基于自适应神经网络算法的变电站设备温度预测系统研究

作者:王婷 刊名:信息与电脑(理论版) 上传者:张卫军

【摘要】随着电力系统的发展,电力设备输送能力不断增加,而变电站内电气设备的温度变化带来的电网运行问题将会越来越突出。电气设备温度不断上升,若不及时发出警告,容易引起火灾爆炸等安全事故,造成财产损失,构成人员安全威胁。准确预测设备温度变化趋势,能有效预防电气设备故障,实现提前预警,尽早解除隐患。本文针对变电站现场实际情况,结合神经网络,提出两种基于自适应神经网络算法的温度预测模型,对电气设备温度进行预测,并给出变电站设备温度预测系统的整体流程图。

全文阅读

变电站是电网输电系统的重要环节。随着社会发展,人们用电量剧增,更加重视供电系统的安全,保证电力设备稳定工作。目前,虽然测温技术在电力系统中应用广泛,但在我国变电站监测系统中使用有效性并不高,尤其是温度监测预警。现有的温度监控预测系统并不能很好地满足智能化、自动化需求,还需要大量人工参与。工作人员的巡检记录难免存在失误,系统温度阈值的人为设定也很难解决误报和漏报问题。为此,本文变电站设备温度预测系统在无源无线测温技术基础上,将历史温度数据作为样本,获得的实时数据作为输入,利用自适应神经网络算法,对以温度为主要参数,设备相关数据为辅助参数的数据进行分析预测,找到设备温度变化和故障间的内在联系,预测设备温度变化趋势和分析可能导致的故障,从而实现设备温度预测预警。根据变电站需检测的电气设备分布情况,提出同一条线上由上游设备温度预测下游设备温度、由当前设备温度预测设备未来温度的两种基于自适应神经网络算法的变电站设备温度预测模型,并给出基于自适应BP神经网络的变电站温度预测系统整体流程图。1 变电站设备温度预测模型结构为了科学客观地掌握变电站设备温度的动态变化规律,我们需要了解变电站检测设备的分布。在变电站中,无线无源传感器的分布有一定的规律,各个设备的温度获取、设备的位置可以简单地抽象出一个简易模型,如图1所示。图1 变电站设备简易模型图设备1和设备2是一条线上的两个电气设备,电流走向由左向右。负载增加,电流变化引起的温度变化,会使电气设备1和电气设备2具有类似的温度变化趋势。现提出两种基于自适应神经网络的温度预测模型结构,一种是以电气设备1的温度监测值预测下一个设备(电气设备2)的未来温度值如图2,另一种是用设备2的当前温度值预测设备2的未来温度值如图3。输入元素除无线无源传感器获得的温度值外,还有电流、环境温度等;输出为温度值等。 图2 温度预测模型1示意图图3 温度预测模型2示意图上图中,网络均由多输入单隐层单输出前馈神经网络组合而成,网络结构简单,便于提高学习速率。图2的输入是一个设备的温度值,图3的输入是当前设备温度值。Y’(k+1)为经过神经网络算法后得出的下一时刻预测值,Y(k+1)为实际温度值,学习算法是根据实际值和预测值之间的误差情况,自动调整学习速率,实现误差最小化。2 自适应神经网络2.1 神经网络神经网络是由许多并行互连的神经元模型组成。本质上,一个神经网络模型体现的是一个网络如何将它的输入转化为输出的过程。神经元是神经网络的基本处理单元,结构模型如图4所示。图4 神经元模型其中,xj(j=0,1,2,...N-1)为神经元的输入信号;wj(j=0,1,2,...N-1)为联接权;u为各输入元素组合后的输出,也是隐含层神经元的净输入,见式(1);θ是神经元阈值;v为经过误差调整后的值,见式(2);f()是激励函数,其可取不同的函数;y是神经元的输出见式(3)。(1)uv+=θ(2)(3)2.2 自适应BP神经网络BP神经网络是使用最普遍的神经算法,是单向传播的多层前馈网络,由输入层、隐含层、输出层三部分组成。同层节点间没任何联系,每个节点都是单个神经元。各层之间存在连接权,其大小反映各个神经元之间的连接强度。多层前馈BP网络结构如图5所示。图5 多层前馈BP网络结构图其中,表示n个输入,k个输出,m个隐含层神经元,输入层节点xi与隐含层节点yj之间的连接权值为wij,隐含层节点yj和输出层节点zl之间的连接权值为vjl。隐含层节点阈值为θj,输出层节点阈值为αl。隐含层激活函数为f(x),输出层激活函数为p(x)。BP神经网络的学

参考文献

引证文献

问答

我要提问