基于BP神经网络的电力设备运行温度预测方法研究

国网山东省电力公司枣庄供电公司 陈化军 张 萍 贾寅飞 王 超 孟晨平

0 引言

电气设备连接松动、接触不良、漏磁、过电流等诸多因素都可引起设备过热引发设备故障。对不同类型的电气设备进行有效的监控，并自动分析电气设备运行状态成为当前该领域的研究热点。目前，国内外利用红外热成像技术对电力设备进行故障检测的应用已较为普遍，在我国红外成像技术已成为变电运维工作中缺陷设备诊断的重要依据，利用红外热成像技术对电力设备进行有效的检测，可使设备事故率、维修费用显著减少[1]。

运维人员利用红外热像仪对电力设备进行红外拍摄，获取电气设备红外温度信息，通过对电气设备红外图像的热分析实现电气设备的健康程度判断[2-3]。红外图像的分析是一个复杂而繁重的工作，给运维人员平添了大量的额外工作量，而且不能充分利用历史积累红外图像的信息[4-5]。本文利用电气设备红外图像的红外信息、负荷电流、环境温度信息、日照强度、对流系数等关键信息，结合BP神经网络开发基于红外图像的电力设备状态智能预警软件。该软件可在给定负荷电流等信息的基础上实现电力设备运行温度预测，同时，通过实测温度和预测温度的对比实现电力设备的状态诊断。

1 BP网络拓扑

BP神经网络是基于误差反向的多层前馈神经网络。BP算法属于梯度下降算法，是一种监督式的学习算法。用网络的实际输出与目标矢量之间的误差来修正网络权值，使输出与期望尽可能接近(网络输出层的误差平方和达到最小)；通过反复在误差函数梯度下降方向上调整网络权值的变化，逐渐逼近目标。BP网络通常为层结构，包括输入层、若干隐藏层和输出层，层与层之间的神经元全向连接，层内神经单元没有联系。

图1 BP神经网络拓扑结构图

基本BP算法包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行图1为3层BP神经网络拓扑结构图。图中共有M个输入节点，P隐藏节点，N个输出节点，图中：

xi表示输入层第i个节点的输入，

wij表示输入层第i个节点到隐藏层第j个节点之间的权值，

θi表示隐藏层第i个节点的阈值；

表示隐藏层的激励函数；

wjk表示隐藏层第j个节点到隐藏层第k个节点之间的权值，

αi表示输出层第i个节点的阈值，

ψ(x)表示输出层的激励函数；

yi表示输出层第i个节点的输出。

1.1 信号的前向传播过程

隐藏层第i个节点的输入neti：

隐藏层第i个节点的输出yi：

输出层第k个节点的输入netk：

输出层第k个节点的输出outk：

1.2 误差的反向传播过程

误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。

对于每一个样本p的二次型误差准则函数为Ep：

其中OUTk为样本输出。

系统对L个训练样本的总误差准则函数为：

根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐藏层权值的修正量Δwij，隐藏层阈值的修正量Δθi。

式中η为学习率为一个0～1之间的常数。

输出层权值调整公式：

输出层阈值调整公式：

隐藏层权值调整公式：

隐藏层阈值调整公式：

考虑到：

分别将式(12)-(15)代入到式(8)-(11)可得如下公式：

2 基于改进神经网络的电力设备运行温度预警方法

本文以负荷电流、环境温度信息、日照强度、对流系数为输入，以设备最高运行温度为输出构建了基于文基于BP神经网络技术构建了电气设备运行温度预警模型。

2.1 隐藏层的层数选择

理论和实践应经证明，任意函数可以被一个有三层单元（输出层使用线性单元，两个隐藏层使用sigmoid单元）的网络以任意精度逼近[6]，增加层数可进一步降低误差，但会增加网络的复杂度。考虑训练速度和计算精度，结合电气设备运行温度预警的实际需求，本文选择具有两个隐含层的神经网络。

2.2 隐藏层节点数的确定

BP神经网络的隐藏层节点数对BP神经网络预测精度有较大的影响＝节点数太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合。在实际神经网络问题中，隐藏层节点数的选择首先是参考公式来确定节点数的大概范围，本文隐藏层节点数的选择可由式(20)确定：

式中，l为隐藏层的节点数，n为输入层的节点数，m为输出层的节点数，a为一个0-10之间的常数。文本神经网络的输入为日照强度、风速、环境温度和负荷大小四个变量，因此输入层节点数为4；神经网络的输出设备运行温度，因此，输出层的节点数为1；按照式（20）计算可得隐藏层节点数为2-12之间的一个数，这个范围比较宽泛，本文采用试凑法确定最佳隐藏层节点数为10。

3 应用测试

以LW 13-550六氟化硫断路器为例，不同运行条件下测得100组断路器运行数据。部分数据如表1所示。

表1 不同运行条件下测得100组样本数据

利用MATLAB神经网络工具箱中的函数feedforwardnet([10,10])构建每层节点数均为10的双隐藏层神经网络网络，设置最大迭代次数为10000，训练目标为期望误差为10-5，附加动量因子为0.9，学习率取0.05，最小性能梯度取10-6，隐藏层的传递函数均采用“logsig”，输出层的传递函数采用“purelin”。经过13次训练效果达到最优。训练结果如图2、3所示：

图2 神经网络的训练效果

图3 验证样本预测值和期望输出值

利用训练好的神经网络可实现断路器的运行温度进行预测，通过负荷预测和天气预报可得日照强度、风速、环境温度、负荷大小等神经网络的输入条件。将日照强度1100W/m2，风速8m/s，环境温度40℃，负荷1000MVA作为条件输入到训练好的网络，经过仿真可得断路器最高运行温度点的温度为77.2℃。

4 结论

本文利用电气设备红外图像的红外温度信息、负荷大小、环境温度、日照强度、风速等关键信息，构建基于BP神经网络的电力设备运行温度预测模型，通过电气设备的实际运行数据作为BP神经网络的学习样本和测试样本，通过Matlab软件进行网络训练得到电气设备运行温度预测网络模型。算例表明该网络模型的预测结果具有较高的可靠性和工程实践价值。

[1]陈锋,周业如.电气设备红外成像图库与远程辅助诊断系统研究[J].华东电力,2008,36(12):55-58.

[2]王启银,薛建东,等.一种自适应的变电站设备红外图像分割方法[J].红外技术,2016,38(9):770-773.

[3]崔克彬,李宝树,等.基于图像增强技术的电气设备热故障自动诊断与定位[J].红外技术,2014,36(2):162-167.

[4]段绍辉,丁庆,等.基于红外图像识别的电气设备温升检测[J].机电工程,2014,31(1):7-11.

[5]门洪,于加学,等.基于CA和OTSU的电气设备红外图像分割方法[J].电力自动化设备,2011,31(9):92-95.

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