基于ABPNN 神经网络的开关柜温升风险评估方法研究

王乐宁，邱 华，唐 诗，袁永生，郭 江

（1.国能大渡河猴子岩发电有限公司，四川甘孜 626100；2.国能大渡河流域水电开发有限公司，四川成都 610041；3.武汉大学动力与机械学院，湖北武汉 430072）

0 引言

开关柜作为重要的电气设备，广泛应用于电力、铁道、工矿等各个行业，负责电力设备的启闭、控制和保护，覆盖电能生命周期的大部分领域，需要重点关注其运行状态，保证设备安全稳定。由于开关柜内部电气和机械结构复杂、环境封闭，散热条件较差，开关柜温度变化成为其状态分析的核心表征。近年来，因开关柜触头接触位置过热，而导致开关柜温升过热，进而出现大范围停电甚至火灾的问题屡见不鲜［1，2］。因此，如何实现对开关柜温升情况的实时监控和预测，及时发现可能存在的过热故障隐患，并进行故障预警，从而提升开关柜安全运行水平，已成为电力系统稳定运行亟需解决的问题之一。

为此，国内外研究学者对开关柜温升监测系统展开了大量的研究。红外、光纤等测温方法成熟，已形成规模化生产，其中无线测温法因其成本低、面积小、不需要安装布线等优势被广泛应用［3-6］。但此类监测方法多关注温度信息的采集，并未涉及到设备风险评估及预测。传统的开关柜升温预警便是利用采集的温度数据与所设定的固定预警阈值比较，以此来对比判断开关柜运行状态，此类方法预警准确度依赖于人工设置的预警阈值，主观性较强，经常会发生误报和漏报的现象。

基于此，目前很多研究学者从温升有限元分析［7-10］、时序分析［11］、熵权法［12］、信息融合技术［13］等角度提出很多温升预警算法。例如，张凯等［7］提出了一种基于有限元分析的温度场仿真，运用流体仿真软件模拟开关柜温度分布；杨帆等［11］提出了一种基于多数据融合的预警算法，从环境温度、电流和实时温度三个角度获取的数据出发，建立BP 神经网络评估模型，来进行温度预警；许高俊等［12］提出一种综合温度预警算法，将不同的预警阈值融合在一起，形成一个预警系统；刘耀巍等［13］从聚类分析的角度，提出一种基于最优等级数的多为特征量开关柜健康状态评估方法。较传统的阈值比较法，以上方法均获得了更好地风险评估准确度，然而其影响因子的选择均来自于与开关柜温升变化有直接关系的一些信息，如触头温度、环境温度、实时电流，而忽略了开关柜自身对其温度产生的影响。

因此，为了能够提高开关柜状态预测准确性，本文在开关柜温度异常状态分析和预警中引入开关柜台帐信息、运行信息、环境信息等影响其温升的因素，提出了一种基于自适应BP神经网络（Adaptive back propagation neural network，ABPNN）的开关柜温升风险评估方法。该方法首先通过分析开关柜温升异常机理，确定温升因素，并以此作为输入层，以温升风险等级作为输出层，建立BP 神经网络模型，在此基础上引入自适应遗传算法实时调整网络参数，最终构建自适应能力更强，预测结果更准确的温升风险评估模型。工程应用结果表明，本文提出的模型，相较于传统的神经网络模型（BP）和GA-BP 模型，可以更加快速准确对开关柜温升异常提出预警，对电力系统风险管控具有重要意义。

1 开关柜温度异常机理分析

1.1 开关柜温度异常机理分析

开关柜内载流回路有多处母排搭接面，并且，广泛使用的手车式开关柜，由运行人员推入或退出手车来控制隔离断口的关合或开断，这些静态搭接面或动态接触点存在接触电阻，一旦电流通过，就会产生与接触电阻值和电流值呈正相关关系的热量，引起柜内温度上升。

按照相关标准或规程生产、安装和运维的开关柜，各接触点的接触电阻应在相应范围内，在通过正常运行电流的情况下，温升符合规定要求。但在接触不良、设备老化、局部放电等情况下，发热量将异常提高，再加上开关柜内部散热性差，易导致异常温升［14］。过热故障隐患继续发展，因温度异常升高加剧接触点氧化、烧蚀，引起接触电阻进一步增大、温度进一步升高，从而导致恶性循环，直至出现开关柜过热故障［15-18］。

1.2 影响因子和温升风险等级确定

根据开关柜温度异常发生机理，首先确定温升直接影响因子，如开关柜所处环境温度的高低、负荷电流的大小、导体接触电阻阻值大小等因素，可作为其风险评估影响因子；其次，电站中运行的开关柜大多不是满载运行，一般随着用户对用电需求的改变负荷电流也随之变化，负载的改变会对温升产生直接影响，同时，在进行温度监测时也应考虑电气设备在环境湿度过高或过低下的影响，此外由于母线材料不同，电阻率不同，导致导体接触电阻不同，因此可考虑用电负载、环境湿度等间接影响因素。除此之外，触头接触面积的大小也会对接触电阻产生影响，也可作为其间接影响因素。

基于上述对开关柜温升影响因素的分析，本文在结合开关柜台帐数据、运行数据、监测数据、环境数据等的基础上，确定了开关柜温升主要影响因子有运行年限、历史故障情况、负荷电流、母排温度、触头温度、环境温度、环境湿度、导体接触电阻、触头接触面积、风机状态［19-22］。

根据历史故障数据信息、开关柜温度与可能安全事故隐患的大小，可确定开关柜温升风险等级有五级，如表1所示。

表1 开关柜的温升风险等级Tab.1 Risk level of temperature rise of switchgear

2 ABPNN神经网络开关柜温升风险评估模型

开关柜温升异常多由多影响因子相互作用形成，其风险评估具有非线性、多扰动性等特点，影响因子与温升风险相关关系复杂［23，24］。针对这种非线性、不确定性的关系预测，传统的关系型预测方式已经不再使用，可采用泛化能力强和自组织能力强的神经网络模型来描述并逼近这些更加复杂的非线性关系。

现存较为成熟的神经网络模型有很多，其中BP 神经网络结构简单，包含输入、隐含和输出三层结构，其训练算法一般以目标输出与实际输出之间误差为优化目标，采用梯度下降法来不断地对权重进行修正，以达到精确预测的结果，算法成熟且简单，被广泛应用于解决非线性问题。然而直接用BP 神经网络去训练开关柜温度异常模型，一方面会因为输入层神经元个数的增加而陷入维度灾难，造成训练时间过长；另一方面收初始权值，网络结构等的限制，容易陷入局部最优，导致评估准确度降低［25-28］。

基于此，本文在研究开关柜温度相关记录数据的基础上，对其有价值的数据进行挖掘和分析，并构建自适应BP 神经网络的开关柜温升预警模型（Adaptive back propagation neural network，ABPNN）。模型一方面采用传统的遗传算法对BP 神经网络进行了优化，避免了BP 网络陷入局部最优和过拟合等问题；另一方面根据遗传算法中适应度值的变化，实时调节交叉、变异概率，通过自适应地概率调整，保证种群多样性的同时，提高模型收敛性。

2.1 ABPNN网络结构

ABPNN 开关柜温升风险评估模型的网络结构包含3 层：输入层、隐含层和输出层，如下图1 所示。其中，输入层由n个神经元组成｛x1，x2，…，xn｝，即开关柜温升风险n个影响因子；隐含层由d个神经元组成｛h1，h2，…，hd｝，接受输入层传来数据、进行处理得到输出，传递给下一层；输出层由m个神经元组成｛y1，y2，…，ym｝，用来输出开关柜温升风险等级。

图1 ABPNN模型网络结构Fig.1 ABPNN model network structure

将输入层到隐含层的连接权重设为wih，此时可计算出隐含层中第j个神经元的输入hih（j）和输出hoh(j)，如式（1）和（2）所示。

同样假设，隐含层到输出层的连接权重为who，此时，输出层中第k个神经元的输入yio(k)和输出yo(k)分别是：

在此过程中可选取sigmoid 函数作为隐含层和输出层的激活函数f。各层之间的权值通过计算输出值的误差来进行修正。

由此可知，将ABPNN 模型用于开关柜温升风险评估，首先需要确定网络的输入和输出，来构建样本数据集。根据前面开关柜温升异常机理分析，可确定ABPNN 开关柜温升风险评估的网络结构输入层包括10 个神经元，分别为：运行年限（x1）、历史故障情况（x2）、负荷电流（x3）、母排温度（x4）、触头温度（x5）、环境温度（x6）、环境湿度（x7）、导体接触电阻（x8）、触头接触面积（x9）、风机状态（x10）。

输出层应为开关柜温升风险等级，因此，可将输出层神经元个数设置为3，即y1，y2，y3，每个神经元输出取值为0 或1。则如果输出“000”，代表风险等级为Ⅰ，输出“001”代表风险等级Ⅱ，输出“010”代表风险等级Ⅲ，输出“011”风险等级Ⅳ，输出“100”代表风险等级Ⅴ。以此确定模型的输入和输出，并建立相应的训练样本集。

2.2 建立ABPNN温度异常风险评估模型

建立基于ABPNN 的开关柜温度异常风险评估模型，如图2所示的算法流程图，包含以下步骤：

图2 开关柜温度异常风险评估流程图Fig.2 Risk assessment process for abnormal temperature of switchgear

步骤1：确定开关柜温升风险的影响因子X和温升风险等级Y：并对原始采集数据进行预处理（标准化处理或者归一化），使得样本输入数据限制在［0，1］区间，得到ABPNN 网络的输入层神经元和输出层数据，上述数据预处理方法如下。

根据开关柜温升风险影响因子自身特点，可将其分为实数类和文字类两类，并采用不同的方式进行预处理［29］：

（1）针对实数类影响因子，如运行年限（x1，a）、负荷电流（x3，A）、母排温度（x4，℃）、触头温度（x5，℃）、环境温度（x6，℃）、环境湿度（x7，%）、导体接触电阻（x8，Ω）、触头接触面积（x9，m2），可采用min-max 标准化方法进行归一化，即对以上实数类影响因子xi采用公式（5）处理，得到新数据xi′，输入到ABPNN 网络中。

（2）针对文字类影响因子，如历史故障情况（x2）、风机状态（x10），可采用表2所示的自变量赋值方法。

表2 开关柜温升影响因子赋值Tab.2 Assignment of influence factors of temperature rise of switchgear

步骤2：选择备选网络结构。ABPNN 网络中输入层和输出层已确定，因此备选网络结构主要指隐含层神经元个数，其选取方法如下：依次选择［m+1，2n］范围内的整数作为隐含层神经元个数，并利用小规模的样本数据来进行网络训练，并记录每一次的收敛误差，选择误差最小的隐含层个数作为网络最优结构。

步骤3：初始化ABPNN 网络参数。ABPNN 网络参数，包括所有权值和阈值的初始取值，同时设置网络训练的初始学习率，期望最小误差。

步骤4：初始化种群编码。对ABPNN 初始网络参数进行编码，得到多个不同个体，种群数量为Num，作为初始种群P0，输入到遗传算法中。

步骤5：计算种群的适应度。在遗传算法中，种群适应度函数用来评估个体的优劣，适应度值越大，个体基因越好，更加容易被保留下来。因此，在模型中，可利用样本数据及初始化的ABPNN网络模型，得到样本输出值，并与期望输出值进行比较，得到其误差值，以此来表示个体基因的优劣。为此，可采用如（6）所示的计算方式来表示个体的适应度值，其中，N表示训练样本数为样本预测输出值，yop为样本真实输出值：

如此反复，可计算出第t代种群P（t）中所有个体的适应度值。

步骤6：初始化遗传算法参数。包括最大迭代次数，交叉概率p范围［p1，p2］，变异概率q范围［q1，q2］。

步骤7：个体选择。采用轮盘赌选择法，对种群中个体进行择优选择，选择步骤如下：

首先根据种群中个体适应度值，利用式（7）可计算出每个个体被遗传的概率p（i）；

然后利用式（8）计算出个体的累积概率q（i）；

接着随机生成一个［0，1］之间数r；

若个体的累积概率大于r，则选择留下该个体，反之，选择另一个个体k，使得q（k-1）

重复以上步骤直到种群中所有个体都被选择了一次。

步骤8：动态地进行种群的交叉和变异。根据种群个体的适应度值变化情况，对交叉、变异概率进行动态调整，得到新的种群。首先设定初始值，可采用初始交叉概率p0和初始变异概率q0，如式（9）所示，其中p1，p2，q1，q2均为固定值。

然后得到新种群，并计算其适应度值，若适应度值分布较分散，可适当减小概率值，来保留种群中表现较优的个体；若某个个体适应度值表现为陷入局部最优时，加大概率值，从而跳出局部最优，保证个体多样性。

步骤9：判断是否满足终止条件。给定最小误差阈值，若得到的新个体适应度值小于阈值，则输出该个体，进行解码，分析得到ABPNN网络最优参数，否则重复上述步骤7～9。

步骤10：ABPNN 网络训练。根据网络最优参数，训练ABPNN 网络，在训练过程中采用梯度下降法，并通过计算出的误差，来对权值和阈值进行不断地修正；

步骤11：判断误差是否小于给定最大误差，满足则利用该模型对开关柜温度异常进行风险评估，并输出预测值，否则返回到步骤10计算新的误差，继续进行权值和阈值的修正。

3 工程应用

为验证本文提出的ABPNN 开关柜温升风险评估模型的有效性，从某水电站厂用电系统获取了近10年的开关柜温升有关监测数据，并进行了删选得到100组具有代表性的数据，作为训练样本集。为保持训练样本均衡性，这100 组数据中每一种风险等级的样本数据量相等，均为20。同时，还随机选取了10 组数据形成测试样本集。验证过程中使用的是MATLAB 神经网络工具箱。

根据样本数据，首先进行预处理，分别得到输入层数据X和输出层数据Y。在此基础上建立ABPNN 神经网络，在初始最优网络罗结构的选择过程中，本文依次采用10×4×3～10×20×3 范围内所有的网络结构，根据误差择优选择10×6×3的网络拓扑结构，实验过程中所用参数设置如表3所示。

表3 ABPNN网络训练参数设置Tab.3 ABPNN network training parameter setting

根据设置好的参数，对网络模型进行了构建和训练，并最终用于开关柜温度异常风险评估过程。为了验证ABPNN 评估模型有效性，采用BP 神经网络和GA-BP 神经网络作为对比方法，进行了训练和评估。

3种不同网络结构下，100组训练样本数据集的开关柜温升风险评估结果如图3 所示。从图3 中可以看出，本文提出的ABPNN 风险评估模型，平均预测准确率高达90%，高于BP神经网络的80%和GA-BP神经网络的84%。

图3 不同模型下开关柜温升风险评估结果比较Fig.3 Comparison of risk assessment results of switchgear temperature rise under different models

此外，为了验证ABPNN 温升风险评估准确率，我们收集了10 组现场某开关柜相关数据，组成了测试样本，通过对测试样本中的影响因子进行预处理之后得到ABPNN 模型的输入值，使用MATLAB输入到训练网络中，对10组数据进行温升风险评估预测。结果表明，ABPNN神经网络的开关柜温升风险等级识别的准确率高达90%，预测结果如表4所示。

表4 ABPNN开关柜温升风险预测结果Tab.4 ABPNN switchgear temperature rise risk prediction results

4 结论

本文通过对开关柜温升异常的机理分析研究，归纳整理了台帐数据、运行数据、监测数据、环境数据，确定开关柜温升主要影响因子，通过构建ABPNN 神经网络的开关柜温升风险评估模型，对温升风险等级进行快速和准确预测。最后进行了对比分析和工程应用，本方法相对于BP和GA-BP模型，提高了开关柜温升风险等级预测的准确率，具有较好的实用性，可以提高开关柜运行风险管控能力，对电力系统稳定运行具有重要意义。