PSO-BP神经网络在开关柜设备温度预测中的应用

郭文强，董 瑶，李清华，张梦梦，王立贤

(1.陕西科技大学 电子信息与人工智能学院，陕西 西安 710021;2.陕西科技大学 电气与控制工程学院，陕西 西安 710021;3.西安西翰电力科技有限公司，陕西 西安 710065)

0 引言

随着我国经济的快速发展，电力系统的安全性、稳定性和可靠性受到越来越广泛的关注[1,2].近些年来由电力设备过热引起的电力事故频发，造成了严重的社会影响.开关柜是电力系统中不可或缺的配电设备，其安全、可靠运行是电网系统稳定的基础[3].电力设备若发生异常，往往体现于设备温度的异常变化.因此对电力开关柜设备进行温度预测，可以为电力系统安全稳定运行提供重要的决策依据.

随着人工智能技术的发展，预测问题的解决方式趋于多样化、智能化[4,5].文献[6]采用了多元线性回归的方法建立回归预测模型，对开关柜触点温度进行预测，取得了较好的实验效果；文献[7]运用K-近邻与多轮投票机制的广义回归神经网络模型对变电站设备进行温度预测，该方法增加了预测的可靠性.但上述两种方法并没有考虑到外界因素对设备温度的影响，只对温度变量本身进行相关处理.而文献[8]采用粒子群算法(Particle Swarm Optimization，PSO)优化神经网络的方法对液压系统故障进行预测诊断，诊断预测模型的精度有了一定的提升，验证了此方法对该问题解决的可行性；文献[9]设计了甲烷监测系统并利用PSO优化BP神经网络的方法对甲烷浓度进行预测，优化后的网络使得预测精度予以提高.

而目前利用PSO优化BP神经网络法进行电力系统开关柜设备的温度预测尚未见到相关文献.考虑开关柜内设备温度的非线性特征，以及对其影响因素的复杂性，本文采用PSO算法优化BP神经网络的方法来提升温度预测的准确性.随后，将其应用到开关柜内设备的温度预测中，可为电力系统安全稳定运行提供决策依据.

1 电力开关柜设备在线监测系统

开关柜内的设备，如母线排、触头等，都影响着电力系统安全、稳定的运行.现有的电力系统通过对开关柜设备的在线监测，在一定程度上可以了解到系统的运行状态[10].图1所示为变电站开关柜设备在线监测典型系统图.

图1 开关柜内设备监测系统图

该监测系统由三层组成，分别为：数据采集层、数据传输层与数据监控层.数据采集层主要对相关设备(如母线排、电缆接头等)的电流、设备温度、环境温度等进行实时监测，分别采用了红外、光纤温度传感器等方法对其进行数据采集，温度的监测精度一般需达到-0.5 ℃～0.5 ℃范围内[11]；数据传输层主要负责将采集到的温度通过无线传输或者有线传输的方式传送至主机；数据监控层主要进行历史监控数据的接收与存储，针对监测数据进行后台显示等相关操作，便于工作人员直观获取信息，进行管理.

在监控层嵌入预测功能，可以达到对设备健康状态提前掌握的目的，因此利用监控层的SCADA系统数据库为基础，以开关柜内母线为例，对历史数据进行相关处理，并利用PSO-BP法构建温度预测模型.如表1所示，为陕西省某变电站开关柜设备2018年6月20日至2018年7月12日的数据，1小时采集一次，共552组.

该开关柜电压等级为6 KV，母线采用3*2(TMY100*10)接线方式，即A、B、C相负荷每相是由2根100*10的铜排承载.开关柜内母线温度与设备所带负荷、环境温度等有着紧密联系，而负荷的大小可以用电流直接反映，故选取母线A、母线B、母线C的电流与环境温度作为模型的主要输入参量.

表1 样本数据集

2 建立PSO-BP的温度预测模型

由于传统的BP神经网络模型的初始权值w与阈值b随机生成，导致网络的训练结果极易陷入局部极小值，利用PSO优化算法的全局搜索特性[12]，可对神经网络的初始权值与阈值进行优化，建立开关柜母线温度预测模型.进而完成对PSO-BP网络温度预测模型的构建.

基于PSO-BP的开关柜温度预测模型建立流程图如图2所示，模型建立主要步骤如下：

步骤一：获取开关柜设备样本数据集D，并进行数据预处理得到特征样本D′；

步骤二：判断是否建模.若模型已建立，则执行步骤十三；否则，执行步骤三；

步骤三：调节设置网络模型的输入层、隐含层和输出层的神经元个数(p、q、h)，种群规模N、进化次数M，加速度因子c1、c2，惯性权重最大值与最小值wmax、wmin，位置边界Xmin、Xmax，速度边界Vmin、Vmax，迭代次数k，最大迭代次数kmax等参数；

步骤四：判断权值w和阈值b是否优化.若已经优化，则跳转至步骤十一；否则执行步骤五至步骤十；

步骤五：随机生成初始粒子种群P.即在给定定义域[Xmin，Xmax]、[Vmin，Vmax]内，随机生成位置矩阵和速度矩阵，其中每个粒子都是一组潜在解，对应一组权值与阈值；

步骤六：利用样本数据D′训练BP神经网络并进行预测得到输出值Zn，利用公式(1)计算种群中所有粒子适应度值fitness[13]；

(1)

式(1)中：R为常数，h为输出层节点个数，Yn为节点n的实际温度输出值，Zn为节点n的预测温度输出值.

图2 基于PSO-BP的温度预测流程图

步骤七：记录当前粒子的位置为Pbest，初始化粒子中最好粒子的位置为Gbest，令个体最佳适应度值fitnesspbest=fitness，群体最佳适应度值fitnessbest由公式(2)求解得到：

fitnesspbest=min(fitness)

(2)

步骤八：根据公式(3)和公式(4)更新所有粒子的位置和速度，得到新粒子P′并利用公式(6)和公式(7)所示的边界约束条件确定新粒子；

(3)

(4)

w(k)=wmax-(wmax-wmin)*k/kmax

(5)

(6)

(7)

步骤九：根据公式(1)计算新粒子的适应度值，并根据粒子适应度值更新步骤七中Pbest及Gbest；

(1)个体最优更新

如果第j个粒子适应度值fitness(j)低于更新前的适应度值fitnesspbest(j)，即fitness(j)

(2)群体最优更新

如果第j个粒子适应度值fitness(j)低于群体最佳适应度值fitnessgbest，即fitness(j)

步骤十：若当前迭代次数k>kmax，那么保存最优粒子位置，执行步骤十一；否则令k=k+1，跳转至步骤八；

步骤十一：将PSO算法优化后得到的最优解作为网络的初始权值w′和阈值b′；

步骤十二：根据样本数据集D′以及w′、b′，训练BP神经网络，得到PSO-BP温度预测模型，返回步骤一；

步骤十三：由PSO-BP模型进行推理预测，输出设备温度预测结果.

3 实验与分析

应用上述基于PSO-BP的开关柜温度预测模型建立方法可以进行开关柜设备温度预测，实验数据集源于表1.累年年平均气温13.7 ℃，累年极端最高气温和最低气温分别为38.8 ℃和-6 ℃.此次实验在实验室环境下进行，仿真实验平台为windows10系统，计算机配置为Intel CPU 2.60GHz，编程工具为MATLAB R2014a.

3.1 数据处理与参数设置

如表1所示，本文将t时刻、t-1时刻和t-2时刻的三相母线电流、环境温度以及时间序列作为输入，t+1时刻的三相母线温度作为输出，将原始数据处理可得549组样本数据，其中，前501组样本数据用于模型的训练，后48组样本数据用于模型的测试.

结合实际应用，本文采用归一化的方式对数据进行预处理，即将历史数据归一化到相同的尺度上，采用公式(8)进行归一化.

(8)

PSO-BP模型的参数设置：c1=1.499 4，c2=1.499 4，Vmax=1，Vmin=-1，Xmax=1，Xmin=-1，wmax=0.9，wmin=0.4，kmax=50，种群规模N=40.BP神经网络结构：输入层神经元个数p=15，代表t时刻、t-1时刻和t-2时刻的三相母线电流、环境温度以及时间序列；根据经验公式以及试数法，确定隐藏层神经元个数q=17，输出层神经元个数h=3，分别为t-1时刻母线A、B、C的温度值[14].即本文BP神经网络的结构设置为15-17-3.其中,隐层激励函数选用tan-sigmoid，输出层的激励函数选用linear，训练函数选用traingd.

3.2 实验结果与分析

本实验在相同的网络结构与网络初始化设置的条件下，采用传统BP神经网络与PSO-BP算法分别对相同数据集下的开关柜母线温度进行预测，做45次构建模型和预测，结果再取平均值.

以母线A为例，传统BP神经网络预测值、PSO-BP神经网络预测值与实际温度值的对比如图3所示.

图3 母线A不同算法预测结果对比图

可以直观地看出：经过粒子群优化算法优化的BP神经网络较传统BP神经网络的预测精度高.对于母线B与母线C的预测结果与母线A类似.

以母线A为例，如图4所示为不同算法的残差实验结果.

图4 BP与PSO-BP实验结果预测残差比较

通过对比可以看出：相同条件下，传统BP预测法的预测误差在[-2.0,1.5]之间波动，而本文所用PSO-BP预测方法的预测误差在[-0.4,0.4]之间波动，预测误差明显小于传统BP法.

本文选取常见的平均绝对误差MAE、相对误差、均方差MSE和平均绝对百分比误差MAPE作为衡量算法模型优劣的评价参数.实验结果如表2、表3、表4和表5所示.

表2 不同算法MAE结果对比

表3 不同算法相对误差结果对比

表4 不同算法MSE结果对比

表5 不同算法MAPE结果对比

通过表2、表3、表4和表5可以看出：PSO-BP法相对于传统BP法的各项指标都处于下降趋势.BP法的最大绝对误差为1.919 ℃，而PSO-BP法的最大绝对误差为0.388 3 ℃，能满足温度的预测精度-0.5 ℃～0.5 ℃的要求.文献[15]采用LMS算法和Levenberg-Marquardt算法对网络进行训练，并对开关柜温度进行预测，其最大绝对误差为1.7 ℃，对比可知本文方法明显优于该方法.因此利用PSO-BP模型进行温度预测拥有更好的精确度，模型拟合能力更强.

分析可知，本文充分利用了粒子群优化这一仿生算法的全局搜索寻优特性与BP神经网络相结合，有效地解决了BP神经网络初始权值与阈值随机设定的问题，避免了训练结果易陷入局部极小值，从而提高了开关柜母线温度的预测准确度.

4 结论

本文将PSO优化BP神经网络的温度预测算法应用到开关柜设备的温度预测之中.该方法利用了PSO优化算法的记忆能力、较好的全局搜索能力等使得神经网络初期得到更好的权值与阈值.以母线A、B、C为例进行温度预测，实验结果表明：本文用PSO-BP预测算法有效地改善了BP神经网络的初始权值与阈值，提高了开关柜母线温度预测的精度，增加了对开关柜运行状态的定位途径.该方法也可应用于开关柜内其它设备的温度预测，为电力系统的安全稳定运行提供了保障，并为电力开关柜监测系统的完善提供一种新方法.