基于BP神經網絡的電力設備運行溫度預測方法研究

國網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

電氣設備連接松動、接觸不良、漏磁、過電流等諸多因素都可引起設備過熱引發設備故障。對不同類型的電氣設備進行有效的監控，并自動分析電氣設備運行狀態成為當前該領域的研究熱點。目前，國內外利用紅外熱成像技術對電力設備進行故障檢測的應用已較為普遍，在我國紅外成像技術已成為變電運維工作中缺陷設備診斷的重要依據，利用紅外熱成像技術對電力設備進行有效的檢測，可使設備事故率、維修費用顯著減少[1]。

運維人員利用紅外熱像儀對電力設備進行紅外拍攝，獲取電氣設備紅外溫度信息，通過對電氣設備紅外圖像的熱分析實現電氣設備的健康程度判斷[2-3]。紅外圖像的分析是一個復雜而繁重的工作，給運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]。本文利用電氣設備紅外圖像的紅外信息、負荷電流、環境溫度信息、日照強度、對流系數等關鍵信息，結合BP神經網絡開發基于紅外圖像的電力設備狀態智能預警軟件。該軟件可在給定負荷電流等信息的基礎上實現電力設備運行溫度預測，同時，通過實測溫度和預測溫度的對比實現電力設備的狀態診斷。

1 BP網絡拓撲

BP神經網絡是基于誤差反向的多層前饋神經網絡。BP算法屬于梯度下降算法，是一種監督式的學習算法。用網絡的實際輸出與目標矢量之間的誤差來修正網絡權值，使輸出與期望盡可能接近(網絡輸出層的誤差平方和達到最小)；通過反復在誤差函數梯度下降方向上調整網絡權值的變化，逐漸逼近目標。BP網絡通常為層結構，包括輸入層、若干隱藏層和輸出層，層與層之間的神經元全向連接，層內神經單元沒有聯系。

圖1 BP神經網絡拓撲結構圖

基本BP算法包括兩個方面：信號的前向傳播和誤差的反向傳播。即計算實際輸出時按從輸入到輸出的方向進行，而權值和閾值的修正從輸出到輸入的方向進行圖1為3層BP神經網絡拓撲結構圖。圖中共有M個輸入節點，P隱藏節點，N個輸出節點，圖中：

xi表示輸入層第i個節點的輸入，

wij表示輸入層第i個節點到隱藏層第j個節點之間的權值，

θi表示隱藏層第i個節點的閾值；

表示隱藏層的激勵函數；

wjk表示隱藏層第j個節點到隱藏層第k個節點之間的權值，

αi表示輸出層第i個節點的閾值，

ψ(x)表示輸出層的激勵函數；

yi表示輸出層第i個節點的輸出。

1.1 信號的前向傳播過程

隱藏層第i個節點的輸入neti：

隱藏層第i個節點的輸出yi：

輸出層第k個節點的輸入netk：

輸出層第k個節點的輸出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算各層神經元的輸出誤差，然后根據誤差梯度下降法來調節各層的權值和閾值，使修改后的網絡的最終輸出能接近期望值。

對于每一個樣本p的二次型誤差準則函數為Ep：

其中OUTk為樣本輸出。

系統對L個訓練樣本的總誤差準則函數為：

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

式中η為學習率為一個0～1之間的常數。

輸出層權值調整公式：

輸出層閾值調整公式：

隱藏層權值調整公式：

隱藏層閾值調整公式：

考慮到：

分別將式(12)-(15)代入到式(8)-(11)可得如下公式：

2 基于改進神經網絡的電力設備運行溫度預警方法

本文以負荷電流、環境溫度信息、日照強度、對流系數為輸入，以設備最高運行溫度為輸出構建了基于文基于BP神經網絡技術構建了電氣設備運行溫度預警模型。

2.1 隱藏層的層數選擇

理論和實踐應經證明，任意函數可以被一個有三層單元（輸出層使用線性單元，兩個隱藏層使用sigmoid單元）的網絡以任意精度逼近[6]，增加層數可進一步降低誤差，但會增加網絡的復雜度。考慮訓練速度和計算精度，結合電氣設備運行溫度預警的實際需求，本文選擇具有兩個隱含層的神經網絡。

2.2 隱藏層節點數的確定

BP神經網絡的隱藏層節點數對BP神經網絡預測精度有較大的影響＝節點數太少，網絡不能很好地學習，需要增加訓練次數，訓練的精度也受影響；節點數太多，訓練時間增加，網絡容易過擬合。在實際神經網絡問題中，隱藏層節點數的選擇首先是參考公式來確定節點數的大概范圍，本文隱藏層節點數的選擇可由式(20)確定：

式中，l為隱藏層的節點數，n為輸入層的節點數，m為輸出層的節點數，a為一個0-10之間的常數。文本神經網絡的輸入為日照強度、風速、環境溫度和負荷大小四個變量，因此輸入層節點數為4；神經網絡的輸出設備運行溫度，因此，輸出層的節點數為1；按照式（20）計算可得隱藏層節點數為2-12之間的一個數，這個范圍比較寬泛，本文采用試湊法確定最佳隱藏層節點數為10。

3 應用測試

以LW 13-550六氟化硫斷路器為例，不同運行條件下測得100組斷路器運行數據。部分數據如表1所示。

表1 不同運行條件下測得100組樣本數據

利用MATLAB神經網絡工具箱中的函數feedforwardnet([10,10])構建每層節點數均為10的雙隱藏層神經網絡網絡，設置最大迭代次數為10000，訓練目標為期望誤差為10-5，附加動量因子為0.9，學習率取0.05，最小性能梯度取10-6，隱藏層的傳遞函數均采用“logsig”，輸出層的傳遞函數采用“purelin”。經過13次訓練效果達到最優。訓練結果如圖2、3所示：

圖2 神經網絡的訓練效果

圖3 驗證樣本預測值和期望輸出值

利用訓練好的神經網絡可實現斷路器的運行溫度進行預測，通過負荷預測和天氣預報可得日照強度、風速、環境溫度、負荷大小等神經網絡的輸入條件。將日照強度1100W/m2，風速8m/s，環境溫度40℃，負荷1000MVA作為條件輸入到訓練好的網絡，經過仿真可得斷路器最高運行溫度點的溫度為77.2℃。

4 結論

本文利用電氣設備紅外圖像的紅外溫度信息、負荷大小、環境溫度、日照強度、風速等關鍵信息，構建基于BP神經網絡的電力設備運行溫度預測模型，通過電氣設備的實際運行數據作為BP神經網絡的學習樣本和測試樣本，通過Matlab軟件進行網絡訓練得到電氣設備運行溫度預測網絡模型。算例表明該網絡模型的預測結果具有較高的可靠性和工程實踐價值。

[1]陳鋒,周業如.電氣設備紅外成像圖庫與遠程輔助診斷系統研究[J].華東電力,2008,36(12):55-58.

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

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

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

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

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