本发明实施例中，采集样本值见表1； 

表1 

采集样本	采集值
		功率	800kw
工作电压	３8kv
		开断电流	20A
温度	３３°C

本发明实施例中，采用经验模式分解法EMD方法将时间序列z(t)=[z₁(t),z₂(t),...,z₄(t)]归一化到[0，1]之间，然后再分解该序列，成为有限个基本模式分量其中n₃为自然数；在对每个基本模式分量预测之前，仍需要对每个分量进行归一化处理，以提高预测精度。 

采用经验模式分解法进行分解处理，具体如下： 

步骤3-1-1、确定时间序列信号所有的局部极值点，并采用三次样条插值曲线将所有的局部极大值点连接起来形成上包络线； 

步骤3-1-2、采用三次样条插值曲线将所有的局部极小值点连接起来形成下包络线，根据上下包络线确定包络线包络的所有数据点； 

步骤3-1-3、上下包络线的平均值记为m₁，求出差值h₁： 

h₁=z(t)-m₁   (1) 

若h₁的最大值h_max和最小值h_min之差小于一个预先设定的值ε，ε≤0.01 

|h_max-h_min｜≤ε   (2) 

则h₁为z(t)的一个模式分量；否则执行步骤3-1-4； 

步骤3-1-4、若h₁不满足公式(2)的条件，则将h₁作为又一初始数据，重复步骤3-1-1到步骤3-1-3，得到上下包络线的平均值m₂，再判断h₂=h₁-m₂是否满足(2)式的条件，若不满足，则重循环k次，直至h_k=h_k-1-m_k使得h_k(t)满足式(2)的条件，记c₁=h_k，则c₁为信号z(t)的第一个满足式(2)条件的模式分量； 

步骤3-1-5、将c₁从z(t)中分离出来后，得到z(t)剩余部分r₁： 

r₁=z(t)-c₁   (3) 

将r₁作为原始数据重复步骤3-1-1到步骤3-1-4的过程，得到z(t)的第2个满足式(2)条 件的分量c₂，重循环n_t次，得到信号z(t)的n_t个满足式(2)条件的分量，当z(t)的剩余部分成为一个单调函数不能再从中提取满足式(2)条件的分量时，循环结束，把任何一个信号z(t)分解为n_t个模式分量

和一个残量

之和，即： 

$z\left(t\right)=\underset{i_1=1}{\overset{n_t}{\mathrm{\Σ}}}{c}_{i_1}+r_{n_t}---\left(4\right)$

其中，分量

代表了原始信号中包含的不同时间的特征信号，设x(t)，并且令 x(t)表示了信号z(t)的中心趋势。 

步骤3-2、采用递归神经网络方法对分解后时间序列进行预测，并基于相空间重构理论，将分解后的时间序列嵌入到相空间中，采用互信息量法确定相空间中的延迟时间，采用嵌入维算法确定相空间的关联维数，进而获得多个不同的预测分量； 

本发明实施例中，进行动态递归神经网络混沌分析，经混沌时间序列分析，系统中任一分量的演化都是由与之相互作用的其它分量所决定，每个分量的演化过程中都隐含着系统的全部信息，唯一可观察到的是单变量一维时间序列x(t)，D是吸引子的维数，把一维时间序列嵌入到m维空间中: 

X(t)={x(t),x(t-τ),...,x(t-(m-1)τ)}   (5) 

其中，X(t)表示t时刻系统的动力学状态，τ为延迟时间,τ=1，2，…，n₁，n₁为自然数;m是嵌入空间的维数，从而可以建立相空间R^m到嵌入空间R^m的映射，在存在噪声的情况下重构相空间时m应满足:m≥2D+1； 

步骤3-2-1、采用互信息量法确定延迟时间τ； 

互信息量法是以互信息第一次达到最小时的延时作为相空间重构的延迟时间，用信息嫡 

H(x)代　表离散随　机变量x的不确定程度， 

$H\left(x\right)=-\underset{i}{\mathrm{\Σ}}P\left(x_i\left(t\right)\right)\log P\left(x_i\left(t\right)\right)---\left(6\right)$

其中，x_i(t)表示x(t)内第i个数据量，i=1,2，…4；P(x_i(t))为发生事件x_i(t)的概率，对于两个不同的随机变量X和Y，其中 

X={x₁(t),x₂(t),...,x₄(t)}，Y={y₁(t),y₂(t),...,y₄(t)}，y_j(t)=x(t+jτ)，j=1,2,...4；可定义X对Y的条件信息嫡H(X｜Y)为: 

$H\left(X\right|Y)=-\underset{i,j}{\mathrm{\Σ}}P\left(y_j\left(t\right)\right)P\left(x_i\left(t\right)\right|y_j\left(t\right))\log P\left(x_i\left(t\right)\right|y_j\left(t\right))---\left(7\right)$

其中，P(y_j(t))为单独发生事件为的概率，P(x_i(t)｜y_j(t))为在发生事件为y_j(t)条件下事件x_i(t)发生的条件概率，对于整个变量X，由于变量Y的发生及二者间的相关性，使其不确定性减少的墒值称为互信息墒I(X,Y)： 

$I(X,Y)=\underset{x_i\left(t\right),y_i\left(t\right)}{\mathrm{\Σ}}P(x_i\left(t\right),y_j\left(t\right))1n\frac{P(x_i\left(t\right),y_j\left(t\right))}{P\left(x_i\left(t\right)\right)P\left(y_j\left(t\right)\right)}---\left(8\right)$

其中，P(x_i(t),y_j(t))表示x_i(t)事件和y_j(t)事件同时发生的概率； 

将互信息表示为延迟时间τ的函数，可得： 

$I\left(\mathrm{\τ}\right)=\underset{i=1\→4}{\mathrm{\Σ}}P(x_i\left(t\right),x_{i+\mathrm{\τ}}\left(t\right))\ln \frac{P(x_i\left(t\right),x_{i+\mathrm{\τ}}\left(t\right))}{P\left(x_i\left(t\right)\right)P\left(x_{i+\mathrm{\τ}}\left(t\right)\right)}---\left(9\right)$

其中，x_i+τ(t)表示x_i(t)延迟τ时间后的值； 

I(τ)首次出现极小值时的τ，即为延迟时间： 

$\mathrm{\τ}=\min \left(\underset{x_i,y_i}{\mathrm{\Σ}}P(x_i\left(t\right),y_j\left(t\right))\ln \frac{P(x_i\left(t\right),y_j\left(t\right))}{P\left(x_i\left(t\right)\right)P\left(x_j\left(t\right)\right)}\right)---\left(10\right)$

步骤3-2-2、采用嵌入维算法确定关联维数； 

根据嵌入维的算法，从相空间M点中任选定一个参考点X_i′，计算其余M-1个点到X_i′的距离: 

$v_{i^{\′}{j}^{\′}}={\left[\mathrm{\Σ}{(X_{i^{\′}}-X_{j^{\′}})}^2\right]}^{\frac{1}{2}},i=\mathrm{1,2},...,M;j=\mathrm{1,2},...,M---\left(11\right)$

其中，M为自然数；重复这一过程，得到关联积分，任意给定一个距离值v，本发明实施例中v=0.3，检查有多少对点(X_i′,X_j′)之间的距离小于v，距离小于v的对点在所有对点中所占的比重是关联函数表示有多少个状态点是相互关联的，即相空间中状态点的密集程度，从而也反映了系统运动的关联程度和运动规律性程度，D和v之间的关系满足下式： 

$\underset{m\→\∞}{\lim }\frac{1}{m}\underset{i^{\′},j^{\′}=1}{\overset{m}{\mathrm{\Σ}}}{H}_{\mathrm{\θ}}(v-v_{i^{\′}{j}^{\′}})=3v^D---\left(12\right)$

其中，H_θ(·)为Heaviside函数;则由式(11)可得: 

$D={\log }_v^{\frac{\underset{m\→\∞}{\lim }\frac{1}{m}\underset{i^{\′},j^{\′}=1}{\overset{m}{\mathrm{\Σ}}}{H}_{\mathrm{\θ}}(v-v_{i^{\′}{j}^{\′}})}{3}---\left(13\right)}$

则可求出m=2D+1。 

相空间中必然存在函数F(·)使得延时后的状态

和当前状态X(t)之间满足: 

$\hat{x}(t+\mathrm{\τ})=F\left(X\left(t\right)\right)---\left(14\right)$

F(·)即是待寻找的预测函数。 

时间序列X(t)为一个有限离散序列，进行混沌时间序列多步预测，使用内插法对序列进行扩充，而后进行混沌参数的分析，设η=1，2，…，n₂，n₂为自然数；在R^m空间中存在函数，满足:其中t'=t/η，ητ=p为预测步数； 

本发明实施例中，使用内插扩展序列，得到序列： 

X'(t')={x'(t')｜t'=1,2,...,n'}   (15) 

对其进行序列内插，λ为内插倍数，当λ=1表示序列中插入了一倍数量的值，原始时间序列X(t)变为X'(t')，获得多个不同的预测分量： 

$\hat{x}(t^{\′}+(\mathrm{\λ}+1)p)=F(x^{\′}\left(t^{\′}\right),x^{\′}(t^{\′}-\mathrm{\τ}),...,x^{\′}(t^{\′}-(m-1)\mathrm{\τ}))---\left(16\right)$

步骤３-３、设置动态递归神经网络结构(Dynamical Recurrent Neural Networks,DRNN)，将步骤３-2获得的多个不同的预测分量输入动态递归神经网络进行训练，并采用线性组合的方法对训练后的所有不同分量进行线性组合，即获得开关柜负荷指数预测函数

神经网络简化成三层网络如图6所示用于直接多步预测的动态递归神经网络，其中1表示递归联结、2为前馈联结，其中含有一个输入层作为缓冲层，一个非线性隐含层和一个线性输出层； 

若网络的输入为：X′(t′)={x(t′),x(t′-τ),...,x(t′-(m-1)τ)}，输出为G(t+p)即

在动态递归神经网络中，第l层的第i个神经元的输入输出通用匹配公式为: 

$\left\{\begin{array}{c}{s}_{i^{\′\′}}^{\left[l\right]}(t+p)=\underset{i^{\′\′},j^{\′\′}=1}{\overset{N^{\left[l\right]}}{\mathrm{\Σ}}}{w}_{j^{\′\′}}^{\left[l\right]}{w}_{i^{\′\′}}^{\left[l\right]}{o}_{i^{\′\′}}^{\left[l\right]}\left(t\right)+\underset{i^{\′\′},j^{\′\′}=1}{\overset{N^{[l-1]}}{\mathrm{\Σ}}}{w}_{[j^{\′\′},i^{\′\′}]}^{[l-1,l]}{o}_{j^{\′\′}}^{[l-1]}\left(t\right)b_{i^{\′\′}}^{\left[l\right]}\\ o_{i^{\′\′}}^{\left[l\right]}(t+p)={\mathrm{\θ}}_{i^{\′\′}}^{\left[l\right]}\left(s_{i^{\′\′}}^{\left[l\right]}(t+p)\right)\end{array}\right.---\left(17\right)$

其中，

和

分别表示第l层的第i′′个神经元的状态和输出;

表示神经元的偏差; 

表示链接在第l层的第j′′个神经元与第l-1层的第i′′个神经元间的权重;，N^[l]为第l层的 神经元的个数;是激活函数，表示第l层的第j′′个神经元的权重；

表示第l层的第i′′个神经元的权重；表示第l-1层的第j′′个神经元的输出；i′′=1...N^[l];j′′=1...N^[l]; 

本发明实施例中，网络的输入层节点数为m，隐含层的最后确定可在选择不同的神经元个数，比较其性能指标大小的基础上确定，输出层节点数为待辨识系统的输出变量个数，用于直接多步预测的递归神经网络结构模型为: 

$\left\{\begin{array}{c}S(t^{\′}+(\mathrm{\λ}+1)p)=\mathrm{\Θ}(W^{[1\→2]}{s}_1^{\left[1\right]}\left(t^{\′}\right)+W^{[1\→]}{x}^{\′}\left(t^{\′}\right)+b^{\left[2\right]})\\ \hat{x}(t^{\′}+(\mathrm{\λ}+1)p)=(W^{[2\→3]}S(t^{\′}+(\mathrm{\λ}+1)p)+b^{\left[3\right]})\end{array}\right.---\left(18\right)$

其中，Θ(·)一个N^[2]维的向量集合，S(t'+(λ+1)p)为隐层神经元的状态集合； 

$b^{\left[2\right]}=[b_1^{\left[2\right]},b_2^{\left[2\right]},...,b_N^{\left[2\right]}];$

$\left\{\begin{array}{c}{W}^{[1\→2]}={\left[w_{[i^{\′\′},j^{\′\′}}^{\left[\mathrm{1,2}\right]}\right|i^{\′\′}=\mathrm{1,2},...,N^{\left[1\right]};j^{\′\′}=\mathrm{1,2},...,N^{\left[2\right]}]}^T\\ W^{[2\→]}={\left[w_{[i^{\′\′},j^{\′}]}^{\left[\mathrm{2,2}\right]}\right|i^{\′\′}=\mathrm{1,2},...,N^{\left[2\right]};j^{\′\′}=\mathrm{1,2},...,N^{\left[2\right]}]}^T\\ W^{[2\→]}={\left[W_{[i,j]}^{\left[\mathrm{2,3}\right]}\right|i=\mathrm{1,2},...,N^{\left[2\right]};j=\mathrm{1,2},...,N^{\left[3\right]}]}^T\end{array}\right.;$

隐层神经元的状态集合表示为： 

$S(t^{\′}+(\mathrm{\λ}+1)p)={[s_1^{\left[2\right]}\left(t^{\′}(\mathrm{\λ}+1)p\right),s_2^{\left[2\right]}\left(t^{\′}(\mathrm{\λ}+1)p\right),...,s_{N^{\left[l\right]}}^{\left[2\right]}\left(t^{\′}(\mathrm{\λ}+1)p\right)]}^T---\left(19\right)$

将所有不同分量的预测结果

线性地组合到一起来预测原始时间序列的下一个样本点 

$\hat{x}(t^{\′}+p)=\underset{k^{\′}=1}{\overset{n_t+1}{\mathrm{\Σ}}}{w}_{j_1}^3{\hat{x}}_{k^{\′}}(t^{\′}+p)---\left(20\right)$

输入层数目等于多层神经网络的个数，网络没有隐层，有一个线性输出单元，用来确定在最终的预测结果中，每个分量对应的权值

J为自然数，可通过求式(20)的Moore-Penrose逆的方法计算得到。 

以

作为开关柜负荷指数函数，以采集量生成的时间序列为输入，计算得到开关柜负荷指数预测结果； 

图7所示为经验模式和神经网络混合模型结构，在第一阶段中，

为模式分解单元;I为插值单元，第二阶段中的为DRNN结构设计单元，第三阶段中，

是动态递归神经网络。 

步骤4、数据处理器将预测的开关柜负荷指数发送至工控机中储存，并通过无线通讯模块发送至远方调度终端，以便维修人员及时进行检修。开关柜负荷指数预测模型的预测结果与实测值比较如图8所示，所建立的开关柜负荷指数预测模型中，开关柜负荷指数预测的误差基本上控制在±6%之内。 

Claims (4)

1.一种开关柜负荷指数预测装置，其特征在于：包括电流传感器、电压传感器、功率测量仪、温度传感器、数据采集芯片、中央处理器、工控机和无线通讯模块，其中，电流传感器的输出端、电压传感器的输出端、功率测量仪的输出端和温度传感器的输出端依次连接数据采集芯片的四路输入端，数据采集芯片的输出端连接中央处理器的输入端，中央处理器的两路输出端分别连接工控机的输入端和无线通信模块的输入端。

2.采用权利要求1所述的开关柜负荷指数预测装置进行预测的方法，其特征在于：包括以下步骤：

步骤1、采集开关柜的温度、工作电压、开断电流、功率四个参数，并将上述四个参数发送至数据采集芯片中；

步骤2、数据采集芯片对所采集的四个参数进行模数转换，并将模数转换后的四个参数发送至数据处理器中；

步骤3、数据处理器根据所采集的四个参数对开关柜负荷指数进行预测；

步骤3-1、采用经验模式分解法对由开关柜的温度、工作电压、开断电流和功率四个参数所构成的时间序列进行分解处理；

步骤3-2、采用递归神经网络方法对分解后时间序列进行预测，并基于相空间重构理论，将分解后的时间序列嵌入到相空间中，采用互信息量法确定相空间中的延迟时间，采用嵌入维算法确定相空间的关联维数，进而获得多个不同的预测分量；

步骤3-3、设置动态递归神经网络结构，将步骤3-2获得的多个不同的预测分量输入动态递归神经网络进行训练，并采用线性组合的方法对训练后的所有不同分量进行线性组合，即获得开关柜负荷指数预测函数；

步骤4、数据处理器将预测的开关柜负荷指数发送至工控机中储存，并通过无线通讯模块发送至远方调度终端，以便维修人员及时进行检修。

3.根据权利要求2所述的采用开关柜负荷指数预测装置进行预测的方法，其特征在于：步骤3-1所述的采用经验模式分解法对由开关柜的温度、工作电压、开断电流和功率四个参数所构成的时间序列进行分解处理，具体步骤如下：

步骤3-1-1、确定时间序列信号所有的局部极值点，并采用三次样条插值曲线将所有的局部极大值点连接起来形成上包络线；

步骤3-1-2、采用三次样条插值曲线将所有的局部极小值点连接起来形成下包络线，根据上下包络线确定包络线包络的所有数据点；

步骤3-1-3、上下包络线的平均值记为m₁，求出差值h₁：

h₁=z(t)-m₁   (1)

其中，z(t)=[z₁(t),z₂(t),...,z₄(t)]；z₁(t)表示t时刻采集的四个参数中第1个输入量的数据；z₂(t)表示t时刻采集的四个参数中第2个输入量的数据；z₄(t)表示t时刻采集的四个参数中第4个输入量的数据；

若h₁的最大值h_max和最小值h_min之差小于一个预先设定的值ε，ε≤0.01

|h_max-h_min|≤ε   (2)

则h₁为z(t)的一个模式分量；否则，执行步骤3-1-4；

步骤3-1-4、将h₁作为又一初始数据，重复步骤3-1-1到步骤3-1-3，重循环k次，直至h_k=h_k-1-m_k中h_k满足式(2)的条件，记c₁=h_k，则c₁为信号z(t)的第一个模式分量；

步骤3-1-5、将c₁从z(t)中分离出来，得到z(t)剩余部分r₁：

r₁=z(t)-c₁   (3)

将r₁作为又一初始数据重复步骤3-1-1到步骤3-1-4，重循环n_t次，得到信号z(t)的n_t个模式分量；

当z(t)的剩余部分为一个单调函数时，循环结束，把信号z(t)分解为n_t个模式分量

和一个残量

之和，即：

$z\left(t\right)=\underset{i_1=1}{\overset{n_t}{\mathrm{\Σ}}}{c}_{i_1}+r_{n_t}---\left(4\right)$

其中，分量

代表了原始信号z(t)中包含的不同时间的特征信号，设x(t)，并且令

x(t)表示了信号z(t)的中心趋势。

4.根据权利要求2所述的采用开关柜负荷指数预测装置进行预测的方法，其特征在于：步骤3-2所述的基于相空间重构理论，将分解后的时间序列嵌入到相空间中，即将分解后的时间序列x(t)嵌入到相空间X(t)={x(t),x(t-τ),...,x(t-(m-1)τ)}中，所述的相空间中行数为所采集的参数个数，列数为关联维数；

其中，X(t)表示t时刻系统的动力学状态，τ为延迟时间,τ=1，2，…，n₁，n₁为自然数;m是嵌入空间的维数；

所述的采用递归神经网络方法对分解后时间序列进行预测，确定出相空间中必然存在函数F(·)使得延时后的时间序列状态

和当前状态X(t)之间满足:

$\hat{x}(t+\mathrm{\τ})=F\left(X\left(t\right)\right)---\left(14\right)$ F(·)为待寻找的开关柜负荷指数预测函数；

并采用内插法对序列进行扩充，获得多个不同的预测分量：

$\hat{x}(t^{\′}+(\mathrm{\λ}+1)p)=F(x^{\′}\left(t^{\′}\right),x^{\′}(t^{\′}-\mathrm{\τ}),...,x^{\′}(t^{\′}-(m-1)\mathrm{\τ}))---\left(16\right)$

其中，λ为内插倍数，t′为插值后的时刻，p为预测步数，x′(t′)为插值后的时间序列，x′(t′-τ)为插值后延迟τ时间的时间序列，x′(t′-(m-1)τ)为插值后延迟(m-1)τ时间的时间序列。

Images