CN106228033A - 基于rbf神经网络的三芯电缆导体温度实时计算方法 - Google Patents

Abstract

本发明公开了基于RBF神经网络的三芯电缆导体温度实时计算方法，该方法首先测量三芯电缆部分参数的运行数据，包括三芯电缆导体运行电流、电缆外表皮实时温度和电缆导体实时温度；然后将三芯电缆导体电流、电缆外表皮温度作为输入，电缆导体实时温度作为输出，建立三层前馈型RBF神经网络模型；再将获取的三芯电缆运行数据作为训练样本，蚁群优化算法作为学习算法，训练并确定性能较优的RBF神经网络模型；最后将实时采集的三芯电缆导体电流、电缆外表皮温度输入到训练好的RBF网络，便可计算输出三芯电缆导体的实时温度。本发明方法可以不受外界复杂环境和电缆本身物理参数的影响，具有准确地动态计算三芯电缆导体温度等优点。

Description

基于RBF神经网络的三芯电缆导体温度实时计算方法

技术领域

本发明涉及基于RBF神经网络的三芯电缆导体温度实时计算方法，属于三芯电缆运行状态监测技术领域。

背景技术

载流量是电力电缆的一项重要参数，指的是绝缘层所承受的长期工作温度不超过额定值所对应的最大工作电流，载流量的准确计算和评估对电力电缆的安全运行以及短期扩容都有重要的工程意义。电缆的寿命主要取决于其绝缘层的寿命，而电缆运行时的导体线芯温度是影响绝缘材料寿命的决定性因素，对于不同绝缘材料的电缆，其允许的运行温度有明确规定，如果电缆处于非正常的过热状态下，绝缘层会迅速老化，绝缘性能下降，导致电缆漏电、击穿乃至报废。在电缆运行过程中，当导体温度过高，接近绝缘层能够承受的额定值时，需要迅速控制输电电流，减缓导体的升温过程；当导体温度较低时，可以根据需求适当增大输电电流，充分利用电缆的可利用载流量，提高输电效率。因此，实时获取电缆导体温度对于分析电缆工况、调控电缆负载有直接的指导价值。

然而受技术条件和电缆运行条件的限制，直接测量电缆的导体温度难度较大，工程造价高。电缆在实际运行过程中，其导体温度的变化受到许多因素的影响，比如电缆的运行负荷电流、直埋式电缆的土壤深度和湿度、外部环境的风速和光照条件等。因而电缆的导体温度是一个受多重内部和外部因素影响的非线性量，直接计算运行电缆的导体实时温度难度较大。随着温度测量技术的发展，采用分布式在线测温的光纤传感器技术，可以在线实时获得运行电缆的外表皮温度。因此产生建立在电缆暂态热路模型的电缆导体暂态温度计算方法，其基本思路是建立电缆本体的暂态热路模型，计算电缆本体的暂态热路响应，然后根据测量的外表皮温度反推出电缆导体暂态温度。该方法虽然摆脱了传统方法受外部环境影响的因素，但是电缆的暂态热路模型难以确定。

除了上述通过建立多层暂态热路模型，由表皮温度推算电缆导体温度，还有一类方法是数值分析方法。采用数值分析的方法对电缆本体及运行环境进行仿真模拟，通过有限元分析和迭代计算求解给定边界条件的微分方程组，对温度场的分布进行分析和计算。虽然在传统方法上已建立十分成熟的计算模型，但上述方法都存在一定的局限性，暂态热路模型是建立在许多理想化的条件下，在实际应用中难以满足工程要求，而有限元方法建模过程复杂，计算过程耗时较长。现有的技术文献对上述电缆导体实时温度计算方法的研究是建立在高压单芯电缆的基础上，而针对三芯电缆的导体实时温度计算方法研究则少有涉及。

发明内容

本发明所要解决的技术问题是：提供基于RBF神经网络的三芯电缆导体温度实时计算方法，

本发明为解决上述技术问题采用以下技术方案：

基于RBF神经网络的三芯电缆导体温度实时计算方法，包括如下步骤：

步骤1，测量三芯电缆部分参数的运行数据，包括三芯电缆导体电流、电缆外表皮温度和电缆导体温度；

步骤2，将三芯电缆导体电流、电缆外表皮温度作为输入，电缆导体温度作为输出，建立三层前馈型RBF神经网络模型；

步骤3，将步骤1获取的三芯电缆运行数据作为训练样本，蚁群聚类算法作为学习算法，对RBF神经网络模型进行训练，得到训练好的RBF神经网络模型；

步骤4，将实时采集的三芯电缆导体电流、电缆外表皮温度输入到训练好的RBF神经网络模型中，计算得到三芯电缆导体的实时温度。

作为本发明的一种优选方案，所述步骤3的具体步骤为：

31)令三芯电缆导体电流为x_1i，电缆外表皮温度为x_2i，电缆导体温度为Y_i，设定输入向量X_i＝[x_1i,x_2i]，及对应的输出向量Y_i，i＝1,…,N，N表示训练样本的总数；

32)采用蚁群聚类算法对训练样本进行聚类，将聚类获得的K个聚类中心值作为RBF神经网络隐含层径向基函数的中心值c_k，并计算各中心值c_k对应的宽度值σ_k，从而得到RBF神经网络隐含层径向基函数，k＝1,…,K；

33)对于每个输入向量X_i＝[x_1i,x_2i]，利用RBF神经网络隐含层径向基函数，得到对应的隐含层神经元的输出值O_ik，计算各隐含层神经元的输出对网络总输出的贡献度r_ik，对任意k，当出现连续10次r_ik<δ时，δ表示计算精度要求值，则删除第k个隐含层神经元，最终剩下的隐含层神经元的个数为M，M<K，i＝1,…,N；

34)根据每个输出向量Y_i与剩下的隐含层神经元的输出值O_im之间的线性组合关系，采用伪逆算法，计算得到隐含层神经元的输出值O_im相对应的权值ω_im，m＝1,…,M，从而得到训练好的RBF神经网络模型。

作为本发明的一种优选方案，32)中所述宽度值σ_k的计算公式为：

${\mathrm{\&sigma;}}_k=\frac{d_{kmax}}{\sqrt{2K}},$

其中，d_kmax表示c_k与其他中心值c_j之间距离的最大值，j＝1,…,K，j≠k，K表示聚类中心的总数。

作为本发明的一种优选方案，33)中所述各隐含层神经元的输出对网络总输出的贡献度r_ik的计算公式为：

$r_{ik}=\left|\frac{O_{ik}}{O_{imax}}\right|,$

其中，O_imax表示隐含层神经元的输出值O_ik中的最大值，i＝1,…,N，k＝1,…,K。

作为本发明的一种优选方案，34)中所述每个输出向量Y_i与剩下的隐含层神经元的输出值O_im之间的线性组合关系的公式为：

$Y_i=\underset{m=1}{\overset{M}{\&Sigma;}}{O}_{im}\&CenterDot;{\mathrm{\&omega;}}_{im}.$

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明RBF神经网络具有较强的非线性映射能力，基于电缆导体电流和电缆外表皮温度，计算三芯电缆的导体实时温度，可以无需考虑外界复杂环境影响和电缆本身的物理参数影响，实现准确地动态计算，计算效率高。

2、本发明采用蚁群算法优化RBF网络结构和参数，与BP算法相比，蚁群算法具备优良的搜索最优解的能力，不易陷入局部最优，可以解决各种优化组合问题，因而相对于其他通用型训练算法而言，可以获得性能较优的RBF网络模型，训练学习速度快，收敛性强，计算精度高。

附图说明

图1是本发明基于RBF神经网络的三芯电缆导体温度实时计算方法的实现流程图。

图2是本发明中三层的RBF神经网络拓扑结构图。

图3是本发明中RBF神经网络测试计算结果图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

如图1所示，本发明提供的基于RBF神经网络的三芯电缆导体温度实时计算方法，包括以下步骤：

步骤1，测量三芯电缆部分参数的运行数据，包括三芯电缆导体运行电流、电缆外表皮实时温度和电缆导体实时温度。

步骤2，将三芯电缆导体电流、电缆外表皮温度作为输入，电缆导体实时温度作为输出，建立三层前馈型RBF神经网络模型，该网络是一个2-M-1的三层RBF神经网络，其中，M由蚁群优化聚类算法和隐含层结构简化算法动态调整确定，其拓扑结构如图2所示。

步骤3，将获取的三芯电缆运行数据作为训练样本，蚁群算法作为学习算法，训练并确定性能较优的RBF神经网络模型，具体包括以下步骤：

步骤3.1，对样本数据归类，设定输入向量X_i＝[x_1i,x_2i]，输出向量Y_i，其中i＝1,…,N，N表示样本总数，x_1i表示三芯电缆导体电流，x_2i表示电缆外表皮温度，Y_i表示第i个样本的电缆导体实时温度；

步骤3.2，采用蚁群聚类算法对输入样本进行聚类操作，获得的K个聚类中心值作为RBF神经网络隐含层径向基函数的中心值c_k，以及对应计算相应的宽度值σ_k，其计算公式为：

${\mathrm{\&sigma;}}_k=\frac{d_{kmax}}{\sqrt{2K}},$

其中，k＝1,…,K，d_kmax为c_k与其他中心值c_j之间距离的最大值，j＝1,…,K，j≠k；K为聚类中心的个数；

步骤3.3，简化网络的隐含层结构，计算对每一次的输入输出(X_i,Y_i)，每个隐含层单元的输出值O_ik，设定隐含层输出最大值为O_imax，定义各隐含层输出对网络总输出的贡献度如下：

$r_{ik}=\left|\frac{O_{ik}}{O_{imax}}\right|,$

式中，k＝1,…,K，在满足网络输出误差的条件下，若对于连续10次的输入输出，r_ik<δ(δ为计算精度要求值)时，则删除该隐含层节点并且把隐含层单元数目减一，最终确定隐含层神经元节点数为M；

步骤3.4，根据网络输出值与各个隐含层输出值之间的线性组合关系，采用伪逆算法，可以计算得到与隐含层各输出相对应的权值ω_im，m＝1,…,M；最终确定性能较优的RBF神经网络模型。

步骤4、将实时采集的三芯电缆导体电流、电缆外表皮温度输入到训练好的RBF网络，便可计算输出三芯电缆导体的实时温度。

RBF神经网络的测试计算结果图如图3所示，从计算结果与实测结果的对比中，可知本发明的三芯电缆导体温度动态计算误差可以满足实际工程要求。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.基于RBF神经网络的三芯电缆导体温度实时计算方法，其特征在于，包括如下步骤：

步骤1，测量三芯电缆部分参数的运行数据，包括三芯电缆导体电流、电缆外表皮温度和电缆导体温度；

步骤2，将三芯电缆导体电流、电缆外表皮温度作为输入，电缆导体温度作为输出，建立三层前馈型RBF神经网络模型；

步骤3，将步骤1获取的三芯电缆运行数据作为训练样本，蚁群聚类算法作为学习算法，对RBF神经网络模型进行训练，得到训练好的RBF神经网络模型；

步骤4，将实时采集的三芯电缆导体电流、电缆外表皮温度输入到训练好的RBF神经网络模型中，计算得到三芯电缆导体的实时温度。

2.根据权利要求1所述基于RBF神经网络的三芯电缆导体温度实时计算方法，其特征在于，所述步骤3的具体步骤为：

31)令三芯电缆导体电流为x_1i，电缆外表皮温度为x_2i，电缆导体温度为Y_i，设定输入向量X_i＝[x_1i,x_2i]，及对应的输出向量Y_i，i＝1,…,N，N表示训练样本的总数；

32)采用蚁群聚类算法对训练样本进行聚类，将聚类获得的K个聚类中心值作为RBF神经网络隐含层径向基函数的中心值c_k，并计算各中心值c_k对应的宽度值σ_k，从而得到RBF神经网络隐含层径向基函数，k＝1,…,K；

33)对于每个输入向量X_i＝[x_1i,x_2i]，利用RBF神经网络隐含层径向基函数，得到对应的隐含层神经元的输出值O_ik，计算各隐含层神经元的输出对网络总输出的贡献度r_ik，对任意k，当出现连续10次r_ik<δ时，δ表示计算精度要求值，则删除第k个隐含层神经元，最终剩下的隐含层神经元的个数为M，M<K，i＝1,…,N；

34)根据每个输出向量Y_i与剩下的隐含层神经元的输出值O_im之间的线性组合关系，采用伪逆算法，计算得到隐含层神经元的输出值O_im相对应的权值ω_im，m＝1,…,M，从而得到训练好的RBF神经网络模型。

3.根据权利要求2所述基于RBF神经网络的三芯电缆导体温度实时计算方法，其特征在于，32)中所述宽度值σ_k的计算公式为：

${\mathrm{\&sigma;}}_k=\frac{d_{kmax}}{\sqrt{2K}},$

其中，d_kmax表示c_k与其他中心值c_j之间距离的最大值，j＝1,…,K，j≠k，K表示聚类中心的总数。

4.根据权利要求2所述基于RBF神经网络的三芯电缆导体温度实时计算方法，其特征在于，33)中所述各隐含层神经元的输出对网络总输出的贡献度r_ik的计算公式为：

$r_{ik}=\left|\frac{O_{ik}}{O_{imax}}\right|,$

其中，O_imax表示隐含层神经元的输出值O_ik中的最大值，i＝1,…,N，k＝1,…,K。

5.根据权利要求2所述基于RBF神经网络的三芯电缆导体温度实时计算方法，其特征在于，34)中所述每个输出向量Y_i与剩下的隐含层神经元的输出值O_im之间的线性组合关系的公式为：

$Y_i=\underset{m=1}{\overset{M}{\&Sigma;}}{O}_{im}\&CenterDot;{\mathrm{\&omega;}}_{im}.$