基于EMD-BP模型的10 kV開關柜溫度預測

文昌斌，石 強，鄭凱新，吳永華，童華敏

（1.國網湖北省電力公司荊州供電公司，湖北 荊州 434000；2.三峽大學 電氣與新能源學院，湖北 宜昌 443002；3.國網湖北省電力公司孝感供電公司，湖北 孝感 432000；4.國網湖北省電力公司宜昌供電公司，湖北 宜昌 443002）

0 引 言

高壓開關柜是變電站重要的電氣設備。大多數高壓開關柜采用封閉結構，無法直接觀察其動靜觸頭、母線室進線口等易發熱部位。當負荷較大且高壓開關柜散熱條件較差時，將導致柜內溫度升高和部件過熱，如不及時提醒和處理，將導致開關柜損毀并造成嚴重的安全事故[1]。因此，需要對封閉式高壓開關柜進行溫度實時監測和預警。

傳統測溫片和紅外測溫方法易受人為影響，無法直接測量開關柜內部溫度，且易受環境和周圍電磁場的干擾[2]。光纖測溫成本較高且存在安全隱患。無線溫度傳感器測溫的方法可靠性好、安全性高，可對高壓開關柜實現不間斷在線監測。采集的溫度數據序列通常具有非線性和非平穩性，回歸分析可將溫度表示為相應變量的函數，卻無法表示高壓開關柜溫度與相應變量的復雜關系。數據信號分解預處理和人工神經網絡相結合的模型，適合表示變量之間復雜的非線性關系，已經在很多領域得到成功應用[3-4]。

基于以上分析，建立一種10 kV封閉式高壓開關柜過熱風險預警系統。該系統利用無線溫度傳感器對高壓開關柜過熱部位進行測溫，并借助無線藍牙通信網絡實現溫度數據傳輸；利用EMD分解將測得的原始溫度序列分解成具有不同頻率尺度的模態分量；利用BP神經網絡模型對各模態分量進行預測；最后，累加各模態預測值實現開關柜過熱部位的溫度預測，并對比傳統BP神經網絡驗證所提模型的準確性。

1 10 kV開關柜風險預警系統結構

10 kV高壓開關柜作為一種金屬性封閉式開關電氣設備，以KYN28-12開關柜為例，柜內一般被隔板分成手車室、母線室、電纜室和繼電器儀表室等部分[3]。10 kV高壓開關柜與高壓進線柜、高壓出線柜、高壓計量柜、高壓互感器柜、直流屏控制柜以及直流屏電池柜等一起實現變電站10 kV系統的控制、計量和保護等功能。10 kV封閉式高壓開關柜過熱風險預警系統結構如圖1所示。

利用無線溫度傳感器獲取母線室進線口動觸頭的溫度，這些點一般為10 kV高壓開關柜容易過熱的點。為將溫度數據可靠傳輸到服務器，采用無線藍牙通信技術構建無線物聯網。無線藍牙技術是一種近距離、低功耗、低延時且便宜的雙向無線通信技術。相比于其他無線傳輸方式而言，它更適合變電站10 kV封閉式高壓開關柜這種不適合經常開柜且電磁環境復雜的場合[5-7]。中心服務器建立關系型數據庫，接收無線傳輸的變電站不同10 kV封閉式高壓開關柜的不同觸點溫度數據。為實現可靠過熱風險預警，數據采取周期性傳輸。對接收的溫度數據進行預處理和學習，實現數據兩個方面的功能：一是EMD數據分解預處理；二是基于改進BP網絡訓練分解的數據，實現對高壓開關柜的過熱風險預警。

圖1 10 kV封閉式高壓開關柜過熱預警系統結構圖

2 EMD經驗模態分解

EMD分解依據原始信號的時間尺度特性對信號進行分解，無需預先設置基函數，對于處理非平穩性及非線性的數據具有明顯優勢[3]。利用該方法分解具有非平穩性及非線性的溫度數據步驟如下。

第1步：初始化r0=x(t), i=1；

第2步：對原始溫度序列f進行EMD分解，得到第i個具有固有本征模態分量imfi(t)，求解公式如下：

第3步：重復執行以上兩步進行分解，hi(t)、hj(t)為分解的模態分量上、下包絡線序列，mj-1(t)為hi(t)、hj(t)的均值序列，且滿足：

rn(t)為分解的第n個不同頻率尺度的IMF的殘余分量，代表溫度信號數據的變化趨勢。當ri(t)的極值點大于2時，i=i+1，返回第2步；否則，跳出循環，輸出結果。

按上述步驟，對于一個原始信號采用EMD分解為6個分量的結果，如圖2所示。其中，Original為原始溫度序列，IMF1～IMF5為進行EMD分解得到的主要模態分量，IMF6為殘余分量。

3 BP神經網絡的基本原理

3.1 人工神經網絡

人工神經網絡具有高效處理非線性擬合問題的能力。以BP（Back Propagation）神經網絡為例，它是一種按照誤差反向傳播進行訓練的多層前饋神經網絡，本質是一個多層感知器（Multi-Layer Perceptron，MLP），包含輸入層、隱藏層以及輸出層3個要素[4,8]。BP神經網絡的一般結構如圖3所示。

神經網絡的工作機理可以類比成一個函數的映射過程：

圖2 EMD分解的固有模態分量

圖3 神經網絡結構圖

一個簡單的神經網絡可以理解為兩次一元函數的輸入和輸出，即完成正向、反向誤差的傳播。第一次Yi=A1(Wi*X+bi)，其中X是原始數據的輸入，A1代表激活函數。第二次Yj=A2(Wj*Yj+bj)，其中Y1是第一次的輸出，A2是激活函數。Wi、Wj，bi、bj分別為其權值和偏置參數對，原則上各不相同。經過以上兩層誤差的傳遞，若誤差大于設定誤差ε，該誤差將會反向傳遞給隱藏層求解其誤差梯度，用來更新權值W和偏置b；在正向傳遞中計算誤差，當誤差小于設定誤差ε或達到最大迭代次數時，輸出最終訓練的y結果如下：

3.2 BP神經網絡參數估計

BP神經網絡結構的隱藏層數為保證訓練精度和防止過擬合將其設置為2層，選擇sigmoid函數作為激活函數，并采用均方誤差（MSE）作為測試表現的依據。

針對常規BP神經網絡學習效果不佳，選擇Nadam優化算法對BP網絡進行參數優化。Nadam優化算法是一種自適應學習率的方法，對網絡學習率有較強約束，計算效率高，訓練收斂速度比梯度法快，訓練精度更高。改進BP神經網絡的參數如表1所示。

為將分解得到的模態分量數據導入構建的BP神經網絡，使得輸入的數據更好地表現溫度數據的變化情況，采用相空間重構[9]（Phase Space Reconstruction，PSR）對原始數據進行優化處理。該技術的關鍵參數——延遲時間τ和嵌入維數d根據實際情況分別設置為1和5。采取坐標延遲重構法，構造一維時間序列在延遲時間τ下的相空間矢量。因此，對于分解的模態分量序列x={xi|i=1,2,…,N}可以表示為：

表1 誤差系數

通過以上操作，分解的模態序列可以更好地反映溫度變化趨勢，形成BP神經網絡模型的輸入，以便進行訓練和預測。

3.3 模型評價指標

為對比傳統BP神經網絡與EMD-BP神經網絡的預測效果，將MAE平均絕對誤差、RMSE均方根誤差、MAPE平均絕對百分比誤差作為評判指標。

4 實驗分析

本文利用深度學習框架Keras搭建BP神經網絡，基于TensorFlow后臺實現相應功能。對溫度數據采用歸一化處理，便于簡化運算，減小計算復雜度：

式中：X為溫度樣本值，Xmax、Xmin分別為樣本對應的最大值和最小值，max、min為縮放的邊際范圍值。

采集100個溫度序列預測后20個點的溫度結果如圖4所示，預測結果誤差見表2。由圖4和表2可知，所提EMD-BP溫度預測模型對封閉式高壓開關柜過熱部位的溫度預測效果要優于傳統BP預測模型，且所提模型預測精度更高。

圖4 溫度預測效果對比圖

研究結果表明，所提EMD-BP預測模型模型有效擬合和預測了非線性的溫度序列。對比兩種模型的誤差評價指標，所提模型誤差評價指標MAE為1.71%、RMSE為2.08%、MAPE為2.11%，均小于傳統BP預測模型。預測性能優于傳統BP模型，體現了EMD-BP模型對于處理非平穩性和非線性溫度序列的能力，同時結合改進算法優化了BP神經網絡的學習能力和收斂能力，采用相空間重構技術，有效整合了高壓開關柜的發熱溫度數據的時序特性，便于BP網絡從溫度數據中挖掘和學習知識，以對比兩種模型的預測精度，驗證了方案的準確性與實用性。

表2 誤差系數

5 結 論

針對10 kV封閉式高壓開關柜內部過熱隱患，提出了一種新的解決方案。采用先進的物聯網設備采集和存儲溫度數據，EMD經驗模態分解對原始具有非平穩性的溫度序列進行模態分解，結合相空間重構，形成更適合BP神經網絡學習的溫度輸入序列。最后，利用BP神經網絡高效的非線性擬合學習能力，充分挖掘高壓開關柜內部過熱溫度數據知識，建立EMD-BP溫度預測模型，并通過實驗分析驗證所提方案的準確性和有效性。對比傳統BP模型，所提方案在溫度預測的擬合度和誤差率方面均取得了良好效果，預測精度更高。