基于BP神經(jīng)網(wǎng)絡(luò)的電力設(shè)備運(yùn)行溫度預(yù)測(cè)方法研究

國(guó)網(wǎng)山東省電力公司棗莊供電公司 陳化軍 張 萍 賈寅飛 王 超 孟晨平

0 引言

電氣設(shè)備連接松動(dòng)、接觸不良、漏磁、過電流等諸多因素都可引起設(shè)備過熱引發(fā)設(shè)備故障。對(duì)不同類型的電氣設(shè)備進(jìn)行有效的監(jiān)控，并自動(dòng)分析電氣設(shè)備運(yùn)行狀態(tài)成為當(dāng)前該領(lǐng)域的研究熱點(diǎn)。目前，國(guó)內(nèi)外利用紅外熱成像技術(shù)對(duì)電力設(shè)備進(jìn)行故障檢測(cè)的應(yīng)用已較為普遍，在我國(guó)紅外成像技術(shù)已成為變電運(yùn)維工作中缺陷設(shè)備診斷的重要依據(jù)，利用紅外熱成像技術(shù)對(duì)電力設(shè)備進(jìn)行有效的檢測(cè)，可使設(shè)備事故率、維修費(fèi)用顯著減少[1]。

運(yùn)維人員利用紅外熱像儀對(duì)電力設(shè)備進(jìn)行紅外拍攝，獲取電氣設(shè)備紅外溫度信息，通過對(duì)電氣設(shè)備紅外圖像的熱分析實(shí)現(xiàn)電氣設(shè)備的健康程度判斷[2-3]。紅外圖像的分析是一個(gè)復(fù)雜而繁重的工作，給運(yùn)維人員平添了大量的額外工作量，而且不能充分利用歷史積累紅外圖像的信息[4-5]。本文利用電氣設(shè)備紅外圖像的紅外信息、負(fù)荷電流、環(huán)境溫度信息、日照強(qiáng)度、對(duì)流系數(shù)等關(guān)鍵信息，結(jié)合BP神經(jīng)網(wǎng)絡(luò)開發(fā)基于紅外圖像的電力設(shè)備狀態(tài)智能預(yù)警軟件。該軟件可在給定負(fù)荷電流等信息的基礎(chǔ)上實(shí)現(xiàn)電力設(shè)備運(yùn)行溫度預(yù)測(cè)，同時(shí)，通過實(shí)測(cè)溫度和預(yù)測(cè)溫度的對(duì)比實(shí)現(xiàn)電力設(shè)備的狀態(tài)診斷。

1 BP網(wǎng)絡(luò)拓?fù)?/h2>

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向的多層前饋神經(jīng)網(wǎng)絡(luò)。BP算法屬于梯度下降算法，是一種監(jiān)督式的學(xué)習(xí)算法。用網(wǎng)絡(luò)的實(shí)際輸出與目標(biāo)矢量之間的誤差來修正網(wǎng)絡(luò)權(quán)值，使輸出與期望盡可能接近(網(wǎng)絡(luò)輸出層的誤差平方和達(dá)到最小)；通過反復(fù)在誤差函數(shù)梯度下降方向上調(diào)整網(wǎng)絡(luò)權(quán)值的變化，逐漸逼近目標(biāo)。BP網(wǎng)絡(luò)通常為層結(jié)構(gòu)，包括輸入層、若干隱藏層和輸出層，層與層之間的神經(jīng)元全向連接，層內(nèi)神經(jīng)單元沒有聯(lián)系。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

基本BP算法包括兩個(gè)方面：信號(hào)的前向傳播和誤差的反向傳播。即計(jì)算實(shí)際輸出時(shí)按從輸入到輸出的方向進(jìn)行，而權(quán)值和閾值的修正從輸出到輸入的方向進(jìn)行圖1為3層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖。圖中共有M個(gè)輸入節(jié)點(diǎn)，P隱藏節(jié)點(diǎn)，N個(gè)輸出節(jié)點(diǎn)，圖中：

xi表示輸入層第i個(gè)節(jié)點(diǎn)的輸入，

wij表示輸入層第i個(gè)節(jié)點(diǎn)到隱藏層第j個(gè)節(jié)點(diǎn)之間的權(quán)值，

θi表示隱藏層第i個(gè)節(jié)點(diǎn)的閾值；

表示隱藏層的激勵(lì)函數(shù)；

wjk表示隱藏層第j個(gè)節(jié)點(diǎn)到隱藏層第k個(gè)節(jié)點(diǎn)之間的權(quán)值，

αi表示輸出層第i個(gè)節(jié)點(diǎn)的閾值，

ψ(x)表示輸出層的激勵(lì)函數(shù)；

yi表示輸出層第i個(gè)節(jié)點(diǎn)的輸出。

1.1 信號(hào)的前向傳播過程

隱藏層第i個(gè)節(jié)點(diǎn)的輸入neti：

隱藏層第i個(gè)節(jié)點(diǎn)的輸出yi：

輸出層第k個(gè)節(jié)點(diǎn)的輸入netk：

輸出層第k個(gè)節(jié)點(diǎn)的輸出outk：

1.2 誤差的反向傳播過程

誤差的反向傳播，即首先由輸出層開始逐層計(jì)算各層神經(jīng)元的輸出誤差，然后根據(jù)誤差梯度下降法來調(diào)節(jié)各層的權(quán)值和閾值，使修改后的網(wǎng)絡(luò)的最終輸出能接近期望值。

對(duì)于每一個(gè)樣本p的二次型誤差準(zhǔn)則函數(shù)為Ep：

其中OUTk為樣本輸出。

系統(tǒng)對(duì)L個(gè)訓(xùn)練樣本的總誤差準(zhǔn)則函數(shù)為：

根據(jù)誤差梯度下降法依次修正輸出層權(quán)值的修正量Δwki，輸出層閾值的修正量Δak，隱藏層權(quán)值的修正量Δwij，隱藏層閾值的修正量Δθi。

式中η為學(xué)習(xí)率為一個(gè)0～1之間的常數(shù)。

輸出層權(quán)值調(diào)整公式：

輸出層閾值調(diào)整公式：

隱藏層權(quán)值調(diào)整公式：

隱藏層閾值調(diào)整公式：

考慮到：

分別將式(12)-(15)代入到式(8)-(11)可得如下公式：

2 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電力設(shè)備運(yùn)行溫度預(yù)警方法

本文以負(fù)荷電流、環(huán)境溫度信息、日照強(qiáng)度、對(duì)流系數(shù)為輸入，以設(shè)備最高運(yùn)行溫度為輸出構(gòu)建了基于文基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建了電氣設(shè)備運(yùn)行溫度預(yù)警模型。

2.1 隱藏層的層數(shù)選擇

理論和實(shí)踐應(yīng)經(jīng)證明，任意函數(shù)可以被一個(gè)有三層單元（輸出層使用線性單元，兩個(gè)隱藏層使用sigmoid單元）的網(wǎng)絡(luò)以任意精度逼近[6]，增加層數(shù)可進(jìn)一步降低誤差，但會(huì)增加網(wǎng)絡(luò)的復(fù)雜度?？紤]訓(xùn)練速度和計(jì)算精度，結(jié)合電氣設(shè)備運(yùn)行溫度預(yù)警的實(shí)際需求，本文選擇具有兩個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)。

2.2 隱藏層節(jié)點(diǎn)數(shù)的確定

BP神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度有較大的影響＝節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)，訓(xùn)練的精度也受影響；節(jié)點(diǎn)數(shù)太多，訓(xùn)練時(shí)間增加，網(wǎng)絡(luò)容易過擬合。在實(shí)際神經(jīng)網(wǎng)絡(luò)問題中，隱藏層節(jié)點(diǎn)數(shù)的選擇首先是參考公式來確定節(jié)點(diǎn)數(shù)的大概范圍，本文隱藏層節(jié)點(diǎn)數(shù)的選擇可由式(20)確定：

式中，l為隱藏層的節(jié)點(diǎn)數(shù)，n為輸入層的節(jié)點(diǎn)數(shù)，m為輸出層的節(jié)點(diǎn)數(shù)，a為一個(gè)0-10之間的常數(shù)。文本神經(jīng)網(wǎng)絡(luò)的輸入為日照強(qiáng)度、風(fēng)速、環(huán)境溫度和負(fù)荷大小四個(gè)變量，因此輸入層節(jié)點(diǎn)數(shù)為4；神經(jīng)網(wǎng)絡(luò)的輸出設(shè)備運(yùn)行溫度，因此，輸出層的節(jié)點(diǎn)數(shù)為1；按照式（20）計(jì)算可得隱藏層節(jié)點(diǎn)數(shù)為2-12之間的一個(gè)數(shù)，這個(gè)范圍比較寬泛，本文采用試湊法確定最佳隱藏層節(jié)點(diǎn)數(shù)為10。

3 應(yīng)用測(cè)試

以LW 13-550六氟化硫斷路器為例，不同運(yùn)行條件下測(cè)得100組斷路器運(yùn)行數(shù)據(jù)。部分?jǐn)?shù)據(jù)如表1所示。

表1 不同運(yùn)行條件下測(cè)得100組樣本數(shù)據(jù)

利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)feedforwardnet([10,10])構(gòu)建每層節(jié)點(diǎn)數(shù)均為10的雙隱藏層神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)，設(shè)置最大迭代次數(shù)為10000，訓(xùn)練目標(biāo)為期望誤差為10-5，附加動(dòng)量因子為0.9，學(xué)習(xí)率取0.05，最小性能梯度取10-6，隱藏層的傳遞函數(shù)均采用“l(fā)ogsig”，輸出層的傳遞函數(shù)采用“purelin”。經(jīng)過13次訓(xùn)練效果達(dá)到最優(yōu)。訓(xùn)練結(jié)果如圖2、3所示：

圖2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果

圖3 驗(yàn)證樣本預(yù)測(cè)值和期望輸出值

利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)斷路器的運(yùn)行溫度進(jìn)行預(yù)測(cè)，通過負(fù)荷預(yù)測(cè)和天氣預(yù)報(bào)可得日照強(qiáng)度、風(fēng)速、環(huán)境溫度、負(fù)荷大小等神經(jīng)網(wǎng)絡(luò)的輸入條件。將日照強(qiáng)度1100W/m2，風(fēng)速8m/s，環(huán)境溫度40℃，負(fù)荷1000MVA作為條件輸入到訓(xùn)練好的網(wǎng)絡(luò)，經(jīng)過仿真可得斷路器最高運(yùn)行溫度點(diǎn)的溫度為77.2℃。

4 結(jié)論

本文利用電氣設(shè)備紅外圖像的紅外溫度信息、負(fù)荷大小、環(huán)境溫度、日照強(qiáng)度、風(fēng)速等關(guān)鍵信息，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的電力設(shè)備運(yùn)行溫度預(yù)測(cè)模型，通過電氣設(shè)備的實(shí)際運(yùn)行數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本和測(cè)試樣本，通過Matlab軟件進(jìn)行網(wǎng)絡(luò)訓(xùn)練得到電氣設(shè)備運(yùn)行溫度預(yù)測(cè)網(wǎng)絡(luò)模型。算例表明該網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果具有較高的可靠性和工程實(shí)踐價(jià)值。

[1]陳鋒,周業(yè)如.電氣設(shè)備紅外成像圖庫(kù)與遠(yuǎn)程輔助診斷系統(tǒng)研究[J].華東電力,2008,36(12):55-58.

[2]王啟銀,薛建東,等.一種自適應(yīng)的變電站設(shè)備紅外圖像分割方法[J].紅外技術(shù),2016,38(9):770-773.

[3]崔克彬,李寶樹,等.基于圖像增強(qiáng)技術(shù)的電氣設(shè)備熱故障自動(dòng)診斷與定位[J].紅外技術(shù),2014,36(2):162-167.

[4]段紹輝,丁慶,等.基于紅外圖像識(shí)別的電氣設(shè)備溫升檢測(cè)[J].機(jī)電工程,2014,31(1):7-11.

[5]門洪,于加學(xué),等.基于CA和OTSU的電氣設(shè)備紅外圖像分割方法[J].電力自動(dòng)化設(shè)備,2011,31(9):92-95.

[6]Girosi F,Poggio T.Networks and the best approximation property[J].Biological Cybernetics,1990,63(3):169-176.