CN117609861A - 一种可用于变电站电气设备温度预测的bp神经网络算法和测温系统 - Google Patents

Abstract

本发明公开了一种可用于变电站电气设备温度预测的BP神经网络算法，具体为采用多输入的单输出的三层BP神经网络，包括输入变量X、隐含层节点Y、变量X与隐含层Y节点的权值W以及隐含层节点Y与输出Z节点的权值V，包括前向传播和反向传播。本发明还公开了一种测温系统，结合BP神经网络算法能够对变电站各重要区域和设备的温度进行监测和预测。

Description

一种可用于变电站电气设备温度预测的BP神经网络算法和测 温系统

技术领域

本发明涉及一种用于变电站智能监控领域的可用于变电站电气设备温度预测的BP神经网络算法。

背景技术

在变电站发展早期，其采用的检修策略是事后检修，也称为故障检修。这种检修方式以设备出现功能性故障为判据，在设备发生故障无法继续运转时才对其进行维修。随着系统日益庞大和复杂，这种检修策略难以满足客观需求，故障一旦发生将严重威胁设备和人身安全。随着社会的发展，工业和电力设备本身技术水平有了提高，设备故障事故对生产和生活的影响显著增加，出现了定期预防性维修。这种检修方式以时间为依据，预先设定检修内容与周期，按期停机检修，尽可能早地发现设备的隐患，保证设备的正常运行。虽然定期预防性检修提高了设备可靠性，但是这种检修体制容易出现不必要的停机与过度维修，造成人力、物力、财力的浪费。

随着电力设备朝着集成化、大型化、精密化、自动化、综合化、技术密集方向发展，设备检测技术得到了有效利用,电力系统故障检测策略从预防性维修向预知性维修过渡。预知性维修即根据设备运行时的信息进行故障诊断：判断其工作状态是正常工作状态、不正常状态或故障状态，判断故障原因和部位，并对设备运行状态进行预测。预知性检修策略是当今耗费最低、技术最先进的维修制度，它为设备安全稳定优质的运行提供了可靠的技术保障和管理保障。

预知性检修策略需要依靠故障诊断。随着现代控制系统的日益复杂，基于人工智能的技术通过模拟人类处理问题的过程，对人的经验进行总结，并具备一定的学习能力，所以它在故障诊断领域有着广泛的应用前景。其中神经网络在故障诊断中具备应用潜力。神经网络是一门模仿人类神经系统对信息进行传递和处理的人工智能技术。神经网络在模式识别，曲线拟合，函数逼近等方面具有很好的应用前景；在此基础上，提出了一系列的算法，如群分类，最优计算，联想记忆等。同时，该方法也被广泛地应用于电力设备的故障诊断。华中科技大学研究分析了概率径向基神经网络以及归一化径向基神经网络在输电线短路故障分类和定位中的应用。通过资料检索，尚未出现一种可用于变电站电气设备温度预测的自适应BP神经网络算法的相关类论文及产品。

发明内容

本发明的目的是为了克服现有技术的不足，提供一种可用于变电站电气设备温度预测的BP神经网络算法和测温系统，能够对变电站各重要区域和设备的温度进行监测和预测。

实现上述目的的一种技术方案是：一种可用于变电站电气设备温度预测的BP神经网络算法，具体为采用多输入的单输出的三层BP神经网络，包括输入变量X、隐含层节点Y、变量X与隐含层Y节点的权值W以及隐含层节点Y与输出Z节点的权值V，包括前向传播和反向传播。

进一步的，向前传播具体为：输入变量X经隐含层处理后，得到输出结果，隐含层Y与输出节点Z可以表示为：

进一步的，反向传播具体为：依据误差函数调节权值和阈值，可表示为：

其中H表示样本的数量，从h到H的期望输出为t_hc，实际输出为z_hl。

进一步的，根据式(3)求出的误差函数来修改阈值，如式(4)所示

其中ΔW表示阈值变化量，η表示学习速度，取0-1之间的数。

进一步的，，当式(4)计算出存在误差ΔW后通过式(5)进行修正：

其中ΔWj(t+1)表示经过修正后的阈值变化量，z为实际的输出量，为修正系数取0.8。

进一步的，当学习速率η过小时调整的公式为：

η(t+1)＝1.05*η(t)，E(t+1)<E(t) (6)。

进一步的，当学习速率η过大时调整公式为：

η(t+1)＝0.7*η(t),E(t+1)＞1.04E(t) (7)

采用上述神经网络算法的测温系统，包括RFID温度传感器、阅读器和后台数据处理中心，RFID温度传感器设置于变电站重点测温位置，通过阅读器读取温度信息，向后台数据处理中心输入，后台数据处理中心应用神经网络算法得到目标设备的预测温度。

进一步的，目标设备的预测温度划分为正常、轻度故障、重度故障和危险性故障四级状态。

进一步的，后台数据处理中心根据不同的状态级别预测向变成站管控系统发出对应的设备监测、巡检、维护或停机指令。

本发明主要有以下效果：

1.温度检测：RFID温度传感器可以实时测量电气设备的温度变化。通过温度传感器采集设备的温度并利用BP神经网络进行分类和分析，可以确定电气设备的温度变化趋势，进而实现对设备的温度预测。

2.温度预警等级分类：利用BP神经网络，可以根据传感器采集的数据将电气设备的温度异常程度进行分类，如温度正常、温度轻度异常、温度中度异常、温度严重异常。这样可以帮助维护人员了解电气设备的温度情况，并根据温度异常的情况决定是否暂停设备的使用并进行维护。

3.故障预警：根据BP神经网络，对变电站电气设备进行实时的监测和预警。当电气设备的温度超过一定的阈值或者超过安全限制时，系统可以发出警报，提醒工作人员对设备进行维护或切除，避免事故的发生。

4.数据分析和温度预测：通过对变电站电气设备历史数据的分析和建模，基于BP神经网络算法预测电气设备的温度发展趋势。可以采取事前检修的措施，减少事故的发生率，提高变电站电气设备工作的可靠性。

附图说明

图1为本发明的一种可用于变电站电气设备温度预测的BP神经网络算法的神经网络图；

图2为本发明的测温系统的温度传感器结构图；

图3为母线A不同算法预测温度结果对比图；

图4为不同算法的残压温度预测比较图。

具体实施方式

为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：

本发明的一种可用于变电站电气设备温度预测的BP神经网络算法，采用多输入的单输出的三层BP神经网络作为模型，其拓扑结构图如图1所示。其中X表示输入变量，W表示变量X与隐含层Y节点的权值，V表示Y与输出Z节点的权值。

(1)前向传播：输入变量X经隐含层处理后，得到输出结果。隐含层Y与输出节点Z可以表示为：

(2)反向传播：依据误差函数调节权值和阈值，可表示为：

其中H表示样本的数量，从h到H的期望输出为t_hc，实际输出为z_hl。

根据式(2-3)求出的误差函数来修改阈值，如式(2-4)所示

其中ΔW表示阈值变化量，η表示学习速度，通常取0-1之间的数；当计算出存在误差ΔW后通过式(2-5)进行修正

其中ΔWj(t+1)表示经过修正后的阈值变化量，z为实际的输出量，为修正系数通常取0.8。

神经网络就是学习就是不断修正的从而得出与目标值达到允许误差的过程，学习的速率既不能太快也不能太慢，当学习速率η过小时调整的公式为：

η(t+1)＝1.05*η(t)，E(t+1)<E(t) (6)

当学习速率η过大时调整公式为：

η(t+1)＝0.7*η(t),E(t+1)＞1.04E(t) (7)

采取这种自动调节学习速率的方式可以克服BP神经网络在实际运用中因为学习速率的不匹配从而导致结果出现偏差的问题，提高结果预测的准确性。通过将变电站的历史温度数据带入到上述公式中根据计算结果和真实的温度数据进行对比计算出对应的权值W、V，即可得到所需的自适应BP神经网络。

采用上述BP神经网络的测温系统由硬件和软件两部分组成，能够实现全天候无间断的测量设备的温度数据，并通过无线传输进入后台，处理并存区域，进行数据处理和温度预警等级划分。

硬件部分由RFID温度传感器、阅读器、后台数据处理中心三部分组成。RFID温度传感器设置于变电站重点测温位置，通过阅读器读取温度信息，向后台数据处理中心输入，后台数据处理中心应用神经网络算法得到目标设备的预测温度。RFID温度传感器通常采用CMOS结构。传感器主要包括温度-电流、电流-频率及频率-数字三个信号转换模块。具体而言,温度-电流转换模块输出两路电流信号,其一为PTAT(ProportionalToAbsoluteTemperature)电流信号,另一路是作为参考信号且不随温度变化的电流信号；两路电流进入电流-频率转换模块,分别产生与温度成正比的频率和恒定参考频率；最后两路频率信号输入计数器,最终生成待测温度的二进制数据，温度传感器结构如附图2所示。

软件部分采用VisualC++作为编程开发语言，系统接受硬件发送的监测数据，并对接受的数据进行曲线绘制及预测。数据采集及分析过程为，首先通过温度传感器的检测关键点温度，然后凭借RFID天线传输给阅读器，阅读器通过以太网网口将数据传输给后台数据处理中心，通过简单处理后写入对应数据库服务器中，令该数据能够为变电站各项工作查询使用，用户能够凭借移动客户端或者电脑端来登录该温度故障预警系统，展开工作，观测各个设备的实时温度状态。如果有故障产生或根据温度趋势预测到故障高危可能性，系统就会对后台人员发出警告，提醒后台人员进行相关故障处理。

3.故障等级

3.1设备运行最高工作温度

本发明所述的设备运行最高温度标准，依据变电站电气设备的温升机理和国家标准《高压开关设备和控制设备标准的公共技术要求》。设备运行的环境温度区间设定为-20℃到40℃。如附图4所示，列出了常见容易发热产生故障的电气设备的最高允许运行温度。

本发明根据发热点的温升值、设备的损耗以及对设备运行的干扰程度，将变电站的故障主要分为正常、轻度故障，重度故障和危险性故障四级。

轻度型故障就是电气设备温度升高，其运行温度超过设备安全运行温度的极值，并且还有持续上升的趋势，大幅高于环境温度，在该温度下电气设备还能够正常运行一段时间，短时间内不会影响整个配电网络的运用和引发事故。对于这一类型的故障，需要密切关注该设备的实际运行，要及时防止设备温度的继续升高，从而引发更高等级的故障，具体可以采取停电检修或定时检修的方式来排除故障。

重度型故障发生时电气设备的温度超过正常运行的极值，温度在较短时间内快速升高，温升程度较大。当这一类型的故障发生时，需要第一时间进行人工设备检修，快速的根据故障检修设备，根据实际情况调整设备的负荷，稳定设备的电压，具体情况要根据现场红外热像检测来确定实施方案，确保及时排除故障保护设备安全。

危险性故障就是配电温度大大高于国家对变电站电气设备所规定的最高温度，当这类故障出现时需要进行第一时间的人工抢修，根据故障的严重性甚至需要停电检修，以免严重损害配电网络安全，避免引发火灾造成更多的变电站配电设备损失。

上述四级故障划分根据温度、温升、相对温差值进行预判，本发明将具体的预警系统阈值、故障等级及二者之间的联系进行了详细划分，如下表所示。

表1：常见电气设备缺陷等级与温度关系明细表

以变电站母线数据为例,如表2所示。

表2：母线样本数据集

BP模型的参数设置：V_max＝1，V_min＝-1，X_max＝1X_min＝-1，W_max＝0.4，W_min＝-0.4，BP神经网络结构：输入层神经元个数P＝15，代表t时刻、t_－1时刻和t_－2时刻的三相母线电流、环境温度以及时间序列；根据经验公式以及试数法，确定隐藏层神经元个数q＝17，输出层神经元个数h＝3，分别为t_－1时刻母线A、B、C的温度值.即本文BP神经网络的结构设置为15-17-3.其中，隐层激励函数选用tan-sigmoid，输出层的激励函数选用linear，训练函数选用traingd。BP神经网络以及真实温度数据曲线如附图3所示。从附图3中可以直观的看出自适应BP神经网络算法相较于传统的BP神经网络的预测精度更高。

从附图4的不同算法残压预测比较中可以很清晰的看到传统BP神经网络的预测误差在[-2.0,1.5]之间波动，而自适应BP神经网络预测的误差在[-0.4，0.4]之间波动，由此可见自适应BP神经网络预测误差满足温度预测精度在[-0.5,0.5]之间的要求。

系统通过运用神经网络模型开展温度预测，最终得到预测图谱，在预测图谱中可以看到设备温度变化的发展。并可搜索设备名称后看见该设备温度预测，并且可以调整预测范围。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (10)

1.一种可用于变电站电气设备温度预测的BP神经网络算法，其特征在于，具体为采用多输入的单输出的三层BP神经网络，包括输入变量X、隐含层节点Y、变量X与隐含层Y节点的权值W以及隐含层节点Y与输出Z节点的权值V，包括前向传播和反向传播。

2.根据权利要求1所述的一种可用于变电站电气设备温度预测的BP神经网络算法，其特征在于，向前传播具体为：输入变量X经隐含层处理后，得到输出结果，隐含层Y与输出节点Z可以表示为：

3.根据权利要求1所述的一种可用于变电站电气设备温度预测的BP神经网络算法，其特征在于，反向传播具体为：依据误差函数调节权值和阈值，可表示为：

其中H表示样本的数量，从h到H的期望输出为t_hc，实际输出为z_hl。

4.根据权利要求3所述的一种可用于变电站电气设备温度预测的BP神经网络算法，其特征在于，根据式(3)求出的误差函数来修改阈值，如式(4)所示

其中ΔW表示阈值变化量，η表示学习速度，取0-1之间的数。

5.根据权利要求4所述的一种可用于变电站电气设备温度预测的BP神经网络算法，其特征在于，当式(4)计算出存在误差ΔW后通过式(5)进行修正：

其中ΔWj(t+1)表示经过修正后的阈值变化量，z为实际的输出量，为修正系数取0.8。

6.根据权利要求4所述的一种可用于变电站电气设备温度预测的BP神经网络算法，其特征在于，当学习速率η过小时调整的公式为：

η(t+1)＝1.05*η(t)，E(t+1)<E(t) (6)。

7.根据权利要求4所述的一种可用于变电站电气设备温度预测的BP神经网络算法，其特征在于，当学习速率η过大时调整公式为：

η(t+1)＝0.7*η(t),E(t+1)＞1.04E(t) (7)。

8.采用权利要求1至7中任意一项神经网络算法的测温系统，其特征在于，包括RFID温度传感器、阅读器和后台数据处理中心，RFID温度传感器设置于变电站重点测温位置，通过阅读器读取温度信息，向后台数据处理中心输入，后台数据处理中心应用神经网络算法得到目标设备的预测温度。

9.根据权利要求8所述的测温系统，其特征在于，目标设备的预测温度划分为正常、轻度故障、重度故障和危险性故障四级状态。

10.根据权利要求9所述的测温系统，其特征在于，后台数据处理中心根据不同的状态级别预测向变成站管控系统发出对应的设备监测、巡检、维护或停机指令。