CN110633794A - 一种基于Elman神经网络的高压电缆导体温度动态计算方法 - Google Patents
一种基于Elman神经网络的高压电缆导体温度动态计算方法 Download PDFInfo
- Publication number
- CN110633794A CN110633794A CN201810662059.5A CN201810662059A CN110633794A CN 110633794 A CN110633794 A CN 110633794A CN 201810662059 A CN201810662059 A CN 201810662059A CN 110633794 A CN110633794 A CN 110633794A
- Authority
- CN
- China
- Prior art keywords
- cable
- temperature
- neural network
- conductor
- elman neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000004020 conductor Substances 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000009413 insulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于Elman神经网络的高压电缆导体温度动态计算方法。该方法执行如下步骤:1)获取高压电缆运行数据;2)建立Elman神经网络;3)将获取的高压电缆运行数据作为训练样本,采用粒子群算法优化Elman神经网络的初始权值和阈值,训练网络,确定最优的Elman神经网络结构;4)将实时采集的电缆导体运行电流和电缆外表面温度输入到步骤3中训练好的Elman神经网络模型,便可以输出高压电缆导体实时温度。该方法可以克服传统方法受电缆本身物性参数和外部环境变化影响的局限,有助于实现电缆导体温度的实时监测。
Description
技术领域
本发明涉及一种基于Elman神经网络的高压电缆导体温度动态计算方法,属于电力设备运行状态监测方法技术领域。
背景技术
高压电缆作为电能传输的重要载体,在城市输配电系统中已被广泛应用,提高电力电缆运行可靠性对确保城市的生产生活有重要意义。导体温度作为电缆运行的关键状态参数,与电缆绝缘老化、载流能力密切相关。电缆导体运行温度过高,会加速绝缘老化,导致绝缘性能下降,容易诱发电缆局部放电事故;导体运行温度过低,会降低电缆资产利用率。因此,实时监测电缆导体温度对分析电缆运行状态、制定科学、高效的运维策略具有重要的指导意义。
然而,受测量技术和电缆结构的限制,很难通过直接测量获取电缆导体实时温度。
因此,通过构建电缆导体温度模型以计算导体温度成为当前主要手段。目前,导体温度的计算方法分为两类:第一类是以IEC60287标准、IEC60853标准为基础的热网络法;第二类是借助数值计算法对电缆系统建模。
热网络法通过构建电缆多层暂态热路模型,根据电缆结构参数计算电缆热阻热容参数,推导出导体温度与表皮温度之间的关系式,但计算结果误差较大。数值法求解电缆导体温度的计算结果精度虽然有所提升,但建模步骤复杂,可用于理论分析和规划,难以实现工程应用。
目前,大多数文献所提出的电缆导体温度计算方法依赖电缆结构和材料特性参数,容易受到外部环境变化的影响。因而需要寻找一种可靠性高、计算结果准确的方法,以获取运行高压电缆导体温度。
发明内容
本发明要解决的技术问题是,针对现有技术不足,提出一种可以准确计算运行高压电缆导体温度动态计算方法。
本发明为了解决上述技术问题提出的技术方案是:一种基于Elman神经网络的高压电缆导体温度动态计算方法,执行如下步骤:
1)获取高压电缆运行数据,包括高压电缆导体的运行电流、电缆外表面温度、电缆导体温度;
2)建立Elman神经网络,包括输入层、隐含层、承接层、输出层,网络输入为电缆导体的运行电流和电缆外表面温度,网络输出为电缆导体温度;
3)将高压电缆运行数据作为训练样本,采用粒子群算法优化Elman神经网络的初始权值和阈值,训练网络,确定最优的Elman神经网络;
4)将实时数据输入到步骤3)训练好的Elman神经网络模型,便可以得到当前的高压电缆导体温度。
上述技术方案的改进是:步骤1)电缆运行电流的获取是通过依次布置在电缆直线段、弯曲段、中间接头以及电缆终端的四个电流测点,分别测得电缆电流大小为I1、I2、I3、I4,电缆运行电流I=c1I1+c2I2+c3I3+c4I4,c1、c2、c3、c4分别表示对应电流测点的权值,c1+c2+c3+c4=1,可取c1=0.3,c2=0.25、c3=0.25、c4=0.2;
步骤1)电缆外表面温度的获取是通过依次布置在电缆终端的外表面的8个温度测点,分别测得电缆外表面实时温度大小为t1、t2、t3、t4、t5、t6、t7、t8,电缆外表面温度t=h1t1+h2t2+h3t3+h4t4+h5t5+h6t6+h7t7+h8t8,h1、h2、h3、h4、h5、h6、h7、h8分别表示对应温度测点的权值,h1+h2+h3+h4+h5+h6+h7+h8=1,可取h1=0.12、h2=0.18、h3=0.14、h4=0.11、h5=0.12、h6=0.13、h7=0.08、h8=0.12;
步骤1)电缆导体温度通过在电缆直线段、弯曲段、中间接头以及电缆终端的导体层依次布置8个温度测点,分别测得电缆导体实时温度大小为T1、T2、T3、T4、T5、T6、T7、T8,电缆导体温度T=g1T1+g2T2+g3T3+g4T4+g5T5+g6T6+g7T7+g8T8,g1、g2、g3、g4、g5、g6、g7、g8分别表示对应温度测点的权值,g1+g2+g3+g4+g5+g6+g7+g8=1,可取g1=0.12、g2=0.18、g3=0.14、g4=0.11、g5=0.12、g6=0.13、g7=0.08、g8=0.12。
上述技术方案的改进是:在步骤2)中所述的Elman神经网络的输入层有2个神经元,输出层有1个神经元,隐含层有10个神经元,承接层有10个神经元。
上述技术方案的改进是:步骤2)所述Elman神经网络的各层神经元数目是通过网络训练确定的;通过训练隐含层不同神经元数目的Elman神经网络,选择计算性能最优的网络隐含层神经元个数。
上述技术方案的改进是:步骤3)中将粒子群算法与神经网络相结合,以模型输出误差最小为寻优对象,确定神经网络的初始权值和阈值,进而确定性能最优的Elman神经网络参数。
本发明采用上述技术方案的有益效果是:在获取电缆温升数据时,采用上述多测点加权处理的方法,可以有效解决单一测点所得数据偶然性的问题,提高数据的可靠性和科学性。
Elman神经网络适合处理数据量庞大的计算问题,动态实时计算性能好,在同样的数据计算量下,模型响应速度快,计算准确。采用粒子群算法优化Elman神经网络模型,在优化网络初始权值和阈值的同时,并不增加网络模型的计算量,还可改善网络模型的计算性能。
附图说明
下面结合附图对本发明作进一步说明。
图1是本发明实施例的一种基于Elman神经网络的高压电缆导体温度动态计算方法的流程示意图。
图2是Elman神经网络模型的拓扑结果示意图。
图3是所提方法计算结果测试图。
具体实施方式
实施例
本实施例的一种基于Elman神经网络的高压电缆导体温度动态计算方法,如图1所示,执行如下步骤:
1)获取高压电缆运行数据,作为训练样本和测试数据,包括电缆导体的运行电流、电缆外表面温度、电缆导体温度;
步骤1)电缆运行电流的获取是通过依次布置在电缆直线段、弯曲段、中间接头以及电缆终端的四个电流测点,分别测得电缆电流大小为I1、I2、I3、I4,电缆运行电流I=c1I1+c2I2+c3I3+c4I4,c1、c2、c3、c4分别表示对应电流测点的权值,c1+c2+c3+c4=1,可取c1=0.3,c2=0.25、c3=0.25、c4=0.2;
步骤1)电缆外表面温度的获取是通过依次布置在电缆终端的外表面的8个温度测点,分别测得电缆外表面实时温度大小为t1、t2、t3、t4、t5、t6、t7、t8,电缆外表面温度t=h1t1+h2t2+h3t3+h4t4+h5t5+h6t6+h7t7+h8t8,h1、h2、h3、h4、h5、h6、h7、h8分别表示对应温度测点的权值,h1+h2+h3+h4+h5+h6+h7+h8=1,可取h1=0.12、h2=0.18、h3=0.14、h4=0.11、h5=0.12、h6=0.13、h7=0.08、h8=0.12;
步骤1)电缆导体温度通过在电缆直线段、弯曲段、中间接头以及电缆终端的导体层依次布置8个温度测点,分别测得电缆导体实时温度大小为T1、T2、T3、T4、T5、T6、T7、T8,电缆导体温度T=g1T1+g2T2+g3T3+g4T4+g5T5+g6T6+g7T7+g8T8,g1、g2、g3、g4、g5、g6、g7、g8分别表示对应温度测点的权值,g1+g2+g3+g4+g5+g6+g7+g8=1,可取g1=0.12、g2=0.18、g3=0.14、g4=0.11、g5=0.12、g6=0.13、g7=0.08、g8=0.12。
2)建立Elman神经网络,包括输入层、隐含层、承接层、输出层,网络输入为电缆导体的运行电流和电缆外表面实时温度,网络输出为电缆导体实时温度。
所述Elman神经网络的各层神经元数目是通过网络训练确定的;通过训练隐含层不同神经元数目的Elman神经网络,选择计算性能最优的网络隐含层神经元个数。
所述的Elman神经网络的输入层有2个神经元,输出层有1个神经元,隐含层有10个神经元,承接层有10个神经元,Elman神经网络的拓扑结构如图2所示。
3)将获取的高压电缆运行数据作为训练样本,采用粒子群算法优化Elman神经网络的初始权值和阈值,训练网络,确定最优的Elman神经网络;
将粒子群算法与神经网络相结合,以模型输出误差最小为寻优对象,确定神经网络的初始权值和阈值,进而确定性能最优的Elman神经网络参数;
4)将实时采集的电缆导体运行电流和外表面温度输入到步骤3中训练好的Elman神经网络模型,便可以输出高压电缆导体实时温度。所提方法的测试计算结果如图3所示。
本发明不局限于上述实施例。凡采用等同替换形成的技术方案,均落在本发明要求的保护范围。
Claims (5)
1.一种基于Elman神经网络的高压电缆导体温度动态计算方法,其特征在于执行如下步骤:
1)获取高压电缆运行数据,包括高压电缆导体的运行电流、电缆外表面温度、电缆导体温度;
2)建立Elman神经网络,包括输入层、隐含层、承接层、输出层,网络输入为电缆导体的运行电流和电缆外表面温度,网络输出为电缆导体温度;
3)将高压电缆运行数据作为训练样本,采用粒子群算法优化Elman神经网络的初始权值和阈值,训练网络,确定最优的Elman神经网络;
4)将实时数据输入到步骤3)训练好的Elman神经网络模型,便可以得到当前的高压电缆导体温度。
2.根据权利要求1所述的一种基于Elman神经网络的高压电缆导体温度动态计算方法,其特征在于:步骤1)电缆运行电流的获取是通过依次布置在电缆直线段、弯曲段、中间接头以及电缆终端的四个电流测点,分别测得电缆电流大小为I1、I2、I3、I4,电缆运行电流I=c1I1+c2I2+c3I3+c4I4,c1、c2、c3、c4分别表示对应电流测点的权值,c1+c2+c3+c4=1,可取c1=0.3,c2=0.25、c3=0.25、c4=0.2;
步骤1)电缆外表面温度的获取是通过依次布置在电缆终端的外表面的8个温度测点,分别测得电缆外表面实时温度大小为t1、t2、t3、t4、t5、t6、t7、t8,电缆外表面温度t=h1t1+h2t2+h3t3+h4t4+h5t5+h6t6+h7t7+h8t8,h1、h2、h3、h4、h5、h6、h7、h8分别表示对应温度测点的权值,h1+h2+h3+h4+h5+h6+h7+h8=1,可取h1=0.12、h2=0.18、h3=0.14、h4=0.11、h5=0.12、h6=0.13、h7=0.08、h8=0.12;
步骤1)电缆导体温度通过在电缆直线段、弯曲段、中间接头以及电缆终端的导体层依次布置8个温度测点,分别测得电缆导体实时温度大小为T1、T2、T3、T4、T5、T6、T7、T8,电缆导体温度T=g1T1+g2T2+g3T3+g4T4+g5T5+g6T6+g7T7+g8T8,g1、g2、g3、g4、g5、g6、g7、g8分别表示对应温度测点的权值,g1+g2+g3+g4+g5+g6+g7+g8=1,可取g1=0.12、g2=0.18、g3=0.14、g4=0.11、g5=0.12、g6=0.13、g7=0.08、g8=0.12。
3.根据权利要求1所述的一种基于Elman神经网络的高压电缆导体温度动态计算方法,其特征在于:在步骤2)中所述的Elman神经网络的输入层有2个神经元,输出层有1个神经元,隐含层有10个神经元,承接层有10个神经元。
4.根据权利要求1所述的一种基于Elman神经网络的高压电缆导体温度动态计算方法,其特征在于:步骤2)所述Elman神经网络的各层神经元数目是通过网络训练确定的;通过训练隐含层不同神经元数目的Elman神经网络,选择计算性能最优的网络隐含层神经元个数。
5.根据权利要求1所述的一种基于Elman神经网络的高压电缆导体温度动态计算方法,其特征在于:步骤3)中将粒子群算法与神经网络相结合,以模型输出误差最小为寻优对象,确定神经网络的初始权值和阈值,进而确定性能最优的Elman神经网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810662059.5A CN110633794A (zh) | 2018-06-25 | 2018-06-25 | 一种基于Elman神经网络的高压电缆导体温度动态计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810662059.5A CN110633794A (zh) | 2018-06-25 | 2018-06-25 | 一种基于Elman神经网络的高压电缆导体温度动态计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633794A true CN110633794A (zh) | 2019-12-31 |
Family
ID=68967971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810662059.5A Pending CN110633794A (zh) | 2018-06-25 | 2018-06-25 | 一种基于Elman神经网络的高压电缆导体温度动态计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633794A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763205A (zh) * | 2021-09-07 | 2021-12-07 | 南方电网电力科技股份有限公司 | 一种电缆绝缘状态检测方法及相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228033A (zh) * | 2016-09-22 | 2016-12-14 | 河海大学 | 基于rbf神经网络的三芯电缆导体温度实时计算方法 |
CN106482848A (zh) * | 2016-09-13 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种基于m‑p广义逆的三芯电缆导体温度动态获取方法 |
-
2018
- 2018-06-25 CN CN201810662059.5A patent/CN110633794A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106482848A (zh) * | 2016-09-13 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种基于m‑p广义逆的三芯电缆导体温度动态获取方法 |
CN106228033A (zh) * | 2016-09-22 | 2016-12-14 | 河海大学 | 基于rbf神经网络的三芯电缆导体温度实时计算方法 |
Non-Patent Citations (1)
Title |
---|
刘晶等: "基于PSO-ENN算法的高压直流输电线路故障测距", 《高压电器》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763205A (zh) * | 2021-09-07 | 2021-12-07 | 南方电网电力科技股份有限公司 | 一种电缆绝缘状态检测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN106991504B (zh) | 基于分项计量时间序列的建筑能耗预测方法、系统及建筑物 | |
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
CN111900731B (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN109286188B (zh) | 一种基于多源数据集的10kV配电网理论线损计算方法 | |
CN110070282A (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN107103184A (zh) | 一种高压电缆接头温度预测方法 | |
CN112733443B (zh) | 一种基于虚拟监测点的供水管网模型参数优化校核方法 | |
CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
CN106482848B (zh) | 一种基于m-p广义逆的三芯电缆导体温度动态获取方法 | |
CN104502410A (zh) | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 | |
Leng et al. | Short-term forecasting model of traffic flow based on GRNN | |
CN106228033B (zh) | 基于rbf神经网络的三芯电缆导体温度实时计算方法 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN114994537A (zh) | 一种基于ekf-lstm的锂电池荷电状态联合预测测量方法 | |
CN110633794A (zh) | 一种基于Elman神经网络的高压电缆导体温度动态计算方法 | |
CN106934096B (zh) | 一种基于架空导线表面温度求解钢芯温度的方法 | |
CN106650060B (zh) | 一种光伏电池内阻衰减系数预测方法 | |
CN113673846B (zh) | 一种电力物联网架构下的需量态势感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |
|
RJ01 | Rejection of invention patent application after publication |