3.2高压开关柜温度预警系统设计
    基于负荷与环境温度的高压开关柜温度预警系统是复杂的非线性系统，难以建立准确的数学模型，因此采用BP神经网络进行系统建模。采集高压开关柜环境温度To、负荷电流I和接头或触头实时温度T，上传至上位机监测系统，上位机监测系统实时显示采集信息并存储数据以作为BP神经网络温度预测的训练样本。采集的实时环境温度和负荷电流通过训练好的温度预测BP神经网络计算出正常的温度值，并根据表1中部分电流致热型设备的相对混善判据，按照公式计算出一般缺陷温度预警值、严重缺陷温度预警值和视同紧急缺陷温度预警值，最后比较实时温度T1与实时动态的预警值，以判断设备运行状态。高压开关柜温度预警流程图如图3所示。

    3.3基于BP神经网络温度预测建模
    BP神经网络的设计包括样本集设计、网络结构设计、训练与测试。
    3.3.1样本集设计
    样本集的设计包括输入输出量的选择与预处理、样本
数、样本的选择与组织。
    （1）输入输出量的选择与预处理。采集的负荷和环境温度是两种不同物理量数据，最终实现的目的是温度预测。样本数据进行训练间要进行尺度变化（归一化或标准化），使输入输出数据限制在［0、1］或[－1，1」区间内。
    （2）样本数。样本数参考一个经验规则，即训练样本数是网络连接权总数的5～10倍。
    （3）样本的选择与组织。样本要具有代表性，主要样本类别均衡，尽量使每个样本类别量大致相等。样本组织训练时，要随机选择输入样本。
    3.3.2网络结构设计
    网络结构设计包括输入输出层神经元个数、初始权值设计、隐含层设计。
    （1）输入输出层神经元个数。神经网络输入层的神经元个数为2，输入的是尺度变化后的负荷电流和环境温度；输出层的神经元个数为1，输出的是预测温度，预测温度需与实际尺度变化的真实温度进行误差计算。
    （2）初始权值的设计。初始权值与训练速度有关，应使各节点的初始净输入在零点附近。对于输出层，可使初始值为＋1和－1的权值数相等；对于隐含层，可使初始值足够小。
    （3）隐含层的设计。隐含层结构对训练时间和输出精度有影响，其设计包括隐层数和隐节点数的设计。对于隐层数，先考虑一个隐层，当一个隐层的节点数很多仍不能改善网络性能时，才考虑增加一个隐层。对于隐节点数，没有一种通用的公式来确定，往往采用试凑法，需在训练过程中不断调整。本文隐含层的节点个数初值选5。
    3.3.3训练与测试
    基于BP神经网络的温度预测模型原理如图4所示，训练与测试按照该原理图进行。

    采集实际运行中的开关柜温度和负荷电流数据。样本的选取直接影响模型的训练，从而影响测试时预测值的精确性，所以样本的选取要多样性和代表性，而且数据尽量是高压开关柜正常运行时的数据。
    在1VIATLAB中编写相应的BP算法程序，输入神经元i=2，隐含神经元j=5（实际根据训练效果变化），输出神经元k=1，最大训练次数为5 000，学习系数为0.1，最大误差设置为0.001，初始化连接权、中间层阂值和输出层阂值在〔－1、1〕间随机选择，隐含层神经元传递函数一般采用logsig或tansig函数，输出层神经元传递函数采用logsig或purelin函数（实际根据训练效果进行搭配）。
    4 结束语
    本文运用多信息融合技术结合BP神经网络，设计了基于BP神经网络的高压开关柜温度预测模型，可通过实时负荷电流和环境温度设置动态的高压开关柜温度预警值，从而提高高压开关柜过热状态监测的准确度。该方法理论上是可行的，但还需要在实际运用中不断完善，如神经网络的改进。
 

上一页  [1] [2] [3]