CN116345340A - 一种开关柜智能监测系统 - Google Patents

一种开关柜智能监测系统 Download PDF

Info

Publication number
CN116345340A
CN116345340A CN202310617890.XA CN202310617890A CN116345340A CN 116345340 A CN116345340 A CN 116345340A CN 202310617890 A CN202310617890 A CN 202310617890A CN 116345340 A CN116345340 A CN 116345340A
Authority
CN
China
Prior art keywords
temperature
layer
output
data
feature extraction
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.)
Granted
Application number
CN202310617890.XA
Other languages
English (en)
Other versions
CN116345340B (zh
Inventor
潘世一
姜子旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Feichi Electrical Equipment Co ltd
Original Assignee
Shenyang Feichi Electrical Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Feichi Electrical Equipment Co ltd filed Critical Shenyang Feichi Electrical Equipment Co ltd
Priority to CN202310617890.XA priority Critical patent/CN116345340B/zh
Publication of CN116345340A publication Critical patent/CN116345340A/zh
Application granted granted Critical
Publication of CN116345340B publication Critical patent/CN116345340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
    • H02B1/56—Cooling; Ventilation
    • H02B1/565—Cooling; Ventilation for cabinets
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1919—Control of temperature characterised by the use of electric means characterised by the type of controller
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
    • H02B1/24—Circuit arrangements for boards or switchyards
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H5/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection
    • H02H5/04—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection responsive to abnormal temperature
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/22—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for distribution gear, e.g. bus-bar systems; for switching devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Temperature (AREA)

Abstract

本发明公开了一种开关柜智能监测系统，属于控制系统技术领域，本发明在采集温度数据后，先进行滤波处理，避免噪声和干扰信号对温度特征的提取构成影响，通过温度上升趋势预测单元实时处理滤波后的温度数据预测未来温度，从而实现对未来温度的估计，在未来温度大于等于高温阈值时，则说明开关柜内温度较高，需进行降温处理，通过通风设备的风机使得开关柜内的温度保持在过热故障阈值以下，若是预测温度大于等于过热故障阈值时，则说明风机无法将温度控制在合理范围内，需要控制断路器关断线路，避免影响其他开关设备的工作。

Description

一种开关柜智能监测系统
技术领域
本发明涉及控制系统技术领域，具体涉及一种开关柜智能监测系统。
背景技术
在大多数情况下，开关柜的故障由载流发热故障问题引起，载流发热故障问题会引起开关柜内的开关设备提前老化和绝缘被破坏，甚至会引发火灾，将开关柜内其他设备全部烧毁。因此，对于开关柜内的温度监测可以保障开关柜内设备的安全。
但是现有开关柜内温度监测系统，仅在实时监测的温度数据超过温度阈值时进行报警处理，在报警时，开关柜内温度已经达到破坏开关柜内的开关设备的程度，开关设备已经被损坏。
发明内容
针对现有技术中的上述不足，本发明提供的一种开关柜智能监测系统解决了现有开关柜内温度监测系统无法预测未来温度，以及控制温度的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种开关柜智能监测系统，包括：温度采集单元、自适应温度数据滤波单元、温度上升趋势预测单元、温度控制单元和通风设备；
所述温度采集单元用于采集开关柜内的温度数据；所述自适应温度数据滤波单元用于处理温度数据，得到滤波温度数据；所述温度上升趋势预测单元用于根据滤波温度数据，对未来时间段开关柜内温度进行预测，得到预测温度；所述温度控制单元用于在预测温度大于等于高温阈值时，驱动通风设备的风机进行降温，在预测温度大于等于过热故障阈值时，控制对应断路器关断线路。
进一步地，所述自适应温度数据滤波单元的表达式为：
Figure SMS_1
，
其中，
Figure SMS_2
为第/>
Figure SMS_7
个滤波温度数据，/>
Figure SMS_9
为第/>
Figure SMS_4
个滤波温度数据，/>
Figure SMS_5
为实时采集的第/>
Figure SMS_8
个温度数据，/>
Figure SMS_10
为最新采集的/>
Figure SMS_3
个温度数据的和，/>
Figure SMS_6
为sigmoid函数。
上述进一步地方案的有益效果为：本发明以实时采集的
Figure SMS_11
个温度数据作为一组数据，计算/>
Figure SMS_12
个温度数据的平均值，首次降低噪声和干扰的影响，将平均值与/>
Figure SMS_13
进行比较，若两者相差越大，则说明新的数据变化越剧烈，则平均值将占有越大比重，本发明选择滤波权重时，选择sigmoid函数，sigmoid函数在变量大于0之后，其值域范围为[0.5,1]，因此，本发明滤波时重点考虑平均值，增强滤波灵敏度，同时/>
Figure SMS_14
选择越小，灵敏度越高。本发明通过
Figure SMS_15
再次降低噪声和干扰的影响。
进一步地，所述温度上升趋势预测单元包括：第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和BP神经网络；所述BP神经网络包括：输入层、第一隐藏层、第二隐藏层和输出层；
所述第一特征提取层的输入端、第二特征提取层的输入端、第三特征提取层的输入端和第四特征提取层的输入端均为温度上升趋势预测单元的输入端；
所述输入层的输入端分别与第一特征提取层的输出端、第二特征提取层的输出端、第三特征提取层的输出端和第四特征提取层的输出端连接，其输出端与第一隐藏层的输入端连接；所述第二隐藏层的输入端与第一隐藏层的输出端连接，其输出端与输出层的输入端连接；所述输出层的输出端作为温度上升趋势预测单元的输出端。
上述进一步地方案的有益效果为：在使用BP神经网络时，若直接将一段时间的滤波温度数据输入到BP神经网络中，为了充分表达该段数据的特征，则需要输入的滤波后温度数据较多，BP神经网络更复杂，其次，一段时间内的滤波温度数据特征表达不明显，BP神经网络预测精度不高。本发明在将滤波后的温度数据，通过四个特征提取单元对其进行特征提取，通过特征值表达原始数据的分布情况，降低数据量和降低BP神经网络的复杂度，在降低数据量后，各个特征在BP神经网络中更好表达，提高BP神经网络预测精度。
进一步地，所述第一特征提取层的表达式为：
Figure SMS_16
，其中，/>
Figure SMS_17
为温度均值，
Figure SMS_18
为第/>
Figure SMS_19
个滤波温度数据，/>
Figure SMS_20
为取的滤波温度数据的长度；
所述第二特征提取层的表达式为：
Figure SMS_23
，其中，/>
Figure SMS_26
为最大温度值，/>
Figure SMS_28
为第/>
Figure SMS_21
个滤波温度数据，/>
Figure SMS_25
为取的滤波温度数据的长度，/>
Figure SMS_27
为取最大值，/>
Figure SMS_29
为第1个滤波温度数据，/>
Figure SMS_22
为第/>
Figure SMS_24
个滤波温度数据；
所述第三特征提取层的表达式为：
Figure SMS_30
，
Figure SMS_31
，
其中，
Figure SMS_33
为温度上升特征值，/>
Figure SMS_36
为调整系数，/>
Figure SMS_40
为第/>
Figure SMS_35
个滤波温度数据，/>
Figure SMS_37
为第
Figure SMS_41
个滤波温度数据，/>
Figure SMS_43
为第1个滤波温度数据，/>
Figure SMS_32
为第2个滤波温度数据，/>
Figure SMS_38
为第/>
Figure SMS_42
个滤波温度数据，/>
Figure SMS_44
为第/>
Figure SMS_34
个滤波温度数据，/>
Figure SMS_39
为取最大值；
所述第四特征提取层的表达式为：
Figure SMS_45
，其中，/>
Figure SMS_46
为最大温度特征值，/>
Figure SMS_47
为最大温度值，/>
Figure SMS_48
为高温阈值，/>
Figure SMS_49
为温度系数。
上述进一步地方案的有益效果为：本发明通过温度均值来体现一段时间内的温度水平，通过最大值来体现一段时间内温度的峰值，通过温度上升特征值来体现温度上升情况，在温度上升特征值中先计算出平均温度上升情况，再提取最大温度上升值，通过最大温度上升值和平均温度上升情况综合表达温度上升特征值，反映温度变化剧烈程度；本发明还通过最大温度特征值来增强最大值在BP神经网络中的比重，在已经检测到最大温度值
Figure SMS_50
超过高温阈值/>
Figure SMS_51
时，则说明温度攀升到较高程度，因此，选择/>
Figure SMS_52
强化最大值的表达，在最大温度值/>
Figure SMS_53
低于高温阈值/>
Figure SMS_54
，温度尚在可控范围内，仍选择最大值作为最大温度特征值。
进一步地，所述输入层的表达式为：
Figure SMS_55
，
其中，
Figure SMS_56
为输入层的第/>
Figure SMS_57
个输入数据，/>
Figure SMS_58
为输入层的最小输入数据，/>
Figure SMS_59
为输入层的最大输入数据，/>
Figure SMS_60
为输入层的第/>
Figure SMS_61
个输出数据。
进一步地，所述BP神经网络的表达式为：
Figure SMS_62
，
Figure SMS_63
，
Figure SMS_64
，
其中，
Figure SMS_84
为BP神经网络中第一隐藏层的第/>
Figure SMS_87
个节点的输出，/>
Figure SMS_90
为S型激活函数，/>
Figure SMS_67
为输入层的第/>
Figure SMS_72
个输出数据，/>
Figure SMS_76
为第一隐藏层的第/>
Figure SMS_80
个节点对第/>
Figure SMS_68
个输出数据/>
Figure SMS_70
的权值，/>
Figure SMS_74
为第一隐藏层的第/>
Figure SMS_78
个节点的阈值，/>
Figure SMS_82
为第二隐藏层的第/>
Figure SMS_85
个节点的输出，/>
Figure SMS_88
为第二隐藏层的第/>
Figure SMS_91
个节点对第/>
Figure SMS_83
个节点的输出/>
Figure SMS_86
的权值，/>
Figure SMS_89
为第一隐藏层的节点数量，
Figure SMS_92
为双曲正切函数，/>
Figure SMS_66
为第二隐藏层的第/>
Figure SMS_71
个节点的阈值，/>
Figure SMS_75
为输出层对第二隐藏层的第/>
Figure SMS_79
个节点的输出/>
Figure SMS_65
的权值，/>
Figure SMS_69
为第二隐藏层的节点数量，/>
Figure SMS_73
为比例系数，/>
Figure SMS_77
为输出层的阈值，/>
Figure SMS_81
为输出层的输出，即BP神经网络的输出。
上述进一步地方案的有益效果为：本发明中输入层的输入有4个，输入层进行归一化处理后，仍为4个输出，输入层将4个输出传输至第一隐藏层，本发明采用隐藏层来实现输入特征与预测温度的映射，增加一层隐藏层提高预测精度，同时在输出层处设置比例系数和输出阈值，使得BP神经网络的输出调节更灵活。
进一步地，所述温度上升趋势预测单元的损失函数为：
Figure SMS_93
，
其中，
Figure SMS_94
为第/>
Figure SMS_101
次训练时的损失函数，/>
Figure SMS_104
为第/>
Figure SMS_95
次训练时温度上升趋势预测单元的输出，/>
Figure SMS_99
为第/>
Figure SMS_103
次训练时标签，/>
Figure SMS_106
为温度差阈值，/>
Figure SMS_96
为第/>
Figure SMS_98
次训练时温度上升趋势预测单元的输出，/>
Figure SMS_102
为第/>
Figure SMS_105
次训练时的标签，/>
Figure SMS_97
为统计的训练次数，/>
Figure SMS_100
为统计的训练次数的编号。
上述进一步地方案的有益效果为：在
Figure SMS_107
与/>
Figure SMS_108
相差较大时，即大于等于温度差阈值时，损失函数/>
Figure SMS_109
计算出的损失值越大，说明BP神经网络中权值和阈值参数需要大幅降低，在对BP神经网络进行训练时，采用的是梯度下降法，因此损失函数计算的损失值越大，BP神经网络中权值和阈值参数下降越快，在本发明中以两者差值与温度差阈值比值作为指数，以两者差值为底，差距越大，损失函数计算的损失值越大，从而使得BP神经网络中的权值和阈值参数快速下降，在两者相差较小时，仅以多次训练的差值的平均值作为离目标的差距，从而使得BP神经网络参数稳定下降，自适应调节参数下降程度。
进一步地，所述驱动通风设备的风机进行降温的温控模型为：
Figure SMS_110
，
其中，
Figure SMS_111
为通风设备的风机的电功率，/>
Figure SMS_112
为最大电功率，/>
Figure SMS_113
为预测温度，/>
Figure SMS_114
为过热故障阈值，/>
Figure SMS_115
为高温阈值。
上述进一步地方案的有益效果为：在预测温度位于
Figure SMS_116
和/>
Figure SMS_117
之间时，以预测温度
Figure SMS_118
和过热故障阈值/>
Figure SMS_119
的相似度作为调整功率的系数，使得电功率跟随预测温度变化而变化，若风机的使用使得开关柜内的温度降低，则BP神经网络输入的滤波温度数据也降低，预测温度降低，则风机电功率也下降，在风机使用期间，温度在持续升高，预测温度升高，则风机电功率也升高，在预测温度高于过热故障阈值/>
Figure SMS_120
时，风机满功率运行，降低温度对于开关柜的影响。
综上，本发明的有益效果为：本发明在采集温度数据后，先进行滤波处理，避免噪声和干扰信号对温度特征的提取构成影响，通过温度上升趋势预测单元实时处理滤波后的温度数据预测未来温度，从而实现对未来温度的估计，在未来温度大于等于高温阈值时，则说明开关柜内温度较高，需进行降温处理，通过通风设备的风机使得开关柜内的温度保持在过热故障阈值以下，若是预测温度大于等于过热故障阈值时，则说明风机无法将温度控制在合理范围内，需要控制断路器关断线路，避免影响其他开关设备的工作。
附图说明
图1为一种开关柜智能监测系统的系统框图；
图2为温度上升趋势预测单元的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种开关柜智能监测系统，包括：温度采集单元、自适应温度数据滤波单元、温度上升趋势预测单元、温度控制单元和通风设备；
所述温度采集单元用于采集开关柜内的温度数据；所述自适应温度数据滤波单元用于处理温度数据，得到滤波温度数据；所述温度上升趋势预测单元用于根据滤波温度数据，对未来时间段开关柜内温度进行预测，得到预测温度；所述温度控制单元用于在预测温度大于等于高温阈值时，驱动通风设备的风机进行降温，在预测温度大于等于过热故障阈值时，控制对应断路器关断线路。
在本实施例中，高温阈值和过热故障阈值可根据开关柜内的开关设备所能承受的具体温度进行设定，过热故障阈值为开关设备损坏时需要达到的温度，高温阈值可为低于过热故障阈值和高于环境温度的任意温度值，更优地选择离过热故障阈值较近的温度值。
所述自适应温度数据滤波单元的表达式为：
Figure SMS_121
，
其中，
Figure SMS_124
为第/>
Figure SMS_126
个滤波温度数据，/>
Figure SMS_128
为第/>
Figure SMS_123
个滤波温度数据，/>
Figure SMS_127
为实时采集的第/>
Figure SMS_129
个温度数据，/>
Figure SMS_130
为最新采集的/>
Figure SMS_122
个温度数据的和，/>
Figure SMS_125
为sigmoid函数。
本发明以实时采集的
Figure SMS_131
个温度数据作为一组数据，计算/>
Figure SMS_132
个温度数据的平均值，首次降低噪声和干扰的影响，将平均值与/>
Figure SMS_133
进行比较，若两者相差越大，则说明新的数据变化越剧烈，则平均值将占有越大比重，本发明选择滤波权重时，选择sigmoid函数，sigmoid函数在变量大于0之后，其值域范围为[0.5,1]，因此，本发明滤波时重点考虑平均值，增强滤波灵敏度，同时/>
Figure SMS_134
选择越小，灵敏度越高。本发明通过/>
Figure SMS_135
再次降低噪声和干扰的影响。
在本实施例中，还可以采用其他滤波方法，例如均值滤波和中位数滤波等，但是本发明中采用的滤波方法具备更优的灵敏度。
如图2所示，所述温度上升趋势预测单元包括：第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和BP神经网络；所述BP神经网络包括：输入层、第一隐藏层、第二隐藏层和输出层；
所述第一特征提取层的输入端、第二特征提取层的输入端、第三特征提取层的输入端和第四特征提取层的输入端均为温度上升趋势预测单元的输入端；
所述输入层的输入端分别与第一特征提取层的输出端、第二特征提取层的输出端、第三特征提取层的输出端和第四特征提取层的输出端连接，其输出端与第一隐藏层的输入端连接；所述第二隐藏层的输入端与第一隐藏层的输出端连接，其输出端与输出层的输入端连接；所述输出层的输出端作为温度上升趋势预测单元的输出端。
本发明在使用BP神经网络时，若直接将一段时间的滤波温度数据输入到BP神经网络中，为了充分表达该段数据的特征，则需要输入的滤波后温度数据较多，BP神经网络更复杂，其次，一段时间内的滤波温度数据特征表达不明显，BP神经网络预测精度不高。本发明在将滤波后的温度数据，通过四个特征提取单元对其进行特征提取，通过特征值表达原始数据的分布情况，降低数据量和降低BP神经网络的复杂度，在降低数据量后，各个特征在BP神经网络中更好表达，提高BP神经网络预测精度。
在本实施例中，温度上升趋势预测单元可采用BP神经网络，但没有经过特征提取的BP神经网络更复杂，预测精度不高。
所述第一特征提取层的表达式为：
Figure SMS_136
，其中，/>
Figure SMS_137
为温度均值，/>
Figure SMS_138
为第/>
Figure SMS_139
个滤波温度数据，/>
Figure SMS_140
为取的滤波温度数据的长度；
所述第二特征提取层的表达式为：
Figure SMS_142
，其中，/>
Figure SMS_144
为最大温度值，/>
Figure SMS_147
为第/>
Figure SMS_143
个滤波温度数据，/>
Figure SMS_146
为取的滤波温度数据的长度，/>
Figure SMS_148
为取最大值，/>
Figure SMS_149
为第1个滤波温度数据，/>
Figure SMS_141
为第/>
Figure SMS_145
个滤波温度数据；
所述第三特征提取层的表达式为：
Figure SMS_151
，/>
Figure SMS_155
，其中，/>
Figure SMS_159
为温度上升特征值，/>
Figure SMS_150
为调整系数，/>
Figure SMS_156
为第/>
Figure SMS_160
个滤波温度数据，/>
Figure SMS_163
为第/>
Figure SMS_152
个滤波温度数据，/>
Figure SMS_154
为第1个滤波温度数据，/>
Figure SMS_158
为第2个滤波温度数据，/>
Figure SMS_162
为第/>
Figure SMS_153
个滤波温度数据，/>
Figure SMS_157
为第/>
Figure SMS_161
个滤波温度数据，/>
Figure SMS_164
为取最大值；
所述第四特征提取层的表达式为：
Figure SMS_165
，其中，/>
Figure SMS_166
为最大温度特征值，/>
Figure SMS_167
为最大温度值，/>
Figure SMS_168
为高温阈值，/>
Figure SMS_169
为温度系数。
本发明通过温度均值来体现一段时间内的温度水平，通过最大值来体现一段时间内温度的峰值，通过温度上升特征值来体现温度上升情况，在温度上升特征值中先计算出平均温度上升情况，再提取最大温度上升值，通过最大温度上升值和平均温度上升情况综合表达温度上升特征值，反映温度变化剧烈程度；本发明还通过最大温度特征值来增强最大值在BP神经网络中的比重，在已经检测到最大温度值
Figure SMS_170
超过高温阈值/>
Figure SMS_171
时，则说明温度攀升到较高程度，因此，选择/>
Figure SMS_172
强化最大值的表达，在最大温度值
Figure SMS_173
低于高温阈值/>
Figure SMS_174
，温度尚在可控范围内，仍选择最大值作为最大温度特征值。
所述输入层的表达式为：
Figure SMS_175
，
其中，
Figure SMS_176
为输入层的第/>
Figure SMS_177
个输入数据，/>
Figure SMS_178
为输入层的最小输入数据，/>
Figure SMS_179
为输入层的最大输入数据，/>
Figure SMS_180
为输入层的第/>
Figure SMS_181
个输出数据。
所述BP神经网络的表达式为：
Figure SMS_182
，
Figure SMS_183
，
Figure SMS_184
，
其中，
Figure SMS_201
为BP神经网络中第一隐藏层的第/>
Figure SMS_205
个节点的输出，/>
Figure SMS_208
为S型激活函数，/>
Figure SMS_186
为输入层的第/>
Figure SMS_189
个输出数据，/>
Figure SMS_193
为第一隐藏层的第/>
Figure SMS_197
个节点对第/>
Figure SMS_185
个输出数据/>
Figure SMS_191
的权值，/>
Figure SMS_195
为第一隐藏层的第/>
Figure SMS_199
个节点的阈值，/>
Figure SMS_187
为第二隐藏层的第/>
Figure SMS_190
个节点的输出，/>
Figure SMS_194
为第二隐藏层的第/>
Figure SMS_198
个节点对第/>
Figure SMS_203
个节点的输出/>
Figure SMS_207
的权值，/>
Figure SMS_210
为第一隐藏层的节点数量，
Figure SMS_212
为双曲正切函数，/>
Figure SMS_188
为第二隐藏层的第/>
Figure SMS_192
个节点的阈值，/>
Figure SMS_196
为输出层对第二隐藏层的第/>
Figure SMS_200
个节点的输出/>
Figure SMS_202
的权值，/>
Figure SMS_206
为第二隐藏层的节点数量，/>
Figure SMS_209
为比例系数，/>
Figure SMS_211
为输出层的阈值，/>
Figure SMS_204
为输出层的输出，即BP神经网络的输出。
本发明中输入层的输入有4个，输入层进行归一化处理后，仍为4个输出，输入层将4个输出传输至第一隐藏层，本发明采用隐藏层来实现输入特征与预测温度的映射，增加一层隐藏层提高预测精度，同时在输出层处设置比例系数和输出阈值，使得BP神经网络的输出调节更灵活。
在本实施例中，在具体使用温度上升趋势预测单元对滤波的温度数据进行预测未来温度数据时，温度上升趋势预测单元为提前训练完成的，其训练过程决定温度上升趋势预测单元预测未来温度数据的精度。
训练时，温度上升趋势预测单元的损失函数为：
Figure SMS_213
，
其中，
Figure SMS_215
为第/>
Figure SMS_221
次训练时的损失函数，/>
Figure SMS_224
为第/>
Figure SMS_217
次训练时温度上升趋势预测单元的输出，/>
Figure SMS_219
为第/>
Figure SMS_223
次训练时标签，/>
Figure SMS_226
为温度差阈值，/>
Figure SMS_214
为第/>
Figure SMS_218
次训练时温度上升趋势预测单元的输出，/>
Figure SMS_222
为第/>
Figure SMS_225
次训练时的标签，/>
Figure SMS_216
为统计的训练次数，/>
Figure SMS_220
为统计的训练次数的编号。
在
Figure SMS_227
与/>
Figure SMS_228
相差较大时，即大于等于温度差阈值时，损失函数/>
Figure SMS_229
计算出的损失值越大，说明BP神经网络中权值和阈值参数需要大幅降低，在对BP神经网络进行训练时，采用的是梯度下降法，因此损失函数计算的损失值越大，BP神经网络中权值和阈值参数下降越快，在本发明中以两者差值与温度差阈值比值作为指数，以两者差值为底，差距越大，损失函数计算的损失值越大，从而使得BP神经网络中的权值和阈值参数快速下降，在两者相差较小时，仅以多次训练的差值的平均值作为离目标的差距，从而使得BP神经网络参数稳定下降，自适应调节参数下降程度。
BP神经网络中所有权值和阈值按以下公式进行更新。
节点权值的更新公式为：
Figure SMS_230
，
Figure SMS_231
，
其中，
Figure SMS_234
为第/>
Figure SMS_236
次训练更新的权值，/>
Figure SMS_239
为第/>
Figure SMS_235
次训练更新的权值，/>
Figure SMS_237
为第/>
Figure SMS_240
次训练的梯度，/>
Figure SMS_242
为偏导运算，/>
Figure SMS_233
为第/>
Figure SMS_238
次训练时的损失函数，/>
Figure SMS_241
为第/>
Figure SMS_243
次训练的梯度，
Figure SMS_232
为分母系数；
节点阈值的更新公式为：
Figure SMS_244
，
其中，
Figure SMS_245
为第/>
Figure SMS_246
次训练更新的阈值，/>
Figure SMS_247
为第/>
Figure SMS_248
次训练更新的阈值，/>
Figure SMS_249
为第/>
Figure SMS_250
次训练的梯度。
所述驱动通风设备的风机进行降温的温控模型为：
Figure SMS_251
，
其中，
Figure SMS_252
为通风设备的风机的电功率，/>
Figure SMS_253
为最大电功率，/>
Figure SMS_254
为预测温度，/>
Figure SMS_255
为过热故障阈值，/>
Figure SMS_256
为高温阈值。
在预测温度位于
Figure SMS_257
和/>
Figure SMS_258
之间时，以预测温度/>
Figure SMS_259
和过热故障阈值/>
Figure SMS_260
的相似度作为调整功率的系数，使得电功率跟随预测温度变化而变化，若风机的使用使得开关柜内的温度降低，则BP神经网络输入的滤波温度数据也降低，预测温度降低，则风机电功率也下降，在风机使用期间，温度在持续升高，预测温度升高，则风机电功率也升高，在预测温度高于过热故障阈值/>
Figure SMS_261
时，风机满功率运行，降低温度对于开关柜的影响。
本发明的系统运用在开关柜内时，温度采集单元可设置多个，便于对多个部分分别进行温度采集，在采集温度数据后，先进行滤波处理，滤波干扰和噪声，输入到训练好的温度上升趋势预测单元中，温度上升趋势预测单元实时预测出在当前时刻的温度数据下未来温度数据，从而根据未来温度数据判断出是否要驱动风机进行散热，在风机无法控制热量的情况下，可以控制对应温度采集单元采集部分的断路器关断线路，避免影响全部开关设备。因此，本发明可实时监测开关柜内温度变化，根据实时的温度变化，预测未来温度，从而避免现有温度高于过热故障阈值。
在本实施例中，温度采集单元可采用接触式温度传感器和非接触式温度传感器，接触式温度传感器可采用热敏电阻、热电阻等，非接触式温度传感器可采用红外温度传感器。
在本实施例中，通风设备为设置在开关柜通风口的风扇，风机为风扇的电机。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种开关柜智能监测系统，其特征在于，包括：温度采集单元、自适应温度数据滤波单元、温度上升趋势预测单元、温度控制单元和通风设备；
所述温度采集单元用于采集开关柜内的温度数据；所述自适应温度数据滤波单元用于处理温度数据，得到滤波温度数据；所述温度上升趋势预测单元用于根据滤波温度数据，对未来时间段开关柜内温度进行预测，得到预测温度；所述温度控制单元用于在预测温度大于等于高温阈值时，驱动通风设备的风机进行降温，在预测温度大于等于过热故障阈值时，控制对应断路器关断线路。
2.根据权利要求1所述的开关柜智能监测系统，其特征在于，所述自适应温度数据滤波单元的表达式为：
Figure QLYQS_1
，
其中，
Figure QLYQS_3
为第/>
Figure QLYQS_7
个滤波温度数据，/>
Figure QLYQS_9
为第/>
Figure QLYQS_4
个滤波温度数据，/>
Figure QLYQS_5
为实时采集的第/>
Figure QLYQS_8
个温度数据，/>
Figure QLYQS_10
为最新采集的/>
Figure QLYQS_2
个温度数据的和，/>
Figure QLYQS_6
为sigmoid函数。
3.根据权利要求1所述的开关柜智能监测系统，其特征在于，所述温度上升趋势预测单元包括：第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和BP神经网络；所述BP神经网络包括：输入层、第一隐藏层、第二隐藏层和输出层；
所述第一特征提取层的输入端、第二特征提取层的输入端、第三特征提取层的输入端和第四特征提取层的输入端均为温度上升趋势预测单元的输入端；
所述输入层的输入端分别与第一特征提取层的输出端、第二特征提取层的输出端、第三特征提取层的输出端和第四特征提取层的输出端连接，其输出端与第一隐藏层的输入端连接；所述第二隐藏层的输入端与第一隐藏层的输出端连接，其输出端与输出层的输入端连接；所述输出层的输出端作为温度上升趋势预测单元的输出端。
4.根据权利要求3所述的开关柜智能监测系统，其特征在于，所述第一特征提取层的表达式为：
Figure QLYQS_11
，其中，/>
Figure QLYQS_12
为温度均值，/>
Figure QLYQS_13
为第/>
Figure QLYQS_14
个滤波温度数据，/>
Figure QLYQS_15
为取的滤波温度数据的长度；
所述第二特征提取层的表达式为：
Figure QLYQS_17
，其中，/>
Figure QLYQS_19
为最大温度值，/>
Figure QLYQS_22
为第/>
Figure QLYQS_18
个滤波温度数据，/>
Figure QLYQS_21
为取的滤波温度数据的长度，/>
Figure QLYQS_23
为取最大值，/>
Figure QLYQS_24
为第1个滤波温度数据，/>
Figure QLYQS_16
为第/>
Figure QLYQS_20
个滤波温度数据；
所述第三特征提取层的表达式为：
Figure QLYQS_25
，
Figure QLYQS_27
，其中，/>
Figure QLYQS_31
为温度上升特征值，/>
Figure QLYQS_35
为调整系数，/>
Figure QLYQS_29
为第/>
Figure QLYQS_30
个滤波温度数据，/>
Figure QLYQS_34
为第/>
Figure QLYQS_36
个滤波温度数据，/>
Figure QLYQS_26
为第1个滤波温度数据，/>
Figure QLYQS_32
为第2个滤波温度数据，/>
Figure QLYQS_37
为第/>
Figure QLYQS_39
个滤波温度数据，/>
Figure QLYQS_28
为第/>
Figure QLYQS_33
个滤波温度数据，/>
Figure QLYQS_38
为取最大值；
所述第四特征提取层的表达式为：
Figure QLYQS_40
，其中，/>
Figure QLYQS_41
为最大温度特征值，/>
Figure QLYQS_42
为最大温度值，/>
Figure QLYQS_43
为高温阈值，/>
Figure QLYQS_44
为温度系数。
5.根据权利要求3所述的开关柜智能监测系统，其特征在于，所述输入层的表达式为：
Figure QLYQS_45
，
其中，
Figure QLYQS_46
为输入层的第/>
Figure QLYQS_47
个输入数据，/>
Figure QLYQS_48
为输入层的最小输入数据，/>
Figure QLYQS_49
为输入层的最大输入数据，/>
Figure QLYQS_50
为输入层的第/>
Figure QLYQS_51
个输出数据。
6.根据权利要求3所述的开关柜智能监测系统，其特征在于，所述BP神经网络的表达式为：
Figure QLYQS_52
，
Figure QLYQS_53
，
Figure QLYQS_54
，
其中，
Figure QLYQS_74
为BP神经网络中第一隐藏层的第/>
Figure QLYQS_78
个节点的输出，/>
Figure QLYQS_81
为S型激活函数，
Figure QLYQS_55
为输入层的第/>
Figure QLYQS_60
个输出数据，/>
Figure QLYQS_63
为第一隐藏层的第/>
Figure QLYQS_67
个节点对第/>
Figure QLYQS_70
个输出数据/>
Figure QLYQS_72
的权值，
Figure QLYQS_75
为第一隐藏层的第/>
Figure QLYQS_79
个节点的阈值，/>
Figure QLYQS_73
为第二隐藏层的第/>
Figure QLYQS_77
个节点的输出，/>
Figure QLYQS_80
为第二隐藏层的第/>
Figure QLYQS_82
个节点对第/>
Figure QLYQS_58
个节点的输出/>
Figure QLYQS_61
的权值，/>
Figure QLYQS_64
为第一隐藏层的节点数量，/>
Figure QLYQS_69
为双曲正切函数，/>
Figure QLYQS_56
为第二隐藏层的第/>
Figure QLYQS_66
个节点的阈值，/>
Figure QLYQS_71
为输出层对第二隐藏层的第
Figure QLYQS_76
个节点的输出/>
Figure QLYQS_57
的权值，/>
Figure QLYQS_59
为第二隐藏层的节点数量，/>
Figure QLYQS_62
为比例系数，/>
Figure QLYQS_65
为输出层的阈值，/>
Figure QLYQS_68
为输出层的输出，即BP神经网络的输出。
7.根据权利要求3所述的开关柜智能监测系统，其特征在于，所述温度上升趋势预测单元的损失函数为：
Figure QLYQS_83
，
其中，
Figure QLYQS_86
为第/>
Figure QLYQS_88
次训练时的损失函数，/>
Figure QLYQS_92
为第/>
Figure QLYQS_87
次训练时温度上升趋势预测单元的输出，/>
Figure QLYQS_90
为第/>
Figure QLYQS_94
次训练时标签，/>
Figure QLYQS_95
为温度差阈值，/>
Figure QLYQS_84
为第/>
Figure QLYQS_89
次训练时温度上升趋势预测单元的输出，/>
Figure QLYQS_93
为第/>
Figure QLYQS_96
次训练时的标签，/>
Figure QLYQS_85
为统计的训练次数，/>
Figure QLYQS_91
为统计的训练次数的编号。
8.根据权利要求1所述的开关柜智能监测系统，其特征在于，所述驱动通风设备的风机进行降温的温控模型为：
Figure QLYQS_97
，
其中，
Figure QLYQS_98
为通风设备的风机的电功率，/>
Figure QLYQS_99
为最大电功率，/>
Figure QLYQS_100
为预测温度，/>
Figure QLYQS_101
为过热故障阈值，/>
Figure QLYQS_102
为高温阈值。
CN202310617890.XA 2023-05-30 2023-05-30 一种开关柜智能监测系统 Active CN116345340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310617890.XA CN116345340B (zh) 2023-05-30 2023-05-30 一种开关柜智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310617890.XA CN116345340B (zh) 2023-05-30 2023-05-30 一种开关柜智能监测系统

Publications (2)

Publication Number Publication Date
CN116345340A true CN116345340A (zh) 2023-06-27
CN116345340B CN116345340B (zh) 2023-07-25

Family

ID=86884513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310617890.XA Active CN116345340B (zh) 2023-05-30 2023-05-30 一种开关柜智能监测系统

Country Status (1)

Country Link
CN (1) CN116345340B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117848515A (zh) * 2024-03-07 2024-04-09 国网吉林省电力有限公司长春供电公司 一种开关柜温度监测方法及系统
CN117879180A (zh) * 2024-03-12 2024-04-12 江苏中环电气集团有限公司 一种开关柜运行监测系统及监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108844651A (zh) * 2018-05-06 2018-11-20 北京工业大学 一种基于神经网络的球仓温度预警方法
CN114564885A (zh) * 2022-02-17 2022-05-31 南瑞集团有限公司 一种基于bp神经网络的水轮发电机组轴瓦温度预警方法
CN115102288A (zh) * 2022-07-20 2022-09-23 四川省天渠盐化有限公司 一种井盐制备用高压综合启动柜
CN116014611A (zh) * 2023-03-22 2023-04-25 深圳市浩达瑞通电气有限公司 一种智能环网柜及其控制方法
CN116069079A (zh) * 2023-04-06 2023-05-05 山东海冠电气有限公司 一种智能开关柜的散热智能控制方法及系统
CN116154626A (zh) * 2023-02-23 2023-05-23 华能灌云清洁能源发电有限责任公司 一种开关柜电缆温度监控系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108844651A (zh) * 2018-05-06 2018-11-20 北京工业大学 一种基于神经网络的球仓温度预警方法
CN114564885A (zh) * 2022-02-17 2022-05-31 南瑞集团有限公司 一种基于bp神经网络的水轮发电机组轴瓦温度预警方法
CN115102288A (zh) * 2022-07-20 2022-09-23 四川省天渠盐化有限公司 一种井盐制备用高压综合启动柜
CN116154626A (zh) * 2023-02-23 2023-05-23 华能灌云清洁能源发电有限责任公司 一种开关柜电缆温度监控系统及方法
CN116014611A (zh) * 2023-03-22 2023-04-25 深圳市浩达瑞通电气有限公司 一种智能环网柜及其控制方法
CN116069079A (zh) * 2023-04-06 2023-05-05 山东海冠电气有限公司 一种智能开关柜的散热智能控制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钟睿: "基于神经网络参数优化的热失控状态温度预测研究", 计算及测量与控制, vol. 23, pages 4075 - 4092 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117848515A (zh) * 2024-03-07 2024-04-09 国网吉林省电力有限公司长春供电公司 一种开关柜温度监测方法及系统
CN117848515B (zh) * 2024-03-07 2024-05-07 国网吉林省电力有限公司长春供电公司 一种开关柜温度监测方法及系统
CN117879180A (zh) * 2024-03-12 2024-04-12 江苏中环电气集团有限公司 一种开关柜运行监测系统及监测方法
CN117879180B (zh) * 2024-03-12 2024-05-17 江苏中环电气集团有限公司 一种开关柜运行监测系统及监测方法

Also Published As

Publication number Publication date
CN116345340B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN116345340B (zh) 一种开关柜智能监测系统
CN108518804B (zh) 一种机房温湿度环境预测方法及系统
CN111191693B (zh) 基于卷积神经网络的识别高压开关柜热故障状态的方法
CN110794253B (zh) 一种开关柜健康状态评价方法及装置
JP5820375B2 (ja) データセンタ冷却ユニットを効率的に調整する方法及び装置
CN114692433B (zh) 一种配电柜表面温度巡检的故障分析方法
CN106291343B (zh) 利用分合闸电流进行真空断路器状态监测的方法及系统
CN106959614B (zh) 控制家电设备供电的方法及系统
CN111157045B (zh) 一种人工智能电气线路异常风险程度监测方法及系统
CN113447770A (zh) 一种高压断路器局部放电监测预警方法
CN106771801B (zh) 一种电容器组在线监测装置及其应用方法
CN111474471A (zh) 一种用于高压交流断路器分合闸线圈电流特征参数提取方法
CN117037454A (zh) 电气柜的预警保护系统、控制方法、装置、介质及电气柜
CN110412894B (zh) 多负载启动控制方法、存储介质、控制装置及继电器
CN112085043B (zh) 一种变电站网络安全智能监控方法及系统
WO2023273550A1 (zh) 一种母线电流的控制方法、装置、系统及存储介质
CN216315123U (zh) 烘焙装置及烘培系统
CN114577269A (zh) 一种环境温湿度监测传感器自适应采样系统及方法
CN109740797A (zh) 一种基于条件概率的电力设备缺陷事件预警方法
CN114915028A (zh) 基于低压配电柜连锁远程控制系统
CN116545124B (zh) 一种数字智能化开关柜综合监控系统
CN113958525B (zh) 电子设备散热风机降噪方法
CN116400762A (zh) 开关柜温湿度智能调节系统、方法、电子设备及存储介质
CN117353190B (zh) 一种充气柜智能配电方法及系统
CN107727996B (zh) 一种电气线路连接劣化监测方法

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
GR01 Patent grant
GR01 Patent grant