基于ABPNN 神經(jīng)網(wǎng)絡(luò)的開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估方法研究

王樂寧，邱 華，唐 詩，袁永生，郭 江

（1.國能大渡河猴子巖發(fā)電有限公司，四川甘孜 626100；2.國能大渡河流域水電開發(fā)有限公司，四川成都 610041；3.武漢大學(xué)動(dòng)力與機(jī)械學(xué)院，湖北武漢 430072）

0 引言

開關(guān)柜作為重要的電氣設(shè)備，廣泛應(yīng)用于電力、鐵道、工礦等各個(gè)行業(yè)，負(fù)責(zé)電力設(shè)備的啟閉、控制和保護(hù)，覆蓋電能生命周期的大部分領(lǐng)域，需要重點(diǎn)關(guān)注其運(yùn)行狀態(tài)，保證設(shè)備安全穩(wěn)定。由于開關(guān)柜內(nèi)部電氣和機(jī)械結(jié)構(gòu)復(fù)雜、環(huán)境封閉，散熱條件較差，開關(guān)柜溫度變化成為其狀態(tài)分析的核心表征。近年來，因開關(guān)柜觸頭接觸位置過熱，而導(dǎo)致開關(guān)柜溫升過熱，進(jìn)而出現(xiàn)大范圍停電甚至火災(zāi)的問題屢見不鮮［1，2］。因此，如何實(shí)現(xiàn)對(duì)開關(guān)柜溫升情況的實(shí)時(shí)監(jiān)控和預(yù)測(cè)，及時(shí)發(fā)現(xiàn)可能存在的過熱故障隱患，并進(jìn)行故障預(yù)警，從而提升開關(guān)柜安全運(yùn)行水平，已成為電力系統(tǒng)穩(wěn)定運(yùn)行亟需解決的問題之一。

為此，國內(nèi)外研究學(xué)者對(duì)開關(guān)柜溫升監(jiān)測(cè)系統(tǒng)展開了大量的研究。紅外、光纖等測(cè)溫方法成熟，已形成規(guī)模化生產(chǎn)，其中無線測(cè)溫法因其成本低、面積小、不需要安裝布線等優(yōu)勢(shì)被廣泛應(yīng)用［3-6］。但此類監(jiān)測(cè)方法多關(guān)注溫度信息的采集，并未涉及到設(shè)備風(fēng)險(xiǎn)評(píng)估及預(yù)測(cè)。傳統(tǒng)的開關(guān)柜升溫預(yù)警便是利用采集的溫度數(shù)據(jù)與所設(shè)定的固定預(yù)警閾值比較，以此來對(duì)比判斷開關(guān)柜運(yùn)行狀態(tài)，此類方法預(yù)警準(zhǔn)確度依賴于人工設(shè)置的預(yù)警閾值，主觀性較強(qiáng)，經(jīng)常會(huì)發(fā)生誤報(bào)和漏報(bào)的現(xiàn)象。

基于此，目前很多研究學(xué)者從溫升有限元分析［7-10］、時(shí)序分析［11］、熵權(quán)法［12］、信息融合技術(shù)［13］等角度提出很多溫升預(yù)警算法。例如，張凱等［7］提出了一種基于有限元分析的溫度場(chǎng)仿真，運(yùn)用流體仿真軟件模擬開關(guān)柜溫度分布；楊帆等［11］提出了一種基于多數(shù)據(jù)融合的預(yù)警算法，從環(huán)境溫度、電流和實(shí)時(shí)溫度三個(gè)角度獲取的數(shù)據(jù)出發(fā)，建立BP 神經(jīng)網(wǎng)絡(luò)評(píng)估模型，來進(jìn)行溫度預(yù)警；許高俊等［12］提出一種綜合溫度預(yù)警算法，將不同的預(yù)警閾值融合在一起，形成一個(gè)預(yù)警系統(tǒng)；劉耀巍等［13］從聚類分析的角度，提出一種基于最優(yōu)等級(jí)數(shù)的多為特征量開關(guān)柜健康狀態(tài)評(píng)估方法。較傳統(tǒng)的閾值比較法，以上方法均獲得了更好地風(fēng)險(xiǎn)評(píng)估準(zhǔn)確度，然而其影響因子的選擇均來自于與開關(guān)柜溫升變化有直接關(guān)系的一些信息，如觸頭溫度、環(huán)境溫度、實(shí)時(shí)電流，而忽略了開關(guān)柜自身對(duì)其溫度產(chǎn)生的影響。

因此，為了能夠提高開關(guān)柜狀態(tài)預(yù)測(cè)準(zhǔn)確性，本文在開關(guān)柜溫度異常狀態(tài)分析和預(yù)警中引入開關(guān)柜臺(tái)帳信息、運(yùn)行信息、環(huán)境信息等影響其溫升的因素，提出了一種基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)（Adaptive back propagation neural network，ABPNN）的開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估方法。該方法首先通過分析開關(guān)柜溫升異常機(jī)理，確定溫升因素，并以此作為輸入層，以溫升風(fēng)險(xiǎn)等級(jí)作為輸出層，建立BP 神經(jīng)網(wǎng)絡(luò)模型，在此基礎(chǔ)上引入自適應(yīng)遺傳算法實(shí)時(shí)調(diào)整網(wǎng)絡(luò)參數(shù)，最終構(gòu)建自適應(yīng)能力更強(qiáng)，預(yù)測(cè)結(jié)果更準(zhǔn)確的溫升風(fēng)險(xiǎn)評(píng)估模型。工程應(yīng)用結(jié)果表明，本文提出的模型，相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型（BP）和GA-BP 模型，可以更加快速準(zhǔn)確對(duì)開關(guān)柜溫升異常提出預(yù)警，對(duì)電力系統(tǒng)風(fēng)險(xiǎn)管控具有重要意義。

1 開關(guān)柜溫度異常機(jī)理分析

1.1 開關(guān)柜溫度異常機(jī)理分析

開關(guān)柜內(nèi)載流回路有多處母排搭接面，并且，廣泛使用的手車式開關(guān)柜，由運(yùn)行人員推入或退出手車來控制隔離斷口的關(guān)合或開斷，這些靜態(tài)搭接面或動(dòng)態(tài)接觸點(diǎn)存在接觸電阻，一旦電流通過，就會(huì)產(chǎn)生與接觸電阻值和電流值呈正相關(guān)關(guān)系的熱量，引起柜內(nèi)溫度上升。

按照相關(guān)標(biāo)準(zhǔn)或規(guī)程生產(chǎn)、安裝和運(yùn)維的開關(guān)柜，各接觸點(diǎn)的接觸電阻應(yīng)在相應(yīng)范圍內(nèi)，在通過正常運(yùn)行電流的情況下，溫升符合規(guī)定要求。但在接觸不良、設(shè)備老化、局部放電等情況下，發(fā)熱量將異常提高，再加上開關(guān)柜內(nèi)部散熱性差，易導(dǎo)致異常溫升［14］。過熱故障隱患繼續(xù)發(fā)展，因溫度異常升高加劇接觸點(diǎn)氧化、燒蝕，引起接觸電阻進(jìn)一步增大、溫度進(jìn)一步升高，從而導(dǎo)致惡性循環(huán)，直至出現(xiàn)開關(guān)柜過熱故障［15-18］。

1.2 影響因子和溫升風(fēng)險(xiǎn)等級(jí)確定

根據(jù)開關(guān)柜溫度異常發(fā)生機(jī)理，首先確定溫升直接影響因子，如開關(guān)柜所處環(huán)境溫度的高低、負(fù)荷電流的大小、導(dǎo)體接觸電阻阻值大小等因素，可作為其風(fēng)險(xiǎn)評(píng)估影響因子；其次，電站中運(yùn)行的開關(guān)柜大多不是滿載運(yùn)行，一般隨著用戶對(duì)用電需求的改變負(fù)荷電流也隨之變化，負(fù)載的改變會(huì)對(duì)溫升產(chǎn)生直接影響，同時(shí)，在進(jìn)行溫度監(jiān)測(cè)時(shí)也應(yīng)考慮電氣設(shè)備在環(huán)境濕度過高或過低下的影響，此外由于母線材料不同，電阻率不同，導(dǎo)致導(dǎo)體接觸電阻不同，因此可考慮用電負(fù)載、環(huán)境濕度等間接影響因素。除此之外，觸頭接觸面積的大小也會(huì)對(duì)接觸電阻產(chǎn)生影響，也可作為其間接影響因素。

基于上述對(duì)開關(guān)柜溫升影響因素的分析，本文在結(jié)合開關(guān)柜臺(tái)帳數(shù)據(jù)、運(yùn)行數(shù)據(jù)、監(jiān)測(cè)數(shù)據(jù)、環(huán)境數(shù)據(jù)等的基礎(chǔ)上，確定了開關(guān)柜溫升主要影響因子有運(yùn)行年限、歷史故障情況、負(fù)荷電流、母排溫度、觸頭溫度、環(huán)境溫度、環(huán)境濕度、導(dǎo)體接觸電阻、觸頭接觸面積、風(fēng)機(jī)狀態(tài)［19-22］。

根據(jù)歷史故障數(shù)據(jù)信息、開關(guān)柜溫度與可能安全事故隱患的大小，可確定開關(guān)柜溫升風(fēng)險(xiǎn)等級(jí)有五級(jí)，如表1所示。

表1 開關(guān)柜的溫升風(fēng)險(xiǎn)等級(jí)Tab.1 Risk level of temperature rise of switchgear

2 ABPNN神經(jīng)網(wǎng)絡(luò)開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估模型

開關(guān)柜溫升異常多由多影響因子相互作用形成，其風(fēng)險(xiǎn)評(píng)估具有非線性、多擾動(dòng)性等特點(diǎn)，影響因子與溫升風(fēng)險(xiǎn)相關(guān)關(guān)系復(fù)雜［23，24］。針對(duì)這種非線性、不確定性的關(guān)系預(yù)測(cè)，傳統(tǒng)的關(guān)系型預(yù)測(cè)方式已經(jīng)不再使用，可采用泛化能力強(qiáng)和自組織能力強(qiáng)的神經(jīng)網(wǎng)絡(luò)模型來描述并逼近這些更加復(fù)雜的非線性關(guān)系。

現(xiàn)存較為成熟的神經(jīng)網(wǎng)絡(luò)模型有很多，其中BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，包含輸入、隱含和輸出三層結(jié)構(gòu)，其訓(xùn)練算法一般以目標(biāo)輸出與實(shí)際輸出之間誤差為優(yōu)化目標(biāo)，采用梯度下降法來不斷地對(duì)權(quán)重進(jìn)行修正，以達(dá)到精確預(yù)測(cè)的結(jié)果，算法成熟且簡(jiǎn)單，被廣泛應(yīng)用于解決非線性問題。然而直接用BP 神經(jīng)網(wǎng)絡(luò)去訓(xùn)練開關(guān)柜溫度異常模型，一方面會(huì)因?yàn)檩斎雽由窠?jīng)元個(gè)數(shù)的增加而陷入維度災(zāi)難，造成訓(xùn)練時(shí)間過長；另一方面收初始權(quán)值，網(wǎng)絡(luò)結(jié)構(gòu)等的限制，容易陷入局部最優(yōu)，導(dǎo)致評(píng)估準(zhǔn)確度降低［25-28］。

基于此，本文在研究開關(guān)柜溫度相關(guān)記錄數(shù)據(jù)的基礎(chǔ)上，對(duì)其有價(jià)值的數(shù)據(jù)進(jìn)行挖掘和分析，并構(gòu)建自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)的開關(guān)柜溫升預(yù)警模型（Adaptive back propagation neural network，ABPNN）。模型一方面采用傳統(tǒng)的遺傳算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化，避免了BP 網(wǎng)絡(luò)陷入局部最優(yōu)和過擬合等問題；另一方面根據(jù)遺傳算法中適應(yīng)度值的變化，實(shí)時(shí)調(diào)節(jié)交叉、變異概率，通過自適應(yīng)地概率調(diào)整，保證種群多樣性的同時(shí)，提高模型收斂性。

2.1 ABPNN網(wǎng)絡(luò)結(jié)構(gòu)

ABPNN 開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估模型的網(wǎng)絡(luò)結(jié)構(gòu)包含3 層：輸入層、隱含層和輸出層，如下圖1 所示。其中，輸入層由n個(gè)神經(jīng)元組成｛x1，x2，…，xn｝，即開關(guān)柜溫升風(fēng)險(xiǎn)n個(gè)影響因子；隱含層由d個(gè)神經(jīng)元組成｛h1，h2，…，hd｝，接受輸入層傳來數(shù)據(jù)、進(jìn)行處理得到輸出，傳遞給下一層；輸出層由m個(gè)神經(jīng)元組成｛y1，y2，…，ym｝，用來輸出開關(guān)柜溫升風(fēng)險(xiǎn)等級(jí)。

圖1 ABPNN模型網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 ABPNN model network structure

將輸入層到隱含層的連接權(quán)重設(shè)為wih，此時(shí)可計(jì)算出隱含層中第j個(gè)神經(jīng)元的輸入hih（j）和輸出hoh(j)，如式（1）和（2）所示。

同樣假設(shè)，隱含層到輸出層的連接權(quán)重為who，此時(shí)，輸出層中第k個(gè)神經(jīng)元的輸入yio(k)和輸出yo(k)分別是：

在此過程中可選取sigmoid 函數(shù)作為隱含層和輸出層的激活函數(shù)f。各層之間的權(quán)值通過計(jì)算輸出值的誤差來進(jìn)行修正。

由此可知，將ABPNN 模型用于開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估，首先需要確定網(wǎng)絡(luò)的輸入和輸出，來構(gòu)建樣本數(shù)據(jù)集。根據(jù)前面開關(guān)柜溫升異常機(jī)理分析，可確定ABPNN 開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估的網(wǎng)絡(luò)結(jié)構(gòu)輸入層包括10 個(gè)神經(jīng)元，分別為：運(yùn)行年限（x1）、歷史故障情況（x2）、負(fù)荷電流（x3）、母排溫度（x4）、觸頭溫度（x5）、環(huán)境溫度（x6）、環(huán)境濕度（x7）、導(dǎo)體接觸電阻（x8）、觸頭接觸面積（x9）、風(fēng)機(jī)狀態(tài)（x10）。

輸出層應(yīng)為開關(guān)柜溫升風(fēng)險(xiǎn)等級(jí)，因此，可將輸出層神經(jīng)元個(gè)數(shù)設(shè)置為3，即y1，y2，y3，每個(gè)神經(jīng)元輸出取值為0 或1。則如果輸出“000”，代表風(fēng)險(xiǎn)等級(jí)為Ⅰ，輸出“001”代表風(fēng)險(xiǎn)等級(jí)Ⅱ，輸出“010”代表風(fēng)險(xiǎn)等級(jí)Ⅲ，輸出“011”風(fēng)險(xiǎn)等級(jí)Ⅳ，輸出“100”代表風(fēng)險(xiǎn)等級(jí)Ⅴ。以此確定模型的輸入和輸出，并建立相應(yīng)的訓(xùn)練樣本集。

2.2 建立ABPNN溫度異常風(fēng)險(xiǎn)評(píng)估模型

建立基于ABPNN 的開關(guān)柜溫度異常風(fēng)險(xiǎn)評(píng)估模型，如圖2所示的算法流程圖，包含以下步驟：

圖2 開關(guān)柜溫度異常風(fēng)險(xiǎn)評(píng)估流程圖Fig.2 Risk assessment process for abnormal temperature of switchgear

步驟1：確定開關(guān)柜溫升風(fēng)險(xiǎn)的影響因子X和溫升風(fēng)險(xiǎn)等級(jí)Y：并對(duì)原始采集數(shù)據(jù)進(jìn)行預(yù)處理（標(biāo)準(zhǔn)化處理或者歸一化），使得樣本輸入數(shù)據(jù)限制在［0，1］區(qū)間，得到ABPNN 網(wǎng)絡(luò)的輸入層神經(jīng)元和輸出層數(shù)據(jù)，上述數(shù)據(jù)預(yù)處理方法如下。

根據(jù)開關(guān)柜溫升風(fēng)險(xiǎn)影響因子自身特點(diǎn)，可將其分為實(shí)數(shù)類和文字類兩類，并采用不同的方式進(jìn)行預(yù)處理［29］：

（1）針對(duì)實(shí)數(shù)類影響因子，如運(yùn)行年限（x1，a）、負(fù)荷電流（x3，A）、母排溫度（x4，℃）、觸頭溫度（x5，℃）、環(huán)境溫度（x6，℃）、環(huán)境濕度（x7，%）、導(dǎo)體接觸電阻（x8，Ω）、觸頭接觸面積（x9，m2），可采用min-max 標(biāo)準(zhǔn)化方法進(jìn)行歸一化，即對(duì)以上實(shí)數(shù)類影響因子xi采用公式（5）處理，得到新數(shù)據(jù)xi′，輸入到ABPNN 網(wǎng)絡(luò)中。

（2）針對(duì)文字類影響因子，如歷史故障情況（x2）、風(fēng)機(jī)狀態(tài)（x10），可采用表2所示的自變量賦值方法。

表2 開關(guān)柜溫升影響因子賦值Tab.2 Assignment of influence factors of temperature rise of switchgear

步驟2：選擇備選網(wǎng)絡(luò)結(jié)構(gòu)。ABPNN 網(wǎng)絡(luò)中輸入層和輸出層已確定，因此備選網(wǎng)絡(luò)結(jié)構(gòu)主要指隱含層神經(jīng)元個(gè)數(shù)，其選取方法如下：依次選擇［m+1，2n］范圍內(nèi)的整數(shù)作為隱含層神經(jīng)元個(gè)數(shù)，并利用小規(guī)模的樣本數(shù)據(jù)來進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并記錄每一次的收斂誤差，選擇誤差最小的隱含層個(gè)數(shù)作為網(wǎng)絡(luò)最優(yōu)結(jié)構(gòu)。

步驟3：初始化ABPNN 網(wǎng)絡(luò)參數(shù)。ABPNN 網(wǎng)絡(luò)參數(shù)，包括所有權(quán)值和閾值的初始取值，同時(shí)設(shè)置網(wǎng)絡(luò)訓(xùn)練的初始學(xué)習(xí)率，期望最小誤差。

步驟4：初始化種群編碼。對(duì)ABPNN 初始網(wǎng)絡(luò)參數(shù)進(jìn)行編碼，得到多個(gè)不同個(gè)體，種群數(shù)量為Num，作為初始種群P0，輸入到遺傳算法中。

步驟5：計(jì)算種群的適應(yīng)度。在遺傳算法中，種群適應(yīng)度函數(shù)用來評(píng)估個(gè)體的優(yōu)劣，適應(yīng)度值越大，個(gè)體基因越好，更加容易被保留下來。因此，在模型中，可利用樣本數(shù)據(jù)及初始化的ABPNN網(wǎng)絡(luò)模型，得到樣本輸出值，并與期望輸出值進(jìn)行比較，得到其誤差值，以此來表示個(gè)體基因的優(yōu)劣。為此，可采用如（6）所示的計(jì)算方式來表示個(gè)體的適應(yīng)度值，其中，N表示訓(xùn)練樣本數(shù)為樣本預(yù)測(cè)輸出值，yop為樣本真實(shí)輸出值：

如此反復(fù)，可計(jì)算出第t代種群P（t）中所有個(gè)體的適應(yīng)度值。

步驟6：初始化遺傳算法參數(shù)。包括最大迭代次數(shù)，交叉概率p范圍［p1，p2］，變異概率q范圍［q1，q2］。

步驟7：個(gè)體選擇。采用輪盤賭選擇法，對(duì)種群中個(gè)體進(jìn)行擇優(yōu)選擇，選擇步驟如下：

首先根據(jù)種群中個(gè)體適應(yīng)度值，利用式（7）可計(jì)算出每個(gè)個(gè)體被遺傳的概率p（i）；

然后利用式（8）計(jì)算出個(gè)體的累積概率q（i）；

接著隨機(jī)生成一個(gè)［0，1］之間數(shù)r；

若個(gè)體的累積概率大于r，則選擇留下該個(gè)體，反之，選擇另一個(gè)個(gè)體k，使得q（k-1）

重復(fù)以上步驟直到種群中所有個(gè)體都被選擇了一次。

步驟8：動(dòng)態(tài)地進(jìn)行種群的交叉和變異。根據(jù)種群個(gè)體的適應(yīng)度值變化情況，對(duì)交叉、變異概率進(jìn)行動(dòng)態(tài)調(diào)整，得到新的種群。首先設(shè)定初始值，可采用初始交叉概率p0和初始變異概率q0，如式（9）所示，其中p1，p2，q1，q2均為固定值。

然后得到新種群，并計(jì)算其適應(yīng)度值，若適應(yīng)度值分布較分散，可適當(dāng)減小概率值，來保留種群中表現(xiàn)較優(yōu)的個(gè)體；若某個(gè)個(gè)體適應(yīng)度值表現(xiàn)為陷入局部最優(yōu)時(shí)，加大概率值，從而跳出局部最優(yōu)，保證個(gè)體多樣性。

步驟9：判斷是否滿足終止條件。給定最小誤差閾值，若得到的新個(gè)體適應(yīng)度值小于閾值，則輸出該個(gè)體，進(jìn)行解碼，分析得到ABPNN網(wǎng)絡(luò)最優(yōu)參數(shù)，否則重復(fù)上述步驟7～9。

步驟10：ABPNN 網(wǎng)絡(luò)訓(xùn)練。根據(jù)網(wǎng)絡(luò)最優(yōu)參數(shù)，訓(xùn)練ABPNN 網(wǎng)絡(luò)，在訓(xùn)練過程中采用梯度下降法，并通過計(jì)算出的誤差，來對(duì)權(quán)值和閾值進(jìn)行不斷地修正；

步驟11：判斷誤差是否小于給定最大誤差，滿足則利用該模型對(duì)開關(guān)柜溫度異常進(jìn)行風(fēng)險(xiǎn)評(píng)估，并輸出預(yù)測(cè)值，否則返回到步驟10計(jì)算新的誤差，繼續(xù)進(jìn)行權(quán)值和閾值的修正。

3 工程應(yīng)用

為驗(yàn)證本文提出的ABPNN 開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估模型的有效性，從某水電站廠用電系統(tǒng)獲取了近10年的開關(guān)柜溫升有關(guān)監(jiān)測(cè)數(shù)據(jù)，并進(jìn)行了刪選得到100組具有代表性的數(shù)據(jù)，作為訓(xùn)練樣本集。為保持訓(xùn)練樣本均衡性，這100 組數(shù)據(jù)中每一種風(fēng)險(xiǎn)等級(jí)的樣本數(shù)據(jù)量相等，均為20。同時(shí)，還隨機(jī)選取了10 組數(shù)據(jù)形成測(cè)試樣本集。驗(yàn)證過程中使用的是MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱。

根據(jù)樣本數(shù)據(jù)，首先進(jìn)行預(yù)處理，分別得到輸入層數(shù)據(jù)X和輸出層數(shù)據(jù)Y。在此基礎(chǔ)上建立ABPNN 神經(jīng)網(wǎng)絡(luò)，在初始最優(yōu)網(wǎng)絡(luò)羅結(jié)構(gòu)的選擇過程中，本文依次采用10×4×3～10×20×3 范圍內(nèi)所有的網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)誤差擇優(yōu)選擇10×6×3的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，實(shí)驗(yàn)過程中所用參數(shù)設(shè)置如表3所示。

表3 ABPNN網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置Tab.3 ABPNN network training parameter setting

根據(jù)設(shè)置好的參數(shù)，對(duì)網(wǎng)絡(luò)模型進(jìn)行了構(gòu)建和訓(xùn)練，并最終用于開關(guān)柜溫度異常風(fēng)險(xiǎn)評(píng)估過程。為了驗(yàn)證ABPNN 評(píng)估模型有效性，采用BP 神經(jīng)網(wǎng)絡(luò)和GA-BP 神經(jīng)網(wǎng)絡(luò)作為對(duì)比方法，進(jìn)行了訓(xùn)練和評(píng)估。

3種不同網(wǎng)絡(luò)結(jié)構(gòu)下，100組訓(xùn)練樣本數(shù)據(jù)集的開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估結(jié)果如圖3 所示。從圖3 中可以看出，本文提出的ABPNN 風(fēng)險(xiǎn)評(píng)估模型，平均預(yù)測(cè)準(zhǔn)確率高達(dá)90%，高于BP神經(jīng)網(wǎng)絡(luò)的80%和GA-BP神經(jīng)網(wǎng)絡(luò)的84%。

圖3 不同模型下開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估結(jié)果比較Fig.3 Comparison of risk assessment results of switchgear temperature rise under different models

此外，為了驗(yàn)證ABPNN 溫升風(fēng)險(xiǎn)評(píng)估準(zhǔn)確率，我們收集了10 組現(xiàn)場(chǎng)某開關(guān)柜相關(guān)數(shù)據(jù)，組成了測(cè)試樣本，通過對(duì)測(cè)試樣本中的影響因子進(jìn)行預(yù)處理之后得到ABPNN 模型的輸入值，使用MATLAB輸入到訓(xùn)練網(wǎng)絡(luò)中，對(duì)10組數(shù)據(jù)進(jìn)行溫升風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)。結(jié)果表明，ABPNN神經(jīng)網(wǎng)絡(luò)的開關(guān)柜溫升風(fēng)險(xiǎn)等級(jí)識(shí)別的準(zhǔn)確率高達(dá)90%，預(yù)測(cè)結(jié)果如表4所示。

表4 ABPNN開關(guān)柜溫升風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果Tab.4 ABPNN switchgear temperature rise risk prediction results

4 結(jié)論

本文通過對(duì)開關(guān)柜溫升異常的機(jī)理分析研究，歸納整理了臺(tái)帳數(shù)據(jù)、運(yùn)行數(shù)據(jù)、監(jiān)測(cè)數(shù)據(jù)、環(huán)境數(shù)據(jù)，確定開關(guān)柜溫升主要影響因子，通過構(gòu)建ABPNN 神經(jīng)網(wǎng)絡(luò)的開關(guān)柜溫升風(fēng)險(xiǎn)評(píng)估模型，對(duì)溫升風(fēng)險(xiǎn)等級(jí)進(jìn)行快速和準(zhǔn)確預(yù)測(cè)。最后進(jìn)行了對(duì)比分析和工程應(yīng)用，本方法相對(duì)于BP和GA-BP模型，提高了開關(guān)柜溫升風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)的準(zhǔn)確率，具有較好的實(shí)用性，可以提高開關(guān)柜運(yùn)行風(fēng)險(xiǎn)管控能力，對(duì)電力系統(tǒng)穩(wěn)定運(yùn)行具有重要意義。