CN109284863A - 一种基于深度神经网络的电力设备温度预测方法 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的电力设备温度预测方法。该方法为：首先采集现场参数的样本数据和时间段t后对应的实际设备温度数据，传输到后台监控系统，对数据进行预处理，通过深度神经网络训练温度预测模型；然后定时采集现场参数数据，对时间段t后的设备温度进行预测，对将要出现高温的设备进行不同等级的预警；最后在常规巡检时，电力巡检机器人采集现场实际设备温度数据，将该设备温度数据与预测的设备温度数据进行对比，检测温度预测模型是否能适应最新设备状态。本发明有效预防了设备高温情况，为变电站故障抢修工作预留应急时间，提高了变电站工作的安全性。

Description

一种基于深度神经网络的电力设备温度预测方法

技术领域

本发明涉及电力设备故障监测技术领域，特别是一种基于深度神经网络的电力设备温度预测方法。

背景技术

随着社会的进步，各行各业的发展都离不开电力系统的安全运行，因此电力工业在生产生活中的地位至关重要。由于人工巡检存在劳动强度大、工作环境恶劣、工作效率低下等问题，电力巡检机器人应运而生，可以实现变电站无人值守模式。由于电力设备结构复杂，容易在运行时出现故障，因此为了真正做到无人值守模式，必须对设备故障进行预测分析。由于变电站事故多以设备火灾为主，设备起火前通常有一个表面温度持续上升的过程，因此可以对设备的温度进行预测，预防设备故障。

传统的温度预测分析，主要采用以前积累的若干设备温度数据，利用线性回归的方法进行曲线拟合，得到若干能够反映温度的变化率的温度曲线，但是灵活性较差，没有考虑环境因素与设备因素对设备表面温度的影响，尤其在一些室外变电站中，环境因素很容易产生变化从而影响设备温度，并且传统的温度监测方法一般需要工作人员利用红外传感器获取设备的红外温度信息，工作量繁重复杂。

发明内容

本发明的目的在于提供一种基于深度神经网络的电力设备温度预测方法，以有效预防可能出现的设备高温情况，从而提高变电站运行的安全性。

实现本发明目的的技术解决方案为：一种基于深度神经网络的电力设备温度预测方法，包括以下步骤：

步骤1、采集现场参数的样本数据和时间段t后对应的实际设备温度数据，传输到后台监控系统，然后对数据进行预处理，通过深度神经网络训练温度预测模型；

步骤2、定时采集现场参数数据，对现场参数数据进行处理后，利用温度预测模型对时间段t后的设备温度进行预测，对设备温度进行不同等级的预警；

步骤3、在常规巡检时，电力巡检机器人采集现场实际设备温度数据，将该温度数据与步骤2预测的设备温度数据进行对比，检测温度预测模型是否能适应最新设备状态。

进一步地，步骤1所述采集现场参数的样本数据和时间段t后的对应的实际设备温度数据，传输到后台监控系统，然后对数据进行预处理，通过深度神经网络训练温度预测模型，具体如下：

步骤1-1、采集现场参数的样本数据：通过现场环境检测仪和负荷预测，获得现场参数的样本数据，包括环境温度、日照强度、风速、环境湿度、负荷大小；时间段t后采集每组现场参数的样本数据对应的实际设备温度数据；

步骤1-2、数据预处理：将现场参数的样本数据和时间段t后的实际设备温度数据进行基于邻域密度的异常值检测与剔除，然后对保留下的数据进行数据压缩；

步骤1-3、采用误差反向传播方法训练断路器的深度神经网络温度预测模型。

进一步地，步骤2所述的定时采集现场参数数据，对现场参数数据进行处理后，利用温度预测模型对时间段t后的设备温度进行预测，对设备温度进行不同等级的预警，具体如下：

步骤2-1、定时将现场环境检测仪和负荷预测获得的环境温度、日照强度、风速、环境湿度、负荷大小参数传输至后台监控系统，然后将数据进行数据压缩处理，利用深度神经网络温度预测模型对时间段t后的实际设备温度进行预测；

步骤2-2、当预测的温度低于55℃则为安全状态，无需警告；处于55℃～65℃中为橙色警告；高于65℃为红色警告。

进一步地，步骤3所述的在常规巡检时，电力巡检机器人采集现场实际设备温度数据，将该温度数据与步骤2预测的设备温度数据进行对比，检测温度预测模型是否能适应最新设备状态，具体如下：

在常规巡检时，电力巡检机器人在设定时段利用自身搭载的红外传感器采集现场实际设备温度，并与温度预测模型所预测的该时刻设备温度进行对比，当二者差异小于设定阈值时，则说明温度预测模型适用于当下的设备状态；当二者差异连续4次大于设定阈值时，则利用数据库中存储的最新的M组历史数据进行温度预测模型训练。

进一步地，步骤1-2所述数据预处理：将现场参数的样本数据和时间段t后的实际设备温度数据进行基于邻域密度的异常值检测与剔除，然后对保留下的数据进行数据压缩从而减少计算消耗，具体步骤为：

步骤1-2-1、分别输入现场参数的样本数据集D和实际设备温度数据x，进行归一化处理，计算每个x∈D的邻域N(x)：

N(x)＝{x_i|x_i∈D,Δ(x,x_i)≤δ},δ≥0

其中，Δ是距离函数，δ为设定的领域长度；

步骤1-2-2、计算每个x∈D的邻域距离ND(x,N(x))：

步骤1-2-3、计算每个x∈D的平均邻域密度AD(x)：

步骤1-2-4、计算每个x∈D的异常度指标NOI(x)：

NOI(x)＝1/(ω₁|N(x)|+ω₂AD(x))

其中，ω₁、ω₂分别为|N(x)|、AD(x)的权重系数；NOI(x)越大，即该数据点成为异常值的可能性越大，若异常度指标超过阈值，则剔除该组数据；

步骤1-2-5、对异常值剔除后保留下的数据进行降维处理。

进一步地，步骤1-3所述采用误差反向传播方法训练断路器的深度神经网络温度预测模型，具体步骤为：

步骤1-3-1、初始化各阈值与各权值，将线性系数矩阵W和偏移向量b置为随机数，并提供M组训练样本S＝{(x^m,y^m)|0≤m＜M}；

输入向量为环境温度、日照强度、风速、负荷大小参数，输出向量为对应时间的实际设备温度；

步骤1-3-2、通过前向传播算法计算网络的样本m的隐藏层第l层状态a^m,l以及实际输出：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l)

其中，σ(z)为激活函数，即σ(z)＝1/(1-e^-z)，W为线性系数矩阵，b为偏移向量；

再通过反向传播算法计算样本m输出层的局域梯度δ^m,L与第l层的局域梯度δ^m,l：

δ^L＝(a^L-y)σ′(z^L)

δ^l＝σ′(z^l)δ^l+1W^l+1

其中，L为深度神经网络总层数；

步骤1-3-3、更新第l层的线性系数矩阵W^l与偏移向量b^l：

步骤1-3-4、当所有W和b的变化值都小于停止迭代阈值时，则输出各隐藏层与输出层的线性系数矩阵W和偏移向量b，完成深度神经网络温度预测模型的建立，否则转步骤1-3-2。

本发明与现有技术相比，具有以下显著优点：(1)利用深度神经网络模型对温度进行预测，无需人工定时检测，减少人力成本，有助于实现变电站无人值守模式，同时对后续一定时间可能出现的高温情况进行预测，可以为变电站故障抢修工作预留一定应急时间，提高变电站工作的安全性；(2)同时考虑了环境因素与设备因素对设备表面温度产生的影响，考虑因素更全面、预测更加准确；(3)融合了基于邻域密度异常值检测与剔除的数据预处理方法，并对数据进行压缩处理，可以有效剔除由于检测误差等引起的错误数据，提高了后续建立的温度预测模型的准确性，同时对数据进行压缩减小计算量；(4)通过电力巡检小车对设备进行常规巡检，采集现场设备温度数据，并且利用检测的实际温度数据检验温度预测模型的准确性，有助于提高模型的适应性，当需要重新训练温度预测模型时，也无需再进行样本数据采集，可以直接利用数据库中存储的历史数据完成重新训练，提高了模型训练的便捷性。

附图说明

图1为本发明基于深度神经网络的电力设备温度预测方法的流程图。

图2为本发明实施例中的定时温度预测工作流程图。

图3为本发明实施例中的检测温度预测模型适应性的方法示意图。

具体实施方式

下面参考附图并结合实施例来详细说明本发明。

结合图1，本发明基于深度神经网络的电力设备温度预测方法，包括以下步骤：

步骤1、采集现场参数的样本数据和时间段t后对应的实际设备温度数据，传输到后台监控系统，然后对数据进行预处理，通过深度神经网络训练温度预测模型，具体如下：

步骤1-1、采集现场参数的样本数据：通过现场环境检测仪和负荷预测，获得现场参数的样本数据，包括环境温度、日照强度、风速、环境湿度、负荷大小；时间段t后采集每组现场参数的样本数据对应的实际设备温度数据，具体步骤为：

步骤1-2-1、分别输入现场参数的样本数据集D和实际设备温度数据x，进行归一化处理，计算每个x∈D的邻域N(x)：

N(x)＝{x_i|x_i∈D,Δ(x,x_i)≤δ},δ≥0

其中，Δ是距离函数，δ为设定的领域长度；

步骤1-2-2、计算每个x∈D的邻域距离ND(x,N(x))：

步骤1-2-3、计算每个x∈D的平均邻域密度AD(x)：

步骤1-2-4、计算每个x∈D的异常度指标NOI(x)：

NOI(x)＝1/(ω₁|N(x)|+ω₂AD(x))

其中，ω₁、ω₂分别为|N(x)|、AD(x)的权重系数；NOI(x)越大，即该数据点成为异常值的可能性越大，若异常度指标超过阈值，则剔除该组数据；

步骤1-2-5、对异常值剔除后保留下的数据进行降维处理。

步骤1-2、数据预处理：将现场参数的样本数据和时间段t后的实际设备温度数据进行基于邻域密度的异常值检测与剔除，然后对保留下的数据进行数据压缩；

步骤1-3、采用误差反向传播方法训练断路器的深度神经网络温度预测模型，具体步骤为：

步骤1-3-1、初始化各阈值与各权值，将线性系数矩阵W和偏移向量b置为随机数，并提供M组训练样本S＝{(x^m,y^m)|0≤m＜M}；

输入向量为环境温度、日照强度、风速、负荷大小参数，输出向量为对应时间的实际设备温度；

步骤1-3-2、通过前向传播算法计算网络的样本m的隐藏层第l层状态a^m,^l以及实际输出：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l)

其中，σ(z)为激活函数，即σ(z)＝1/(1-e^-z)，W为线性系数矩阵，b为偏移向量；

再通过反向传播算法计算样本m输出层的局域梯度δ^m,L与第l层的局域梯度δ^m,l：

δ^L＝(a^L-y)σ′(z^L)

δ^l＝σ′(z^l)δ^l+1W^l+1

其中，L为深度神经网络总层数；

步骤1-3-3、更新第l层的线性系数矩阵W^l与偏移向量b^l：

步骤1-3-4、当所有W和b的变化值都小于停止迭代阈值时，则输出各隐藏层与输出层的线性系数矩阵W和偏移向量b，完成深度神经网络温度预测模型的建立，否则转步骤1-3-2。

步骤2、定时采集现场参数数据，对现场参数数据进行处理后，利用温度预测模型对时间段t后的设备温度进行预测，对设备温度进行不同等级的预警，具体如下：

步骤2-1、定时将现场环境检测仪和负荷预测获得的环境温度、日照强度、风速、环境湿度、负荷大小参数传输至后台监控系统，然后将数据进行数据压缩处理，利用深度神经网络温度预测模型对时间段t后的实际设备温度进行预测；

步骤2-2、当预测的温度低于55℃则为安全状态，无需警告；处于55℃～65℃中为橙色警告；高于65℃为红色警告。

步骤3、在常规巡检时，电力巡检机器人采集现场实际设备温度数据，将该温度数据与步骤2预测的设备温度数据进行对比，检测温度预测模型是否能适应最新设备状态，具体如下：

在常规巡检时，电力巡检机器人在设定时段利用自身搭载的红外传感器采集现场实际设备温度，并与温度预测模型所预测的该时刻设备温度进行对比，当二者差异小于设定阈值时，则说明温度预测模型适用于当下的设备状态；当二者差异连续4次大于设定阈值时，则利用数据库中存储的最新的M组历史数据进行温度预测模型训练。

实施例

结合图1，本发明基于深度神经网络的电力设备温度预测方法，包括以下步骤：

步骤1、采集现场参数的样本数据和30min后对应的实际设备温度数据，传输到后台监控系统，然后对数据进行预处理，通过深度神经网络训练温度预测模型；如图1所示，具体步骤为：

步骤1-1、采集现场参数的样本数据：通过现场环境检测仪和负荷预测，获得现场参数的样本数据，包括环境温度、日照强度、风速、环境湿度、负荷大小；30min后采集每组现场参数的样本数据对应的实际设备温度数据；

步骤1-2、数据预处理：将现场参数的样本数据和30min后实际设备温度数据进行基于邻域密度的异常值检测与剔除，然后对保留下的数据进行数据压缩从而减少计算消耗，具体步骤为：

步骤1-2-1、分别输入现场参数的的样本数据集D和实际设备温度数据x，进行归一化处理，计算每个x∈D的邻域：

N(x)＝{x_i|x_i∈D,Δ(x,x_i)≤δ},δ≥0

其中，Δ是距离函数，δ为设定的领域长度；

步骤1-2-2、计算每个x∈D的邻域距离：

其中，1/ND(x,N(x))为邻域密度，ND(x,N(x))越大，即邻域密度越小，x与其他数据点距离越远；

步骤1-2-3、计算每个x∈D的平均邻域密度：

平均邻域密度越大，说明该数据点分布在数据密集区域的可能性就越大，即成为异常值的可行性更小；

步骤1-2-4、计算每个x∈D的异常度指标：

NOI(x)＝1/(ω₁|N(x)|+ω₂AD(x))

其中，ω₁、ω₂分别为|N(x)|、AD(x)的权重系数；异常度指标NOI(x)越大，即该数据点成为异常值的可能性越大，当满足NOI(x)＞ε时，则剔除该数据；

步骤1-2-5、对异常值剔除后保留下的数据进行数据压缩从而减少计算消耗；

步骤1-3、采用误差反向传播方法训练断路器的深度神经网络温度预测模型，具体步骤为：

步骤1-3-1、初始化各阈值与各权值，将线性系数矩阵W和偏移向量b置为随机数；输入50个训练样本S＝{(x^m,y^m)|0≤m＜50}，其中x^m为输入向量，即经过数据预处理后的5维参数，包括环境温度、日照强度、风速、环境湿度、负荷大小；y^m为期望输出向量，即对应时间的设备实际温度；

步骤1-3-2、通过前向传播算法计算网络的样本m的隐藏层第l层状态a^m,l以及实际输出，网络共有L层，每层的输出为：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l)

其中，σ(z)为激活函数，即σ(z)＝1/(1-e^-z)，W为线性系数矩阵，b为偏移向量；

模型参数的训练应最小化期望损失函数，即：

其中，

再通过反向传播算法计算样本m输出层的δ^m,L与第l层的δ^m,l，定义输出层局域梯度为：

则隐藏层第l层的δ^l与l+1层的δ^l+1关系为：

δ^l＝σ′(z^l)δ^l+1W^l+1

步骤1-3-3、更新第l层的线性系数矩阵W^l与偏移向量b^l：

其中，α为学习步长；

步骤1-3-4、当所有W和b的变化值都小于停止迭代阈值时，则输出各隐藏层与输出层的线性系数矩阵W和偏移向量b，完成深度神经网络温度预测模型的建立，否则转步骤1-3-2；

步骤2、定时采集现场参数数据，对现场参数数据进行处理后利用温度预测模型对30min后的设备温度进行预测，对将要出现高温的设备进行不同等级的预警，如图2所示，具体步骤为：

步骤2-1、定时将现场环境检测仪和负荷预测获得的环境温度、日照强度、风速、环境湿度、负荷大小参数传输至后台监控系统，然后将数据进行数据压缩处理，利用深度神经网络温度预测模型对30min后的实际设备温度进行预测。

步骤2-2、将温度预警设为三个级别，低于55℃为安全状态无需警告，处于55℃～65℃中为橙色警告，高于65℃为红色警告。

步骤3、如图3所示，在常规巡检时，电力巡检机器人采集现场实际设备温度数据，将该温度数据与步骤2预测的设备温度数据进行对比，检测温度预测模型是否能适应最新设备状态，具体如下：

在常规巡检时，电力巡检机器人在特定时段利用自身搭载的红外传感器采集现场实际设备温度，并将其与温度预测模型所预测的该时刻设备温度进行对比，当二者差异较小时，则说明温度预测模型仍然适用于当下的设备状态；当二者差异连续若干次大于阈值，则利用数据库中最新采集的一系列历史数据进行温度预测模型训练。

综上，本发明基于深度神经网络的电力设备温度预测方法，利用深度神经网络模型对温度进行预测，无需人工定时检测，减少人力成本，有助于实现变电站无人值守模式，同时对后续一定时间可能出现的高温情况进行预测，可以为变电站故障抢修工作预留一定应急时间，提高变电站工作的安全性。

Claims (6)

1.一种基于深度神经网络的电力设备温度预测方法，其特征在于，包括以下步骤：

步骤1、采集现场参数的样本数据和时间段t后对应的实际设备温度数据，传输到后台监控系统，然后对数据进行预处理，通过深度神经网络训练温度预测模型；

步骤2、定时采集现场参数数据，对现场参数数据进行处理后，利用温度预测模型对时间段t后的设备温度进行预测，对设备温度进行不同等级的预警；

步骤3、在常规巡检时，电力巡检机器人采集现场实际设备温度数据，将该温度数据与步骤2预测的设备温度数据进行对比，检测温度预测模型是否能适应最新设备状态。

2.根据权利要求1所述的基于深度神经网络的电力设备温度预测方法，其特征在于，步骤1所述采集现场参数的样本数据和时间段t后的对应的实际设备温度数据，传输到后台监控系统，然后对数据进行预处理，通过深度神经网络训练温度预测模型，具体如下：

步骤1-1、采集现场参数的样本数据：通过现场环境检测仪和负荷预测，获得现场参数的样本数据，包括环境温度、日照强度、风速、环境湿度、负荷大小；时间段t后采集每组现场参数的样本数据对应的实际设备温度数据；

步骤1-2、数据预处理：将现场参数的样本数据和时间段t后的实际设备温度数据进行基于邻域密度的异常值检测与剔除，然后对保留下的数据进行数据压缩；

步骤1-3、采用误差反向传播方法训练断路器的深度神经网络温度预测模型。

3.根据权利要求1所述的基于深度神经网络的电力设备温度预测方法，其特征在于，步骤2所述的定时采集现场参数数据，对现场参数数据进行处理后，利用温度预测模型对时间段t后的设备温度进行预测，对设备温度进行不同等级的预警，具体如下：

步骤2-1、定时将现场环境检测仪和负荷预测获得的环境温度、日照强度、风速、环境湿度、负荷大小参数传输至后台监控系统，然后将数据进行数据压缩处理，利用深度神经网络温度预测模型对时间段t后的实际设备温度进行预测；

步骤2-2、当预测的温度低于55℃则为安全状态，无需警告；处于55℃～65℃中为橙色警告；高于65℃为红色警告。

4.根据权利要求1所述的基于深度神经网络的电力设备温度预测方法，其特征在于，步骤3所述的在常规巡检时，电力巡检机器人采集现场实际设备温度数据，将该温度数据与步骤2预测的设备温度数据进行对比，检测温度预测模型是否能适应最新设备状态，具体如下：

在常规巡检时，电力巡检机器人在设定时段利用自身搭载的红外传感器采集现场实际设备温度，并与温度预测模型所预测的该时刻设备温度进行对比，当二者差异小于设定阈值时，则说明温度预测模型适用于当下的设备状态；当二者差异连续4次大于设定阈值时，则利用数据库中存储的最新的M组历史数据进行温度预测模型训练。

5.根据权利要求2所述的基于深度神经网络的电力设备温度预测方法，其特征在于，步骤1-2所述数据预处理：将现场参数的样本数据和时间段t后的实际设备温度数据进行基于邻域密度的异常值检测与剔除，然后对保留下的数据进行数据压缩，具体步骤为：

步骤1-2-1、分别输入现场参数的样本数据集D和实际设备温度数据x，进行归一化处理，计算每个x∈D的邻域N(x)：

N(x)＝{x_i|x_i∈D,Δ(x,x_i)≤δ},δ≥0

其中，Δ是距离函数，δ为设定的领域长度；

步骤1-2-2、计算每个x∈D的邻域距离ND(x,N(x))：

步骤1-2-3、计算每个x∈D的平均邻域密度AD(x)：

步骤1-2-4、计算每个x∈D的异常度指标NOI(x)：

NOI(x)＝1/(ω₁|N(x)|+ω₂AD(x))

其中，ω₁、ω₂分别为|N(x)|、AD(x)的权重系数；NOI(x)越大，即该数据点成为异常值的可能性越大，若异常度指标超过阈值，则剔除该组数据；

步骤1-2-5、对异常值剔除后保留下的数据进行降维处理。

6.根据权利要求2所述的基于深度神经网络的电力设备温度预测方法，其特征在于，步骤1-3所述采用误差反向传播方法训练断路器的深度神经网络温度预测模型，具体步骤为：

步骤1-3-1、初始化各阈值与各权值，将线性系数矩阵W和偏移向量b置为随机数，并提供M组训练样本S＝{(x^m,y^m)|0≤m＜M}；

输入向量为环境温度、日照强度、风速、负荷大小参数，输出向量为对应时间的实际设备温度；

步骤1-3-2、通过前向传播算法计算网络的样本m的隐藏层第l层状态a^m,l以及实际输出：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l)

其中，σ(z)为激活函数，即σ(z)＝1/(1-e^-z)，W为线性系数矩阵，b为偏移向量；

再通过反向传播算法计算样本m输出层的局域梯度δ^m,L与第l层的局域梯度δ^m,l：

δ^L＝(a^L-y)σ′(z^L)

δ^l＝σ′(z^l)δ^l+1W^l+1

其中，L为深度神经网络总层数；

步骤1-3-3、更新第l层的线性系数矩阵W^l与偏移向量b^l：

步骤1-3-4、当所有W和b的变化值都小于停止迭代阈值时，则输出各隐藏层与输出层的线性系数矩阵W和偏移向量b，完成深度神经网络温度预测模型的建立，否则转步骤1-3-2。