基于改進BP神經網絡的線纜接頭溫度預警方法

張運雙　楊愛璜　羅亞明　海龍

摘 要：目前針對環網柜故障預測與健康管理技術（Prognosties and Health Management，PHM）在電網領域得到飛速發展，環網柜的電纜接頭溫度是重要參數。該文提出一種基于改進BP神經網絡模型，多變量大數據訓練權重系數，輸出正常線纜接頭溫度值，通過對比真實溫度值，實現環網柜的電纜接頭溫度預警。經過對實際環網柜的電纜接頭溫度預警驗證了該文所提出方法的有效性，對防止火災發生和環網柜故障預測起到一定參考作用。

關鍵詞：環網柜 BP神經網絡 溫度預警

中圖分類號：TH18 文獻標識碼：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

現代美好生活對電的依賴程度已經到了無以復加的程度，為了確保安全可靠的供用電，各種先進技術和故障預警理論應用到整個電網監測中，幫助電網維護和管理人員實時了解電網運行狀態，及時消除異常情況，提前排除故障，防止災難性事故發生。當下環網柜具有結構簡單，運行可靠且安全，維修量小，運行費用低，可提高供電參數和性能以及供電安全等優點。目前它被廣泛使用于城市住宅小區、高層建筑、大型公共建筑、工廠企業等負荷中心的配電站以及箱式變電站中。環網柜一般放置在戶外，長期處在復雜多變的惡劣環境中，長期處于高負荷運行狀態，許多不確定因素很容易引發故障，從而影響相關電網的安全運行，導致大面積供用電問題，危及用戶設施設備安全，甚至可能引發火災，釀成重大安全事故?，F在，它的安全運行直接關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行具有重要意義。

環網柜發生故障是一個復雜的非線性過程，故障的產生也是多個因素共同作用的結果，目前對環網柜的故障研究主要集中在電力電纜絕緣故障檢測、SF6氣體濃度監測、電纜溫度監測、物理機理模型的故障檢測和多變量綜合監測。電纜溫度中電纜接頭溫度是環網柜重要的特征參數，是誘發和提前預判故障的關鍵點，電纜接頭溫度受電纜運行電流、線芯溫度、環境溫度等影響，因此，如何融合多變量影響，利用大量安全的歷史數據，動態提供電纜接頭溫度的安全閾值對環網柜異常及故障預測具有重要意義。

利用電纜等效熱路與電路在數學形式上相同的特點，設計出電路節點電壓法求解電纜熱路問題的數學方法[1]。綜合電纜的安裝方式、表面溫度、負載電流和環境溫度信息，通過計算機仿真技術計算出導體的運行溫度[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體溫度[5]。監測電纜接頭的溫度，比對是否超過溫度閾值，實現在線預報[8]。以上這些算法模型對實時測溫和預警有一定作用，但是對多變量相互影響、如何實現動態閾值等問題，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閾值的問題進行研究，在大量歷史數據的基礎上，提出了一種基于改進BP神經網絡的環網柜溫度預警方法。

1 算法描述

1.1 經典BP神經網絡

BP神經網絡結構如圖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節點之間的權值。

（1）節點輸出模型。

1.2 改進BP神經網絡

經典BP神經網絡算法通常存在以下問題：學習效率低，收斂速度慢，易陷入局部極小狀態。該文采用動量因子和自適應學習率來解決這些問題，動量因子法是在誤差反向傳播的基礎上，在每一個權值（或閾值）的變化上加上一項正比于前次權值（或閾值）變化量的值，并根據反向傳播法來產生新的權值（或閾值）變化。

（5）

式中，η為學習速率，k為訓練次數，a為動量因子，▽f（ωi，j（k））為誤差函數的梯度。

根據動量因子法的設計原則，當新的權值導致誤差增長時，新的權值應被取消而不是采用，同時動量作用停止下來，以使網絡不進入較大誤差曲面；當新的誤差變換率超過設定的最大誤差變化率時，也應取消所計算的權值變化。其最大誤差變化率可以是任何大于或等于1的值。訓練程序中采用動量法的判斷條件為：

2 實驗結果及分析

實驗以麗江古城區電網環網柜實時監測數據：柜內環境溫度、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，選取柜內環境溫度、濕度、電纜電流（A相、B相和C相）作為輸入值，通過改進BP神經網絡運算后，輸出電纜接頭溫度（A相、B相和C相）的預測值。

2.1 學習樣本數據

此文通過分析研究大量的實時監測數據，從中選取15組典型數據作為此次試驗的學習樣本（見表1）。為檢驗模型的精度，其中最后3組數據作為檢驗樣本。

2.2 學習樣本訓練及預測結果

設置最小均方誤差為0.001，學習率為0.01，動量系數為0.95，最大訓練次數為15000，將表1中1～15號樣本數據條件作為輸入，電纜接頭溫度作為目標輸出進行學習。該文采取批量訓練，結果與輸入順序無關，經過9000多次訓練后滿足精度要求，訓練結果和實測值對比分析見表2。

從表2可知，改進BP神經網絡模型訓練后最大絕對誤差為0.52，最大相對誤差為2.121%，同時3組檢驗數據誤差達到標準。

2.3 預警實驗及結果

此次實驗和實際運營數據是麗江大研古鎮22個環網柜運行和監測數據，通過6個月的觀察和實驗，把BP神經網絡的預測值作為預警閾值，預警概率為5%時，虛警概率不高于0.1%，達到了預期的效果。

3 結語

該文針對環網柜預警進行了一定的研究，取得了一些成果。實際上，環網柜和電纜的全壽命管理和預警有很多地方值得去研究，例如：（1）突發事件的處理，如雷電、地震和故意破壞等；（2）多變量數據處理，如數據的實時性、有效性、復雜性和突發性等；（3）數據挖掘和融合，為合理調配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，將會對環網柜監測的綜合效能有非常重要的經濟效益和積極作用。

參考文獻

[1] 劉毅剛，羅俊華.電纜導體溫度實時計算的數學方法[J].高電壓技術，2005，31（5）：52-54.

[2] 楊文英.電力電纜溫度在線監測系統的研究[D].東北電力大學，2008.

[3] 劉建忠.電纜溫度光纖實時監測系統[D].天津大學，2010.

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

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

[6] 孫靜，趙子玉.電力電纜溫度實時在線監測[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實時監測系統[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.