基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的線纜接頭溫度預(yù)警方法

張運(yùn)雙　楊愛璜　羅亞明　海龍

摘 要：目前針對環(huán)網(wǎng)柜故障預(yù)測與健康管理技術(shù)（Prognosties and Health Management，PHM）在電網(wǎng)領(lǐng)域得到飛速發(fā)展，環(huán)網(wǎng)柜的電纜接頭溫度是重要參數(shù)。該文提出一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型，多變量大數(shù)據(jù)訓(xùn)練權(quán)重系數(shù)，輸出正常線纜接頭溫度值，通過對比真實(shí)溫度值，實(shí)現(xiàn)環(huán)網(wǎng)柜的電纜接頭溫度預(yù)警。經(jīng)過對實(shí)際環(huán)網(wǎng)柜的電纜接頭溫度預(yù)警驗(yàn)證了該文所提出方法的有效性，對防止火災(zāi)發(fā)生和環(huán)網(wǎng)柜故障預(yù)測起到一定參考作用。

關(guān)鍵詞：環(huán)網(wǎng)柜 BP神經(jīng)網(wǎng)絡(luò) 溫度預(yù)警

中圖分類號：TH18 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2019）01（c）-0031-04

Abstract： At present， the Prognostics and Health Management （PHM） technology has been rapidly developed in the power grid field， and the temperature of the cable connector in the Ring Main Unit is an important parameter.This paper proposes an improved BP neural network model based on Variable big data training weight coefficient， output the normal cable connector temperature value， realizing the cable connector temperature alarm of the Ring Main Unit by comparing the real temperature value， and verifying the effectiveness of the method proposed in this paper after an early warning of the cable gland temperature of the actual Ring Main Unit. To play a role in preventing the occurrence of fire and Ring Main Unit fault prediction.

Key Words： Ring Main Unit； BP neural network； Fault location

現(xiàn)代美好生活對電的依賴程度已經(jīng)到了無以復(fù)加的程度，為了確保安全可靠的供用電，各種先進(jìn)技術(shù)和故障預(yù)警理論應(yīng)用到整個(gè)電網(wǎng)監(jiān)測中，幫助電網(wǎng)維護(hù)和管理人員實(shí)時(shí)了解電網(wǎng)運(yùn)行狀態(tài)，及時(shí)消除異常情況，提前排除故障，防止災(zāi)難性事故發(fā)生。當(dāng)下環(huán)網(wǎng)柜具有結(jié)構(gòu)簡單，運(yùn)行可靠且安全，維修量小，運(yùn)行費(fèi)用低，可提高供電參數(shù)和性能以及供電安全等優(yōu)點(diǎn)。目前它被廣泛使用于城市住宅小區(qū)、高層建筑、大型公共建筑、工廠企業(yè)等負(fù)荷中心的配電站以及箱式變電站中。環(huán)網(wǎng)柜一般放置在戶外，長期處在復(fù)雜多變的惡劣環(huán)境中，長期處于高負(fù)荷運(yùn)行狀態(tài)，許多不確定因素很容易引發(fā)故障，從而影響相關(guān)電網(wǎng)的安全運(yùn)行，導(dǎo)致大面積供用電問題，危及用戶設(shè)施設(shè)備安全，甚至可能引發(fā)火災(zāi)，釀成重大安全事故?，F(xiàn)在，它的安全運(yùn)行直接關(guān)系到電力部門和用戶的切身利益，如何高效確保它的安全運(yùn)行具有重要意義。

環(huán)網(wǎng)柜發(fā)生故障是一個(gè)復(fù)雜的非線性過程，故障的產(chǎn)生也是多個(gè)因素共同作用的結(jié)果，目前對環(huán)網(wǎng)柜的故障研究主要集中在電力電纜絕緣故障檢測、SF6氣體濃度監(jiān)測、電纜溫度監(jiān)測、物理機(jī)理模型的故障檢測和多變量綜合監(jiān)測。電纜溫度中電纜接頭溫度是環(huán)網(wǎng)柜重要的特征參數(shù)，是誘發(fā)和提前預(yù)判故障的關(guān)鍵點(diǎn)，電纜接頭溫度受電纜運(yùn)行電流、線芯溫度、環(huán)境溫度等影響，因此，如何融合多變量影響，利用大量安全的歷史數(shù)據(jù)，動態(tài)提供電纜接頭溫度的安全閾值對環(huán)網(wǎng)柜異常及故障預(yù)測具有重要意義。

利用電纜等效熱路與電路在數(shù)學(xué)形式上相同的特點(diǎn)，設(shè)計(jì)出電路節(jié)點(diǎn)電壓法求解電纜熱路問題的數(shù)學(xué)方法[1]。綜合電纜的安裝方式、表面溫度、負(fù)載電流和環(huán)境溫度信息，通過計(jì)算機(jī)仿真技術(shù)計(jì)算出導(dǎo)體的運(yùn)行溫度[2]。通過分布式光纖測溫方法，解決了電纜全線溫度的監(jiān)測問題[3-7]。理論上演算了電纜熱路完整模型與簡化模型之間的誤差，基于電纜表面溫度推算電纜導(dǎo)體溫度[5]。監(jiān)測電纜接頭的溫度，比對是否超過溫度閾值，實(shí)現(xiàn)在線預(yù)報(bào)[8]。以上這些算法模型對實(shí)時(shí)測溫和預(yù)警有一定作用，但是對多變量相互影響、如何實(shí)現(xiàn)動態(tài)閾值等問題，解決的并不理想。

該文主要針對電纜接頭溫度受多因素影響和不能解決動態(tài)閾值的問題進(jìn)行研究，在大量歷史數(shù)據(jù)的基礎(chǔ)上，提出了一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的環(huán)網(wǎng)柜溫度預(yù)警方法。

1 算法描述

1.1 經(jīng)典BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其中，Xi表示輸入層，On和Om表示隱含層，Yk表示輸出層j=1，2…M；ωi，n、ωn，m和ωm，k節(jié)點(diǎn)之間的權(quán)值。

（1）節(jié)點(diǎn)輸出模型。

1.2 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

經(jīng)典BP神經(jīng)網(wǎng)絡(luò)算法通常存在以下問題：學(xué)習(xí)效率低，收斂速度慢，易陷入局部極小狀態(tài)。該文采用動量因子和自適應(yīng)學(xué)習(xí)率來解決這些問題，動量因子法是在誤差反向傳播的基礎(chǔ)上，在每一個(gè)權(quán)值（或閾值）的變化上加上一項(xiàng)正比于前次權(quán)值（或閾值）變化量的值，并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值（或閾值）變化。

（5）

式中，η為學(xué)習(xí)速率，k為訓(xùn)練次數(shù)，a為動量因子，▽f（ωi，j（k））為誤差函數(shù)的梯度。

根據(jù)動量因子法的設(shè)計(jì)原則，當(dāng)新的權(quán)值導(dǎo)致誤差增長時(shí)，新的權(quán)值應(yīng)被取消而不是采用，同時(shí)動量作用停止下來，以使網(wǎng)絡(luò)不進(jìn)入較大誤差曲面；當(dāng)新的誤差變換率超過設(shè)定的最大誤差變化率時(shí)，也應(yīng)取消所計(jì)算的權(quán)值變化。其最大誤差變化率可以是任何大于或等于1的值。訓(xùn)練程序中采用動量法的判斷條件為：

2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)以麗江古城區(qū)電網(wǎng)環(huán)網(wǎng)柜實(shí)時(shí)監(jiān)測數(shù)據(jù)：柜內(nèi)環(huán)境溫度、濕度、電纜接頭溫度（A相、B相和C相）、電纜線芯溫度（A相、B相和C相）、電纜電流（A相、B相和C相）為基礎(chǔ)，選取柜內(nèi)環(huán)境溫度、濕度、電纜電流（A相、B相和C相）作為輸入值，通過改進(jìn)BP神經(jīng)網(wǎng)絡(luò)運(yùn)算后，輸出電纜接頭溫度（A相、B相和C相）的預(yù)測值。

2.1 學(xué)習(xí)樣本數(shù)據(jù)

此文通過分析研究大量的實(shí)時(shí)監(jiān)測數(shù)據(jù)，從中選取15組典型數(shù)據(jù)作為此次試驗(yàn)的學(xué)習(xí)樣本（見表1）。為檢驗(yàn)?zāi)Ｐ偷木?，其中最?組數(shù)據(jù)作為檢驗(yàn)樣本。

2.2 學(xué)習(xí)樣本訓(xùn)練及預(yù)測結(jié)果

設(shè)置最小均方誤差為0.001，學(xué)習(xí)率為0.01，動量系數(shù)為0.95，最大訓(xùn)練次數(shù)為15000，將表1中1～15號樣本數(shù)據(jù)條件作為輸入，電纜接頭溫度作為目標(biāo)輸出進(jìn)行學(xué)習(xí)。該文采取批量訓(xùn)練，結(jié)果與輸入順序無關(guān)，經(jīng)過9000多次訓(xùn)練后滿足精度要求，訓(xùn)練結(jié)果和實(shí)測值對比分析見表2。

從表2可知，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后最大絕對誤差為0.52，最大相對誤差為2.121%，同時(shí)3組檢驗(yàn)數(shù)據(jù)誤差達(dá)到標(biāo)準(zhǔn)。

2.3 預(yù)警實(shí)驗(yàn)及結(jié)果

此次實(shí)驗(yàn)和實(shí)際運(yùn)營數(shù)據(jù)是麗江大研古鎮(zhèn)22個(gè)環(huán)網(wǎng)柜運(yùn)行和監(jiān)測數(shù)據(jù)，通過6個(gè)月的觀察和實(shí)驗(yàn)，把BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值作為預(yù)警閾值，預(yù)警概率為5%時(shí)，虛警概率不高于0.1%，達(dá)到了預(yù)期的效果。

3 結(jié)語

該文針對環(huán)網(wǎng)柜預(yù)警進(jìn)行了一定的研究，取得了一些成果。實(shí)際上，環(huán)網(wǎng)柜和電纜的全壽命管理和預(yù)警有很多地方值得去研究，例如：（1）突發(fā)事件的處理，如雷電、地震和故意破壞等；（2）多變量數(shù)據(jù)處理，如數(shù)據(jù)的實(shí)時(shí)性、有效性、復(fù)雜性和突發(fā)性等；（3）數(shù)據(jù)挖掘和融合，為合理調(diào)配A相、B相和C相功率和提高供用電效率提供參考，分析用戶用電特征，提供更好的用電方案。這些問題的解決，將會對環(huán)網(wǎng)柜監(jiān)測的綜合效能有非常重要的經(jīng)濟(jì)效益和積極作用。

參考文獻(xiàn)

[1] 劉毅剛，羅俊華.電纜導(dǎo)體溫度實(shí)時(shí)計(jì)算的數(shù)學(xué)方法[J].高電壓技術(shù)，2005，31（5）：52-54.

[2] 楊文英.電力電纜溫度在線監(jiān)測系統(tǒng)的研究[D].東北電力大學(xué)，2008.

[3] 劉建忠.電纜溫度光纖實(shí)時(shí)監(jiān)測系統(tǒng)[D].天津大學(xué)，2010.

[4] 羅俊華，周作春，李華春，等.電力電纜線路運(yùn)行溫度在線檢測技術(shù)應(yīng)用研究[J].高電壓技術(shù)，2007，33（1）：169-172.

[5] 劉剛，雷成華，劉毅剛.根據(jù)電纜表面溫度推算導(dǎo)體溫度的熱路簡化模型暫態(tài)誤差分析[J].電網(wǎng)技術(shù)，2011（4）：212-217.

[6] 孫靜，趙子玉.電力電纜溫度實(shí)時(shí)在線監(jiān)測[J].電線電纜，2011（1）：40-42.

[7] 周雄明，蘇文群，徐俊，等.電力電纜溫度3D實(shí)時(shí)監(jiān)測系統(tǒng)[J].華東電力，2010，38（10）：1632-1633.

[8] You XC， Lei LI. Patrol inspection system of underground cable joint fault based on wireless communication[J]. Machine Tool & Hydraulics，2014（6）：125-129.