CN104299034A - 基于bp神经网络的三芯电缆导体暂态温度计算方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的三芯电缆导体暂态温度计算方法，包括以下步骤：1、训练样本选取；选取载流量数据，所述载流量数据包括：电缆导体电流、电缆外皮温度和电缆导体温度；2、网络训练；构建一个四层BP神经网络，采用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络；3、电缆导体暂态温度计算；将实时采集到的电缆导体电流和电缆外皮温度输入到步骤2中训练好的网络，即可计算出电缆的导体温度。具有无需考虑电缆本身的物性参数，即可准确地动态计算电缆的导体温度等优点。

Description

基于BP神经网络的三芯电缆导体暂态温度计算方法

技术领域

本发明涉及一种三芯电缆导体暂态温度计算技术，特别涉及一种基于BP神经网络的三芯电缆导体暂态温度计算方法。

背景技术

载流量为电缆在持续负荷中所能传输的最大电流，是电缆运行的重要参数。在该电流的作用下，线芯工作温度达到但不超过电缆主绝缘长期耐热温度(XLPE为90℃)，以保证电缆的寿命。如果载流量偏大而导致线芯工作温度超过允许值，电缆的寿命将比期望寿命大大缩短。如果载流量偏小，但是电缆线芯的铜材或者铝材没有得到充分的利用。因此，只要能够准确掌握电缆导体温度，就可以挖掘现有电缆载流量能力，不仅能节约电缆的投资，而且能提高电缆的运行水平和利用率。因而准确计算电缆导体温度成为关键。

由于实际运行电缆线路的负荷电流不是持续不变而是周期变化的，且电缆外部运行环境(埋深处的地温和土壤热阻系数)受多因素影响的量，使得电缆导体的温度是一个时刻变化的物理量。因而电缆导体温度的暂态计算是电缆状态检测的重要手段。电缆的暂态温升计算大都基于电缆的热路模型，常用的方法是分别计算电缆本体和电缆外部环境两部分的暂态响应，然后进行叠加，但该方法计算的准确性仍然受外部环境因素影响。随着测温技术的发展，电缆外皮温度的在线监测得以实现。通过测量外皮温度，再根据电缆的热路暂态模型就可以反推出导体温度。由于导体温度计算只与本体参数有关，所以摆脱了外部环境影响。但在运用这种方法计算过程中，热路的暂态模型比较难确定。

目前，国内外比较有代表性的模型包括动态反馈仿真模型、梯形热网络模型[和传热模型，这几种模型的计算结果都比较准确，但均需求解大量非线性方程。为简化计算，国内学者提出的方法包括以下：在建立单芯电缆等效暂态热路模型基础上，采用Runge-Kutta法求解微分方程组,计算电缆暂态温升,根据光纤测得外皮温度反推导体温度；在建立单芯电缆等效Laplace热路模型基础上,剖分实际连续变化运行电流为等效的阶跃电流，计算不同时间段阶跃电流的产热量，以及实际持续变化电流下的电缆线芯温度；基于电缆实时外皮温度和运行电流，运用BP神经网络实时计算单芯电缆的导体温度。该方法具有较高的精度，且不受电缆本身的物性参数影响。以上方法大都运用于单芯电缆导体暂态温度的计算，对于在三芯电缆导体暂态温度的计算方面的研究却较为匮乏。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于BP神经网络的三芯电缆导体暂态温度计算方法，该计算方法解决了三芯电缆导体暂态温度的计算问题，提高了导体温度的计算精度。

本发明的目的通过下述技术方案实现：基于BP神经网络的三芯电缆导体暂态温度计算方法，包括以下步骤：

步骤1、训练样本选取：选取载流量实验数据，包括电缆导体电流、电缆外皮温度和电缆导体温度；

步骤2、网络训练：将训练样本中的电缆导体电流、电缆外皮温度做为输入，电缆导体温度做为输出，构建一个四层神经网络。使用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络；

步骤3、电缆导体暂态温度计算：将实时采集到的导体电流、电缆外皮温度输入到训练好的网络，即可计算出电缆的导体温度。

在步骤2中，所述采用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络包括以下步骤：

步骤21、设定粒子群的粒子数m＝40，初始化粒子群，即为每一组权值、阈值赋初值如下式：

X_i＝(W_i1(:),b¹ⁱ(:),W_i2(:),b²ⁱ(:),…,W_ik(:),b^ki(:))，

式中，W_i1(:),W_i2(:),…,W_ik(:)为权值，b¹ⁱ,b²ⁱ,…,b^ki为阈值，其中下标i表示第i个粒子X_i，下标1,2…k表示神经网络的权值和阈值矩阵个数，其中，k＝3；

步骤22、将网络的输出误差定义为粒子的适应度函数，计算各粒子的适应度：

$E=\frac{1}{2N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{(O_p^{\left(n\right)}-d_p^{\left(n\right)})}^2,$

式中，N为样本数，P为输出维数，O为网络输出，d为目标输出；

对每一个粒子，比较当前粒子的适应度与先前的最佳适应度，将二者较小值设为当前粒子的局部极值；

选择所有粒子适应度中适应度最小的一个作为全局极值，并按下式更新粒子速度：

v_ij(k+1)＝wv_ij(k)+c₁r₁[Q_ij(k)-x_ij(k)]

         +c₂r₂[Q_gj(k)-x_ij(k)]，

式中,c₁＝c₂为加速常数，本发明中，c₁＝c₂＝2；v₁,v₂为两取值区间为[0 1]的随机数；v_ij∈[-v_max，v_max]为第i个粒子第j维空间的速度，v_max为允许移动的最大速度，本发明中v_max＝1；x_ij∈[-x_max，x_max]为第i个粒子第j维空间的位置，x_max为允许的最大空间位置；Q_ij为第i个粒子第j维空间的局部极值，Q_gj为第j为空间的全局极值，w为惯性权重系数，并设置为随迭代次数增加而减小的函数：

w(t)＝w_min+(w_max-w_min)(t_max-t)/t_max，

式中，t为当前迭代数，t_max为最大迭代次数，惯性权重系数最大值w_max＝0.9，最小值w_min＝0.4；

按下式更新粒子的位置：

x_ij(k+1)＝x_ij(k)+v_ij(k+1)，

式中，x_ij(k+1)为粒子迭代次数为k时第j维空间的位置；x_ij(k+1)为粒子迭代次数为k+1时第j维空间的位置；v_ij(k+1)为粒子迭代次数为k+1时第j维空间的速度；

步骤23、判断算法是否满足误差精度或达到最大迭代次数，如果是，则退出PSO算法，否则，返回继续迭代；将PSO算法得到的权值和阈值作为初值，继续使用BP算法进行二次优化；若训练结果优于PSO训练结果，则输出BP训练的网络，否则，输出PSO训练的网络。

在步骤2中，所述神经网络是一个2-8-8-1的四层BP神经网络，并由电缆导体电流和电缆外皮温度作为输入、电缆导体温度作为输出构建而成。

本发明的工作原理：本发明的基于BP神经网络的三芯电缆导体暂态温度计算方法以电缆导体电流、电缆外皮温度为输入，电缆导体温度为输出，构建了一个四层神经网络模型。先使用粒子群算法先进行一次优化，后使用BP算法进行二次优化的训练方法，训练效果明显优于单独使用BP算法。该方法可以精确地实时计算三芯电缆的导体温度，且不受电缆本身物性参数影响，可以为三芯电缆导体温度的在线监测提供参考。

本发明相对于现有技术具有如下的优点及效果：

1、神经网络可以基于电缆导体电流和电缆外皮温度，无需考虑电缆本身的物性参数，即可准确地动态计算电缆的导体温度，计算方便快捷。

2、本发明采用PSO与BP结合算法对网络进行训练，训练效果优于单独使用BP算法对网络进行训练。使用训练好的网络对电缆导体温度进行计算，前者产生的误差小于后者。

附图说明

图1是基于BP神经网络的三芯电缆导体暂态温度计算方法的总体框图。

图2是四层的BP神经网络拓扑结构图。

图3是训练误差曲线图。

图4是神经网络计算结果图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，基于BP神经网络的三芯电缆导体暂态温度计算方法，包括以下步骤：

步骤1、训练样本选取；选取载流量实验数据，包括电缆导体电流、电缆外皮温度和电缆导体温度；

步骤2、网络训练；将步骤1训练样本中的电缆导体电；使用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络；

以电缆导体电流、电缆外皮温度作为输入，电缆导体温度作为输出，构建神经网络，该神经网络是一个2-8-8-1的四层BP神经网络，其拓扑结构如图2所示。

设定粒子群的粒子数m＝40，初始化粒子群，即为每一组权值、阈值赋初值如下式：

X_i＝(W_i1(:),b¹ⁱ(:),W_i2(:),b²ⁱ(:),…,W_ik(:),b^ki(:))，

式中，W_i1(:),W_i2(:),…,W_ik(:)为权值，b¹ⁱ,b²ⁱ,…,b^ki为阈值，其中下标i表示第i个粒子X_i，下标1,2…k表示神经网络的权值和阈值矩阵个数，其中，k＝3。

将网络的输出误差定义为粒子的适应度函数，计算各粒子的适应度。

$E=\frac{1}{2N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{(O_p^{\left(n\right)}-d_p^{\left(n\right)})}^2,$

式中N为样本数，P为输出维数，O为网络输出，d为目标输出。

对每一个粒子，比较当前粒子的适应度与先前的最佳适应度，将二者较小值设为当前粒子的局部极值。

选择所有粒子适应度中适应度最小的一个，作为全局极值。

按下式更新粒子速度；

v_ij(k+1)＝wv_ij(k)+c₁r₁[Q_ij(k)-x_ij(k)]

         +c₂r₂[Q_gj(k)-x_ij(k)]，

式中,c₁＝c₂为加速常数，本发明中，c₁＝c₂＝2；v₁,v₂为两取值区间为[0 1]的随机数；v_ij∈[-v_max，v_max]为第i个粒子第j维空间的速度，v_max为允许移动的最大速度，本发明中v_max＝1；x_ij∈[-x_max，x_max]为第i个粒子第j维空间的位置，x_max为允许的最大空间位置；Q_ij为第i个粒子第j维空间的局部极值，Q_gj为第j为空间的全局极值。w为惯性权重系数，它使粒子保持运动惯性，本发明中w设置为随迭代次数增加而减小的函数：

w(t)＝w_min+(w_max-w_min)(t_max-t)/t_max，

式中，t为当前迭代数，t_max为最大迭代次数，惯性权重系数最大值w_max＝0.9，最小值w_min＝0.4。

按下式更新粒子的位置：

x_ij(k+1)＝x_ij(k)+v_ij(k+1)，

式中，x_ij(k+1)为粒子迭代次数为k时第j维空间的位置；x_ij(k+1)为粒子迭代次数为k+1时第j维空间的位置；v_ij(k+1)为粒子迭代次数为k+1时第j维空间的速度。

如果算法满足误差精度或达到最大迭代次数，则退出PSO算法，否则返回继续迭代；

将PSO算法得到的各权值、阈值作为初值，继续使用BP算法进行二次优化。若训练结果优于PSO训练结果，则输出BP训练的网络，否则输出PSO训练的网络，其训练误差曲线如图3所示，神经网络的计算结果如图4所示。

步骤3、电缆导体暂态温度计算；将实时采集到的导体电流、电缆外皮温度输入到步骤2训练好的网络，即可计算出电缆的导体温度。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于BP神经网络的三芯电缆导体暂态温度计算方法，其特征在于，包括以下步骤：

步骤1、训练样本选取；选取载流量数据，所述载流量数据包括：电缆导体电流、电缆外皮温度和电缆导体温度；

步骤2、网络训练；构建神经网络，采用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络；

步骤3、电缆导体暂态温度计算；将实时采集到的电缆导体电流和电缆外皮温度输入到步骤2中训练好的网络，即可计算出电缆的导体温度。

2.根据权利要求1所述的基于BP神经网络的三芯电缆导体暂态温度计算方法，其特征在于，在步骤2中，所述采用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络包括以下步骤：

步骤21、设定粒子群的粒子数m＝40，初始化粒子群，即为每一组权值、阈值赋初值如下式：

X_i＝(W_i1(:),b¹ⁱ(:),W_i2(:),b²ⁱ(:),…,W_ik(:),b^ki(:))，

式中，W_i1(:),W_i2(:),…,W_ik(:)为权值，b¹ⁱ,b²ⁱ,…,b^ki为阈值，其中下标i表示第i个粒子X_i，下标1,2…k表示神经网络的权值和阈值矩阵个数，其中，k＝3；

步骤22、将网络的输出误差定义为粒子的适应度函数，计算各粒子的适应度：

$E=\frac{1}{2N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{(O_p^{\left(n\right)}-d_p^{\left(n\right)})}^2,$

式中，N为样本数，P为输出维数，O为网络输出，d为目标输出；

对每一个粒子，比较当前粒子的适应度与先前的最佳适应度，将二者较小值设为当前粒子的局部极值；

选择所有粒子适应度中适应度最小的一个作为全局极值，并按下式更新粒子速度：

v_ij(k+1)＝wv_ij(k)+c₁r₁[Q_ij(k)-x_ij(k)]

+c₂r₂[Q_gj(k)-x_ij(k)]，

式中,c₁＝c₂为加速常数，本发明中，c₁＝c₂＝2；v₁,v₂为两取值区间为[0 1]的随机数；v_ij∈[-v_max，v_max]为第i个粒子第j维空间的速度，v_max为允许移动的最大速度，本发明中v_max＝1；x_ij∈[-x_max，x_max]为第i个粒子第j维空间的位置，x_max为允许的最大空间位置；Q_ij为第i个粒子第j维空间的局部极值，Q_gj为第j为空间的全局极值，w为惯性权重系数，并设置为随迭代次数增加而减小的函数：

w(t)＝w_min+(w_max-w_min)(t_max-t)/t_max，

式中，t为当前迭代数，t_max为最大迭代次数，惯性权重系数最大值w_max＝0.9，最小值w_min＝0.4；

按下式更新粒子的位置：

x_ij(k+1)＝x_ij(k)+v_ij(k+1)，

式中，x_ij(k+1)为粒子迭代次数为k时第j维空间的位置；x_ij(k+1)为粒子迭代次数为k+1时第j维空间的位置；v_ij(k+1)为粒子迭代次数为k+1时第j维空间的速度；

步骤23、判断算法是否满足误差精度或达到最大迭代次数，如果是，则退出PSO算法，否则，返回继续迭代；将PSO算法得到的权值和阈值作为初值，继续使用BP算法进行二次优化；若训练结果优于PSO训练结果，则输出BP训练的网络，否则，输出PSO训练的网络。

3.根据权利要求1所述的基于BP神经网络的三芯电缆导体暂态温度计算方法，其特征在于，在步骤2中，所述神经网络是一个2-8-8-1的四层BP神经网络，并由电缆导体电流和电缆外皮温度作为输入、电缆导体温度作为输出构建而成。